Casi cualquier ingeniero al que entreviste en 2026 sabe escribir un prompt para un modelo de lenguaje. Muchos menos han lanzado una función de IA que haya sobrevivido al tráfico de producción, a una revisión de seguridad y a un trimestre de resultados que se degradan. Esa distancia es donde se va el presupuesto de IA del primer año.
Esta guía para contratar desarrolladores de IA empieza con una regla: decida si el trabajo consiste en construir modelos, en ingeniería de aplicaciones o en evaluación, y valore después a los candidatos por los sistemas que han puesto delante de usuarios reales, no por los modelos que ajustaron en un notebook. La claridad de rol, más que los años de experiencia, es lo que falló en la mayoría de las contrataciones de IA que salieron mal.
Lo que sigue cubre tipos de rol, preguntas de evaluación, modelos de colaboración y factores de coste. Viene de un equipo que lanza agentes de IA en producción con memoria real, reglas de escalado y registros de auditoría completos, y que entrena modelos con datos de cliente en lugar de conjuntos de referencia. Cada decisión que aparece abajo es una que tomamos al definir el alcance de servicios de desarrollo de inteligencia artificial, donde la distancia entre un CV convincente y un sistema que funciona suele aparecer dentro del primer sprint.
¿Qué tipo de desarrollador de IA necesita realmente?
La mayoría de las contrataciones de IA fallidas empiezan con un título de puesto en lugar de con la definición de un problema. “Desarrollador de IA” abarca tres disciplinas que comparten vocabulario y poco más, así que el primer paso en cualquier guía para contratar desarrolladores de IA es decidir cuál de ellas necesita su roadmap. Si se equivoca, pagará salarios de investigación a alguien cuyo trabajo real es conectar la API de un modelo con la facturación.
Un modelo entrenado con sus propios datos
Ingeniero de ML
Pipeline de entrenamiento, marco de evaluación, plan de reentrenamiento
Python, Azure ML Studio, feature stores
Un agente dentro de su producto
Ingeniero de aplicaciones de IA
Orquestación, llamadas a herramientas, memoria, escalado, registros de auditoría
LangChain, LangGraph, CrewAI, su stack de backend
Mejores resultados de un modelo de terceros
Especialista en LLM y evaluación
Conjuntos de prompts, conjuntos de evaluación, pruebas de regresión de resultados
Herramientas de evaluación, esquemas de salida estructurada
Las tres cosas a la vez, con fecha límite
Un equipo con varios perfiles, no una sola persona
Un plan de entrega con un responsable con nombre por capa
Especialistas con nombre, no un generalista
Ingenieros de ML: entrenamiento de modelos, pipelines de datos y evaluación
Los ingenieros de ML se ganan el sueldo en las partes que nadie muestra en una demo: la estrategia de etiquetado, la ingeniería de características, el desequilibrio de clases y el marco de evaluación que le dice que un reentrenamiento ha empeorado las cosas. El modelo es el artefacto más pequeño que producen.
También es la contratación que más depende de los datos. El trabajo de ML de Redwerk en una plataforma de reclutamiento, donde usamos Azure ML Studio para entrenar un modelo de emparejamiento de CV con más de 1,5 millones de registros, dedicó más tiempo de calendario a la forma de los datos que a la elección del modelo. Un candidato que solo habla de arquitecturas nunca se ha hecho cargo de un conjunto de entrenamiento tan sucio. Contrate aquí cuando su ventaja sean los datos que posee.
Ingenieros de aplicaciones de IA: agentes, orquestación e integraciones
Este es el rol que más necesitan los equipos del mercado medio y el que más a menudo etiquetan mal. Un ingeniero de aplicaciones de IA construye el sistema alrededor del modelo: qué puede hacer el agente, qué devuelve a una persona, qué recuerda, qué registra. En el día a día:
- Llamadas a herramientas y funciones contra sus APIs, con reintentos y tiempos de espera que asumen que el modelo se equivocará alguna vez.
- Memoria delimitada y con caducidad, en lugar de un bloque de contexto que crece sin parar.
- Reglas de escalado, para que un agente inseguro se detenga en lugar de improvisar.
- Instrumentación en cada paso, porque “la IA ha hecho algo raro” no es un informe que se pueda depurar.
- Coste y latencia dentro de un presupuesto que el producto pueda soportar a pleno volumen.
Esa lista se parece mucho a la definición práctica de los servicios de desarrollo de agentes de IA de Redwerk. Los ingenieros que lo hacen bien vienen del backend y aprendieron orquestación después.
