Lista de estudio para ingenieros de IA: LLMs, evals y agentes primero

Estás planificando un cambio hacia el rol de ingeniero de IA, y el primer punto de estudio ya está definido. En una muestra de LinkedIn de mayo de 2026, las 425 vacantes de ingeniero de IA requerían integración de LLMs, y 155 también exigían trabajo con IA agéntica.

El resto del orden sigue las ofertas publicadas. Un análisis de julio de 2026 sobre 390 ofertas activas de ingeniero de IA encontró LLMs en el 63%, Python en el 59%, evals en el 56%, agentes en el 50%, PyTorch en el 33% y RAG en el 26%. Frameworks específicos como LangChain, LangGraph y LlamaIndex aparecieron en aproximadamente el 10% de las descripciones de puesto.

El camino de producción supera la estantería de frameworks

Las entrevistas explorarán el camino desde el prompt hasta una salida fiable. Debes demostrar cómo una llamada al modelo, un resultado de herramienta, una barrera de seguridad y un caso de fallo atraviesan un sistema. Usa el orden de cinco puntos a continuación como autotest y trata los frameworks específicos como herramientas que adoptas cuando un rol las necesita, no como objetivo principal de estudio.

• 1. Integración de LLMs: Rastrea un prompt, una llamada a herramienta y una respuesta a través de un servicio pequeño.
• 2. Python: Escribe una función breve que analice una respuesta del modelo y registre un fallo.
• 3. Evals: Nombra tres formas de medir si una respuesta es segura, correcta o útil.
• 4. Agentes: Explica cuándo un bucle con herramientas es mejor que una única llamada al modelo.
• 5. RAG: Describe cómo el contexto recuperado cambia la respuesta de un modelo y cómo lo verificarías.

Empieza con la integración del modelo construyendo un servicio mínimo que llame a un modelo, devuelva un resultado de herramienta y devuelva una respuesta estructurada. No persigas una demo pulida. Persigue las costuras: timeouts, salida malformada, contexto ausente y un fallback visible para el usuario. Ahí está el trabajo.

El nivel básico de lenguaje es el manejo limpio de datos, llamadas asíncronas, registro y pruebas. PyTorch y el resto del stack de deep learning pueden esperar hasta que los hábitos de integración y evals sean sólidos. Si puedes leer una respuesta del modelo, validarla y explicar por qué un campo falló, estás más cerca del rol que alguien que puede recitar un diagrama de transformer.

El trabajo de evaluación empieza con un pequeño conjunto de prompts con comportamiento esperado. Registra precisión, rechazo, latencia y coste. La habilidad es el hábito de comparar dos versiones y decidir cuál es más segura para desplegar.

El trabajo con agentes necesita estudio de modos de fallo antes que arquitectura. Un bucle con herramientas puede mejorar la cobertura, pero también puede multiplicar salidas incorrectas. Esté preparado para decir cuándo una llamada simple es suficiente y cuándo un bucle justifica su complejidad.

El trabajo de recuperación debe centrarse en calidad y verificación. Un modelo puede sonar seguro con el contexto equivocado. El fine-tuning puede ayudar, pero solo después de que la recuperación y la evaluación sean estables. Tu trabajo es hacer que el contexto sea verificable: fuente, frescura, permisos y si la respuesta realmente utiliza el material recuperado.

El trabajo agéntico es la frontera de crecimiento

La IA agéntica y los agentes de IA estuvieron entre las habilidades de ofertas de empleo tecnológico de más rápido crecimiento en un informe del mercado laboral tecnológico de EE. UU. de abril de 2026, con un crecimiento interanual de al menos 300%. Los agentes pertenecen al centro de tu plan de estudio porque ese crecimiento puede dar forma al resto del trabajo.

Las bandas salariales justifican el cambio

El argumento salarial es más sencillo que el de habilidades. Los datos de bandas publicadas de julio de 2026 para 390 ofertas de ingeniero de IA mostraron bandas centradas en $213K–$305K y alcanzando unos $850K en laboratorios de frontera. Anthropic, con 53 vacantes, y Mistral, con 41 vacantes, fueron los empleadores más activos en ingeniería de IA en el análisis de julio de 2026. El trabajo con IA está entrando en los roles estándar de software. En la muestra de LinkedIn de mayo de 2026, el 49% de las descripciones de ingeniero de software mencionaban IA/ML, y el 41% la convertían en un requisito explícito.

Usa las bandas como marco de negociación. El centro te dice dónde se sitúa un rol serio de ingeniero de IA, y el tope muestra lo que puede pagar el trabajo de frontera cuando el alcance es de alto riesgo. El lado de la contratación es lo suficientemente amplio como para no necesitar una sola empresa objetivo para hacer el cambio.

Esta semana, construye un plan de estudio de una página en torno a los cinco puntos anteriores. Pon la integración del modelo primero, Python segundo, evals tercero, agentes cuarto y RAG quinto. Anota la banda publicada como punto de referencia que justifica el esfuerzo, y programa una pequeña eval para un prompt que ya uses.