Ofertas de empleo revelan cómo se mueve la carrera de IA en China

Un análisis de 1.604 ofertas de empleo de seis grandes firmas chinas de inteligencia artificial sugiere que el sector todavía depende de Nvidia, pero ya prueba chips nacionales, combina nube con centros de datos propios y sigue estrategias comerciales mucho más diversas de lo que suele asumirse desde Occidente.
***

• Las vacantes de ByteDance y otras firmas apuntan a un uso vigente de CUDA y TensorRT-LLM de Nvidia, junto con interés creciente por Ascend y Cambricon.
• MiniMax, Moonshot y DeepSeek muestran una estrategia híbrida de cómputo que mezcla nube nacional con centros de datos autoconstruidos.
• Las startups chinas difieren en su enfoque comercial, geográfico y de contratación, con menos experiencia previa exigida que en laboratorios de EE. UU.

Las ofertas de empleo suelen leerse como un trámite corporativo, pero también pueden funcionar como una ventana a la estrategia real de una empresa. En inteligencia artificial, donde el acceso a chips, talento y clientes define buena parte de la competencia, ese tipo de pistas adquiere un valor especial.

Eso es precisamente lo que plantea el análisis What we learned from 1,604 Chinese AI job postings, firmado por Cheryl Wu, JS Denain y Anson Ho. El trabajo revisa más de 1.600 vacantes de DeepSeek, MiniMax, Moonshot, Z.ai, ByteDance y Alibaba para inferir prioridades, restricciones y apuestas dentro del ecosistema chino de IA.

La lectura general es clara: los laboratorios chinos no siguen un único manual. Algunas empresas están más centradas en LLMs, otras extienden su alcance a robótica, hardware portátil o automoción, y varias intentan reducir su dependencia del ecosistema tecnológico occidental sin haberlo reemplazado todavía.

El hallazgo también importa fuera de China. La competencia por modelos fundacionales, infraestructura y talento no es solo una historia tecnológica, sino un tema industrial y geopolítico con efectos sobre mercados, cadenas de suministro y la futura economía digital.

En ese contexto, las vacantes sirven como una señal imperfecta, pero útil. No muestran toda la operación interna de las compañías, aunque sí dejan ver qué habilidades buscan, qué cuellos de botella enfrentan y hacia dónde intentan moverse en pleno auge de la IA.

Nvidia sigue presente, pero ya aparecen rutas chinas

Uno de los temas más sensibles en la industria es si las empresas chinas aún dependen de Nvidia para entrenar y ejecutar modelos avanzados. Las vacantes revisadas sugieren que la respuesta, al menos por ahora, es sí.

Un ejemplo citado por los autores aparece en ByteDance, con un puesto para “Experto en Optimización del Rendimiento de Inferencia en GPU”. La descripción indica que la persona contratada trabajaría sobre el framework de inferencia LLM de la empresa utilizando CUDA, el entorno de software de Nvidia.

La misma vacante menciona además el uso de TensorRT-LLM. Esa biblioteca está optimizada específicamente para GPUs de Nvidia, por lo que se considera una señal directa de que ByteDance continúa usando ese ecosistema para tareas de inferencia.

Sin embargo, otra vacante de ByteDance Seed apunta a una búsqueda más amplia. En ese caso, la firma pide experiencia en optimizaciones relacionadas con inferencia, entrenamiento y comunicación sobre plataformas como Ascend y Cambricon, dos familias de chips asociadas al desarrollo tecnológico chino.

Ese matiz es importante porque no describe una hipótesis lejana, sino una exploración concreta. Para los autores, la sola mención explícita de esas plataformas es evidencia de que la empresa estudia alternativas distintas a Nvidia, aunque las vacantes no permiten medir qué tan avanzado está ese tránsito.