Especialistas en LLM y prompts: dónde encajan
La ingeniería de prompts como puesto independiente a tiempo completo es poco frecuente por debajo de la escala de gran empresa, y convertirla en su primera contratación de IA suele ser un error. La evaluación es la mitad infravalorada de ese conjunto de habilidades: un conjunto de pruebas extraído de tráfico real, una definición de respuesta correcta en su dominio y una regresión detectada antes de que la encuentre un cliente.
En la mayoría de las empresas del mercado medio esto recae en el ingeniero de aplicaciones o en un especialista de QA. Pídalo de forma explícita de todos modos, porque los equipos que se saltan la evaluación lanzan funciones de IA que no pueden demostrar que funcionen.
Preguntas de evaluación que revelan experiencia real en IA
La experiencia en IA es inusualmente fácil de simular, porque el vocabulario es público y los tutoriales son excelentes. La respuesta práctica a cómo contratar a un desarrollador de IA es entrevistar buscando cicatrices: cualquiera que haya operado un sistema de IA en producción acumula historias específicas y algo irritadas, y ahí está la señal. Recorra los tres grupos de abajo en orden, porque la experiencia en producción ya filtra los otros dos.
Preparación para producción
Empiece aquí y sea directo. Está estableciendo una sola cosa: si esta persona ha estado de guardia por algo que hizo un modelo.
- ¿Qué volumen de tráfico real gestionó su función de IA y qué fue lo primero que se rompió?
- ¿Cómo se enteró de que la calidad de los resultados había bajado? Explíqueme la alerta.
- Muéstreme cómo registró la decisión de un agente y quién podía leerla.
- ¿Qué lanzó y luego apagó, y por qué?
La última es la que más importa, porque los candidatos que solo construyeron demos nunca tuvieron que matar una. En el trabajo de desarrollo de software personalizado con IA, la traza de auditoría y la ruta de escalado son lo que los clientes llaman primero sobrecarga, y lo que hace que el sistema sea defendible.
Profundidad real con los frameworks
Los nombres de frameworks en un CV no dicen casi nada. Lo que les costó esa elección dice mucho. Pregunte qué framework de orquestación eligieron y después qué les complicó.
Las buenas respuestas son específicas y algo críticas. Alguien que realmente ha lanzado con LangChain puede nombrar las partes que acabó arrancando, que es la misma distinción que apareció cuando comparamos los mejores frameworks de LLM con cargas de trabajo reales en lugar de demos. Insista después en el estado, preguntando si eligieron un grafo explícito o un equipo basado en roles y qué les costó eso en tiempo de ejecución, porque ahí es donde LangGraph vs CrewAI deja de ser una preferencia y se convierte en una restricción operativa. Si han migrado de uno a otro, pregunte qué se rompió: el paso de una cadena lineal a un grafo con estado es donde los equipos descubren que su lógica de reintentos nunca hizo nada, que es lo que encontramos al trabajar con LangChain vs LangGraph.
Termine con la prueba más barata de la lista. Pregunte qué construirían sin ningún framework: la profundidad real se ve en una descripción de dos frases del bucle y del manejo del estado que hay debajo, y separa a quienes entienden la abstracción de quienes dependen de ella.
Seguridad de los datos en conjuntos propietarios
Si su proyecto toca registros de clientes, contratos, datos de salud o cualquier cosa por la que vaya a preguntar un auditor, esto decide la contratación. Es donde los candidatos más a menudo tienen una respuesta segura y ninguna cicatriz.
Pregunte qué datos salieron de su entorno, cómo trataron la información de identificación personal dentro de los prompts, qué condiciones de retención tenían con su proveedor de modelos y quién dio el visto bueno. Los nombres de los controles importan menos que si el candidato ha tenido esa conversación con un equipo de seguridad y ha perdido parte de ella. Para trabajo regulado, espere despliegue privado y un registro de qué versión del modelo vio qué datos.
¿Plantilla interna, freelance o equipo de IA dedicado?
Una vez que sabe qué rol necesita, la segunda decisión es cómo cubrirlo, y eso depende de cuánto dura el trabajo y de cuántas disciplinas toca. La regla aproximada: un entregable delimitado encaja con un freelance, una capacidad permanente encaja con un empleado, y una construcción multidisciplinar con fecha encaja con un equipo.
