He visto el patrón demasiadas veces: el equipo hace un prototipo brillante en dos semanas, el demo convence a la dirección, y dos meses después el proyecto está paralizado. No porque el modelo falle — sino porque nadie en el equipo sabe cómo evaluar outputs en escala, gestionar el costo de inference, implementar guardrails o manejar el versionado de prompts como si fuera código. La IA generativa en producción tiene una curva de madurez diferente al desarrollo de software tradicional, y la mayoría de equipos la descubre demasiado tarde.
Esta guía es para quien toma decisiones sobre qué capacitar, a quién y en qué orden. No es un catálogo de cursos — es un diagnóstico de los gaps más comunes y un framework para cerrarlos.
El problema real: qué falla cuando la IA generativa llega a producción
La mayoría de equipos de desarrollo tiene hoy alguna experiencia con ChatGPT o con la API de OpenAI. El problema no es el acceso al modelo — es la brecha entre "hacer funcionar un prompt" y "operar un sistema en producción que usa ese modelo".
Los gaps más frecuentes que veo en equipos de entre 5 y 50 personas:
- ▸No saben evaluar outputs en escala. En prototipos, los humanos revisan cada output. En producción, con 10,000 llamadas diarias, eso no escala. Necesitas pipelines de evaluación automática — y construirlos requiere skills específicos.
- ▸No gestionan el costo de inference. Un equipo que no monitorea tokens por request puede pasar de USD 500/mes a USD 8,000/mes sin darse cuenta. El costo de LLMs en producción es un gasto variable que necesita ownership claro.
- ▸No versiona prompts como código. Los prompts de sistema cambian constantemente en producción. Sin versionado, trazabilidad y tests de regresión para prompts, cada cambio es un riesgo silencioso.
- ▸No tienen guardrails implementados. Alucinaciones, outputs fuera de scope, inyección de prompts — sin guardrails en producción, cualquier usuario malicioso (o simplemente creativo) puede romper la experiencia.
Los tres perfiles que necesitas formar
No hace falta que todos en el equipo sean expertos en todo — hace falta que el equipo tenga cobertura en tres áreas. Dependiendo del tamaño del equipo, pueden ser tres personas diferentes o tres capacidades en dos personas.
El primero es el AI Engineer o AI Developer: quien construye las aplicaciones, integra los modelos con la API, diseña los flujos de agentes y maneja los frameworks de orchestration (LangChain, LangGraph, CrewAI). Es el perfil más demandado y el más escaso — porque requiere combinar programación con comprensión profunda de cómo los LLMs procesan información.
El segundo es el ML Engineer u Operations persona: quien se encarga de que lo que el AI Engineer construye funcione de forma confiable, monitoreable y escalable. Esto incluye pipelines de evaluación, monitoreo de costos, versionado de modelos y prompts, alertas de regresión y deployment. Sin este perfil, cada actualización del sistema es un riesgo no medido.
El tercero es el Data Engineer o Data Persona: quien gestiona los datos que alimentan a los modelos. RAG requiere pipelines de ingesta, procesamiento y retrieval de datos. Agentes con acceso a datos internos necesitan conexiones a bases de datos, APIs y almacenes estructurados. Sin datos limpios y bien estructurados, los modelos más avanzados dan outputs poco útiles.
Framework de preparación en cuatro fases
Este framework asume que el equipo ya tiene competencias de programación y que el objetivo es llevar esas competencias al stack de IA generativa en producción — no empezar desde cero.
Fase 1 — Diagnóstico (2-3 semanas): Evalúa qué sabe el equipo hoy. No asumas que quien usa ChatGPT sabe trabajar con la API. Mira concretamente: ¿quién ha construido algo con la API de OpenAI o Anthropic? ¿Quién entiende cómo funciona tokenización y ventana de contexto? ¿Quién tiene experiencia con pipelines de datos? El diagnóstico honesto evita el error de capacitar en lo que ya saben o saltarse lo que les falta.
Fase 2 — Fundamentos compartidos (4-6 semanas): Todos los que van a trabajar con IA generativa necesitan un baseline común: cómo funcionan los LLMs, diseño de prompts, manejo de la API, conceptos de agentes. No es necesario que todos lleguen al mismo nivel avanzado — pero el lenguaje común evita malentendidos costosos más adelante.
Fase 3 — Especialización por rol (8-12 semanas): Aquí el camino se divide. Los AI Engineers profundizan en frameworks de agentes, arquitecturas de RAG y diseño de sistemas multi-agente. Los ML Engineers se enfocan en MLOps para LLMs: evaluación, monitoreo, versionado, deployment. Los Data Engineers aprenden los pipelines de ingesta y retrieval que alimentan a los agentes.
Fase 4 — Proyecto interno (4-6 semanas): La capacitación que no se aplica se olvida. El cierre tiene que ser un proyecto real del negocio — no un ejercicio académico. Un caso de uso interno donde el equipo pone en práctica el stack completo, con las restricciones reales de datos, seguridad y presupuesto del negocio.
Cuánto tiempo y qué esperar
Siendo honesto con los tiempos: preparar un equipo de 5-10 personas para operar IA generativa en producción toma entre 4 y 6 meses si se hace con consistencia. Menos que eso y estás entrenando para el demo, no para producción.
Las métricas que recomiendo monitorear durante el proceso: tasa de completación de módulos (compromiso), puntaje en evaluaciones prácticas (comprensión), y — la más importante — número de proyectos internos que llegan a producción en los 90 días posteriores a la formación. Eso último es la prueba real de si el aprendizaje fue transferible.
Cómo lo hacemos en DataPath con empresas
En DataPath hemos formado a más de 500 profesionales y a más de 30 empresas en LATAM — entre ellas Entel, BCP y Scotiabank. Lo que aprendimos en esos proyectos es que los programas estándar rara vez funcionan: cada equipo llega con un punto de partida diferente, tecnologías diferentes y casos de uso diferentes.
Por eso el servicio para empresas funciona en cuatro etapas: diagnóstico del equipo, diseño del programa a medida, ejecución con instructores en activo (que construyen con estas herramientas en sus propios proyectos), y medición de impacto al cierre. No es un catálogo de cursos empaquetado — es un programa diseñado para tu equipo específico.
Lo que dominaría tu equipo en la especialización de AI Engineering: frameworks como LangGraph para agentes con estado y control granular, más los fundamentos de MLOps para llevarlos a producción con la ruta de ML Engineer.
Si quieres conversar sobre el diagnóstico de tu equipo o explorar qué programa tiene sentido para tu organización, podemos empezar con una propuesta sin costo. El primer paso siempre es entender dónde está el equipo hoy — no vender un programa genérico.
Escribinos a través de DataPath Empresas y en 48 horas tenemos una primera conversación sobre el equipo y los objetivos.
