AI Engineer, ML Engineer, Data Engineer: cómo se están redefiniendo los roles

Por qué se mueven las fronteras

Mientras construir un sistema inteligente implicaba entrenar un modelo, el reparto era legible: los Data Engineers alimentaban, los Data Scientists modelaban, los ML Engineers industrializaban. La llegada de modelos genéricos accesibles por interfaz desplazó parte del valor hacia el ensamblaje: diseñar alrededor del modelo, evaluarlo en un contexto de negocio y explotarlo a un coste aceptable.

El resultado no es la desaparición de los roles anteriores, sino un solapamiento más amplio. Según la empresa, un mismo título puede designar un puesto muy cercano al dato o muy cercano al producto. Por eso leer el alcance real importa más que leer el título.

Los tres alcances, tal y como se perfilan

AI Engineer

Centro de gravedad: la aplicación. Diseñar un sistema que se apoya en uno o varios modelos para resolver un problema de negocio, evaluarlo, ponerlo en servicio y mantenerlo en el tiempo. El trabajo va de ensamblaje —recuperación, herramientas, orquestación, salvaguardas— más que de entrenamiento. Las preguntas dominantes son la calidad percibida, la latencia, el coste por consulta y el comportamiento ante fallos.

ML Engineer

Centro de gravedad: el modelo dentro de un sistema. Entrenamiento o adaptación, cadena de experimentación, versionado, rendimiento, deriva en el tiempo. El puesto exige una comprensión estadística más profunda y una relación más directa con los conjuntos de entrenamiento. Donde el AI Engineer elige un modelo existente, el ML Engineer suele decidir si conviene fabricar uno y a qué coste de mantenimiento.

Data Engineer orientado a IA

Centro de gravedad: la disponibilidad y la calidad del dato. Pipelines, contratos de datos, actualización, gobernanza, trazabilidad, costes de almacenamiento y procesamiento. Es el rol más estable de los tres y a menudo el más determinante: un sistema de IA nunca supera de forma duradera la calidad de los datos que lo alimentan.

Las zonas de solapamiento reales

Los solapamientos no son anomalías: son los puntos donde los equipos esperan competencia compartida y, por tanto, donde suelen aterrizar las preguntas de entrevista.

• Evaluación: se espera de los tres roles, con ángulos distintos: calidad percibida, rendimiento del modelo, calidad del dato de entrada.
• Producción y supervisión: compartida entre AI Engineer y ML Engineer, a veces con una función MLOps aparte.
• Recuperación e indexación: a caballo entre AI Engineer y Data Engineer, según quién posea el corpus.
• Costes: tamaño de modelo y caché del lado IA; coste de procesamiento y almacenamiento del lado dato.
• Orquestación de herramientas y agentes: suele recaer en el AI Engineer, aunque exponer los sistemas internos pertenece al dato y a la arquitectura.

Leer una oferta para identificar el alcance real

El título es la señal menos fiable. Estas preguntas, aplicadas a la oferta y luego en la entrevista, encuadran el puesto con mucha más seguridad.

1. 1

   ¿Quién posee los datos?

   Pregunta 1

   Si el equipo que contrata no posee sus datos, buena parte del puesto consistirá en negociar accesos y fiabilizar fuentes. Es trabajo real, rara vez descrito en la oferta.

2. 2

   ¿Hay ya un sistema en servicio?

   Pregunta 2

   Explotar un sistema existente y empezar de cero son oficios distintos. El primero valora la supervisión, la fiabilidad y la gestión de regresiones; el segundo, el encuadre y el prototipado.

3. 3

   ¿Se entrenan modelos?

   Pregunta 3

   Es el principal separador entre perfil AI Engineer y ML Engineer. Una oferta que habla de entrenamiento sin conjunto de datos identificado merece una repregunta.

4. 4

   ¿Cómo se mide hoy la calidad?

   Pregunta 4

   Un equipo que responde con precisión tiene un sistema explotado. Un equipo sin respuesta sigue en exploración, sea cual sea el título del puesto.

5. 5

   ¿Quién decide la hoja de ruta?

   Pregunta 5

   Indica si el puesto está cerca del producto o es pura ejecución técnica, algo que cambia el trabajo mucho más que el título.

Elegir tu trayectoria sin dispersarte

Ante fronteras difusas, la tentación es abarcarlo todo. Es el error de posicionamiento más frecuente: un perfil que reivindica los tres alcances es difícil de situar y, por tanto, difícil de seleccionar.

Una trayectoria legible se construye sobre un centro de gravedad asumido y una o dos competencias limítrofes realmente practicadas. Los pasos más naturales hoy: de Data Engineer hacia AI Engineering por la recuperación y la calidad de los corpus; de Data Scientist hacia AI Engineering por la evaluación; de AI Engineer hacia la arquitectura por el diseño de sistemas y los arbitrajes de coste.

Este análisis es deliberadamente cualitativo. No publicamos salarios, tarifas diarias ni volúmenes de contratación mientras no dispongamos de fuentes verificables o de agregados anonimizados suficientemente sólidos de los proyectos publicados en TalentoIA.

• AI Engineering
• MLOps
• Agentes de IA