Z.ai aporta otra pista relevante en la misma dirección. Una oferta de trabajo de esa compañía afirma que, a inicios de 2026, su equipo desarrolló y publicó GLM-Image y GLM-OCR, y subraya que el primero fue entrenado completamente en chips nacionales.

Eso no implica que el grueso del entrenamiento de frontera en China ya haya migrado a hardware local. La lectura que plantean los autores es más prudente: los chips nacionales probablemente se usan con cierta frecuencia en inferencia, pero rara vez en el preentrenamiento de modelos grandes.

Las excepciones, según esa interpretación, serían el posentrenamiento de modelos grandes o el entrenamiento de modelos más pequeños. GLM-Image, por ejemplo, tiene 16.000 millones de parámetros, una escala que el análisis ubica entre 10 y 100 veces por debajo de los modelos más grandes de estas compañías.

Nube nacional y centros de datos propios avanzan en paralelo

Más allá del tipo de chip, otra pregunta decisiva es de dónde sale el cómputo. En la economía de la IA, la capacidad de entrenar y servir modelos depende de acceso sostenido a infraestructura, y eso vuelve clave entender si las startups compran, alquilan o construyen.

Las vacantes muestran que las empresas chinas usan proveedores nacionales de nube para ampliar capacidad, en una lógica comparable a la relación que OpenAI sostuvo con Microsoft Azure. En el caso analizado, Moonshot tiene una oferta enfocada en la adquisición de recursos de cómputo en la nube.

Pero el movimiento no termina ahí. El estudio concluye que las startups de IA en China están copiando cada vez más a sus pares estadounidenses al impulsar centros de datos propios, una práctica que las tecnológicas más grandes como Alibaba y ByteDance ya realizaban desde antes.

MiniMax lo deja ver en una vacante para talento STEM de alto nivel. El texto dice que el puesto participará en la construcción de centros de datos autoconstruidos a nivel de empresa y en sistemas SRE y DevOps para asegurar la confiabilidad de múltiples sistemas centrales.

DeepSeek también ofrece señales en esa línea. Los autores encontraron una vacante vinculada a un centro de datos en Mongolia Interior, región que además ha aparecido en conversaciones del sector por su potencial para alojar infraestructura intensiva en energía y cómputo.

Moonshot refuerza la misma idea con un puesto dedicado a la adquisición de centros de datos. Otra oferta de la empresa pide apoyar la coordinación del despliegue e implementación híbrida de nubes públicas y centros de computación inteligentes autoconstruidos.

La conclusión es que no se trata de una sustitución simple entre nube y activos propios. Lo que parece emerger es una arquitectura híbrida, donde las startups combinan flexibilidad de proveedores externos con el control estratégico que da operar infraestructura propia.

Esa mezcla puede responder tanto a costos como a resiliencia. En un entorno de tensiones tecnológicas, construir capacidad local reduce vulnerabilidades, incluso si el alquiler de nube sigue siendo indispensable para escalar con rapidez en ciertas etapas.

No todas las startups venden igual ni apuntan al mismo mercado

Otro hallazgo del análisis es que las startups chinas de IA tienen estrategias comerciales bastante distintas entre sí. Esa diversidad recuerda, en cierta forma, la diferencia entre firmas estadounidenses más orientadas a ventas empresariales y otras más enfocadas en distribución masiva hacia consumidores.

En las vacantes de Z.ai predominan los roles de ventas B2B. En cambio, en MiniMax y Moonshot la mayoría de los puestos relacionados con salida al mercado está más asociada a marketing, un patrón que coincide con lo que ya se conoce sobre sus fuentes de ingresos.

En el caso de MiniMax, alrededor del 70% de los ingresos de 2024 y 2025 provino de productos nativos de IA dirigidos a consumidores individuales. Entre ellos aparecen su aplicación de compañero de IA Talkie y su servicio de generación de video Hailuo.

El 30% restante de MiniMax vino de ventas a empresas. En contraste, el 73,7% de los ingresos de Z.ai en 2025 procedió de ejecutar modelos sobre infraestructura de sus clientes, uno de los enfoques empresariales más cercanos a la integración directa en entornos corporativos.

