Si buscas cómo ser AI Engineer en 2026 y encuentras una lista que empieza con álgebra lineal y termina en redes neuronales convolucionales, cierra esa pestaña. Ese era el camino del Machine Learning Engineer de 2021. El puesto que hoy se publica con ese nombre pide otra cosa: conectar modelos que ya existen a los sistemas y datos de una empresa, y dejar eso funcionando sin que se rompa el martes siguiente.
Las últimas dos semanas lo dejaron bastante claro. Anthropic sacó Claude Fable 5.2 el 9 de noviembre a US$8 por millón de tokens de entrada y US$40 de salida. LangChain levantó US$300 millones el 13 de noviembre, y no por el framework sino por la capa que evalúa y audita agentes. El Model Context Protocol pasó a manos de la Agentic AI Foundation para quedar como estándar abierto. Ninguna de esas noticias es sobre entrenar un modelo. Todas son sobre operarlos.
Qué hace un AI Engineer hoy (y qué ya no)
En la práctica el trabajo se parece más a backend con incertidumbre que a ciencia de datos. Recibes un proceso del negocio (clasificar 4,000 correos de reclamos, responder consultas sobre 300 contratos, revisar facturas), decides qué parte puede resolver un modelo, armas la conexión con los datos, y después construyes la manera de saber si está respondiendo bien. Esa última parte es la que separa a quien cobra US$2,000 de quien cobra US$6,000.
Lo que salió de la descripción del puesto: entrenar modelos desde cero, ajustar hiperparámetros, pelear con GPUs. Eso sigue existiendo, pero se llama ML Engineer o Research Engineer y es un camino distinto. Confundir ambos es el error más caro que veo en gente que recién empieza, porque te hace estudiar seis meses de teoría para un puesto que no estaba pidiendo teoría.
El stack que te van a pedir en una entrevista de 2026
- ▸Python decente, no brillante. Tipos, async, manejo de errores y saber leer una librería ajena. No necesitas competir en LeetCode.
- ▸APIs. Casi todo lo que entregues va a terminar detrás de un endpoint. FastAPI es el default de la industria y se aprende en un fin de semana.
- ▸RAG de verdad: chunking que respete la estructura del documento, embeddings, una base vectorial y, sobre todo, cómo medir si está trayendo el fragmento correcto.
- ▸Agentes con herramientas: definir funciones, manejar reintentos, cortar bucles infinitos y meter aprobación humana donde el error cuesta plata.
- ▸MCP. Ahora que es estándar abierto, conectar un modelo a Jira, a un Postgres o al Drive de la empresa dejó de ser código a medida. Saber armar un servidor MCP propio te distingue bastante rápido.
- ▸Evaluación y costos. Un dataset de casos con respuesta esperada, una métrica que el negocio entienda y el costo por corrida en una hoja. Esto casi nadie lo lleva a la entrevista, y por eso funciona tan bien cuando lo llevas.
El roadmap, en cuatro bloques y sin relleno
Bloque 1, las bases (4 a 6 semanas). Python y luego APIs con Python. Si ya programas, sáltate esto y no te sientas culpable. El objetivo de este bloque es poder exponer cualquier cosa que construyas como un servicio que otro pueda llamar.
Bloque 2, el modelo con tus datos (3 a 4 semanas). Aquí entra RAG. Armar un chatbot entrenado con tus propios datos es el ejercicio más rentable de todo el camino, porque es literalmente el primer encargo que recibe el 70% de los AI Engineers junior: "haz que esto responda sobre nuestros documentos".
Bloque 3, agentes (6 a 8 semanas). Es el bloque donde se define tu sueldo. Empieza con LangGraph porque te obliga a pensar en estados y checkpoints en vez de en una cadena de prompts. Si quieres especializarte aquí y no solo pasar de largo, la ruta de AI Agentic Engineer cubre memoria, evaluación y despliegue, que es la parte que las empresas no encuentran en el mercado.
