Cinco niveles de proyectos de ingeniería de IA, desde chatbots hasta agentes auto-mejorables.

Los responsables de contratación para puestos de ingeniería en IA ven una y otra vez el mismo tipo de portafolio: un chatbot con una interfaz agradable. La diferencia entre eso y lo que realmente construyen los equipos detrás de productos como Claude Code y Codex es enorme, pero el camino para pasar de uno a otro sigue una secuencia bastante clara de cinco niveles. Saber en qué nivel se encuentra un proyecto te indica qué construir a continuación, y muchas personas se detienen porque siguen creando más proyectos para el primer nivel.

Nivel 1: un modelo detrás de una interfaz simple

En la parte inferior, un proyecto llama a una API de modelo de lenguaje (generalmente OpenAI o Anthropic) y coloca algo sencillo como una aplicación Streamlit delante de ella. Piense en un chatbot que responde a las preguntas de los clientes o en una función pequeña que resume artículos. Existe también la ingeniería de prompts, aunque estos suelen no ser monitoreados ni probados. Puede haber una salida estructurada, algunas pruebas para confirmar que se procesa correctamente y algo de lógica de respaldo en caso de que el modelo funcione mal.

Un principiante puede llegar hasta aquí viendo tutoriales gratuitos para conocer qué herramientas existen y cómo encajan, y luego dedicar un fin de semana a resolver un problema personal, como un asistente para preparar comidas.

El problema es que solo funciona cuando por casualidad lo hace. Las solicitudes no tienen versión, por lo que no se sabe si un cambio fue útil. No existen métricas para evaluar la calidad de la salida. Además, el bot solo conoce lo con lo que se entrenó el modelo y lo que encuentra en la web, lo que deja de lado el contexto que posee su empresa.

Nivel 2: recuperación y evaluación

Cuando esos límites comienzan a suponer un problema, se llega al nivel 2. Supongamos que alguien pide un sistema capaz de utilizar la documentación interna del equipo. La solución es la generación mejorada mediante recuperación de información, que permite al modelo consultar una base de conocimientos interna.

Conectar RAG es la parte fácil. La difícil es saber si las respuestas son correctas y, cuando no lo son, averiguar por qué. Para ello es necesario saber cómo dividir los documentos en fragmentos, cómo incrustarlos en una base de datos vectorial y cuál de los numerosos métodos de recuperación mostrará los fragmentos adecuados para una nueva pregunta. También implica crear evaluaciones específicas para cada componente así como para todo el sistema. Hay que elegir métricas, saber qué se considera bueno y medir si las respuestas satisfacen las necesidades del cliente.

Para pasar al nivel 1, toma el chatbot que ya has creado y conéctalo a algo que el modelo nunca haya visto. En el caso del asesor nutricional, podrían ser tus propios registros alimenticios o las recetas favoritas de tu familia. Cuando lo hagas bien, podrás hacer preguntas sobre tus propios datos, obtener respuestas personalizadas y confiar en que el sistema es preciso.

Luego surge la siguiente necesidad: hacer que la IA haga algo con esa información.

Nivel 3: agentes

En el nivel 3, el sistema toma medidas en lugar de limitarse a responder. Un agente es un modelo que puede utilizar herramientas y tomar decisiones. Se le asigna un objetivo y funciona en un ciclo: decidir, actuar, verificar el resultado, elegir el siguiente paso y repetir hasta completar la tarea. Sus herramientas pueden buscar en Internet, llamar a APIs, ejecutar código o actualizar una base de datos. Un agente de investigación podría recopilar información de docenas de fuentes para ayudar a redactar un resumen, mientras que un agente de soporte podría buscar pedidos y procesar solicitudes por sí solo.

Se podría decir que esta es la parte más divertida, pero también una de las más arriesgadas, de la ingeniería de IA en la actualidad. Cada funcionalidad que se pone en manos del sistema representa otro punto donde pueden ocurrir errores. En el nivel 2, la evaluación consistía en calificar una sola respuesta. Ahora se tienen que evaluar series de decisiones, y un error en cualquier paso puede arruinar todo lo posterior. Las consecuencias son reales cuando el agente accede a su tarjeta de crédito, su código o su correo electrónico, por lo que la importancia del trabajo es intrínsecamente mayor.

Una forma práctica de comprenderlo: un bot de nivel 2 que da una respuesta incorrecta solo desperdicia un minuto del tiempo de alguien. Un agente de nivel 3 que interpreta mal una instrucción puede enviar el correo electrónico equivocado, cargar fondos en la tarjeta incorrecta o entregar código defectuoso, y nadie se da cuenta hasta que ya se ha causado el daño.

Un agente que maneja las tareas de manera responsable puede completar operaciones de múltiples pasos de principio a fin y ahorrar horas. Para pasar del nivel 2, proporciona al sistema existente un conjunto real de herramientas, pero manténlo en modo solo lectura al principio. El asistente podría buscar registros de comidas, utilizar una calculadora nutricional y navegar por Internet, sin poder modificar nada. Luego se debe hacer que estas herramientas funcionen en conjunto, con capacidad de observación. Solo después de que el agente demuestre ser fiable y seguro debería recibir más capacidades.

Aún existe una brecha entre un agente que te ayuda o funciona como herramienta interna y un sistema multiagente en el que millones de personas puedan confiar.

Cerrar esa brecha implica pensar más allá de si el agente funciona en tu ordenador portátil; debe seguir funcionando cuando llegan miles de solicitudes al mismo tiempo y cuando los usuarios realizan acciones que nadie había previsto.