Quién asume la evaluación del modelo
Nadie, el contrato termina con la entrega
El mismo ingeniero que construyó la función
Un responsable de evaluación con nombre, distinto de quien construye
Cuando la calidad de los resultados se degrada
Fuera de alcance tras la entrega
Su única contratación de IA está de guardia en solitario
Un turno de guardia repartido entre el equipo
Acceso a datos propietarios
Lo más difícil de aprobar, alguien externo necesita una excepción de seguridad
Lo más sencillo, el personal ya está dentro de su perímetro de seguridad
Concedido por contrato, con NDA y registro de auditoría
Disciplinas cubiertas a la vez
Una, la que nombra el contrato, normalmente ingeniería de aplicaciones de IA
Una, la que nombra la descripción del puesto
Tres: ingeniería de ML, ingeniería de aplicaciones de IA y evaluación de LLM
Falla cuando
La función tiene que seguir funcionando después de pagar la factura
El roadmap necesita entrenamiento de modelos, ingeniería de aplicaciones y evaluación a la vez
Nadie interno tiene autoridad para decidir con rapidez
Cuándo basta con un freelance
Un freelance es la opción correcta cuando el entregable está delimitado y alguien de su lado puede hacerse cargo después. Piense en una prueba de concepto, un marco de evaluación o una migración entre proveedores de modelos.
El modo de fallo es predecible. El trabajo de IA freelance llega como un notebook que funciona y una costura fina hacia su producto, y la única persona que entiende esa costura factura su última hora y se va. Si tiene que funcionar sin supervisión el trimestre que viene, eso es un problema de mantenimiento con descuento.
Cuándo tiene sentido una contratación interna
Contrate en plantilla cuando la IA deja de ser un proyecto y pasa a formar parte del producto. Un empleado permanente acumula el contexto que hace que su segunda y su tercera función de IA sean más baratas que la primera: las peculiaridades de sus datos, su tolerancia a una respuesta incorrecta, su proceso de revisión.
El problema es que la descripción del puesto que escriba hoy suele estar equivocada. Los equipos publican una oferta para un ingeniero de IA generalista, entrevistan buscando un perfil de investigación y luego ven cómo esa persona pasa tres trimestres en integraciones de backend que nadie había planificado. Escriba la descripción a partir del entregable y mantenga el roadmap en marcha mientras dura la búsqueda. Nuestros ingenieros de entrega usan herramientas de desarrollo de software asistido por IA como Codex, CodeWhisperer y AutoML, lo que eleva lo que el equipo actual puede absorber sin pretender sustituir al especialista.
Cuándo gana un equipo de IA dedicado
Un equipo dedicado gana cuando la construcción necesita varias disciplinas a la vez y tiene fecha. Un equipo de desarrollo de IA le da un ingeniero de ML, un ingeniero de aplicaciones y un responsable de evaluación sin abrir tres procesos de contratación a la vez.
El argumento más afilado es la cobertura de evaluación. Por muy senior que sea una contratación individual, acaba corrigiendo sus propios deberes: quien escribió la cadena de prompts también decide si el resultado es lo bastante bueno. Separar esas dos tareas entre personas distintas es la razón estructural para comprar un equipo de desarrollo dedicado en lugar de correr a contratar ingenieros de IA dentro de un plan de plantilla escrito antes de que nadie conociera el roadmap. Aun así falla si no hay una persona interna que pueda decidir con rapidez.
¿Cuánto cuesta contratar desarrolladores de IA?
No hay una cifra única, y quien le ofrezca una sin ver sus requisitos está vendiéndole algo. Ancle la estimación en datos públicos del mercado laboral más sus propios factores de coste.
Como referencia para Estados Unidos, el Occupational Outlook Handbook del BLS sitúa la mediana salarial de los científicos de datos, la ocupación registrada más cercana al trabajo práctico de ML, en 120.230 dólares al año a mayo de 2025, y prevé que el campo crezca un 35 por ciento entre 2025 y 2035. Las cifras de mayo de 2025 para científicos de investigación en informática e información del mismo manual sitúan el extremo investigador en una mediana de 140.300 dólares. Esos dos tramos explican por qué cualquier estimación del coste de un desarrollador de IA basada en datos salariales de 2023 hoy se queda corta.
Lo que las tablas salariales no recogen es la parte específica del trabajo con IA: a menudo la plantilla no es ni de lejos la partida más grande. En proyectos centrados en modelos, la computación y la preparación de datos cuestan habitualmente más que el ingeniero que los maneja, y la proporción vuelve a cambiar tras el lanzamiento, cuando la inferencia se convierte en una factura recurrente en lugar de un coste de construcción.
Los factores de coste reales
- Trabajo de modelo frente a trabajo de aplicación. Entrenar con sus propios datos arrastra etiquetado, computación y un bucle de evaluación que se repite. Un modelo alojado desplaza el gasto a la inferencia por llamada, que crece con el uso.
- Volumen y estado de los datos. El volumen es un coste de computación. El estado es un coste de personas, y el que sorprende a los presupuestos: esquemas inconsistentes, etiquetas ausentes, duplicados.
- Cumplimiento y residencia de los datos. Datos regulados, una región garantizada o un despliegue privado convierten una integración de una semana en un ejercicio de arquitectura de varias semanas.
