Roadmap para ser AI engineer: lo que piden las ofertas

Busca en Google un roadmap para ser AI engineer desde España y de los veinte resultados que salen, diecinueve están en inglés. El único en español lo publica un bootcamp, y su ruta empieza por machine learning clásico y matemáticas antes de tocar nada parecido a un sistema en producción.

Las ofertas de trabajo españolas dicen otra cosa. En una muestra de 100 de las 1.078 que mencionan AI Engineer, TensorFlow aparece en 10 y PyTorch en 9. Integración y despliegue continuos aparecen en 37, Docker en 31 y Kubernetes en 22. La distancia entre esas dos listas es el motivo de este artículo. No es una diferencia de matiz.

Lo que sigue no es una opinión sobre por dónde deberías empezar. Es el orden que sale de contar qué piden las ofertas, con el número al lado de cada fase para que decidas tú dónde inviertes los próximos meses.

Qué es un AI engineer hoy

Un AI engineer construye y opera sistemas que usan modelos que casi nunca ha entrenado él. Su trabajo es la ingeniería alrededor del modelo: conectarlo a datos propios, orquestar las llamadas, controlar el coste, medir si la respuesta sirve y sostener todo eso funcionando cuando lo usan personas de verdad.

La definición canónica se queda corta ante lo que hacen las ofertas con el título. En la muestra de 100, el puesto aparece clasificado en siete categorías de rol distintas: 47 en roles nuevos de la era de la IA, 28 en ingeniería de software, 12 en datos y analítica, 6 en producto y gestión, y las últimas 7 repartidas entre inteligencia artificial y machine learning, cloud y DevOps, y perfiles emergentes. Solo tres de cien caen en la categoría de inteligencia artificial y machine learning propiamente dicha.

Los títulos concretos van en la misma dirección de dispersión. El más frecuente es AI/LLM Engineer, con 18 de 100, y detrás vienen Automation & AI Engineer, Applied AI Engineer, AI Architect y AI Engineer - Agentic Systems, todos con dos o tres apariciones. Ningún nombre concentra ni la quinta parte del mercado, y la etiqueta española, ingeniero de IA, casi no aparece en las ofertas aunque sea la que más se busca en castellano.

Esa dispersión tiene una consecuencia práctica que conviene entender antes de decidir qué estudiar: no hay un puesto llamado AI engineer al que optar, hay un stack de skills que comparten muchos puestos con nombres distintos. Buscar el título es buscar mal. Se busca la intersección. Y esa intersección se puede contar.

Qué piden de verdad las ofertas en España

Estos son los datos, según el análisis de mercado de Shakers sobre una muestra de 100 ofertas españolas que mencionan AI Engineer, de un total de 1.078 recogidas entre el 14 de junio y el 31 de agosto de 2026. Las skills son las que la propia oferta etiqueta.

Agrupadas por capa, la lectura es todavía más clara. Python domina en solitario con 79 de 100. La capa de plataforma, sumando integración continua, Docker, Kubernetes, Git y Terraform, aparece en la mayoría de las ofertas de una forma u otra. Las tres nubes juntas rondan las mismas cifras que la plataforma. La capa de agentes, con LangChain, OpenAI y LlamaIndex, ya está por delante de la capa de ciencia, donde TensorFlow, PyTorch, el procesamiento de lenguaje natural y MLflow se quedan todos por debajo de 13.

Dos advertencias de método, porque el número sin ellas engaña. Es una muestra de 100 sobre 1.078, no un censo, y son las primeras que devuelve la consulta, no una selección aleatoria estratificada. Y mide lo que la empresa escribe en la oferta, que no siempre coincide con lo que evalúa en la entrevista ni con lo que el equipo toca a diario.

Por qué los roadmaps que empiezan en machine learning clásico no cuadran

El roadmap comunitario de referencia, el de roadmap.sh, y las rutas de los bootcamps que ocupan la primera página comparten una secuencia: matemáticas, después machine learning clásico, después deep learning y solo al final aplicaciones con modelos de lenguaje. Es coherente si el objetivo es entender cómo funciona un modelo por dentro. No lo es si el objetivo es que te contraten.

El problema es que esa no es la pregunta que hacen las ofertas españolas. Ahí TensorFlow sale en 10 de cada 100 y PyTorch en 9, mientras integración y despliegue continuos salen en 37 y Docker en 31. Si dedicas los tres primeros meses a lo que aparece en una de cada diez ofertas y dejas para el final lo que aparece en cuatro de cada diez, estás optimizando el orden al revés.

