Por Canuto  

El mercado laboral de inteligencia artificial no solo crece, también se fragmenta. Mientras los roles tradicionales se estancan o retroceden, empresas de todos los tamaños compiten por un grupo limitado de profesionales capaces de diseñar, evaluar y operar sistemas con agentes de IA, una escasez que está redefiniendo salarios, perfiles y procesos de contratación.
***

  • Un análisis del canal AI News & Strategy Daily sostiene que existen más de 3 vacantes de IA por cada candidato realmente calificado.
  • Las empresas tardan en promedio 142 días en cubrir un puesto de IA, en medio de una demanda descrita como casi ilimitada.
  • Siete habilidades concentran la mayor demanda: especificación precisa, evaluación, orquestación de agentes, detección de fallos, seguridad, arquitectura de contexto y economía de tokens.

La inteligencia artificial está reordenando el mercado laboral tecnológico con una velocidad que pocas industrias han visto. Pero el cambio no se limita a la creación de nuevos puestos. También está abriendo una brecha cada vez más visible entre quienes poseen capacidades específicas para construir y supervisar sistemas de IA, y quienes siguen buscando empleo con perfiles más generales.

Según plantea Nate B Jones, del canal AI News & Strategy Daily, en su análisis The AI Job Market Split in Two. One Side Pays $400K and Can’t Hire Fast Enough., el mercado ya no puede leerse como una sola tendencia. En su visión, hoy coexisten dos mercados que avanzan en direcciones opuestas: uno tradicional, con aperturas planas o a la baja, y otro centrado en IA, donde la demanda por talento calificado supera ampliamente la oferta.

Esa divergencia ayuda a explicar una paradoja que se repite entre reclutadores y candidatos. Por un lado, muchas empresas afirman que no consiguen llenar vacantes incluso después de cientos de entrevistas. Por otro, numerosos postulantes aseguran haber enviado solicitudes a decenas o cientos de posiciones sin lograr resultados. Para la fuente, ambas experiencias pueden ser ciertas al mismo tiempo.

El punto central es que el empleo en IA atraviesa una estructura en forma de K. Los roles ligados al trabajo de conocimiento más tradicional, como gerentes de producto generalistas, ingenieros de software convencionales o analistas de negocio estándar, muestran un ritmo mucho menos dinámico. En cambio, crecen con fuerza las posiciones orientadas a diseñar, construir, operar y administrar sistemas basados en IA.

Un mercado laboral de IA con oferta insuficiente

Jones sostiene que la demanda es “funcionalmente infinita”, tanto en empresas pequeñas de 10 o 20 personas como en organizaciones con cientos de miles de empleados. A su juicio, no existe hoy un límite operativo claro sobre cuánto talento en IA quisieran incorporar los empleadores. El problema es que ese talento no aparece al ritmo necesario.

Para ilustrar esa escasez, cita una relación de 3,2 a 1 entre puestos de IA y candidatos calificados. En otras palabras, existirían más de tres vacantes por cada persona realmente preparada para asumirlas. También menciona una encuesta de ManpowerGroup con 1,6 millones de puestos y apenas medio millón de postulantes calificados, una diferencia que ayuda a entender por qué el tiempo de cobertura de estas vacantes alcanza 142 días.

Ese dato implica casi medio año para completar una contratación. En un entorno donde los modelos cambian rápido, los costos se mueven y la competencia por automatizar procesos aumenta, ese retraso puede volverse un problema estratégico. No se trata solo de contratar ingenieros. La presión se extiende a operaciones, producto, confiabilidad y arquitectura.

La fuente también advierte que el desorden del mercado ha dado espacio a malas prácticas. Algunas compañías, dice, publican vacantes sin tener claro qué necesitan y usan las entrevistas como una forma de aprender del propio talento que evalúan. Del otro lado, también existen candidatos que exageran capacidades o confunden uso básico de herramientas conversacionales con dominio profesional de sistemas de IA.

