La pregunta que más escucho de CTOs, Heads of Data y gerentes de L&D en LATAM durante 2026: ¿capacito a mi equipo actual en IA o salgo a contratar perfiles nuevos?
No hay una respuesta universal. Pero hay un framework claro para llegar a la correcta dependiendo de tu situación. He visto empresas gastar mal en ambas direcciones: contratar caro y lento cuando el reskilling era viable, y también intentar capacitar cuando el gap era demasiado grande para el tiempo disponible.
Este post está escrito para quien toma la decisión, no para quien la implementa.
Por qué la decisión se volvió más difícil en 2026
Hay tres factores que complican la ecuación en este momento específico:
Primero, la demanda de talento en IA supera la oferta en 3 a 1 en LATAM. Un AI Engineer senior con experiencia real en agentes y producción pide entre USD 3,000 y 5,000 al mes, y tardará entre 6 y 12 meses en entender tu negocio lo suficiente para ser verdaderamente productivo.
Segundo, la tecnología cambia a una velocidad que complica el argumento de contratar. El perfil que era top en 2024 puede estar desactualizado en el stack que necesitas hoy. El conocimiento del negocio, en cambio, es acumulativo y no caduca.
Tercero, muchas empresas cometieron el error de contratar rápido y sin un objetivo claro en 2024-2025. Pagaron alto y siguen sin ver ROI porque el perfil contratado no tiene el contexto del negocio ni el acceso a los datos correctos para construir algo útil.
El caso para reskilling: cuándo es la opción más inteligente
Reskilling tiene una ventaja que la contratación no puede replicar fácilmente: el conocimiento del negocio ya está ahí. Tu equipo de data sabe qué preguntas importan, dónde están los datos reales, qué procesos tienen más fricción. Ese contexto cuesta entre 6 y 12 meses conseguirlo con alguien externo.
Los perfiles más fáciles de llevar hacia IA son los que ya tienen base técnica: analistas de datos con Python, ingenieros con SQL, desarrolladores con experiencia en APIs. Para estos perfiles, el salto hacia agentes de IA o automatización con LLMs toma entre 3 y 6 meses con un programa bien diseñado.
Señales de que reskilling es la opción correcta para tu empresa:
- ▸Tu equipo tiene base en Python, SQL o data engineering pero no en IA generativa o agentes
- ▸La necesidad es estructural: IA va a ser parte del trabajo de tu equipo de aquí en adelante, no un proyecto puntual
- ▸Tienes entre 3 y 6 meses de runway para ver resultados
- ▸La retención del equipo es un objetivo: capacitar es una de las señales de inversión más claras que una empresa puede darle a un empleado
El caso para contratar: cuándo tiene sentido salir al mercado
Contratar sí tiene sentido en situaciones específicas. No como primera opción reflexiva, sino cuando las condiciones lo justifican.
Cuando necesitas expertise muy especializado que no existe en tu equipo y que no es razonable desarrollar en el tiempo disponible: LLMOps a escala, arquitectura de modelos fundacionales, fine-tuning a nivel de investigación. Estos son perfiles escasos y el reskilling desde cero tomaría más de un año.
Cuando la velocidad es crítica y no tienes margen. Si hay un deadline de negocio en 60 días y necesitas que algo esté en producción, el reskilling no llega a tiempo. Una contratación puntual o una consultoría externa puede tener más sentido.
Cuando el gap es demasiado profundo para el tiempo disponible: si tu equipo no tiene ninguna base técnica y necesitas resultados en producción en menos de 6 meses, combinar reskilling con al menos un perfil externo que acelere el proceso suele ser la fórmula más efectiva.
Un framework simple para tomar la decisión
Antes de tomar la decisión, responde estas cuatro preguntas:
- ▸¿Tu equipo tiene base técnica (Python, SQL, datos)? Si sí → reskilling es viable. Si no → evalúa contratar un perfil âncora que lide el equipo mientras se capacita.
- ▸¿La necesidad es estructural o puntual? Si IA va a ser parte permanente del trabajo → reskilling tiene mayor ROI. Si es un proyecto puntual → considera consultoría o contratación temporal.
- ▸¿Cuánto tiempo tienes? Menos de 60 días → contratación o consultoría. Entre 3 y 6 meses → reskilling con programa bien diseñado. Más de 6 meses → reskilling es la opción más rentable y sostenible.
- ▸¿Tienes presupuesto para contratar a precio de mercado? Si no → reskilling. Si sí → evalúa igual si la disponibilidad de talento es real en tu ciudad o remoto.
Cómo diseñar un programa de upskilling que funcione
El error más común que veo en programas de capacitación corporativa es comprar cursos genéricos y esperar que el equipo los complete por su cuenta. No funciona. La adherencia cae por debajo del 20% sin seguimiento y sin aplicación concreta al trabajo real.
Lo que sí funciona tiene cuatro fases:
- ▸Diagnóstico: mapear qué sabe el equipo y qué gaps tiene. No asumas que todos tienen el mismo nivel de Python o el mismo conocimiento de LLMs.
- ▸Diseño del programa: contenidos a medida según el rol (Data Engineer, Analyst, Developer) y el caso de uso del negocio. El material genérico no genera transferencia al trabajo real.
- ▸Ejecución con proyectos reales: bootcamps intensivos donde los participantes trabajan sobre datos y procesos de la empresa, no sobre datasets de juguete.
- ▸Medición de impacto: aplicación en producción dentro de los 90 días siguientes al programa como criterio de éxito. Si no hay aplicación, el aprendizaje no fue efectivo.
El error más caro no es pagar demasiado por el reskilling. Es no hacerlo y quedarse con un equipo que no puede competir en 2027.
Cómo trabajamos con empresas en DataPath
Hemos trabajado con más de 30 empresas en LATAM —entre ellas Entel, BCP y Scotiabank— en programas de capacitación en datos e IA. La metodología siempre parte de un diagnóstico del equipo, diseña el programa según el perfil y el negocio, y mide el impacto con proyectos en producción.
Los dos perfiles que más demandan las empresas en este momento son AI Agentic Engineers (quienes construyen sistemas de agentes en producción) y Data Engineers (quienes gestionan los pipelines de datos que esos agentes necesitan). Tenemos programas a medida para ambos.
Si quieres conocer la ruta de formación en agentes de IA para empresas, puedes revisar el programa AI Agentic Engineer. Para los equipos de datos más orientados a ingeniería, el Bootcamp Data Engineer es el programa más completo que tenemos.
El primer paso es siempre una sesión de diagnóstico sin costo. Si tienes un equipo que quieres llevar hacia IA y quieres evaluar qué hace sentido para tu caso específico, el equipo de DataPath para empresas puede ayudarte a diseñar el plan correcto.
La brecha de talento en IA no se va a cerrar sola. Las empresas que están ganando en LATAM son las que decidieron capacitar primero, con un plan claro, y complementaron con contrataciones puntuales donde tenía sentido. No es una decisión binaria, pero sí requiere una estrategia.
