Si eres CTO, Head of Data o lideras recursos humanos en una empresa, la pregunta ya llegó o llegará pronto: ¿capacitamos al equipo que tenemos o contratamos gente con background en IA? No hay una respuesta única. Hay factores que inclinan la balanza en una dirección o en la otra, y tomarla bien puede definir cuánto ROI obtiene tu empresa de los proyectos de IA en los próximos 12 meses.
Por qué la decisión es más urgente que antes
El mercado de talento en IA en LATAM está bajo presión. La demanda creció más rápido que la oferta de profesionales especializados. Contratar un AI Engineer con experiencia real en producción en Perú, Colombia o Argentina toma entre 3 y 6 meses —y el salario de mercado aumentó un 40% en los últimos dos años. Mientras tanto, las empresas que esperan pierden terreno frente a competidores que ya están corriendo pilotos con agentes IA en sus operaciones.
El problema no es solo la escasez: también es la velocidad. Los modelos cambian cada dos meses. Las herramientas de hace seis meses ya tienen reemplazos mejores. Un proceso de contratación que dura cuatro meses puede terminar incorporando a alguien que aprendió el stack anterior.
Cuándo tiene más sentido contratar talento externo
Hay situaciones donde contratar es la decisión correcta. No son la mayoría, pero existen:
- ▸Necesitas una capacidad completamente nueva que no existe en ningún rincón de tu organización (MLOps avanzado, arquitectura de datos distribuidos a escala, AI safety)
- ▸El proyecto tiene un horizonte corto (2-4 meses) y contratar un consultor o staff externo es más rápido que formar internamente
- ▸El rol requiere expertise muy específico donde la curva de aprendizaje interna es prohibitiva dado el tiempo disponible
- ▸Estás abriendo una unidad de IA desde cero y necesitas un lead que traiga la cultura, las prácticas y la visión —alguien que ya haya construido algo parecido antes
Cuándo vale más el reskilling de tu equipo actual
La mayoría de las empresas tienen más que ganar formando a quienes ya están. El argumento es más sólido de lo que parece:
- ▸Tu equipo ya tiene contexto del negocio, los datos y los sistemas internos — un externo puede tardar 6 meses en entender lo que tus analistas saben de memoria
- ▸La curva de aprendizaje en IA aplicada no es tan larga como antes: con los LLMs modernos, un analista puede construir su primer agente funcional en pocas semanas
- ▸El costo de retención de alguien que formaste es significativamente menor que el de alguien contratado en el pico del mercado de talento IA
- ▸El equipo formado internaliza una cultura de IA —no solo aprende una herramienta, entiende cómo aplicarla al negocio real
El conocimiento del negocio que tiene tu analista de cinco años vale más de lo que parece. La IA es la capa que se puede aprender. El contexto interno, no.
Los 5 factores para decidir bien (sin intuición)
- Urgencia: ¿en cuánto tiempo necesitas la capacidad operativa? Si es menos de 2 meses, contratar o consultoría es más rápido. Si tienes 4-6 meses, forma internamente.
- Profundidad técnica: ¿el rol requiere investigación pura y PhDs, o es aplicación de herramientas existentes? La segunda opción se aprende en meses con el programa correcto.
- Presupuesto por cabeza: un bootcamp de 3 meses para 5 personas cuesta lo mismo o menos que un mes de salario de un AI Engineer senior externo. Haz la cuenta.
- Cultura de aprendizaje: si tu empresa tiene historial de formación continua y la gente está acostumbrada a aprender en el trabajo, el reskilling funciona. Si no existe esa cultura, el problema es cultural antes que técnico.
- Riesgo de dependencia: si contratas un rol muy especializado sin formar backup interno, quedas dependiente de una sola persona. Eso es un riesgo operativo que muchas empresas subestiman.
Qué están haciendo las empresas que ya lo resolvieron
En DataPath hemos trabajado con más de 30 empresas en LATAM —Entel, BCP, Scotiabank, entre otras— y el patrón que más vemos en las que avanzan más rápido no es uno ni el otro: es una decisión híbrida. Contratan un lead o consultor que trae la visión y define la arquitectura, y forman al equipo existente para ejecutar con esa visión.
El reskilling más efectivo no es un curso genérico de 'IA para todos'. Es un programa diseñado según el gap real de tu equipo, con proyectos sobre los datos y sistemas que ya existen en la empresa. Eso es lo que hacemos en DataPath: diagnóstico del equipo → diseño del programa a medida → ejecución → medición de impacto.
Qué aprende un equipo en un programa de reskilling en IA
Dependiendo del perfil del equipo, los programas que más solicitamos en 2026 cubren tres perfiles distintos: automatización con n8n para equipos de negocio que necesitan automatizar procesos sin programar; la Ruta AI Agentic Engineer para desarrolladores que quieren construir sistemas de agentes en producción; y el Programa AI Engineer para perfiles de datos que quieren escalar a roles de IA aplicada.
El primer paso: mapear el gap real antes de decidir
Lo que nadie te dice es que el debate reskilling vs contratar suele resolverse en la primera sesión de diagnóstico. Las brechas son más específicas de lo que parece, y eso hace que la solución sea más concreta —y más barata— de lo que esperabas al principio.
Si todavía estás evaluando la decisión, el mejor primer paso es hablar con alguien que haya visto los dos escenarios en empresas como la tuya. En DataPath para empresas puedes solicitar una propuesta sin costo: mapeamos las brechas reales de tu equipo y diseñamos un plan que se ajuste a tu presupuesto y horizonte de tiempo. Sin compromiso y sin plantilla genérica.