- Superficie de integración. Un agente que lee una sola API es barato. Uno que escribe en su CRM, su facturación y su sistema de tickets es un proyecto de sistemas distribuidos con un modelo acoplado.
Cómo evaluar la entrega real de IA de un partner de desarrollo
La evaluación de proveedores falla igual que la de candidatos: todo el mundo tiene una presentación, pocos tienen un sistema en marcha con usuarios dentro. El AI Index Report 2026 de Stanford HAI concluyó que el 88 por ciento de las organizaciones encuestadas ya usa IA en al menos una función de negocio, mientras que el despliegue de agentes se mantiene en un solo dígito en casi todas las funciones. La mayor parte del mercado está experimentando, y su trabajo es encontrar la parte que no lo está, tanto si contrata desarrolladores de IA en su plantilla como si compra la capacidad. Cuatro comprobaciones los ordenan:
- Pida la arquitectura, no el resultado. Un partner que ha lanzado un agente describe su modelo de memoria, sus reglas de escalado y su registro de auditoría en la primera llamada.
- Revise la ingeniería que hay debajo. La mayoría de los proyectos de IA fracasan como proyectos de software ordinarios, por una mala fontanería de datos y falta de observabilidad. Un largo historial de entrega fuera de la IA lo predice mejor que un portafolio de IA.
- Compruebe el encaje tecnológico. Pregunte quién se asignaría al proyecto y qué ha construido en su stack exacto. Nombres y sistemas anteriores significan especialistas disponibles; una declaración de capacidades significa que alguien piensa aprender a costa de su presupuesto.
- Indague cómo trabajan sin especificaciones completas. Nadie sabe qué puede hacer un modelo en su dominio hasta que se prueba, así que pregunte cómo absorbieron un cambio a mitad de construcción.
Esas dos últimas son donde los clientes de Redwerk dicen que nos ganamos el contrato. El alcance de la IA siempre se mueve después de la primera ronda de evaluación, y es justo entonces cuando un proveedor rígido se atasca.
Juzgue a los candidatos de IA por lo que han lanzado
Las contrataciones que funcionan rara vez son las que tienen el mejor vocabulario sobre modelos. Son las que están emparejadas con el entregable, probadas en sistemas que soportaron usuarios reales y situadas en un modelo de colaboración que se ajusta a cuánto durará el trabajo.
Si se equivoca en eso, el fallo es caro y lento de detectar, porque una demo se ve igual de bien en ambos casos durante dos meses. Si prefiere comentarlo con ingenieros que ya han lanzado este tipo de trabajo, contáctenos.
Preguntas frecuentes
¿Cuál es la diferencia entre un desarrollador de IA y un ingeniero de ML?
Un ingeniero de ML construye y mantiene modelos: pipelines de entrenamiento, ingeniería de características, marcos de evaluación, calendarios de reentrenamiento. “Desarrollador de IA” es más amplio y suele referirse a un ingeniero de aplicaciones que integra modelos existentes mediante orquestación, llamadas a herramientas y memoria.
¿Cuánto tiempo se tarda en contratar a un desarrollador de IA en 2026?
Más que una búsqueda equivalente de backend, porque el grupo de candidatos cualificados es más pequeño y las contraofertas son habituales en el nivel senior. El retraso mayor es autoinfligido: los equipos anuncian un puesto generalista, entrevistan buscando el perfil equivocado y vuelven a empezar. Decidir qué disciplina necesita antes de publicar la oferta ahorra más semanas que cualquier táctica de sourcing.
¿Se puede contratar a un desarrollador de IA a tiempo parcial o de forma fraccional?
Sí, para trabajos delimitados como un marco de evaluación, una revisión de arquitectura o una prueba de concepto. Funciona mal para cualquier cosa que se ejecute sin supervisión, ya que los acuerdos a tiempo parcial rara vez cubren la monitorización o la respuesta a incidentes.
¿Qué señales de alerta hay que vigilar en el CV de un desarrollador de IA?
Nombres de frameworks sin describir ninguna contrapartida, proyectos que terminan en una demo, ninguna mención de evaluación o monitorización, e incapacidad para decir qué apagaron y por qué.
¿Cuánto cuesta al mes un equipo de desarrollo de IA?
Depende mucho más de la combinación de roles que de cualquier tarifa concreta. El entrenamiento de modelos conlleva costes de computación y de preparación de datos además de los salarios, mientras que el trabajo con modelos alojados desplaza el gasto hacia la inferencia por llamada. Pida a cualquier partner que desglose el presupuesto en personas, computación y costes de modelo.
Descubre cómo construimos una aplicación de reclutamiento impulsada por IA, adquirida por un gigante estadounidense de staffing