Las vacantes de Z.ai también muestran quiénes están en su radar. Algunas destacan a instituciones gubernamentales y empresas estatales, incluidas entidades de energía y finanzas, como clientes objetivo para su expansión comercial.

Al mismo tiempo, Z.ai tiene roles orientados al mercado estadounidense. En ellos busca acercarse a compañías de la lista Fortune Global 500, una señal de que la firma no se limita al mercado local aunque su exposición internacional siga siendo menor que la de otros rivales.

MiniMax parece más agresiva fuera de China. El análisis registra 16 vacantes activas en San Francisco, además de otras en Hong Kong, Londres, Singapur, Dubái, Berlín, Tokio, Seúl, Madrid, Ciudad de México e Île-de-France.

Ese despliegue también coincide con sus finanzas. Según los datos citados, el 73% de los ingresos de MiniMax en 2025 provino de mercados internacionales, frente al 9,8% de Z.ai, lo que refuerza la idea de dos modelos comerciales claramente diferenciados.

Startups centradas en modelos, gigantes con apuestas más amplias

Las ofertas de empleo también permiten observar cómo cambia el enfoque de producto según el tipo de compañía. En general, las startups parecen concentrarse en mejorar modelos de lenguaje y construir aplicaciones directamente sobre ellos.

DeepSeek y Moonshot son ejemplos de esa concentración. Sus publicaciones tienden a moverse alrededor del desarrollo de LLMs, agentes y herramientas derivadas, con menos señales de expansión hacia hardware o líneas de negocio físicas.

Z.ai mantiene una base similar en torno a LLMs, aunque incorpora una pequeña apertura hacia otros frentes. El análisis detectó dos vacantes relacionadas con robótica, vinculadas a su nueva unidad de investigación X-Lab.

Ese laboratorio, según la descripción, está orientado a explorar nuevas fronteras de investigación. Entre ellas figuran arquitecturas novedosas de modelos, lo que sugiere un interés por innovar no solo en productos, sino también en fundamentos técnicos.

La situación cambia con ByteDance y Alibaba. Ambas compañías muestran vacantes en robótica y hardware portátil, lo que las ubica en un terreno más amplio que el simple software conversacional o la optimización de modelos fundacionales.

En Alibaba, el equipo Qwen incluso tiene un puesto centrado en automoción. La descripción indica que la persona contratada sería responsable de la investigación y desarrollo de algoritmos centrales y de la implementación técnica del asistente de voz AI Qwen para vehículos.

Los autores interpretan estas diferencias como una consecuencia de ventajas estructurales. Las grandes plataformas ya cuentan con cadenas de suministro, músculo financiero y libertad para asumir apuestas más diversas, mientras que las startups necesitan concentrar recursos y acertar primero en software.

Eso no significa que las startups carezcan de ambición. Más bien su prioridad parece ser otra: construir un modelo competitivo, convertirlo en producto y encontrar una vía de monetización antes de dispersarse en demasiados frentes a la vez.

El mapa del talento y la experiencia previa también marca distancia

Si en Estados Unidos el Área de la Bahía domina la geografía del empleo en IA de frontera, en China la distribución se reparte entre varios polos. Las vacantes analizadas se concentran en Pekín, Hangzhou y Shanghái.

Según el estudio, el 93% de todas las publicaciones con ubicación definida está asentado en al menos uno de esos tres centros. Pekín lidera con presencia en el 63% de las ofertas, aunque sin llegar al nivel de concentración que se observa en San Francisco.

La comparación con Estados Unidos es fuerte. Los autores estiman que alrededor del 85% de las vacantes en laboratorios de IA de frontera en ese país se basa solo en San Francisco, una centralización mucho más intensa que la observada en China.

