Nuevas profesiones creadas por la IA: mapa de roles, PDLC y cómo pasar la entrevista

«La IA sustituirá profesiones» es una conversación inútil: produce ansiedad y nada más. Una mirada más práctica: dentro de las empresas cambia el proceso, con él cambia la lista de tareas y aparecen roles que hace tres años no existían. Esos son los que se contratan hoy.

Qué cambia dentro de la empresa

El ciclo clásico de desarrollo de producto repite los mismos pasos: entender el problema, diseñar la solución, construir, probar, lanzar y medir. La IA entra en cada paso, pero de forma distinta.

• Discovery. Síntesis de entrevistas, análisis de feedback y tickets, hipótesis: más rápido, pero con trabajo nuevo: comprobar si el modelo inventó un patrón.
• Diseño. Los prototipos y los textos aparecen en minutos; el valor se desplaza a la formulación del problema y a los criterios de calidad.
• Construcción. Se escribe código más rápido, pero crece la parte de revisión, pruebas y lectura de código generado.
• Pruebas. Nace una disciplina propia: la evaluación de la calidad de los modelos — conjuntos de prueba, métricas, ejecuciones manuales y automáticas.
• Lanzamiento y medición. Alguien debe vigilar el coste, la deriva de calidad y explicar al negocio qué cambió realmente.

De este giro nacen las nuevas profesiones: el trabajo no desaparece, se redistribuye — parte de la rutina pasa al modelo y el tiempo liberado pasa a formular, verificar y explicar.

Los roles que aparecieron

• Ingeniero de IA / LLM: construye escenarios sobre modelos ya existentes: elección del modelo, contexto, herramientas, caché, manejo de errores.
• Ingeniero de evaluación: diseña el sistema de comprobaciones: qué casos deben funcionar, cómo medir regresiones, cuánto cuesta un error.
• Product manager de IA: decide dónde la IA tiene sentido, estima efecto, riesgo y coste, y sabe decir no a demos vistosas que no resuelven nada.

Las habilidades que de verdad se evalúan

Las ofertas están llenas de nombres de herramientas, pero en la entrevista se evalúa otra cosa: si puedes llevar un escenario hasta un resultado y explicar sus límites.

1. Pensamiento sistémico: ¿ves el recorrido del dato: de dónde llega la petición, qué entra en el contexto, dónde se guarda la respuesta, quién responde del fallo?
2. Comodidad con la incertidumbre: el stack cambia cada seis meses; buscan velocidad de aprendizaje, no una librería memorizada.
3. Criterios medibles: «funciona bien» no es un criterio. Destacan quienes proponen comprobaciones concretas.
4. Economía de la solución: coste por petición, latencia y volumen son parte de la decisión técnica.
5. Seguridad y datos: qué no debe enviarse nunca al modelo, cómo se tratan los datos personales.
6. Comunicación: explicar al equipo y a la dirección por qué la solución funciona y dónde se rompe.

Cómo pasar la entrevista

1. Prepara historias, no respuestas

Casi siempre piden un caso real. Estructura en cuatro partes: tarea y límites, qué hiciste, qué ocurrió y qué harías distinto. Sin la última parte suena a informe, no a experiencia.

2. Espera el caso «introduce IA en este proceso»

«Soporte recibe 3000 tickets al día, ¿qué propones?» Una buena respuesta empieza con preguntas, no con un modelo: volumen, coste del error, quién verifica el resultado, qué datos existen. Después, un piloto acotado y una métrica.

3. Nombra los límites antes de que te los pregunten

Se valora la honestidad sobre dónde falla la solución: alucinaciones, datos desactualizados, coste, riesgo legal. Quien declara los límites parece más fiable que quien promete todo.

Lista de preparación

1. Escribe tres historias en formato «tarea — acción — resultado — lección».
2. Describe un despliegue de IA siguiendo el PDLC y esboza una métrica.
3. Define cinco comprobaciones de calidad para un escenario imaginado.
4. Estima el coste: peticiones diarias × precio × margen.
5. Ensaya en voz alta y, si el puesto es internacional, en inglés.

Las profesiones nuevas asustan por los títulos, pero los requisitos son terrenales: entender el proceso, fijar criterios, llegar a un resultado y explicarlo a las personas. Estas habilidades se entrenan, también en conversación: cuanto más digas tu historia en voz alta, más tranquila será la entrevista real.

• Curador de datos: responde por la calidad de la entrada y el etiquetado; a menudo se subestima, pero fija el techo de calidad.
• AI Ops / MLOps: versiones de modelos, monitorización, coste por petición, latencia, rollback. Sin esto el piloto se rompe al convertirse en producto.
• Responsable de adopción y formación: ayuda a las personas a rehacer su trabajo: guías, formación, revisión de errores. Técnicamente simple y la parte más conflictiva.