Cómo entrar en una profesión relacionada con la IA: plan de 90 días sin formación técnica

La conversación sobre las profesiones en IA suele romperse en dos extremos. El primero: «hace falta matemáticas y un máster; sin eso no te admiten». El segundo: «basta con hacer un curso y cobrar doscientos mil». Ni lo uno ni lo otro describe la realidad en la que las personas pasan a estos roles desde soporte, edición, analítica, ventas y docencia.

La realidad es más simple y más dura a la vez. Las empresas no necesitan a quienes entrenan redes neuronales desde cero, sino a quienes convierten una tarea difusa —«queremos IA aquí»— en un conjunto verificable de requisitos, ejemplos y criterios de calidad. Faltan estos especialistas porque el trabajo no exige un título en ML, sino disciplina de pensamiento y capacidad de hablar con distintos equipos.

Quién puede acceder a las profesiones de IA y a quién no le convienen

Conviene dividir de inmediato la entrada en tres niveles: no se diferencian por prestigio, sino por cuánta preparación técnica se necesita al inicio.

Nivel de entrada	Qué se necesita al inicio	Roles típicos
Sin código	Expresión oral y escrita correcta, atención al detalle, capacidad para trabajar siguiendo instrucciones y explicar decisiones	Entrenador de IA, evaluador de respuestas, curador de datos, editor de IA, especialista en implementación
Bajo código	Tablas, expresiones regulares, JSON, comprensión de API, fundamentos de SQL, automatización no-code	Analista de calidad de modelos, especialista en evals, operador de datos, gestor de contenidos RAG
Con código	Python, API y bases de datos vectoriales, comprensión de cómo funcionan los modelos y las métricas	Ingeniero de ML, ingeniero de datos, desarrollador de aplicaciones de IA, MLOps

El primer nivel no es una «versión junior» del segundo. La persona que formula los criterios de calidad y encuentra contradicciones en la instrucción influye en si el producto será siquiera apto para su uso.

Y ahora, con honestidad, sobre a quién no le convienen estos roles. A quienes buscan un trabajo sin decisiones ni comunicación: casi todos los roles de entrada en IA se basan en la coordinación. A quienes necesitan un resultado rápido y garantizado: el mercado es joven, los nombres de los puestos son cambiantes, parte de las vacantes son un experimento de la empresa. Y a quienes toleran mal la rutina: la evaluación de respuestas son cientos de tareas del mismo tipo con el mismo estándar de calidad en el ejemplo trescientos.

Cinco roles en los que realmente contratan sin formación técnica

Los nombres en las vacantes varían: las mismas tareas pueden llamarse «AI trainer», «data annotator», «AI quality analyst» o «especialista en entrenamiento de IA». Guíese por la descripción de las tareas, no por el título.

1. Entrenador de IA

Lee pares «consulta — respuesta», compara variantes y encuentra defectos: hecho inventado, incumplimiento de instrucciones, tono inapropiado, condición omitida. Después escribe una respuesta de referencia o corrige la instrucción para que el error no se repita. La segunda faceta es inventar escenarios complejos: donde el usuario se confunde, se enfada o pide lo imposible. En la entrada comprueban si sabes explicar la elección según criterios, y no «a mí me parece», y si encontrarás una contradicción en una instrucción de una página.

El error típico de un novato es reescribir la respuesta según su gusto. La evaluación requiere la mínima intervención que elimine un defecto concreto. El segundo fallo es la inconsistencia: en el primer ejemplo consideraste un error una cosa y en el cuadragésimo otra. Por eso, en estos equipos hay calibraciones, donde los evaluadores analizan los mismos ejemplos y acuerdan los límites.

2. Evaluador de calidad de respuestas (evals)

No es responsable de los ejemplos, sino del sistema: criterios, escalas, una muestra representativa y un informe de lo que se degradó tras cambiar el prompt o el modelo. El rol se acerca más a la analítica: se necesitan tablas sólidas, métricas simples y capacidad de redactar conclusiones. Se valora la capacidad de distinguir una métrica que mide la utilidad de una métrica que mide la comodidad de generar informes.

3. Curador de datos y bases de conocimiento

Cuando se conecta el modelo a documentos internos, la calidad de la respuesta no depende del modelo, sino de lo que se le dio como entrada. El curador elimina duplicados y contradicciones, etiqueta versiones y asegura que cada respuesta tenga una fuente. Un fallo clásico: en la base hay dos versiones del reglamento, el modelo toma la antigua y soporte responde al cliente según reglas obsoletas. A este puesto se pasan bien editores, metodólogos y especialistas de soporte.

