AI Solution Architect es, en este momento, uno de los roles con más ofertas abiertas y menos candidatos listos en LATAM. No es un título inflado: es lo que pasa cuando una empresa ya tiene tres o cuatro modelos distintos corriendo (GPT-6.1, Claude Opus 5.5, Gemini 3.8), un par de agentes en producción y ningún plan de cómo encaja todo eso con su nube, su presupuesto y su equipo de seguridad. Alguien tiene que diseñar ese rompecabezas completo. Ese alguien es el AI Solution Architect.
Qué hace un AI Solution Architect (y en qué se distingue de otros roles)
Un AI Engineer construye: entrena, afina, programa el agente, escribe el pipeline de inferencia. Un Data Architect diseña cómo se guardan y mueven los datos —el modelo de la bodega, los contratos entre sistemas, el lakehouse. El AI Solution Architect vive un escalón arriba de ambos: decide qué proveedor de nube usar para qué carga, qué modelo conviene por costo y latencia según el caso de uso, cómo se conecta todo con los sistemas que la empresa ya tiene (el CRM, el ERP, el data warehouse) y cómo se mide el retorno de esa inversión frente al directorio. Si el AI Engineer responde "cómo construirlo" y el Data Architect responde "dónde viven los datos", el Solution Architect responde "con qué, dónde y por qué así, y cuánto nos va a costar sostenerlo". Son conversaciones distintas, con audiencias distintas: un ingeniero habla con otros ingenieros, un Solution Architect habla también con el CFO y con legal.
Por qué el rol explotó justo este año
Hace dos años, elegir un modelo era simple porque había dos o tres opciones serias. Hoy cualquier empresa mediana tiene que decidir entre media docena de LLMs que cambian de precio cada mes, más la pregunta de si corre eso en AWS, Azure, GCP o Databricks, más el tema de los agentes que ya no son un experimento sino procesos de negocio corriendo en producción las 24 horas. Esa complejidad es justo el terreno del Solution Architect: nadie más en la empresa tiene el mandato ni la visión completa para decidir, por ejemplo, que el agente de atención al cliente corra en un modelo barato y rápido mientras el de análisis financiero usa uno más caro pero con mejor razonamiento, y que todo eso quede documentado para la próxima auditoría. El propio examen de certificación AWS Solutions Architect Associate (SAA-C03) se actualizó este año para pesar más los escenarios con cargas de IA generativa y agentes —un indicio de hacia dónde empuja el mercado el rol, no solo en el discurso sino en lo que ya se examina.
Las habilidades que de verdad están pidiendo
- ▸Arquitectura multi-nube: saber cuándo conviene AWS, GCP, Azure o una combinación, no solo dominar una.
- ▸Diseño de sistemas con agentes y RAG, incluyendo dónde vive la memoria y cómo falla de forma controlada si un proveedor de modelo cae.
- ▸FinOps de LLMs: calcular el costo real de una solución según tokens consumidos en producción, no según la demo que vio el gerente.
- ▸Seguridad y gobernanza: qué datos puede tocar un agente, qué queda fuera, cómo se audita cada decisión que tomó solo.
- ▸Comunicación con gente que no programa: traducir una arquitectura técnica a un caso de negocio que un directorio apruebe sin pedir tres reuniones más.
Cómo se ve una semana típica en el puesto
Menos código del que uno imagina al principio, y más documentos de diseño y reuniones de las que un AI Engineer evitaría con gusto. Un lunes típico puede arrancar revisando por qué el costo en tokens de un agente subió 40% la semana pasada —casi siempre porque alguien cambió un prompt y ahora el modelo razona de más— seguir con una sesión de arquitectura para decidir si un caso nuevo justifica un modelo propio o uno de terceros, y cerrar con una presentación al comité de riesgos explicando por qué el agente de aprobación de créditos nunca debería decidir solo sin un humano revisando el caso límite. No es el día a día de alguien que quiere programar sin interrupciones; es el de alguien a quien le gusta resolver el problema completo, con sus restricciones de costo, de seguridad y de gente.
La ruta para llegar ahí
Casi nadie entra a este rol de cero: la mayoría llega desde desarrollo, datos o infraestructura con tres a cinco años encima. Si vienes de código, el camino natural pasa primero por consolidar fundamentos de IA aplicada —la ruta AI Engineer cubre eso— y recién después subir a diseño de arquitectura completa con la ruta especializada AI Solution Architect, que trabaja casos reales de multi-nube y sistemas de agentes en producción, más el curso asincrónico de AI Solution Architect si prefieres avanzar a tu ritmo. Si lo que más te atrae es construir y operar los agentes en sí mismos, en lugar de diseñar la arquitectura completa que los rodea, la ruta AI Agentic Engineer profundiza específicamente en eso y es un buen complemento técnico antes de subir al rol de arquitecto. La certificación que de verdad pesa en una entrevista sigue siendo la AWS Certified Solutions Architect Associate —no reemplaza la experiencia, pero sin ella muchos procesos de selección ni te consideran, por más que domines el tema en la práctica.
¿Te especializas en una nube o vas por varias?
Esta es la pregunta que casi nadie responde bien al arrancar. Mi consejo: certifícate primero a fondo en una nube —AWS suele ser la puerta de entrada más pedida en LATAM, sobre todo en banca y retail— y recién después suma nociones de las otras dos. Un Solution Architect que dice dominar AWS, Azure y GCP por igual desde el día uno casi siempre termina siendo mediocre en las tres. Es mejor ser muy bueno en una y conocer lo suficiente de las otras para saber cuándo una decisión multi-nube tiene sentido real y cuándo es solo complejidad que nadie pidió.
El portafolio que te abre la puerta
Un certificado por sí solo no convence a nadie de contratarte para diseñar la arquitectura de IA de toda una empresa. Lo que sí convence es poder mostrar un caso completo: por qué elegiste tal nube sobre otra, cómo calculaste el costo proyectado a un año, qué pasaba si el proveedor de modelo fallaba, cómo mediste el resultado después de implementarlo. No necesitas haberlo hecho en una empresa de miles de empleados —un proyecto personal bien documentado, con esas mismas preguntas respondidas por escrito, pesa más en una entrevista técnica que un certificado sin contexto detrás.
Cuánto se gana y qué nadie te cuenta antes de lanzarte
Ya escribimos sobre las cifras reales de cuánto gana un AI Solution Architect en LATAM, así que no las repito acá. Lo que sí vale la pena decir: este no es un rol de entrada ni uno que se arma solo leyendo documentación de AWS un fin de semana. Vas a pasar reuniones enteras defendiendo una decisión de arquitectura frente a gente a la que no le importa el detalle técnico, solo el resultado y el costo. Si lo que te atrae es programar todo el día, probablemente disfrutes más siendo AI Engineer y dejando el diseño completo a otro. Si lo que te atrae es resolver el rompecabezas completo —técnico, de costos y de negocio— ahí es donde este rol se pone interesante de verdad.
Si quieres ver cómo se resuelven estos casos en vivo con gente que ya está en el rol, cada semana hay un taller abierto en la Comunidad AI Builders desde 19 dólares al mes.
Si vienes de desarrollo o datos y quieres evaluar si esta ruta te conviene a ti, revisa el temario completo de la ruta AI Solution Architect o compara todas las opciones en nuestro catálogo de cursos.
