Ingeniero de IA / LLM: mercado

Vacante

un empleo abierto que superó el filtro de calidad y menciona al menos dos tecnologías

Candidato observado

un candidato cuyo stack contiene esta tecnología; es un agregado: ni un solo registro sale del perímetro

Candidato emparejable

aún no contabilizado

Ventana

empleos abiertos en el momento en que se generó el snapshot

Junior: entrada típica: Backend Middle / ML Engineer Middle / Data Scientist Middle + proyectos personales con LLM (experiencia demostrable con RAG + LangChain). El salto de Junior a Middle: tras el primer despliegue en producción de una función con LLM (chatbot / resúmenes / preguntas y respuestas en un producto real con usuarios reales). De Middle a Senior: responsabilidad sobre varias funciones con LLM + optimización de costes (mandato típico: reducir un 50-70% el coste de las APIs de LLM mediante caché + modelos más pequeños + el equilibrio entre RAG y fine-tuning) + metodología de evaluación. De Senior a Staff / Principal: estrategia de IA de toda la organización + arquitectura de una plataforma de LLM para varios productos. Trayectoria: Backend Senior / ML Engineer Middle (2-3 años) + interés por los LLM → AI Engineer Junior / Middle (1-2 años) → Senior → luego Staff / Principal AI Engineer, AI Tech Lead / Engineering Manager, paso a un laboratorio de IA de frontera o fundador de una startup de IA.

Principales 5: python, aws, llm, cloud, agile. Python a fondo (monopolio, async / typing / FastAPI). Cada proveedor tiene sus particularidades (rate limits + estrategias de retry + coste por token + soporte de features). Frameworks de LLM: dominio de LangChain, el mayor mercado laboral (LCEL, LangChain Expression Language, callbacks, agents, retrievers), LlamaIndex (centrado en RAG, ingesta de datos + estrategias de indexación), Haystack (deepset), Semantic Kernel (Microsoft para shops de .NET), LangGraph (orquestación de agentes estilo DAG, LangChain), AutoGen + CrewAI (multi-agente, en auge), DSPy (Stanford, programación declarativa de LLM, en crecimiento). Dominio de vector DB: Pinecone (líder gestionado), Weaviate (open-source modular), Qdrant (basado en Rust, self-hosted rápido), Milvus (escala enterprise), Chroma (ligero para dev / prototipado), pgvector (extensión de Postgres, apta para producción en shops de Postgres existentes), Elasticsearch dense_vector + Redis Stack (híbrido full-text + vector). Fine-tuning: LoRA + QLoRA vía la librería PEFT (Hugging Face, estándar 2026), Unsloth (entrenamiento LoRA más rápido), Axolotl (fine-tuning config-driven). Full fine-tuning raro (coste prohibitivo). RLHF / DPO / KTO: librería TRL (Hugging Face, crecimiento de Direct Preference Optimization 2024+). Evaluación: RAGAS (específico de RAG, faithfulness + answer relevancy + context precision), DeepEval, lm-evaluation-harness (benchmarks académicos), Inspect AI (UK AISI, centrado en safety), Promptfoo (regression testing de prompts), LangSmith (trace + eval de LangChain, mejor UX). Observabilidad + tracing: Helicone (APM específico de LLM), LangSmith, Langfuse (open-source), Arize Phoenix, Datadog LLM Observability (feature 2024+). Optimización de coste: prompt caching, compresión de prompts (LLMLingua), model routing (modelo pequeño para consultas fáciles, grande para complejas, a través de proveedores como Martian / OpenRouter).