4. Especialista en la implementación de IA en procesos

Rol para empresas donde ya compraron IA, pero nadie la usa. La tarea es encontrar áreas donde el modelo ahorra tiempo, montar un piloto con diez personas, medir el efecto y convertir la experiencia en una instrucción. La habilidad clave es la conversación: explicar al contador, al gerente y al abogado la misma cosa en tres lenguajes y no provocar la sensación de que los sustituyen. Por eso, a menudo se contrata a personas de dentro de la empresa.

5. Editor de IA y operador de contenido

Responsable de que el texto final se ajuste a la marca, a los hechos y a la tarea: eliminar el léxico que la empresa no utiliza, comprobar las cifras, reescribir un párrafo que suene a comunicado de prensa de robot. La mitad del trabajo es construir el proceso: qué pasos de generación se repiten, dónde hace falta la revisión humana. Un buen punto de entrada para periodistas, filólogos, traductores y especialistas en marketing.

¿Qué pasó con el «ingeniero de prompts»?

Una vacante específica se encuentra con menos frecuencia que en las primeras olas del hype: la escritura de prompts se disolvió en otros roles. Como profesión se mantuvo donde los prompts son el producto: en equipos que construyen agentes y escenarios complejos. Conclusión para entrar: construye tu plan no alrededor del nombre, sino de la habilidad: formular la tarea para el modelo de modo que el resultado sea verificable.

El mínimo técnico sin el cual no te contratarán ni para un «puesto sin código»

«Sin código» no significa «sin técnica». En los puestos de entrada no preguntan fórmulas, sino la comprensión de cómo funciona la herramienta y dónde falla.

Cómo genera una respuesta el modelo

Basta con un modelo práctico de comprensión: el modelo de lenguaje predice la continuación del texto a partir de las probabilidades aprendidas en un gran corpus. No busca hechos en una base de datos ni los «sabe» en el sentido humano. De ahí se derivan dos consecuencias que hay que explicar con tus propias palabras: por qué el modelo inventa con seguridad y por qué la formulación de la consulta cambia el resultado. Además, tres términos que se preguntan casi siempre: token, ventana de contexto y temperatura.

Por qué el modelo se equivoca

Los errores se dividen en grupos: hecho inventado, información desactualizada, referencia incorrecta, incumplimiento del formato, ignorar parte de la instrucción, respuesta demasiado general, recomendación peligrosa. El trabajo empieza cuando dejas de decir «el modelo es tonto» y empiezas a clasificar: qué ocurrió exactamente y en qué paso. La clasificación convierte una queja en una tarea.

RAG, métricas y muestreo

RAG: cuando el modelo primero busca fragmentos en tus documentos y luego responde basándose en ellos. El esquema explica la mitad de las vacantes: las empresas necesitan personas que pongan orden en los documentos. Conviene entender por separado en qué se diferencia la evaluación manual de la automática: la primera es cara y subjetiva; la segunda es rápida y se engaña con facilidad. En la práctica se combinan, y la palabra clave aquí es «muestreo»: evaluar con diez ejemplos convenientes no significa nada.

Datos y datos personales

El tema en el que más se falla, y con razón. Todo lo que pegas en un chat de terceros va a un servidor ajeno. Los datos personales de clientes, la información médica, los documentos de acceso restringido y los secretos comerciales no deben llegar a servicios externos sin base legal. En la práctica rusa, esto se regula por la Ley Federal 152-FZ «Sobre los datos personales»: el tratamiento requiere una base legal y consentimiento, y el almacenamiento y tratamiento de datos de ciudadanos de la Federación Rusa tienen requisitos de localización. En una entrevista hacen esta pregunta para saber si pondrás a la empresa en riesgo en el primer mes.

Herramientas

Hojas de cálculo a nivel de tablas dinámicas, JSON como formato, la idea de API (solicitud — respuesta, clave, límites), fundamentos de SQL en la medida de «seleccionar filas y agrupar», una herramienta de automatización sin código. Con esto basta para pasar la prueba técnica y no parecer indefenso en la primera semana.

Plan de 90 días: de «leo sobre IA» a dos invitaciones a entrevistas

El plan está pensado para 6–8 horas a la semana, es decir, para una persona que trabaja y estudia por las noches. En tres meses son aproximadamente 80–100 horas. El objetivo es modesto y comprobable: no «dominar la IA», sino conseguir dos o tres entrevistas para un rol de entrada.