Bloque 4, llevarlo a alguien (continuo). Un agente que nadie usa no cuenta como experiencia. Aquí ayuda muchísimo n8n, que en su versión 2.48 del 10 de noviembre sumó más capacidades de agentes y publicación de apps internas. Es la forma más rápida que conozco de poner tu modelo dentro del flujo de trabajo real de alguien, aunque ese alguien sea el área de ventas de tu propia empresa.
Tres proyectos terminados y usados por alguien pesan más que diez cursos aprobados. Lo digo porque he revisado portafolios de ambos tipos y no se parecen en nada.
Cuánto gana un AI Engineer en LATAM
Los agregadores de salarios para LATAM en 2026 ubican el nivel inicial (1 a 3 años) alrededor de US$40,000 al año, el nivel medio (3 a 6 años) cerca de US$62,000 y el senior (6 años o más) en torno a US$84,000. Cuando la contratación es remota para una empresa de Estados Unidos, el rango senior se mueve a US$82,000-US$120,000, y el promedio de las ofertas remotas publicadas para la región ronda los US$112,000.
Ese salto entre el empleo local y el remoto es la parte importante, y no se explica por talento. Se explica por quién paga. Si tu plan incluye el rango alto, el inglés técnico y la capacidad de sustentar decisiones por escrito valen tanto como el stack. He visto gente excelente quedarse fuera de procesos por no poder explicar en una llamada por qué eligió un modelo más caro.
¿Y si vengo de datos y no de backend?
Es el perfil que más rápido avanza y casi nadie se lo dice. Si ya trabajas con datos, tienes resuelto lo que al desarrollador le cuesta: entiendes el modelo del negocio, sabes dónde vive la información y puedes escribir la consulta SQL que alimenta al agente. Lo que te falta es el pedazo de ingeniería: exponer un servicio, manejar errores y versionar. Son cuatro semanas, no un año.
Al revés también pasa. El desarrollador que entra a este mundo suele subestimar lo que cuesta conseguir datos limpios y permisos para usarlos. La primera semana construye el agente; las tres siguientes las pasa pidiendo accesos y descubriendo que la tabla buena tiene tres versiones y ninguna está documentada. Si te suena exagerado, pregúntale a alguien que ya haya puesto un RAG en producción sobre documentos internos.
Los tres errores que más retrasan este camino
El primero: perseguir cada modelo nuevo. Entre septiembre y noviembre salieron versiones de Claude, Gemini y GPT que cambian precios y velocidad, no la forma de construir. Si cada lanzamiento te hace rehacer tu proyecto, nunca vas a terminar ninguno. Elige uno, termina, y cambia después cuando tengas con qué comparar.
El segundo: no medir nada. Es tentador porque medir es aburrido y además te muestra que tu agente acierta el 61% de las veces, no el 95% que creías. Pero un candidato que llega con una tabla de aciertos y un costo por consulta se vuelve inmediatamente más creíble que uno con una demo bonita.
El tercero: creer que necesitas el título. Las empresas con las que trabajamos miran el repositorio y la conversación técnica. Lo que sí piden, y con razón, es que puedas explicar por qué tu solución no se va a caer cuando reciba 200 consultas en vez de 5.
Por dónde empezar esta semana
Si quieres el camino ordenado y con acompañamiento, la ruta de Inteligencia Artificial para developers arma los cuatro bloques en secuencia y termina con proyectos que puedes mostrar. Si prefieres una victoria rápida esta semana, Claude Code para developers te cambia la velocidad de todo lo demás, porque vas a escribir el resto del roadmap con un agente al lado. Y si todavía no decides por dónde entrar, el catálogo está ordenado por rol.
Una cosa más: aprender esto solo es lento, sobre todo cuando te trabas en algo que para otro es obvio. En la Comunidad AI Builders hacemos un taller en vivo cada semana, desde 19 USD al mes, y sirve justo para ese tipo de atascos.


