Una oferta de AI Engineer en España pide, por encima de todo, capacidad de llevar un sistema de IA a producción y sostenerlo. Sobre 918 ofertas activas, el 34% nombra CI/CD y el 21% Kubernetes, por delante del 13% que nombra PyTorch. La infraestructura pesa más que el modelo.
Llevamos meses viendo la misma escena en llamadas distintas. Alguien necesita un AI Engineer, abre un documento en blanco y empieza a escribir la lista de tecnologías que ha oído nombrar en los últimos seis meses.
La lista siempre sale parecida: transformers, fine-tuning, RAG, alguna librería de agentes, y a veces un requisito de publicaciones. Está escrita desde la idea de que el trabajo consiste en manejar modelos. Luego llega el candidato que encaja con esa lista, entra, y a los cuatro meses el sistema sigue sin salir de staging porque nadie del equipo sabe montar el despliegue, la observabilidad y los permisos que hacen falta para que aquello aguante un lunes cualquiera por la mañana con gente de verdad usándolo. No fue un error de selección. Fue un error en el documento.
TL;DR. El título AI Engineer agrupa al menos cinco roles distintos con exigencias diferentes, y eso explica la mitad de los procesos que fallan. Según el análisis de mercado de Shakers sobre 918 ofertas españolas (n=918, agosto 2026), Python aparece en el 73%, CI/CD en el 34%, LangChain en el 29%, Kubernetes en el 21% y PyTorch en el 13%. El mercado no está pidiendo gente que entrene modelos, está pidiendo gente que los ponga a funcionar dentro de un sistema. Una oferta que solo describe el modelo filtra justo al perfil que necesitas.
AI Engineer no es un rol, son al menos cinco
Lo primero que aparece al abrir las ofertas es que el título no significa lo mismo en dos sitios distintos, y que la distancia entre una acepción y otra no es de matiz sino de oficio, hasta el punto de que dos personas con el mismo cargo en su perfil pueden no compartir ni una sola de las tareas del día. Bajo la búsqueda de AI Engineer conviven al menos cinco figuras.
- AI/LLM Engineer. Construye la aplicación alrededor del modelo: orquestación, herramientas, contexto, evaluación.
- Applied AI Engineer. Ingeniería de producto con IA dentro. Suele venir con lenguajes de backend clásicos en la misma oferta.
- GenAI Engineer. El más cargado de librerías de modelo, y también el que más mezcla nube y datos.
- Machine Learning Engineer. El perfil clásico, con entrenamiento y despliegue de modelos propios.
- Forward Deployed Engineer. El que se sienta en el sistema del cliente y hace que aquello funcione en su realidad, con sus integraciones y su stack.
Son cinco conjuntos de skills con solape parcial, no cinco nombres para lo mismo. Un Machine Learning Engineer que entrena modelos y un Forward Deployed Engineer que integra sistemas ajenos comparten Python y poco más. Si la oferta dice AI Engineer sin acotar cuál de los cinco, el proceso se llena de gente competente que no encaja con lo que hay que hacer, las entrevistas se vuelven confusas para ambas partes y la conclusión que se saca al final suele ser la equivocada: que no hay talento. Lo hay. Está mal convocado.
Qué piden las 918 ofertas, en orden
Este es el reparto de skills nombradas en las ofertas de AI Engineer activas en España, medido sobre el índice de mercado de Shakers en agosto de 2026.
| Skill | Ofertas | % de 918 | Capa |
|---|---|---|---|
| Python | 671 | 73% | Lenguaje |
| CI/CD | 310 | 34% | Infraestructura |
| LangChain | 265 | 29% | Modelo |
| Kubernetes | 191 | 21% | Infraestructura |
| PyTorch | 121 | 13% | Modelo |
| Terraform | 77 | 8% | Infraestructura |
Quitando Python, que es la lengua franca y no discrimina nada, el orden rompe la intuición. Se pide más CI/CD que LangChain. Se pide más Kubernetes que PyTorch. Y hay un dato que conviene leer despacio, porque no es un detalle del recorte sino una propiedad del mercado entero: en el top 30 de skills más demandadas del mercado tech español no aparece ninguna librería de modelos. Ni una.
Una salvedad honesta sobre el método. Las skills se detectan por coincidencia de patrón en la descripción de la oferta, así que un 13% en PyTorch significa que se nombra en el 13% de los textos, no que solo el 13% lo necesite de verdad para hacer el trabajo. Ese sesgo afecta por igual a todas las filas. Por eso el orden relativo aguanta aunque las cifras absolutas se queden cortas.
Por qué se pide más CI/CD que LangChain
Porque la parte difícil se ha mudado. Elegir modelo se ha vuelto una decisión reversible que se toma en una tarde y se cambia en otra. Montar el despliegue, la observabilidad, el control de coste y los permisos para que ese modelo trabaje contra sistemas reales sigue costando exactamente lo que costaba, y no hay ninguna señal de que vaya a bajar de precio.
