Un MLOps Engineer senior en LATAM factura hoy entre 5,500 y 8,200 dólares al mes, full-loaded. Ese número viene empujado por algo muy puntual: el salto de MLOps a AgentOps que trajo la adopción masiva de agentes de IA en producción durante 2026. Hace dos años el mismo puesto pedía la mitad de ese rango.
Los números reales, por nivel
Esto es lo que se está pagando hoy en la región, según datos de consultoras de contratación remota que trabajan específicamente con talento LATAM:
- ▸Junior: entre 2,500 y 4,000 USD al mes
- ▸Mid: entre 3,800 y 6,000 USD al mes
- ▸Senior: entre 5,500 y 8,200 USD al mes, full-loaded
Para comparar: un Senior MLOps Engineer en Estados Unidos cuesta entre 155,000 y 180,000 USD al año a su empleador, básicamente el mismo rango que un senior en LATAM, solo que mensual en vez de anual. Es la razón de fondo por la que tanta empresa de Estados Unidos y Europa está contratando MLOps en Lima, Bogotá o Ciudad de México: mismo nivel de seniority, una fracción del costo total.
Dentro de la región también hay variación y vale la pena preguntarla antes de comparar ofertas: México corre más liviano en cargas sociales, alrededor del 17% del salario base, mientras Colombia tiene la carga más pesada, cerca del 29%. Si te contratan como planilla local en vez de remoto para una empresa de afuera, ese número cambia bastante lo que realmente te queda.
Otro dato que mueve el número final es el tipo de contrato. Trabajar como contractor remoto para una empresa de Estados Unidos paga distinto, y generalmente más, que un puesto de planilla local en una empresa LATAM, aunque el título sea idéntico. Si estás negociando una oferta, pregunta específicamente bajo qué modalidad te están contratando antes de comparar la cifra con la de alguien más: comparar un sueldo de contractor contra uno de planilla sin ajustar por eso te va a dar una impresión equivocada.
Si estás en Perú buscando este rol, el mercado local todavía paga por debajo de estos rangos cuando te contratan como planilla de una empresa peruana: ahí los sueldos para un MLOps senior rondan bastante menos que el benchmark remoto para clientes de afuera. La brecha más grande no está en la habilidad, está en a quién le vendes tu trabajo: una empresa local compite contra otra empresa local, no contra el mercado de San Francisco.
Por qué subió: el salto de MLOps a AgentOps
Hace dos años, un MLOps Engineer pasaba el día desplegando y monitoreando modelos de clasificación o de recomendación. En 2026 el objeto del trabajo cambió: ya no es un modelo, es un agente que llama herramientas, mantiene memoria entre pasos y toma decisiones que antes tomaba una persona. El 89% de los CIOs ya ubica la IA basada en agentes como prioridad estratégica de productividad, y eso presiona directo la demanda del perfil que sabe poner esos agentes en producción sin dejarlos sueltos.
El mercado de AgentOps —la disciplina de monitorear, versionar y gobernar agentes, no solo modelos— se proyecta de 5,000 millones de dólares en 2024 a 50,000 millones para 2030. Brasil y México ya concentran buena parte de esa demanda en la región, con fintech y outsourcing tecnológico como los sectores que más están contratando para este perfil específico.
La brecha de talento ayuda a explicar el salto en el sueldo: son pocos los que tienen experiencia real operando agentes en producción, porque el rol en sí tiene apenas uno o dos años de existir con esta forma concreta. La mayoría de la gente que hoy se describe como "MLOps Engineer con experiencia en agentes" aprendió en el camino, sobre la marcha, en el mismo puesto. Todavía no hay una generación completa que haya salido de una carrera con esto como plan de estudios, y eso hace que la oferta de gente calificada vaya un paso atrás de la demanda.
Qué hace distinto a un MLOps Engineer hoy
La diferencia no es solo el nombre del puesto. Antes bastaba con un pipeline de CI/CD para modelos y un dashboard de drift. Hoy el trabajo incluye trazar cada llamada a herramienta que hace un agente, poner límites de gasto y de alcance (qué API puede tocar, qué no) y tener un plan para cuando el agente se comporta de forma inesperada, porque la pregunta ya no es si va a pasar sino cuándo. Si vienes del lado de LangGraph o CrewAI construyendo agentes, y ahora te piden que también los operes en producción, estás viviendo exactamente este cambio de rol.
No hace falta un título nuevo para dar el salto. Lo que de verdad piden en las entrevistas que he visto es experiencia real con CI/CD para modelos, Docker y Kubernetes, y cada vez más alguna prueba de que sabes monitorear algo que no es determinístico, que es justo lo que hace un agente.
Más allá del sueldo, vale la pena entender qué te van a preguntar. El filtro ya no es solo "sabes hacer deploy de un modelo con Docker": preguntan por trazabilidad de llamadas a herramientas, por cómo pondrías un límite de gasto en tokens por agente, y por cómo diseñarías una alerta que no sea solo "el modelo falló" sino "el agente está tomando decisiones raras aunque técnicamente no falle nada". Esa última parte es la que menos gente sabe responder, porque es nueva y todavía no hay un manual estándar para resolverla.
En el papel, muchas ofertas todavía piden una certificación cloud —AWS Machine Learning Engineer, Databricks Generative AI Engineer, Google Cloud ML Engineer— como filtro inicial. Ayuda a pasar el primer filtro de un reclutador, pero en la entrevista técnica casi nadie te pregunta por la certificación en sí: te ponen un caso de un agente que falla de forma intermitente y quieren ver cómo lo depuras. La certificación abre la puerta, la experiencia real con pipelines rotos es la que cierra la oferta.
Lo que nadie cuenta en las ofertas de trabajo: la parte de "ML" del puesto cada vez pesa menos. La parte de observar, limitar y auditar agentes pesa cada vez más, y es la que casi nadie enseña todavía.
Cómo empezar o subir de nivel
No esperes que el cambio de MLOps a AgentOps sea cuestión de un curso de fin de semana. La gente que ya hizo el salto cuenta lo mismo: entre tres y seis meses metiéndose de lleno en proyectos reales de agentes, no solo leyendo documentación, antes de sentirse cómoda defendiendo decisiones de arquitectura frente a un equipo de producto.
Si vienes de Data Engineer o de Machine Learning y quieres dar el salto, la ruta ML Engineer de DataPath cubre justo ese camino: de entrenar y desplegar modelos a operarlos en producción, y hoy eso incluye agentes. Si ya construyes agentes con LangGraph o CrewAI y te falta la parte de operación, la ruta AI Agentic Engineer completa el otro lado: diseño y arquitectura de agentes antes de que lleguen a tus manos como MLOps.
Si quieres ver cómo otros equipos están resolviendo la parte de observabilidad y gobierno de agentes, cada semana hacemos un taller en vivo en la Comunidad AI Builders, desde 19 USD al mes.
Para seguir: la ruta ML Engineer, la ruta AI Agentic Engineer, o el catálogo completo de cursos de IA en DataPath.