Merece la pena decir qué no significa esto. No significa que las matemáticas no sirvan, ni que entender un modelo sea tiempo perdido: quien lo entiende diagnostica mejor por qué una respuesta es mala. Significa que si tienes que elegir el orden, y todo el mundo tiene que elegirlo, el dato local sugiere empezar por donde la demanda es más ancha. El roadmap internacional sigue siendo un buen mapa del territorio, y para eso lo enlazamos; lo que no es, para este mercado, es un buen orden de prioridades.

Hay una razón de fondo que explica el desajuste. La mayoría de las empresas españolas que contratan este perfil no van a entrenar un modelo: van a integrar uno que ya existe y a intentar que aguante en producción. Ese trabajo es ingeniería de sistemas con una pieza nueva encima, y la pieza nueva no es el álgebra lineal.

Cuál es la ruta en fases según esos datos

Si la pregunta es cómo ser AI engineer y no en qué orden se enseña, las cuatro fases que siguen están ordenadas por amplitud de demanda medida, no por dificultad ni por calendario. No hay meses asignados a propósito: el tiempo que te lleve cada una depende por completo de dónde entras, y un backend con cinco años se salta media fase dos.

Fase 1. Python de verdad. Aparece en 79 de 100 ofertas, así que no es negociable y no admite el nivel de tutorial. Hablamos de tipado, gestión de dependencias, entornos, pruebas y código que otra persona pueda mantener. Si ya programas en otro lenguaje, esta fase es corta. Si no programas, esta fase es la carrera entera y conviene saberlo antes de empezar.

Fase 2. Plataforma y nube. Es la fase que los roadmaps dejan para el final y las ofertas ponen en el centro. Integración y despliegue continuos en 37, Docker en 31, Kubernetes en 22, Git en 20, Terraform en 10, y por el lado del proveedor Azure en 45, Amazon Web Services en 36 y Google Cloud en 18, de modo que la habilidad concreta que se está pidiendo aquí es poder coger algo que funciona en tu portátil y dejarlo corriendo, versionado y observable, en la nube de la empresa que te contrate.

Fase 3. La capa de agentes. LangChain en 26, OpenAI en 22 y LlamaIndex en 11. Es donde vive el trabajo específico de este perfil: recuperación aumentada, orquestación de llamadas, gestión de contexto y coste, y el criterio para saber cuándo el sistema necesita un grafo de estado y cuándo con una llamada basta. Sobre esa decisión concreta escribimos aparte al hablar de LangGraph y de qué pide el mercado a quien lo usa.

Fase 4. Operar y medir en producción. Es la fase que casi ningún roadmap incluye y la que separa a quien ha desplegado de quien ha practicado. Aquí entran la evaluación de respuestas, la observabilidad, el control de coste por consulta, la seguridad del sistema cuando el modelo llama a herramientas y el trabajo de decidir qué se hace cuando la respuesta es mala. SQL, en 18 ofertas, y el procesamiento de lenguaje natural, en 12, aparecen en esta zona más que al principio.

Fíjate en lo que no es una fase. El fine-tuning de modelos no aparece como requisito ancho en esta muestra, y MLflow, que es la herramienta canónica para gestionar experimentos de entrenamiento, sale en 3 de 100, así que si tu plan de aprendizaje dedica un bloque grande a entrenar y ajustar modelos propios, lo que estás preparando es la entrada a un puesto de machine learning engineer, que es un rol vecino pero distinto.

Cómo se llama el puesto y cuánto se paga

Ya hemos visto que el título no ayuda a buscar: AI/LLM Engineer con 18 de 100 es el más frecuente y ninguno pasa de ahí. En la práctica eso quiere decir que la búsqueda útil no se hace por título, se hace por skill, y que conviene mirar ofertas cuyo encabezado dice Software Engineer o Automation & AI Engineer, porque 28 de las 100 están clasificadas justamente en ingeniería de software.

Sobre el salario hay que ser honesto con lo que se puede medir. Levels.fyi, que es la fuente que usamos para compensación, no segmenta ai-engineer ni machine-learning-engineer para España: las dos consultas devuelven muestra vacía, y lo dejamos documentado en dos snapshots como evidencia del hueco, mientras que lo único que sí tiene muestra suficiente, medido en agosto de 2026, es la familia de software engineer, con una mediana de compensación total de 64.530 euros sobre una muestra de 1.624 registros.

Esa cifra es una referencia de familia, no el salario de este puesto. Sirve para situarse en el orden de magnitud y para negociar sabiendo dónde está la mediana de la ingeniería de software en el país. Cualquier número más fino sobre AI engineer en España que encuentres por ahí, incluido cualquiera que pudiéramos interpolar nosotros, no tiene detrás una muestra que lo sostenga.

Cómo demuestras la skill si el título no te define

Aquí está el problema real de quien llega desde otra especialidad. Si el mercado no busca un título sino una intersección de skills, y tu currículum dice Backend Developer, el filtro automático de la oferta no te va a encontrar nunca. La respuesta no es cambiarse el título en LinkedIn: es que la skill sea demostrable.

