Me complace presentar el Mapa de Habilidades de Ingeniería en IA. La IA nos permite crear software hoy en día de una manera muy distinta a la de 2022, y todas las personas con las habilidades necesarias para aprovechar este cambio tienen numerosas oportunidades emocionantes de proyectos y de empleo. Pero, con el entorno informativo tan ruidoso y lleno de exageraciones que rodea a la IA, ¿cuáles son las habilidades más valiosas que puedes aprender? He estado trabajando con mi equipo para sintetizar un mapa de habilidades de ingeniería en IA con el fin de ayudar a (i) los desarrolladores a priorizar qué aprender y (ii) los empleadores a contratar desarrolladores cualificados.
Basándonos en el análisis de más de 10,000 ofertas de empleo; en la realización de docenas de entrevistas estructuradas con expertos en IA, responsables de contratación y reclutadores; en la recopilación de datos mediante encuestas; y en la síntesis de otros datos en línea, estas son las cuatro habilidades de ingeniería en IA más importantes:
- Crear e implementar aplicaciones de IA
- Fundamentos de ingeniería de software
- Uso de agentes de código
- Dar forma al desarrollo
Puedes pensar, de manera informal, que nuestro proceso es similar a ejecutar un algoritmo de clustering sobre un conjunto masivo de datos de empleos y entrevistas con expertos, para identificar las habilidades más importantes no solo hoy, sino también en el futuro cercano.
Una nota sobre la terminología: hablo de habilidades de ingeniería en IA en lugar del rol de "Ingeniero de IA" (alguien cuyo trabajo es construir sistemas de IA), porque el primero es mucho más amplio. Hoy en día, todos los desarrolladores deberían saber trabajar con la nube, y solo una minoría tiene el título de "Ingeniero de nube". Del mismo modo, todos los desarrolladores — ingenieros full-stack, ingenieros de datos, ingenieros DevOps, ingenieros de machine learning y, sí, también los ingenieros de IA — necesitarán habilidades de ingeniería en IA.
Crear e implementar aplicaciones de IA. La diferencia clave entre las aplicaciones de IA y las que no son de IA es que las primeras tienen resultados impredecibles. Cuando le das una instrucción a un LLM, no sabes qué respuesta obtendrás. Cuando entrenas un algoritmo de deep learning, no sabes qué predicción hará con ejemplos nuevos. En contraste, el software tradicional se comporta de manera más predecible.
Quienes dominan la creación e implementación de aplicaciones de IA entienden los componentes fundamentales de la IA (como los LLM, la ingeniería de contexto, el RAG, los flujos de trabajo agénticos, el machine learning y el deep learning) y, lo que es más importante, saben cómo usar técnicas estadísticas para medir, dirigir y gobernar los sistemas de IA de modo que se comporten de manera más predecible. Una habilidad central para lograrlo es saber cómo llevar a cabo evaluaciones (evals) disciplinadas y bucles de análisis de errores.
Fundamentos de ingeniería de software. Cuando entiendes a fondo cómo funciona el software, puedes construir con mucha más eficacia. La ingeniería de software requiere hacer concesiones (tradeoffs) entre costo, escalabilidad, fiabilidad, velocidad y más. La seguridad y la privacidad añaden aún más complejidad.
Entender los fundamentos del software te permite reconocer qué concesiones existen siquiera. Esto conduce a mejores decisiones a la hora de elegir tu stack de software, diseñar la arquitectura del sistema, diseñar tu almacén de datos, hacer pruebas, etc. También conduce a resultados mucho mejores que los de un desarrollador inexperto que hace "vibe coding" de una solución sin saber qué concesiones está haciendo su agente de código — que a menudo serán malas, porque no sabe qué contexto darle a su agente de código. Entender los fundamentos de la ingeniería de software te permite hacer buenas concesiones dirigiendo a los agentes de código con el lenguaje preciso de la ingeniería de software.
Uso de agentes de código. Usar la codificación agéntica de manera efectiva es ahora una habilidad clave para todo desarrollador. Cuando dominas esta habilidad, tienes un buen modelo mental de cómo funcionan los agentes. Entiendes sus limitaciones y cómo sortearlas, y eres capaz de dirigirlos rápidamente — sabiendo cuánto intervenir y cuándo dejarlos trabajar solos — para construir software robusto sin desperdiciar tiempo ni tokens en exceso.
Esto requiere saber cómo gestionar el contexto de un agente de código, equilibrar la planificación y la ejecución, y ayudar al agente a cerrar bucles de forma autónoma proporcionándole verificadores o evaluaciones (evals). También necesitas saber trabajar con una especificación clara (y cuándo no vale la pena hacerlo), orquestar múltiples agentes que trabajen en conjunto y evitar riesgos como el de que un agente altere tu base de datos de producción. Dado que la codificación agéntica evoluciona rápidamente, usar agentes de código con habilidad significa no solo conocer las prácticas de vanguardia, sino también tener rutinas para seguir probando nuevas herramientas y evolucionar tus flujos de trabajo a medida que cambian las mejores prácticas.
Dar forma al desarrollo. Ante una especificación clara, los agentes de código están mejorando rápidamente en su capacidad de cumplirla. Por lo tanto, nuestro trabajo como ingenieros se está orientando hacia decidir qué debería incluir esa especificación. Los ingenieros ya no deberían esperar que se les entregue un diseño perfecto al píxel y que solo se les pida implementarlo. En cambio, la ingeniería de IA efectiva requiere tener sentido del producto y comprender el contexto empresarial y los objetivos del cliente, para poder participar en dar forma y dirigir el desarrollo.
La IA también te brinda la oportunidad de asumir un mayor grado de responsabilidad y autonomía que antes. Puedes identificar problemas y oportunidades interesantes, y actuar para aprovecharlos de manera responsable. Aprovechar esta oportunidad requiere saber cómo impulsar los proyectos. Por ejemplo, saber cuándo construir rápidamente un MVP para llevarlo a los usuarios y que lo prueben, y cuándo frenar y tomarse más tiempo para construir con mayor cuidado.
Todas estas habilidades se fundamentan en una mentalidad de aprendizaje continuo. La IA sigue cambiando rápidamente, por lo que todos debemos seguir aprendiendo y evolucionando nuestras habilidades para adoptar las mejores prácticas emergentes.
El enfoque principal de DeepLearning.AI es ayudar a los desarrolladores a adquirir estas habilidades de ingeniería en IA. Tengo más que decir sobre cada una de estas cuatro habilidades, y las desarrollaré en detalle en próximas publicaciones, donde compartiré un Mapa de Habilidades de Ingeniería en IA más detallado. Al observar hacia dónde se dirige la ingeniería en IA, estoy increíblemente entusiasmado con lo que todos nosotros podremos construir. Espero que desempeñes un papel apasionante en este futuro.