La primera habilidad: especificar con precisión lo que debe hacer una IA

La primera gran competencia identificada es la “precisión de especificación” o claridad de intención. Aunque muchas personas siguen usando la palabra prompting, la descripción va mucho más allá de escribir una instrucción simple. La habilidad consiste en expresar objetivos para una máquina en un lenguaje que esta deba interpretar de forma literal, sin confiar en inferencias implícitas propias del trabajo entre humanos.

En la práctica, esto significa pasar de órdenes vagas a instrucciones operativas muy definidas. En lugar de pedir a un agente que “mejore soporte al cliente”, un profesional competente debería delimitar tareas como gestionar tickets de nivel uno, resolver restablecimientos de contraseñas, atender consultas sobre estado de pedidos, iniciar devoluciones y escalar casos a un humano según reglas explícitas de sentimiento del cliente.

Esa especificidad también debe incluir métricas, códigos de razón y documentación de apoyo. La relevancia de esta habilidad se vuelve mayor a medida que los agentes reciben más autonomía para actuar. Si la intención inicial es ambigua, el sistema llenará vacíos por su cuenta y el resultado puede desviarse del objetivo original.

La observación no es menor para perfiles no técnicos. Jones señala que redactores técnicos, abogados o ingenieros de aseguramiento de calidad ya conocen formas de escritura muy precisas. Por eso, el salto hacia este tipo de trabajo con IA puede ser más corto de lo que parece para ciertos profesionales.

Evaluación, juicio de calidad y manejo de errores silenciosos

La segunda habilidad, y quizá la más repetida en vacantes, es la capacidad de evaluación y juicio de calidad. En términos simples, se trata de construir mecanismos que permitan verificar si la IA hizo bien una tarea. La fuente la presenta como una competencia transversal, presente en cargos de ingeniería, operaciones y producto.

El reto es que la IA falla de manera distinta a las personas. Un humano suele dar señales de duda cuando no sabe algo. Un modelo, en cambio, puede responder con mucha fluidez y seguridad aunque el contenido sea incorrecto. De ahí que una parte crítica del trabajo consista en no confundir tono convincente con competencia real.

Esta habilidad incluye detectar errores de borde, identificar inconsistencias y diseñar evaluaciones que distintos expertos puedan revisar y calificar de forma parecida. La idea de fondo es que una buena prueba no depende del gusto individual, sino de criterios suficientemente claros como para producir decisiones consistentes entre evaluadores.

Jones también enumera seis patrones de fallo relevantes en sistemas con agentes. Entre ellos menciona degradación del contexto, deriva de especificación, confirmación servil de datos erróneos, errores en selección de herramientas, fallos en cascada y el más peligroso: el fallo silencioso. Este último ocurre cuando la salida parece correcta, pero un error oculto la vuelve inaceptable en producción.

Como ejemplo, describe un caso donde un sistema recomienda “botas de cuero marrón” y todo parece coherente en el chat y en los metadatos, pero un problema en inventario o en imágenes termina enviando botas azules al cliente. El resultado visible para el usuario es malo, aunque el sistema aparente haber hecho lo correcto. Detectar y corregir este tipo de ruptura exige un nivel de investigación mucho más profundo.

Orquestar agentes y diseñar sistemas confiables

Otra competencia central es la descomposición de tareas y delegación dentro de sistemas multiagente. Para la fuente, esta habilidad se parece en parte a la gestión de proyectos, pero con una diferencia crucial: los agentes necesitan límites, pasos y relaciones entre subtareas mucho más definidos que un equipo humano.

El estándar emergente, según explica, suele incluir un agente planificador que mantiene registro del trabajo y coordina subagentes especializados. La dificultad no está solo en dividir el trabajo, sino en decidir si un proyecto está correctamente dimensionado para el tipo de arnés o arquitectura agentica disponible. Un sistema sencillo no puede asumir tareas mal segmentadas o demasiado amplias.