Demostrable significa algo concreto. No significa un certificado. Un repositorio con un sistema que recupera información sobre datos propios, con sus pruebas, su contenedor y su pipeline de despliegue, demuestra las fases uno, dos y tres a la vez, y un servicio pequeño desplegado con observabilidad y control de coste demuestra la cuarta, que es exactamente lo que un revisor técnico puede revisar en veinte minutos y lo que una lista de tecnologías en el currículum nunca demuestra.

Sobre las credenciales del ecosistema hay matices que merecen su propio análisis, y los desarrollamos al examinar la certificación de Agentic AI Developer de GitHub y qué valida realmente. El resumen aplicable a tu decisión es corto: una credencial demuestra que has recorrido un temario, y estas ofertas evalúan si has operado el sistema.

Hay una variante de este stack que conviene conocer porque se paga distinto y se trabaja distinto, y es la del ingeniero que despliega el sistema dentro del cliente. La describimos en la pieza sobre el stack del forward deployed engineer. Y si vienes del mundo del dato, el recorrido de qué hace un analytics engineer explica el rol vecino por el otro lado.

Todo esto ocurre dentro de una brecha que ya está medida. BCG midió en enero de 2025, sobre 1.803 ejecutivos, que el 75% situaba la IA entre sus tres prioridades estratégicas y solo un cuarto reportaba valor significativo de sus iniciativas. Ese hueco de cincuenta puntos no lo cierran modelos mejores. Lo cierra gente que sabe llevar un sistema desde la demo hasta el lunes por la mañana, y esa es exactamente la razón por la que la ruta que sale de las ofertas españolas pesa mucho más en plataforma que en ciencia, y por la que el mercado ha dejado de comprar títulos para comprar skills + agents, que es justo lo que las siete categorías de rol de esta muestra están diciendo sin decirlo.

Si el stack ya lo tienes, el siguiente paso es que quede certificada y te ponga delante de proyectos. Puedes hacerlo desde la página de perfil de AI Engineer en Shakers, donde el proceso de certificación es el que traduce tu repositorio en algo que un equipo puede leer.

Preguntas frecuentes sobre el roadmap de AI engineer

¿Cuánto se tarda en formarse como AI engineer?

Depende por completo de dónde entras, y cualquier cifra cerrada que te den es marketing. Un backend con experiencia se salta buena parte de las dos primeras fases, porque Python y plataforma ya los tiene, y su trabajo real está en la capa de agentes. Quien empieza a programar desde cero tiene delante la carrera entera. El dato de mercado dice qué aprender, no en cuánto tiempo.

¿Necesito matemáticas para ser AI engineer?

Para el perfil que describen estas ofertas, no como punto de partida. En la muestra de 100, TensorFlow aparece en 10 y PyTorch en 9, frente a 37 de integración continua y 31 de Docker. Entender cómo funciona un modelo ayuda a diagnosticar por qué una respuesta falla, así que no es tiempo perdido, pero ponerlo primero invierte el orden que sugiere la demanda medida.

¿Es lo mismo AI engineer que machine learning engineer?

No. El machine learning engineer entrena, ajusta y sirve modelos propios, y ahí PyTorch, TensorFlow y la gestión de experimentos con MLflow son el centro del trabajo. El AI engineer integra modelos de terceros y construye el sistema alrededor. En esta muestra MLflow sale en 3 de 100 ofertas, lo que indica que el entrenamiento no es el eje del puesto.

¿Qué proyectos valen para el portafolio?

Los que un revisor técnico pueda revisar en veinte minutos. Un sistema de recuperación sobre datos propios, con pruebas, contenedor y pipeline de despliegue, demuestra lenguaje, plataforma y capa de agentes a la vez. Un servicio pequeño con observabilidad y control de coste por consulta demuestra la parte de operación, que es la que casi nadie enseña y la que distingue.

¿AI engineer o prompt engineer?

Son escalas distintas de trabajo. Escribir buenas instrucciones es una habilidad dentro del puesto, no el puesto: en las ofertas medidas el peso está en Python, plataforma, nube y orquestación, que es lo que sostiene un sistema en marcha. Una intersección de skills tan amplia no se cubre solo con criterio de redacción de prompts.

¿Hace falta un bootcamp o un máster?

Ninguna de las ofertas medidas se evalúa sola con eso. Un programa formativo sirve para ordenar el aprendizaje si te cuesta la autonomía, y conviene revisar que su secuencia se parezca a la demanda: si dedica los primeros meses a machine learning clásico, va a llevarte por lo que aparece en una de cada diez ofertas antes que por lo que aparece en cuatro de cada diez.