Data Scientist: enfoque en modelado estadístico + pruebas A/B + planteamiento de problemas de negocio. Stack: pandas + sklearn + XGBoost + Jupyter + SQL + Tableau. Ver Data Scientist. ML Engineer: enfoque en pipelines de ML en producción + despliegue + escalado. Stack: PyTorch + sklearn + Kubernetes + MLflow + ML gestionado en la nube. Generalista: trabaja con sistemas de recomendación / fraude / ranking / ML clásico. Ver ML Engineer. AI Engineer (esta página): enfoque en la integración de LLM en el producto. NO entrena modelos fundacionales (eso es Research), NO construye pipelines clásicos de ML (eso es ML Engineer). Stack: Python + proveedores de LLM + LangChain / LlamaIndex + bases de datos vectoriales + serving con vLLM + patrones RAG + fine-tuning con LoRA + herramientas de evaluación de LLM. Distinción clave 2026: el AI Engineer reutiliza LLM preentrenados; el ML Engineer a menudo entrena modelos desde cero. El AI Engineer trabaja con APIs/prompts/RAG; el ML Engineer, con bucles de entrenamiento + feature engineering. Cambios de carrera: de Backend Senior a AI Engineer Junior: 2-4 meses (arranque rápido gracias al trabajo basado en APIs + LangChain fácil de aprender). De ML Engineer Senior a AI Engineer Senior: 1-3 meses (ya conoce las bases del stack, necesita profundizar en lo específico de LLM). De DS Senior a AI Engineer Middle: 3-6 meses. De AI Engineer Senior a Research: requiere matemáticas más profundas + experiencia escribiendo papers + 6-12 meses de preparación.

Árbol de decisión para personalizar un LLM 2026: 1) Prompt engineering: el primer intento. Caso de uso: zero-shot o few-shot BASTA para la tarea. Pros: coste cero (sin entrenamiento), iteración instantánea, independiente del modelo. Contras: control limitado, fragilidad de los prompts, presión sobre la ventana de contexto. 2) RAG (Retrieval-Augmented Generation): lo mejor para tareas basadas en conocimiento. Caso de uso: chatbot, preguntas y respuestas, búsqueda en documentos, atención al cliente, documentación de código, bases de conocimiento internas. Arquitectura: consulta → embedding → búsqueda vectorial → top-k documentos → ampliar el prompt con el contexto recuperado → el LLM genera la respuesta. Pros: anclaje factual (contra las alucinaciones), actualizado (basta con actualizar el índice, sin reentrenar), se pueden citar fuentes, más barato que el fine-tuning. Contras: la calidad de la recuperación es el cuello de botella, el prompt crece. Stack RAG 2026: ingesta (document loaders de LlamaIndex / LangChain) → estrategia de chunking (semántico frente a tamaño fijo frente a recursivo) → embeddings → BD vectorial (Pinecone / Qdrant / Weaviate / pgvector) → recuperación (similitud + reranking con Cohere Rerank / BGE Reranker) → ampliación del prompt → generación con el LLM. RAG avanzado: búsqueda híbrida (vectorial + BM25), HyDE (Hypothetical Document Embeddings), reescritura de consultas, recuperación multi-hop, autorreflexión (CRAG / Self-RAG). 3) Fine-tuning: úsalo cuando el prompt engineering + RAG no bastan. Casos de uso: a) estilo / formato específico del dominio (médico / legal: patrones de redacción concretos), b) reducir el coste en tokens (un modelo pequeño ajustado sustituye a uno general más grande), c) tareas que requieren conocimiento especializado profundo (donde la ventana de contexto del RAG no ayuda). Fine-tuning moderno: LoRA / QLoRA (PEFT): entrenar un adaptador pequeño (~1% de los pesos); el fine-tuning completo es raro. Stack: Hugging Face Transformers + PEFT + TRL + Unsloth (más rápido) + Axolotl (basado en configuración). Hardware: GPU de 24GB (RTX 4090 / A6000) para modelos de 7-13B, 80GB+ (A100/H100) para 70B+. Realidad de costes 2026: prompt engineering: minutos, $0. Configurar un RAG: 1-2 semanas de ingeniería, $100-1.000/mes en costes de API. 4) Combinación: las funcionalidades de IA reales en producción suelen usar LAS TRES. Primero prompt engineering (system prompts + ejemplos few-shot) → RAG para el anclaje → fine-tuning con LoRA opcional para estilo/formato. 5) Patrones agénticos (en auge 2025–2026): LLM + uso de herramientas + razonamiento multipaso. Usa LangGraph / AutoGen / CrewAI / DSPy. Por defecto 2026: RAG para el 80% de los casos de uso en producción + prompt engineering para prototipos + fine-tuning con LoRA solo si el RAG es claramente insuficiente + agentes para flujos complejos de varios pasos.