A esa capa se suma el diseño de confianza y seguridad. El profesional debe determinar dónde conviene mantener a un humano en el circuito, qué acciones puede autorizar un agente, cómo limitar el radio de daño de un error y qué procesos requieren reversibilidad o verificación adicional. No todos los fallos tienen el mismo impacto.

La fuente distingue entre errores menores, como un borrador con una falta ortográfica, y fallos potencialmente catastróficos, como una recomendación incorrecta sobre interacción entre medicamentos. En ese sentido, evaluar riesgo implica considerar costo del error, reversibilidad, frecuencia y verificabilidad. No basta con que una respuesta “suene bien”. Debe ser funcionalmente correcta.

Arquitectura de contexto y economía de tokens

Entre las habilidades más difíciles y mejor pagadas aparece la arquitectura de contexto. En esencia, se refiere a diseñar sistemas de información para que los agentes accedan al dato correcto en el momento correcto. Si en 2024 gran parte del debate se concentraba en “poner documentos en el prompt”, en 2026 el desafío se traslada a organizar contextos persistentes, contextos por sesión y rutas limpias de acceso a datos confiables.

Esto exige decidir qué información debe estar siempre disponible, cuál se incorpora solo para ciertas tareas y cómo evitar que datos sucios o irrelevantes contaminen las búsquedas del agente. La fuente compara el problema con construir un sistema decimal Dewey para agentes, una biblioteca donde la IA encuentre con facilidad el “libro” correcto para cada trabajo.

La promesa empresarial es grande. Si una organización resuelve bien esta capa, no solo puede desplegar un agente útil, sino escalar hacia decenas de sistemas. Por eso la demanda por profesionales capaces de razonar sobre contexto, estructura documental y trazabilidad se ha intensificado, incluso más allá de perfiles de ingeniería tradicionales.

La séptima habilidad destacada es la economía de costos y tokens. El problema ya no es simplemente si un agente puede hacer una tarea, sino si conviene económicamente asignársela. Esto implica estimar consumo de tokens, seleccionar el modelo adecuado, calcular costos mezclados entre distintas opciones y proyectar si el retorno sobre la inversión justifica el despliegue.

Jones subraya que esta parte no depende de matemáticas avanzadas, sino de aplicar hojas de cálculo, prototipos y pruebas comparativas en un entorno donde los precios cambian con rapidez. Un sistema que consuma 100 millones o 1.000 millones de tokens debe demostrar que el valor generado compensa el gasto. Esa capacidad de traducir técnica en eficiencia financiera es, para la fuente, una señal de seniority.

Una nueva familia de empleos en formación

El diagnóstico general es que el mercado no está pidiendo una sola profesión nueva, sino una familia completa de funciones que todavía se están definiendo. Algunas vacantes aparecen bajo títulos de operaciones, otras de arquitectura, producto, confiabilidad o ingeniería. Sin embargo, debajo de esos nombres se repiten las mismas competencias núcleo.

Eso ayuda a entender por qué muchos postulantes sienten que “saben IA” y aun así no logran entrar. Saber interactuar con un chatbot no equivale a diseñar especificaciones, evaluar salidas en producción, detectar fallos silenciosos, administrar contexto o modelar costos. La distancia entre uso casual y dominio profesional se ha ensanchado.

Para lectores del ecosistema cripto y tecnológico, la lección no es ajena. Como ocurrió con blockchain en sus primeras etapas, la narrativa pública suele simplificar mientras el mercado recompensa habilidades muy concretas de infraestructura, seguridad, operación y arquitectura. En IA, esa fase parece estar acelerándose.

La conclusión que deja el análisis es clara: la escasez actual no se explica por falta de interés empresarial, sino por falta de personas capaces de ejecutar con rigor estas tareas. Mientras esa brecha persista, quienes desarrollen estas siete habilidades tendrán una posición privilegiada en uno de los segmentos más competitivos del mercado tecnológico.


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

Artículos Relacionados