Periodo	Qué haces	Artefacto de salida
Semanas 1–2	Entiendes cómo funciona el modelo y dónde se equivoca; eliges el sector y el rol	Resumen de dos páginas; lista de 15 vacantes con análisis de requisitos
Semanas 3–4	Cada día analizas 5–10 respuestas del modelo: defecto, clasificación, corrección	30 casos de prueba con evaluación y comentarios
Semanas 5–6	Construyes criterios y escalas, pasas la muestra por ellos y calculas el resultado	Mini-sistema de evaluación con salida a página
Semanas 7–8	Creas una base de conocimiento de tu sector y verificas las respuestas basándote en ella	Desglose: qué hay en la base, cómo se fragmentó, dónde mejoró
Semanas 9–10	Elaboras un caso práctico de implementación: proceso, hipótesis, piloto, métrica	Caso de dos páginas con cifras «antes/después»
Semanas 11–12	Preparas tu portafolio, reescribes tu currículum, envías candidaturas y practicas entrevistas	Página pública con portafolio y currículum, tres ensayos

Las primeras dos semanas son sobre el lenguaje, no sobre la carrera: aprender a distinguir un prompt de una instrucción, RAG del ajuste fino, una alucinación de un error en los datos. En paralelo, eliges un sector: «IA en general» no se vende al inicio, pero una persona que entiende cómo funciona el soporte en e-commerce se ve más fuerte. Tu experiencia previa aquí no es lastre, sino una ventaja.

Después vienen los artefactos. Treinta respuestas del modelo analizadas ya son un portafolio, porque muestran una forma de pensar. El sistema de evaluación convierte opiniones dispersas en una magnitud medible. La base de conocimiento aporta un segundo artefacto para el rol de curador de datos. El caso práctico con cifras «antes/después» muestra que sabes llevar una idea hasta un resultado medible, y la sección sobre los datos que decidiste no enviar al modelo añade confianza.

Las últimas dos semanas no son para estudiar, sino para vender: una página pública con cuatro artefactos, un currículum para un rol concreto, cinco postulaciones por semana y un ensayo de la conversación. Las postulaciones sin preparación se convierten en práctica con personas reales, de las que no tienes tantas.

Portafolio en lugar de experiencia

Para los roles de entrada casi no se contrata por título y certificado, sino por pruebas de pensamiento. Los cuatro artefactos del plan son el portafolio.

1. Conjunto de casos de prueba. Treinta líneas: la consulta, qué debía haber hecho el modelo, qué hizo, tipo de defecto, gravedad, corrección. Malo: «la respuesta es mala». Bueno: «se incumplió el formato: se requería un JSON con tres claves, el modelo devolvió texto».
2. Análisis del error y edición de la instrucción. Cómo lo descubrieron, por qué ocurre, qué cambiaron, qué mejoró y qué quedó roto. El último punto es obligatorio: muestra que no vendes magia.
3. Mini-sistema de evaluación. Criterios, escalas, muestra, tabla de resultados y conclusión de media página. De los criterios deben derivarse las conclusiones, y de las conclusiones, las acciones. «Hay que mejorar la calidad» no es una conclusión.
4. Caso de implementación con métrica. Proceso antes, hipótesis, limitaciones, resultado «antes/después» y una sección sobre los datos que conscientemente no se enviaron al modelo. Incluso un caso de aprendizaje funciona: no se evalúa la escala, sino la forma de razonar.

Una sola página pública es suficiente: quién eres, en qué área tienes experiencia, cuatro bloques con enlaces, contacto. No conviene reunir cien prompts, publicar capturas de chats sin análisis ni mostrar solo ejemplos exitosos: eso no responde a la pregunta principal de quien contrata: ¿podrá la persona tomar decisiones sobre la calidad cuando no haya nadie cerca que le indique?

Currículum, vacantes y conversación sobre la transición

El error más frecuente es escribir un currículum «de forma amplia, para que encaje en todas partes». En IA eso no funciona: los roles son distintos, y el manager busca coincidencia por tareas, no por entusiasmo.

Busque no un solo título, sino un grupo: AI trainer, AI quality analyst, quality rater, AI content editor, AI adoption specialist, knowledge manager, curador de base de conocimiento, especialista en entrenamiento de IA. Añada a la búsqueda su sector: «IA en soporte», «IA en medicina», «IA en banca»; así se encuentran vacantes donde la experiencia previa se convierte en una ventaja. En los requisitos, separe lo obligatorio (entender los criterios, meticulosidad, disposición a la rutina) de lo deseable (herramientas concretas que se aprenden en una semana).