Sí, el 34% de los empleos de AI Engineer son full-remote o híbridos. El trabajo de AI Engineer es totalmente cloud (APIs de LLM + bases de datos vectoriales + GPUs cloud — todo accesible en remoto). Outsourcers (EPAM AI / Luxoft AI / Andersen AI / DataArt AI) — casi siempre remotos en proyectos de IA de EE. UU. Los bancos rusos — híbrido/oficina por el compliance de datos de IA. Los laboratorios internacionales de frontier-AI — full-remote estándar para candidatos excepcionales. Big Tech AI — híbrido estándar. Las startups de IA de Y Combinator — full-remote premium. Inglés para el remoto internacional de IA — obligatorio (prima +40-60%, y la comunidad de IA / papers / docs son enteramente en inglés).

Hoja de ruta: 1) Python a fondo + nociones de Backend: async / tipado / FastAPI / pytest. Sin habilidad de Backend no eres AI Engineer (solo alguien que escribe prompts). Libro: "Fluent Python" de Ramalho. 2) Comprensión de los fundamentos de los LLM: nociones de la arquitectura transformer (atención + tokenización + estrategias de decodificación + ventanas de contexto), pero no hace falta implementarla desde cero. Curso: "Building LLMs from scratch" de Karpathy en YouTube (gratis, el mejor para la intuición). Libro: "Hands-On Large Language Models" de Jay Alammar / Maarten Grootendorst (2024, lectura obligada). 3) Dominio de la API de OpenAI: chat completions + function calling + salidas estructuradas + streaming + assistants. Construye un mínimo de 3 apps reales. Créditos gratuitos + experimentación barata. 4) Dominio de la API de Anthropic Claude: la mejor para programación + casos de contexto largo. Tool use + prompt caching + computer use (si te interesa la vía de agentes de IA). 5) Dominio de LangChain: el requisito más frecuente del mercado laboral. LCEL (LangChain Expression Language), chains, agentes, retrievers, callbacks. Curso: "LangChain & Vector Databases in Production" de DeepLearning.AI (gratis). 6) Arquitectura RAG a fondo: cargadores de documentos + estrategias de chunking (semántico / fijo / recursivo) + elección de embeddings + selección de la BD vectorial + algoritmos de recuperación + reranking. Construye una app RAG de producción con patrones avanzados (búsqueda híbrida + reranking + HyDE). 7) Dominio de las BD vectoriales: al menos una a fondo (Qdrant, la mejor para aprender en autoalojado) + una gestionada (Pinecone). Nociones de los algoritmos HNSW / IVF / PQ. 8) Práctica de fine-tuning: LoRA / QLoRA con la librería PEFT + Unsloth (más rápido). Haz fine-tuning de Llama 3.x 8B con tu propio dataset. Hardware: Google Colab Pro+ ($50/mes) o RunPod / Vast.ai (alquiler de GPU barato). 9) Servicio con vLLM: despliega un modelo abierto con vLLM + mide el throughput + compáralo con la API de OpenAI. 10) Dominio de la evaluación: RAGAS + DeepEval + una suite de evaluación propia. Construye una prueba de regresión para los prompts. 11) Observabilidad con LangSmith / Langfuse: instrumenta una app de producción + analiza las trazas + identifica los cuellos de botella. 12) Frameworks de agentes: nociones de LangGraph + AutoGen + CrewAI + DSPy. Construye una demo multiagente (agente de investigación + agente redactor + agente crítico). 13) Portfolio de proyectos personales: una funcionalidad de IA de nivel de producción (por ejemplo, preguntas y respuestas sobre documentos de un dataset abierto) con RAG + evaluación + observabilidad + seguimiento de costes. Documéntala como portfolio (GitHub + entrada de blog + vídeo de demostración). Cursos rusos: itinerario "AI Engineer" de Karpov.Courses, Otus "LLM Engineering", Escuela de IA de la HSE, itinerario AI Engineer de School21 (Sber). Libros imprescindibles: "AI Engineering" de Chip Huyen (2024), "Hands-On Large Language Models" de Alammar / Grootendorst, "Building LLMs for Production" de Bouchard / Peng. De Backend Senior + interés por los LLM a AI Engineer Junior: 2-4 meses (la entrada más rápida al mundo del ML). De ML Engineer Senior a AI Engineer Senior: 1-3 meses. De Data Scientist a AI Engineer Middle: 3-6 meses.

