La mayoría de los programas de capacitación en data e IA que he visto fallan por el mismo motivo: arrancan con cursos y no con un plan. El equipo toma uno, dos, o tres cursos sueltos, se acumula conocimiento que nadie aplica en contexto, y a los seis meses el retorno es difícil de medir. No es un problema de los cursos: es un problema de arquitectura de aprendizaje.
Por qué la capacitación ad-hoc no escala
He hablado con al menos una docena de CTOs y Heads of Data en LATAM que tenían el mismo patrón: presupuesto de capacitación disponible, equipo motivado, pero sin un mapa claro de qué aprender, en qué orden y para qué resultado de negocio. Resultado: training disperso, brechas que persisten, y muy difícil justificar el ROI frente a dirección.
El problema no es la motivación ni el presupuesto. Es que no existe un plan estructurado que conecte las brechas de habilidades del equipo con los objetivos concretos del negocio.
Los 4 pasos de un plan de upskilling que sí funciona
1. Diagnóstico de brechas por rol
Antes de diseñar cualquier programa, necesitas saber qué saben y qué no saben los distintos perfiles de tu equipo. Esto no es una encuesta genérica de satisfacción: es un mapeo de competencias técnicas por rol (Data Engineer, Data Analyst, ML Engineer, AI Engineer) contra lo que esos roles necesitan para operar en el contexto actual del negocio.
Preguntas que revelan las brechas reales: ¿Cuántos en tu equipo pueden construir un pipeline de datos end-to-end en producción sin asistencia? ¿Cuántos saben usar un LLM para automatizar tareas específicas de su rol? ¿Quién puede diseñar una arquitectura de datos que soporte agentes de IA? Las respuestas a esas preguntas son el punto de partida, no los títulos de curso disponibles en el mercado.
2. Priorización por impacto en el negocio
No todas las brechas merecen la misma atención. El criterio no es qué está de moda sino qué habilidad, si la cierro, tiene el mayor impacto en los objetivos de negocio de los próximos 12 meses.
Un ejemplo concreto: si tu empresa está migrando a una plataforma cloud y tiene Data Engineers que no dominan Spark ni Databricks, esa brecha tiene mayor urgencia que capacitar al mismo equipo en agentes de IA generativa. Prioriza por impacto en el resultado de negocio, no por la tendencia más visible en LinkedIn.
3. Diseño del programa por perfil y formato
Un plan bien diseñado tiene rutas diferenciadas por rol. No el mismo contenido para todos. El Data Engineer necesita cosas distintas al Data Analyst, y el AI Engineer tiene un stack técnico diferente al ML Engineer. Mezclar roles en el mismo programa genérico reduce la relevancia percibida y la aplicabilidad del aprendizaje.
Otro factor que la mayoría ignora: el formato de aprendizaje. Para perfiles técnicos con proyectos en paralelo, el aprendizaje asincrónico con proyectos prácticos suele funcionar mejor que bloques de semanas completas. Para habilidades de adopción estratégica como gobernanza o arquitectura, los talleres intensivos in-company tienen más impacto porque todo el equipo comparte el mismo contexto y puede alinear criterios en tiempo real.
4. Medición de impacto, no de participación
El error más común es medir la capacitación por número de horas completadas o puntaje de satisfacción del participante. Esas métricas son fáciles de reportar y dicen poco sobre el retorno real.
Las métricas que importan: ¿Cuántos proyectos nuevos se completaron que antes estaban bloqueados por falta de habilidades? ¿En cuánto tiempo un Data Engineer nuevo llega a ser productivo? ¿Qué procesos de automatización con IA se levantaron como resultado directo del upskilling? Define estas métricas antes de empezar el programa, no después. Si las defines después, siempre vas a encontrar un número que se vea bien y no dice nada.
Los perfiles data e IA más escasos en 2026
Si estás priorizando qué brechas cerrar primero, estos son los perfiles con mayor escasez en el mercado LATAM hoy:
- ▸AI Agentic Engineer: diseña y despliega sistemas de agentes en producción. El perfil más demandado en 2026 y el más difícil de contratar externamente porque requiere combinar ingeniería de software, LLMs y experiencia operativa
- ▸Data Engineer con stack cloud moderno: domina pipelines en AWS, GCP o Azure y sabe integrar IA generativa en los flujos de datos existentes
- ▸ML Engineer con MLOps: lleva modelos de experimento a producción con monitoreo, CI/CD y gestión del drift. Escaso porque la brecha entre ciencia de datos e ingeniería sigue siendo amplia en la región
- ▸Data Analyst con herramientas de IA: combina SQL, Power BI y capacidad de usar LLMs para análisis asistido y automatización de reportes
Upskilling interno vs contratar: cuándo cada opción
He visto equipos que lo intentan de las dos formas y la conclusión que más se repite es: para perfiles muy especializados o muy escasos, como un ML Engineer senior con experiencia real en LLMs en producción, contratar es más rápido que esperar a que el upskilling llegue ahí. Para roles que ya existen en tu equipo con base técnica sólida, como Data Engineers con SQL y Python, el upskilling es más económico, más rápido de lo que parece, y tiene el efecto secundario de retener talento que ya conoce el negocio.
La regla práctica que funciona: si el rol ya existe en tu equipo y la brecha es de 3 a 6 meses de formación dedicada, capacita. Si el rol no existe y tardas más de un año en construirlo internamente, contrata y complementa con capacitación.
Cómo DataPath trabaja con empresas
En DataPath llevamos más de cuatro años capacitando equipos de data e IA en LATAM. Más de 30 empresas, entre ellas Entel, BCP y Scotiabank, y más de 500 profesionales formados en roles técnicos activos. El proceso que usamos tiene cuatro fases: diagnóstico de brechas sin costo, diseño de programa a medida por rol, ejecución con instructores que trabajan en la industria hoy, y seguimiento de impacto en los proyectos reales del equipo.
Los equipos que más capacitamos hoy trabajan en la ruta de Data Engineer, en la ruta de AI Agentic Engineer y en especializaciones cloud por área de negocio. Pero el diseño del programa siempre parte del diagnóstico de tu equipo específico, no de un menú genérico.
El mejor momento para empezar un plan de upskilling es antes de que llegue el proyecto urgente y no tengas el equipo para ejecutarlo. Si tu empresa está evaluando cómo cerrar la brecha de habilidades en data e IA para 2026 y 2027, el paso más concreto que puedes dar hoy es hablar con nuestro equipo en /empresas. El diagnóstico inicial no tiene costo y te da un mapa de brechas con recomendaciones concretas por rol.
