Para fin de este año, 4 de cada 10 aplicaciones corporativas van a tener agentes de IA haciendo tareas específicas, según Gartner, frente a menos del 5% hace apenas un año. El problema que me encuentro cuando hablo con gerencias de tecnología y de RR.HH. no es la tecnología: es que no hay suficiente gente que sepa diseñar e implementar bien esos agentes, y la que sabe, cuesta y escasea.
El costo real de contratar afuera
Un perfil de ingeniería de agentes con experiencia real en producción (no solo demos) es de los más escasos del mercado de datos e IA en LATAM ahora mismo. El proceso de reclutamiento se alarga, el salario que pide es alto, y una vez que entra, igual necesita meses para entender tus sistemas, tus datos y a quién reportarle cada decisión. Contratar resuelve la falta de skill técnico, pero no resuelve la falta de contexto del negocio, y ese contexto es justo lo que hace que un agente funcione bien o se quede en piloto para siempre.
Y hay un costo oculto adicional: la rotación. Un perfil que entró motivado por el salario se va con la misma facilidad apenas aparece una oferta mejor, y se lleva con él el conocimiento de cómo armaste tus agentes, justo lo que menos quieres perder en un área que recién estás construyendo.
No es solo un problema de tecnología, es de RR.HH.
Cuando este tema llega a mi mesa, casi siempre lo trae alguien de tecnología, pero la decisión de fondo es de Recursos Humanos y Aprendizaje: ¿cómo mides la brecha de skills que ya tienes?, ¿qué pasa con la gente que no se sube al cambio?, ¿cómo evitas que el reskilling se sienta como una amenaza a su puesto en vez de una oportunidad? La experiencia nos dice que el reskilling funciona mejor cuando se comunica como crecimiento (nueva responsabilidad, nueva línea en el CV) y no como "esto es lo que tienes que aprender para no quedar obsoleto".
Lo que gana el reskilling
Tu analista de datos actual, o tu desarrollador backend que lleva tres años con tu stack, ya sabe dónde están los datos, quién es el dueño de cada proceso y qué ya se intentó automatizar antes y falló. Formarlo en agentes le agrega la pieza técnica que le falta, pero sobre una base de contexto que a alguien externo le tomaría medio año construir. Además, es una de las pocas inversiones de capacitación que también funciona como retención: la gente se queda cuando ve una ruta de crecimiento real, no solo una capacitación suelta.
Señales de que ya no puedes esperar
- ▸Tu equipo de tecnología usa IA por su cuenta con herramientas que nadie aprobó (lo que ya empieza a llamarse shadow AI)
- ▸Tienes un piloto de agentes estancado hace meses porque la única persona que entiende la arquitectura está saturada con otros proyectos
- ▸Cada área pide un agente distinto y tecnología no tiene forma de atender todo con el equipo actual
- ▸Ya evaluaste contratar y el proceso lleva más de dos meses sin candidatos que cumplan el perfil
Si marcaste dos o más, el reskilling deja de ser una opción a futuro y pasa a ser la ruta más rápida que tienes disponible ahora mismo, no la de respaldo.
Cuándo sí conviene contratar
Hay un caso donde contratar gana claro: cuando no tienes a nadie internamente que pueda poner el estándar de arquitectura desde el día uno, y necesitas que alguien con experiencia previa marque cómo se hacen las cosas antes de escalar en equipo. Ahí un perfil senior externo vale lo que cuesta. También tiene sentido cuando el agente que vas a construir toca un dominio regulado (salud, banca, seguros) donde un error de diseño sale caro de verdad, y prefieres que la primera versión la arme alguien que ya pasó por ese tipo de implementación antes.
La verdad es que casi ninguna empresa resuelve esto con un solo camino. Lo que de verdad funciona es contratar una persona senior que ponga el estándar de arquitectura de agentes, y reskillear al resto del equipo para que esa persona no termine siendo el único punto de fragilidad del proyecto.
Cómo armar el plan de reskilling sin perder meses
Lo primero es medir el nivel real de tu equipo, no asumirlo: en DataPath evaluamos antes de empezar y corremos tres niveles (Iniciación, Aplicada y Avanzada) en paralelo dentro del mismo grupo, porque casi ningún equipo llega parejo. Después viene la decisión de modalidad: una plataforma on-demand con reportes de avance para el sponsor para que cada quien avance a su ritmo, o una ruta en vivo con entregable al final cuando el objetivo es que el equipo salga con algo funcionando.
Llevamos más de 1,500 profesionales formados y más de 100 empresas en LATAM (Entel, BCP, Scotiabank, entre otras), con instructores que siguen trabajando hoy en el mismo puesto que enseñan, no gente que dejó de practicar hace años. El proceso con cada empresa es simple: conversamos, hacemos un diagnóstico sin costo, diseñamos el plan según tu nivel real, y dictamos y medimos el avance con reportes concretos para quien lo sponsorea.
Esto último (medir, no solo dictar) es lo que separa un plan de reskilling de un taller que se hace una vez y nadie vuelve a tocar. Si vas a invertir en formar a tu equipo, pide desde el inicio un reporte de avance por colaborador, no solo una lista de asistencia. Es la diferencia entre poder decirle a tu directorio "el 80% del equipo ya completó el módulo de agentes" y tener que responder "hicimos un taller en marzo". Ese reporte, además, es el insumo que necesitas cuando te pidan sustentar el retorno de la inversión frente a finanzas.
Cómo saber si el reskilling está funcionando
El indicador que de verdad importa no es cuánta gente completó el curso, es cuánto de lo aprendido llegó a un proyecto real. Si tu equipo termina un programa de agentes y seis meses después sigue sin haber tocado un agente en producción, el problema no fue la capacitación, fue que nadie le dio un proyecto donde aplicarla. Por eso en cada ruta que armamos con una empresa buscamos terminar con algo funcionando, no solo con un certificado: un agente real conectado a un sistema real, aunque sea pequeño.
Esto también resuelve el problema clásico de los talleres de IA genéricos: a la semana nadie los vuelve a abrir porque no había nada concreto que mantener. Un agente que ya quedó andando, en cambio, alguien tiene que seguir cuidándolo, y ese cuidado es justo la práctica continua que vuelve permanente el aprendizaje.
Lo que tu equipo terminaría dominando
Si el reto de tu empresa es específicamente agentes de IA en producción (y no solo IA generativa básica), el programa de referencia es el que seguimos en la ruta AI Agentic Engineer: arquitectura de agentes, memoria, orquestación multi-agente y despliegue real. Es el mismo contenido que arma a un ingeniero de agentes desde cero, pero aplicado al equipo que ya tienes.
Si quieres ver qué tan lejos está tu equipo de poder construir esto solo, agenda una conversación sin costo y lo revisamos juntos.