La línea de experiencia se escribe con la fórmula «tarea — acción — resultado»: no «respondía a las consultas de los clientes», sino «atendía 40 consultas al día, reuní una base de respuestas estándar para 60 escenarios, el tiempo de respuesta a una pregunta frecuente se redujo a la mitad». Un bloque aparte «Proyectos en IA»: cuatro artefactos con enlaces y una línea de resultado en cada uno. Carta de presentación: cuatro párrafos breves: el puesto y un detalle concreto sobre la empresa, qué tiene ya usted con enlace al portafolio, cómo se traslada su experiencia previa, qué está dispuesto a hacer desde el primer momento.

Entrevista para un puesto de entrada en IA

Rara vez preguntan teoría. Normalmente dan material y observan cómo razona. Lo más habitual son tres tareas.

Evaluar dos respuestas del modelo. Dan una solicitud y dos variantes con la petición de elegir la mejor. No evalúan el gusto, sino la capacidad de construir criterios: nombrar lo que se requería (hechos, formato, tono, exhaustividad), comparar por cada punto y explicar en qué pierde la variante descartada. La respuesta «el primero es más claro» pierde frente a «el primero es más preciso en los hechos y mantiene el formato; el segundo es mejor en tono, pero se equivoca en la suma; para un reembolso, eso es crítico».

Encontrar un defecto en la instrucción. Dan una página de reglas. Defectos típicos: contradicción entre puntos, un criterio que no se puede verificar, ausencia de tratamiento de excepciones, una regla demasiado amplia. Una instrucción que dos personas aplican de forma distinta rompe toda la evaluación; por eso esta habilidad se valora más que la capacidad de escribir prompts bonitos.

Mini-caso de implementación.«Soporte recibe quinientas consultas al día, queremos responder más rápido. ¿Qué propondría?» Una buena respuesta no empieza con «conectaremos el modelo», sino con la pregunta «cuáles son las consultas más frecuentes y cuál es el coste de un error en cada tipo». Después: hipótesis, métrica, limitaciones, plan de piloto.

Estructura de la respuesta a cualquier pregunta: tesis — argumento — ejemplo — conclusión. Primero una respuesta breve y directa, después la razón, luego un caso de su portafolio y, por último, la conclusión en una frase. Y vuelva a preguntar: «Aclaro: cuando dice calidad, ¿se refiere a la exactitud de los hechos o al cumplimiento del formato?» — es señal de que hará ese tipo de preguntas en el trabajo, y no adivinará.

Pregunte a quien contrata tres cosas: cómo se ve el éxito en los primeros tres meses, quién toma la decisión en casos controvertidos y qué duele más ahora mismo. Y tenga presentes las señales de alerta: etiquetado sin criterios ni calibraciones, «hacer todo lo relacionado con la IA» sin equipo ni métricas, la promesa de ascender a ingeniero de ML sin un solo ingeniero en la empresa, y pagar por la formación antes de conseguir el empleo.

Ensaye la conversación con antelación. Improvisar en la primera entrevista en vivo es una mala estrategia. Diga las respuestas en voz alta y luego mantenga un diálogo completo con un entrenador de IA: él hace las preguntas, usted responde y, después de la conversación, revise el análisis: dónde se quedó corta la respuesta y dónde faltó un ejemplo.

Cuánto tiempo lleva y cuánto cuesta

Un plazo realista para cambiar de carrera sin formación técnica es de tres a seis meses con 6–8 horas por semana: tres meses para las habilidades y el portafolio, y uno o dos más para las postulaciones y las pruebas. Las conversaciones sobre «cambiar de profesión en tres semanas» pertenecen a otro género.

Al principio casi no se necesita dinero: la documentación de los modelos, las guías públicas de las empresas, las versiones gratuitas de las herramientas y los materiales abiertos sobre evaluación de calidad cubren gran parte del programa. Tiene sentido pagar por una suscripción al modelo si no alcanza el límite gratuito, y por una consulta puntual con alguien que ya trabaja en el rol. No hace falta comprar un curso de «profesión del futuro» con promesa de empleo y un «certificado de ingeniero de prompts»: para los puestos de entrada se fijan en los artefactos y en cómo te expresas.

Y paciencia. Las primeras veinte solicitudes pueden no recibir ni una sola respuesta: el mercado es joven y parte de las vacantes se cubren con candidatos internos. La referencia no son los rechazos, sino la cantidad de conversaciones: si después de diez entrevistas no entiendes qué te falta, es momento de recopilar comentarios y rehacer el portafolio.

