Las cuatro habilidades de ingeniería con IA, según 10,000 vacantes

Andrew Ng publicó esta semana su AI Engineering Skills Map: cuatro habilidades de ingeniería con IA. Lo que me hizo leerlo con calma fue cómo lo armó — análisis de más de 10,000 vacantes, decenas de entrevistas estructuradas con expertos, contratantes y reclutadores, encuestas y datos públicos. Él describe el proceso como correr un clustering sobre un montón de datos de empleo para ver qué se repite hoy y qué se va a repetir pronto.

1. Construir y desplegar aplicaciones de IA

La diferencia entre una aplicación con IA y una sin ella es que la primera tiene salidas impredecibles. Le mandas un prompt a un modelo y no sabes qué te va a devolver. El software tradicional se comporta de forma mucho más previsible.

Quien domina esto entiende los bloques —modelos, ingeniería de contexto, RAG, flujos agénticos, machine learning— y, sobre todo, sabe usar técnicas estadísticas para medir, dirigir y gobernar ese comportamiento. La habilidad central que nombra es una que casi nadie presume: llevar ciclos disciplinados de evals y análisis de error.

Vale la pena subrayarlo porque no es lo que se vende afuera. El mercado premia el prompt bonito. El mapa dice que lo escaso es saber por qué falló.

Un caso que me tocó hace poco lo pinta bien. Un agente en WhatsApp le mandó a un cliente el pin de la ubicación del negocio. Usó la herramienta correcta, con la dirección correcta, y el pin apareció en otra ciudad. La función que dibujaba el punto exigía latitud y longitud, y en el contexto del agente solo había una dirección y un link de Google Maps. Como el dato no estaba en ningún lado, el modelo lo inventó.

Ningún prompt arregla eso. Se arregla mirando la traza después del hecho, entendiendo que el error fue semántico y no del modelo, y cambiando la herramienta para que acepte el link. Eso es un eval en el sentido estricto: un postmortem con ojo humano.

2. Fundamentos de ingeniería de software

Cuando entiendes cómo funciona el software de verdad, construyes mejor. El mapa lo plantea en términos de compromisos: costo, escalabilidad, confiabilidad, velocidad, seguridad, privacidad.

El punto es que entender los fundamentos te permite reconocer que esos compromisos existen, que es distinto a saber resolverlos. Y de ahí sale la frase que más me gustó del texto: los fundamentos te dan el lenguaje preciso para dirigir a un agente de código.

Lo dice con un contraste que conviene leer despacio: quien programa a puro vibe sin conocer los compromisos deja que el agente los tome por él, y el agente suele tomarlos mal, porque nadie le dio el contexto para elegir bien. El problema no es el agente. Es que la persona no sabía qué contexto darle.

3. Usar agentes de código

Aquí es donde el texto se pone específico, y es la parte que yo recortaría y pegaría en la pared:

• Manejar el contexto del agente.
• Decidir entre planear y ejecutar.
• Darle verificadores o evals para que cierre solo el ciclo, sin que estés de niñera.
• Trabajar con una especificación clara, y saber cuándo no vale la pena escribirla.
• Orquestar varios agentes trabajando juntos.
• Evitar accidentes, como que un agente te toque la base de datos de producción.

Y remata con algo que casi nadie pone en una lista de habilidades: como el campo cambia rápido, usar agentes con destreza incluye tener una rutina para probar herramientas nuevas y cambiar tu forma de trabajar cuando aparece una práctica mejor.

Lo del contexto tiene consecuencias que se miden en pesos. En una prueba de dos meses con una empresa se consumieron 500 millones de tokens, y solo se facturaron 20 millones. El ahorro salió de aprovechar la caché, que no se cobra. Saber eso es exactamente el tipo de compromiso del que habla el punto anterior.

4. Dar forma al build

Si le das una especificación clara, un agente de código cada vez la cumple mejor. Entonces el trabajo del ingeniero se corre hacia decidir qué debe estar en esa especificación.

Ya no esperes que te den un diseño perfecto al pixel para solo implementarlo. La ingeniería con IA pide sentido de producto, entender el contexto de negocio y las metas del cliente, para participar en darle forma al trabajo.

Y viene con una oportunidad: puedes tomar más responsabilidad y más agencia que antes. Identificar problemas interesantes y ejecutarlos. Para eso hace falta saber empujar proyectos: cuándo construir un MVP rápido y llevárselo a usuarios, y cuándo ir despacio para construir con cuidado.

Lo que se pierde al leerlo rápido

Hay una decisión de vocabulario en el texto que casi nadie va a notar y que a mí me parece la parte más importante.

El texto habla de habilidades de ingeniería de IA y evita el puesto de "AI Engineer", con una razón: hoy todos los desarrolladores necesitan saber trabajar con la nube, y solo unos pocos tienen el título de "ingeniero de nube". La apuesta es que va a pasar lo mismo aquí. Full-stack, data, DevOps, machine learning: todos van a necesitar estas habilidades.

Eso cambia cómo lees el mapa: describe una capa que se le está sumando al trabajo que ya haces, no un puesto al que tengas que cambiarte.

Qué haría yo con esto esta semana

Tres cosas concretas, en orden de qué tan rápido se sienten:

Guarda la traza completa de algo que ya falló en producción —la conversación entera, qué herramienta se llamó y con qué argumentos— y siéntate a leerla. En el pin de WhatsApp, el error estaba en dos campos vacíos que el modelo rellenó solo. Eso en un log de errores no aparece, porque técnicamente nada tronó.

Dale un verificador a tu agente. Puede ser tan simple como un script que corra los tests o que valide el formato de salida. La diferencia entre un agente que te interrumpe cada dos minutos y uno que trabaja solo casi siempre es esa.

Escribe la especificación antes que el código, aunque sean seis renglones. Si no la puedes escribir, tampoco la ibas a poder explicar, y el agente lo iba a resolver a su manera.

Las tres caben en una tarde. Las cuatro habilidades del mapa, no: se construyen construyendo.

Eso es justo lo que vamos a hacer en el taller de diseño de sistemas agénticos, cuatro sesiones en vivo a partir del 1 de septiembre. Armamos un sistema completo —herramientas, contexto, memoria, guardrails, cajas donde corre el agente— y trabajamos sobre lo que falla, que es donde de verdad se aprenden los evals. Los jueves de agosto hay webinars gratis de entrada, y quien llega por ahí entra con precio de primera edición: fixtergeek.com/sistemas-agenticos.

Abrazo. bliss.