BCG lo midió en enero de 2025 y la cifra sigue explicando el mercado: solo una cuarta parte de las empresas declaraba obtener valor relevante de la IA. Ese hueco es el implementation gap, y no es un problema de modelos. Todas esas empresas tenían acceso a los mismos. Es la última milla de la IA, y la última milla se recorre con las skills de la columna de la derecha.
Las ofertas lo reflejan antes que los titulares. Cuando alguien escribe una oferta pidiendo CI/CD y Kubernetes para un puesto de IA, no está confundido: está describiendo el trabajo que de verdad hay que hacer, que es integrar un sistema en una empresa que ya tiene sus propias reglas.
Qué escribir en la oferta
Cuatro decisiones cambian el resultado de un proceso más que cualquier ajuste de redacción.
Nombra cuál de los cinco perfiles quieres. Si el sistema va a vivir dentro de tu producto, es Applied AI. Si va a vivir dentro de los sistemas de otra empresa, es Forward Deployed. Si vas a entrenar algo propio, es Machine Learning Engineer. Escribir esa palabra elimina la mitad del ruido del proceso antes de que empiece.
Describe el destino, no la tecnología. Una frase como "el sistema tiene que servir a 2.000 usuarios internos con trazabilidad de cada consulta" dice mucho más sobre el trabajo que una lista de seis librerías, obliga a quien escribe la oferta a saber qué quiere de verdad, y de paso deja que sea el candidato quien proponga cómo lo resolvería en vez de limitarse a confirmar que conoce las herramientas.
Pon las skills de infraestructura donde toca. Si el despliegue y la observabilidad son parte del trabajo, van en requisitos. No en un "se valorará" al final. La mitad de las ofertas las esconden justo ahí y luego se sorprenden de que el perfil que entra no las traiga.
Separa lo que se aprende de lo que no. Una librería de agentes se aprende en semanas. Criterio de diseño de sistemas distribuidos, no. Filtrar por la primera y dar por supuesta la segunda es, con diferencia, el error más caro de esta categoría, porque produce un equipo que sabe usar las herramientas del momento y no sabe decidir qué pasa cuando algo falla a las tres de la madrugada.
Qué no funciona como criterio
Dos filtros aparecen mucho y aportan poco. El primero son los años de experiencia exigidos sobre tecnologías que llevan menos tiempo existiendo que los años que se piden, una contradicción que aparece en más ofertas de las que uno esperaría y que no filtra competencia. Filtra disposición a exagerar.
El segundo son las certificaciones tomadas como prueba en lugar de como señal. Sirven para saber que alguien ha estudiado un temario concreto, y eso tiene valor. No sustituyen a ver trabajo real. Lo desarrollamos con más detalle en el análisis de la certificación Agentic AI Developer de GitHub, que es hoy la más citada en este terreno.
Lo que sí discrimina es pedir que cuenten un sistema que hayan llevado a producción y qué se rompió después. Esa pregunta separa en dos minutos a quien ha operado algo de quien ha construido demos, porque la persona que ha estado de guardia recuerda el fallo concreto, la hora a la que saltó y lo que cambió al día siguiente. Y si necesitas calibrar la banda económica antes de abrir el proceso, el rango salarial del AI/LLM Developer en España es el punto de partida.
Si prefieres acotar el perfil antes de publicar la oferta, habla con un experto de Shakers y repasamos qué skills sostienen de verdad tu caso.
Preguntas frecuentes sobre las ofertas de AI Engineer
- ¿Cuántas ofertas de AI Engineer hay en España?
-
El índice de mercado de Shakers registra 918 ofertas activas bajo esa búsqueda en agosto de 2026, repartidas entre al menos cinco títulos normalizados distintos: AI/LLM Engineer, Applied AI Engineer, GenAI Engineer, Machine Learning Engineer y Forward Deployed Engineer.
- ¿Un AI Engineer tiene que saber entrenar modelos?
-
En la mayoría de las ofertas, no. PyTorch aparece en el 13% de las 918 ofertas analizadas, frente al 34% que pide CI/CD. El trabajo dominante es integrar y operar modelos existentes dentro de un sistema, no entrenar modelos propios.
- ¿Qué diferencia hay entre AI Engineer y Machine Learning Engineer?
-
El Machine Learning Engineer trabaja sobre el modelo: datos de entrenamiento, métricas, ciclo de vida del modelo. El AI Engineer en su acepción más común trabaja sobre el sistema que rodea a un modelo ya existente: orquestación, herramientas, evaluación de respuestas y despliegue. Comparten Python y divergen a partir de ahí.
- ¿Por qué mi oferta de AI Engineer no recibe candidaturas buenas?
-
La causa más frecuente es que el título no acota cuál de los cinco perfiles se busca, de modo que responde gente de los cinco y ninguna de las cinco conversaciones acaba de encajar; la segunda es que las skills de infraestructura aparecen listadas como deseables en vez de como requisito, cuando en la práctica son la parte del trabajo que decide si el sistema llega a producción. Las dos producen el mismo efecto. Candidaturas competentes que no encajan.