Entre las posibles razones para la diferencia aparece la competencia entre provincias chinas. Los subsidios locales para impulsar campeones regionales podrían favorecer la formación de varios nodos relevantes en lugar de un único gran imán de talento.

Otra explicación sugerida es la fortaleza académica de ciertas zonas. Shanghái, Zhejiang y Pekín concentran universidades importantes, y las empresas podrían querer instalarse cerca de esos semilleros para reforzar su acceso a ingenieros y científicos jóvenes.

Esa lógica se conecta con otro contraste notable: la experiencia previa exigida. Mientras los laboratorios estadounidenses piden en promedio 5,5 años, las empresas chinas del conjunto analizado requieren solo 1,6 años.

Incluso al limitar la medición a vacantes con una cifra explícita, la brecha persiste. En ese recorte, los laboratorios de Estados Unidos siguen en 5,5 años, frente a 3,4 años para los laboratorios chinos.

Parte de la explicación es institucional. El gobierno chino impulsa que el reclutamiento en campus sea el principal canal de empleo para graduados, y su Ministerio de Educación realiza campañas recurrentes con la meta de ofrecer a cada egresado en búsqueda de empleo al menos cinco ofertas laborales.

Los fundadores parecen haber abrazado ese enfoque. Liang Wenfeng, CEO de DeepSeek, ha dicho que la empresa contrata por habilidad y no por experiencia, mientras ByteDance opera un programa llamado Top Seed dirigido a estudiantes actuales y recién graduados.

Con ese marco, no sorprende que las publicaciones de campus representen casi el 20% de los puestos de ingeniería abiertos dentro del conjunto chino revisado. La señal para el mercado es clara: la batalla por la IA en China también se está librando directamente en las universidades.

Una industria compleja, menos uniforme de lo que parece desde fuera

La imagen final que deja el análisis es menos monolítica que el relato habitual sobre la IA china. No todas las empresas persiguen la misma mezcla de clientes, infraestructura, productos o expansión internacional.

Z.ai aparece más inclinada al negocio B2B, mientras MiniMax destaca por su exposición global y su base de ingresos ligada a productos de consumo. DeepSeek y Moonshot muestran una concentración mayor en modelos y software, con menos señales públicas de dispersión sectorial.

Alibaba y ByteDance, por su parte, se mueven como conglomerados capaces de explorar robótica, wearables y automoción junto con investigación en modelos. Esa amplitud las distingue de startups que aún deben elegir con cuidado dónde asignar cada ciclo de capital y talento.

También queda claro que la dependencia tecnológica de Occidente no ha desaparecido. Nvidia sigue presente en la infraestructura de inferencia, pero la búsqueda de chips nacionales y centros de datos propios revela una estrategia de reducción gradual de riesgos.

Para observadores de mercados y tecnología, la lección es doble. China no ha resuelto por completo su autonomía en IA avanzada, pero tampoco permanece inmóvil, y sus empresas están ajustando sus tácticas de contratación para acelerar esa transición.

Las vacantes no reemplazan los datos internos de cómputo, gasto o rendimiento de modelos. Aun así, ofrecen una radiografía valiosa de una industria que compite bajo restricciones distintas a las de sus pares estadounidenses y que, precisamente por eso, está desarrollando respuestas propias.

Entender esas diferencias importa cada vez más. En una carrera donde la infraestructura, el talento y la ejecución pesan tanto como los avances algorítmicos, leer entre líneas una oferta de trabajo puede revelar bastante más de lo que parece.

ADVERTENCIA: DiarioBitcoin ofrece contenido informativo y educativo sobre diversos temas, incluyendo criptomonedas, IA, tecnología y regulaciones. No brindamos asesoramiento financiero. Las inversiones en criptoactivos son de alto riesgo y pueden no ser adecuadas para todos. Investigue, consulte a un experto y verifique la legislación aplicable antes de invertir. Podría perder todo su capital.

Suscríbete a nuestro boletín