Riesgos de los que no hablan en los cursos

• Algunos puestos son temporales. El etiquetado masivo y la evaluación sencilla se automatizan y se abaratan. Los roles que resultan más sostenibles son aquellos en los que se necesitan criterio, experiencia en el área y responsabilidad por la decisión.
• La evaluación automática cambia el trabajo. El modelo actúa cada vez más como «primer filtro», y la persona revisa los casos dudosos. Hay menos rutina, pero hay que saber comprobar la propia comprobación.
• El techo para los puestos de entrada existe.El etiquetado monótono según la lista de verificación de otra persona alcanza su techo en dos años. Un buen puesto de entrada se distingue por tener criterios, calibraciones y una ruta de crecimiento clara.
• La presión de «haz más». La IA acelera el trabajo, y eso rápidamente se convierte en la expectativa de que una persona hará el doble por el mismo dinero. Pregunta en la entrevista cómo miden la carga de trabajo en el equipo.
• Infoproductos sobre el tema. Empleo garantizado, salarios en anuncios sin fuente, reseñas solo con capturas de pantalla, «quedan dos plazas»: señales de que te están vendiendo humo. Pide que te muestren tres portafolios de egresados que actualmente trabajan en el puesto.

Lista de verificación de la primera semana

1. Elige un sector en el que ya tengas conocimientos y un puesto de entrada.
2. Anota quince vacantes reales y subraya los requisitos que se repiten.
3. Explique en voz alta con sus propias palabras qué son un token, una ventana de contexto y la temperatura.
4. Haga una lista de diez tipos de errores del modelo con los que ya se haya encontrado.
5. Analice cinco respuestas según el esquema «consulta — expectativa — hecho — defecto — corrección».
6. Cree una tabla para casos de prueba y añada las primeras cinco filas.
7. Escriba una regla sobre qué datos de su trabajo no se pueden enviar a servicios externos.
8. Observe cómo está estructurada una base de conocimiento abierta de su sector.
9. Formule una frase sobre usted: «me manejo en X y quiero responsabilizarme de la calidad de las respuestas de IA en X».
10. Repase en voz alta la conversación sobre la transición y anote las preguntas que lo dejaron sin saber qué responder.

Preguntas que se hacen con más frecuencia

¿Se puede entrar en la profesión de IA sin formación técnica?

Sí, en roles de entrada: entrenador de IA, evaluador de la calidad de las respuestas, curador de la base de conocimientos, especialista en implementación, editor de IA. No se requiere un título en aprendizaje automático, pero sí alfabetización técnica: entender cómo genera respuestas un modelo, dónde se equivoca, qué son el contexto, RAG y las métricas de calidad.

¿Hace falta aprender Python?

Para roles sin código basta con tablas, JSON y entender la idea de una API. Python es necesario si avanzas hacia la evaluación automatizada, la ingeniería de datos o el desarrollo de aplicaciones de IA.

¿Cuánto tiempo lleva la transición?

De tres a seis meses con 6–8 horas a la semana: tres meses para habilidades y portafolio, uno o dos más para postulaciones, pruebas y búsqueda.

¿Qué es más importante: el certificado o el portafolio?

Portafolio. En los roles de entrada se fijan en el análisis de respuestas, el sistema de criterios y el caso de implementación, porque a través de ellos se ve cómo tomas decisiones. El certificado ayuda a pasar el filtro inicial, pero la conversación seguirá siendo sobre la práctica.

¿Qué rol elegir primero?

Aquella en la que la experiencia previa se convierte en una ventaja: soporte y ventas pasan a entrenador de IA e implementación, editores y traductores — a editor de IA y curador de la base de conocimiento, analistas — a evaluación de calidad.

¿Cómo distinguir una buena vacante de una sin salida?

Hay criterios de calidad descritos, hay calibraciones y una persona que toma decisiones en casos controvertidos, y está claro hacia dónde crecer en un año. El etiquetado según la instrucción sin descripción de procesos y sin equipo lleva a un techo.

¿Qué sigue?

Empieza hoy con una acción: anota cinco respuestas del modelo que te irritaron y, al lado, qué exactamente estaba mal. En una semana tendrás una lista de defectos; en un mes, una tabla de treinta filas; en tres, un portafolio con el que puedes ir a una entrevista.

Si quieres ver primero el panorama completo, lee el mapa de las nuevas profesiones en torno a la IA: allí se explica cómo cambia el ciclo de creación de producto y qué roles han aparecido en cada paso. Para la parte de conversación serán útiles la preparación para la entrevista y el material sobre las habilidades blandas, y para practicar el diálogo en vivo, el modo «Entrenador» en HintMeTalk AI.