Nivel 4: sistemas a escala empresarial

Este es el ámbito de los roles que se dice pagan más de 300,000 dólares al año. En lugar de que un agente haga todo, los agentes especializados se reparten el trabajo entre sí. Uno analiza la solicitud y la dirige, otros se encargan de cada parte, y otro más verifica el trabajo antes de que sea enviado. Una estructura de soporte puede contar con un agente encargado de clasificar y dirigir los tickets, agentes separados para facturación y soporte técnico que atienden sus respectivas tareas, y un agente final que revisa toda la respuesta antes de que la vea el cliente; todo esto funciona simultáneamente para millones de personas.

Coordinar un equipo de agentes es algo muy distinto a gestionar a uno solo. Cada agente adicional representa otro punto potencial de fallo; un error de un agente afecta directamente al siguiente, y como todo esto ocurre frente a los clientes, las respuestas deficientes son visibles para todos y tienen consecuencias económicas graves.

Al examinar el código fuente de Claude Code, se observó que la propia IA representa solo una pequeña parte de él. Casi todo lo demás son estructuras de soporte que garantizan la fiabilidad del producto.

Los modelos son lo de lo que todos hablan, pero las horas invertidas en este nivel se destinan a tareas técnicas como las reintentos, los permisos, el registro de actividades, el manejo del estado y las verificaciones que impiden que un error se propague. Por lo tanto, la mayor parte del trabajo en este nivel gira en torno a los agentes: el seguimiento de sus acciones para saber qué hace cada uno cuando algo falla; medidas de seguridad para evitar que alguien engañe a un agente y haga fugas de datos; y el control del costo y la latencia, además de los prompts, el RAG y las evaluaciones de niveles anteriores.

Para practicar el salto desde el nivel 3, divida al asesor nutricional en un equipo pequeño. Un agente planifica las comidas, otro elabora la lista de compras (y quizás realiza los pedidos), y un revisor examina el plan antes de que se vea. Luego intente sabotearlo deliberadamente: incluya un ingrediente falso en el plan del responsable y vea si el revisor lo detecta o lo aprueba. La parte relacionada con millones de usuarios es algo que solo hará en el trabajo, pero aún puede crear una solución escalable utilizando servicios en la nube y teniendo en cuenta desde el principio los costos y la fiabilidad. Los equipos de agentes capaces de mantenerse a escala son los que las empresas utilizan para gestionar sus negocios, y los salarios reflejan eso.

Nivel 5: agentes que construyen el sistema

Incluso en el nivel 4, los ingenieros son el cuello de botella. En el nivel 5, uno se hace a un lado. Este es el trabajo más avanzado en este campo: en lugar de construir el sistema a mano, se le encarga a los agentes la tarea de mejorarlo.

Eso va más allá del uso de agentes de programación para escribir código, lo cual ocurre en todos los niveles, y también más allá del desarrollo basado en especificaciones, donde un agente implementa lo que se describe. Los equipos líderes que desarrollan Claude Code y Codex ya no guían a los agentes en cada cambio. Están creando sistemas que se mejoran por sí mismos, mediante un ciclo en el que un agente examina el rendimiento, propone un cambio, lo realiza, prueba si fue útil, luego lo mantiene o lo descarta, y vuelve a repetir el proceso durante horas o días sin intervención humana.

Dos puntos de datos muestran dónde se encuentra esto. En un proyecto de Andrej Karpathy, un único agente realizó aproximadamente 700 experimentos por su cuenta en dos días y encontró veinte formas de acelerar el entrenamiento del modelo. Anthropic ha indicado que la mayor parte del código que se está integrando en su propio repositorio ahora fue escrito por Claude.

Todo el ciclo depende de que el agente evalúe correctamente su propio trabajo, una y otra vez, sin supervisión, y eso es difícil. Si la puntuación está siquiera ligeramente errónea, el agente no mejorará el producto. Encontrará el defecto en la evaluación y lo explotará, obteniendo una alta puntuación mientras el producto real empeora de maneras que nadie se molestó en medir.

Por lo tanto, las habilidades requeridas son muy serias. Es necesario diseñar una evaluación en la que el agente no pueda engañar y vincular su rendimiento a lo que realmente hace bueno al producto, de modo que no pueda simplemente obtener un resultado fácil. Hay que instrumentar todo, ya que no se puede observarlo en tiempo real y solo se pueden leer las huellas que deja. Además, es preciso saber exactamente dónde aún es necesario intervenir un humano. Incluso los mejores equipos no actúan de forma completamente pasiva: las personas eligen los problemas, diseñan los sistemas de puntuación y aprueban lo que llega a la producción.

Esto no es algo que se logre con un par de semanas de autoestudio. Cada habilidad proviene de años manejando sistemas en producción, observando cómo fallan y mejorándolos.

La lógica es sencilla. Se puede leer sobre el “reward hacking” en una tarde, pero detectar el momento en que se explota uno mismo métrica requiere verlo ocurrir en algo importante y luego reconstruir la medición hasta que sea fiable.

La mayoría de las personas no necesitan el nivel 5. Muchos trabajos relacionados con la IA en entornos de producción son, en realidad, de nivel 2 o 3, y a veces un prompt bien elaborado junto con una evaluación sencilla es suficiente para crear algo útil. Se contrata a los ingenieros para que sean útiles, no para que usen técnicas sofisticadas.

Lecturas relacionadas

• Cuando la IA escribe el código: habilidades de ingeniería que siguen siendo valiosas — Los agentes de programación ahora redactan funcionalidades de principio a fin. Qué estudiar, cómo revisar el código generado y por qué el juicio crítico, los conocimientos de sistemas y la verificación son más importantes que saber teclear.
• Cómo convertirse en ingeniero de IA en 2026 sin título en informática — Un plan paso a paso para convertirse en ingeniero de IA en 2026 sin tener título en informática: las siete áreas de habilidad, proyectos pequeños, experiencia en el mundo real y networking inteligente.