64 active open AI Engineer positions in our sample — a young niche (split off in 2023 after the ChatGPT boom). The real market is much broader — most AI Engineer roles are classified by our matcher as general ML Engineer or Backend (because titles are often "Senior Backend Engineer (AI focus)" or "ML Engineer — LLM"). The true pool of AI-focused dev jobs across CIS + Europe is estimated at 500-2,000 active positions at any moment in 2026 (accounting for fuzzy-classified ones). Geography: the US, Poland, the UK. Time to close a Senior AI Engineer role — 4-10 weeks in Russia, 6-12 weeks international (rare-skill premium). Trend 2026: the AI Engineer pool grows fastest among all IT categories — we see 3-5× year-over-year growth in LLM-mentioning job postings.

Un Senior AI Engineer es responsable del ciclo completo de ingeniería de productos LLM + optimización de costes + liderazgo técnico. Python a fondo + backend de nivel Senior: dominio de async / typing / FastAPI / pytest. Conocimiento de LLM abiertos: Llama 3.x / Mistral / Qwen 2.5 / DeepSeek V3 + R1 / Phi 3 / Gemma 2: compromisos entre rendimiento y coste, cuándo usar cada uno. Dominio de LangChain: LCEL a fondo, callbacks, agentes, retrievers, escritura de cadenas personalizadas, depuración con LangSmith. O el equivalente en LlamaIndex / Haystack / Semantic Kernel. Dominio de la arquitectura RAG: patrones avanzados (búsqueda híbrida BM25 + vectorial, reranking, HyDE, reescritura de consultas, recuperación multi-hop, patrones de autorreflexión CRAG / Self-RAG), estrategias de chunking (semántico + recursivo + jerárquico), elección del modelo de embeddings. Dominio profundo de bases de datos vectoriales: una de Pinecone / Qdrant / Weaviate / Milvus / pgvector a fondo: ajuste de índices, sharding, replicación, implementación de búsqueda híbrida. Dominio del fine-tuning: LoRA / QLoRA con PEFT + Unsloth + Axolotl, preparación de datasets (instruction tuning + datos DPO), elección de hiperparámetros, metodología de evaluación. Nociones de RLHF / DPO / KTO: la librería TRL para la optimización de preferencias. Dominio del serving: vLLM avanzado (PagedAttention + continuous batching + speculative decoding + optimización de la KV cache), TGI, SGLang. Arquitecturas de agentes: dominio de LangGraph + AutoGen + CrewAI + DSPy, implementación de MCP (Model Context Protocol), patrones de diseño de uso de herramientas, orquestación multiagente. Dominio de la evaluación: RAGAS + DeepEval + diseño de suites de evaluación propias, metodología LLM-as-judge, pruebas de regresión para prompts, pruebas A/B para funcionalidades LLM. Observabilidad + trazas: dominio de LangSmith + Langfuse + Helicone + Arize Phoenix + Datadog LLM Observability. Dominio de la optimización de costes: estrategias de prompt caching (nativo + Redis propio), compresión de prompts (LLMLingua), enrutamiento de modelos (pequeño para lo fácil / grande para lo complejo con OpenRouter / Martian), batch API para lo que no es en tiempo real. Mandato típico de un Senior: reducir los costes de API de LLM en un 50-70%. Seguridad / guardrails: NeMo Guardrails, Llama Guard, integración de OpenAI Moderation API, defensa contra prompt injection, filtrado de salidas. Diseño de sistemas para productos LLM: diseñar en pizarra un producto basado en RAG a escala de 100M+ consultas/día, consideraciones multirregión, presupuestos de latencia (objetivo P95 < 2s para chat). Soft: redacción de ADRs para decisiones de arquitectura LLM, redacción técnica (documentos de diseño de funcionalidades LLM), colaboración entre equipos (Producto / Backend / DS / Investigación), mentoría a AI Engineers Middle, disciplina de lectura de papers (NeurIPS / ICLR / EMNLP: hay que seguirlos). Inglés para Senior+ IMPRESCINDIBLE: la comunidad de IA, la documentación, los papers y las conferencias están enteramente en inglés. Extra opcional: contribuciones open source a LangChain / LlamaIndex / vLLM / Hugging Face: aumentan notablemente el valor de mercado para la contratación en laboratorios de IA de frontera. Presencia en Twitter sobre IA (publicaciones regulares sobre experimentos con LLM): importante para la contratación a través de contactos en la comunidad.