Una hoja de ruta de ingeniería de IA para 2026: de Python a agentes y LLMOps.

Por qué la mayoría de los planes estratégicos de IA parecen obsoletos

“¿Cómo puedo convertirme en ingeniero de IA?” es la pregunta que no deja de llegar de los recién llegados y de los desarrolladores en activo que quieren pasar a roles relacionados con la IA. Existen muchos PDF con planes estratégicos, y muchos de ellos fueron escritos antes de que los agentes, MCP y la ingeniería de contexto fueran temas de conversación. Hoy en día incluso se espera que los recién graduados sepan algo sobre RAG, lo que dificulta determinar por dónde empezar. Los desarrolladores experimentados también se sienten confundidos, ya que cada fase debe integrarse a lo que ya saben por sus trabajos y el diseño de sistemas.

Lo que sigue es un conjunto de fases, no un plan de estudios. Los temas se agrupan con recursos y proyectos para que un principiante pueda seguirlo desde el inicio y un ingeniero experimentado pueda utilizarlo para subsanar deficiencias o mejorar sus habilidades. Gran parte del contenido sobre planes de desarrollo en IA disponible en línea corresponde a un plan de aprendizaje de machine learning de 2019 con un capítulo sobre LLMs quedado atascado al final. Eso puede ser adecuado para un principiante, pero un ingeniero experimentado necesita más.

El título del puesto de trabajo ha cambiado mucho en solo dos años. Para 2026 se espera que un ingeniero en IA realice tareas que antes no formaban parte de sus responsabilidades, algo que quienes ya trabajan en esta industria probablemente ya han observado.

¿Debería alguien temer que la IA se lleve los empleos tecnológicos? No, siempre y cuando sigan avanzando junto con ella.

Hace dos años no existía ni un solo puesto de trabajo denominado ingeniería de prompts, pero fíjense en cuántos roles existen ahora alrededor de este campo. Cualquiera que planee dedicar meses a este tema merece un plan que refleje lo que las empresas están buscando actualmente y no algo obsoleto.

Fase 1: Python y conceptos básicos de ingeniería

No persiga herramientas. Construya los fundamentos de la ingeniería. Aquellos que ya se sienten cómodos con Python pueden pasar directamente a Git, entornos virtuales y depuración.

Aquí es donde realmente comienza el uso de Python para la IA. Meses viendo tutoriales de forma pasiva enseñan mucho menos que la práctica de implementaciones, y el pensamiento claro suele surgir una vez que practicas estructuras de datos y algoritmos escribiéndolos. Así que domina el Python básico, o cualquier otro lenguaje que te guste. C++ puede ser útil para aprender DSA si te resulta más sencillo, aunque probablemente necesitarás pasar a Python más adelante. La fluidez en Python es lo que evita que las bibliotecas específicas para la IA parezcan un lenguaje ajeno.

Familiarízate con estos conceptos:

• Estructuras de datos como listas, diccionarios y conjuntos
• Funciones y clases
• Comprehensions de listas y diccionarios
• Generadores y decoradores, que aparecen en todas partes de los frameworks de IA

Para material de aprendizaje, sirven tanto un curso introductorio universitario como CS50 Python de Harvard como un campamento intensivo prolongado para principiantes. Dedique lo menos tiempo posible a elegir y comience con uno de ellos. Una vez que domine los conceptos básicos, pase a resolver problemas de DSA en una plataforma de práctica como LeetCode.

Luego están las herramientas relacionadas con el lenguaje:

• Entornos: venv, pip y cada vez más uv. Omitirlos conlleva horas de conflictos de dependencias.
• Git y GitHub: ramas, commits, solicitudes de integración y resolución de conflictos de fusión. Nadie necesita memorizarlo, ya que usarlo mientras aprende lo convierte en un hábito.
• Archivos y datos: JSON, CSV y texto plano de entrada y salida, porque la mayoría de los datos reales se presentan así mucho antes de convertirse en un dataframe pulido.
• La terminal: bash básico, movimiento entre directorios y concatenación de comandos.
• Depuración: lee el mensaje de error antes de pegarlo en un chatbot, y utiliza las herramientas de tu editor, como los puntos de interrupción de VS Code. Las instrucciones de impresión siguen siendo de gran ayuda.

Una trampa en la que caen muchos principiantes es tratar esta fase como simplemente ver tutoriales hasta que todo les quede claro. No lo entenderán solo viendo videos; lo lograrán escribiendo código, corrigiendo errores y repitiendo el proceso.

La imagen anterior enlaza a un sitio con ideas de proyectos para principiantes en Python. Un buen primer proyecto es algo sencillo como una calculadora de IMC, Sudoku o tic-tac-toe, y después algo que utilice datos reales o resuelva un problema real, por ejemplo:

• una herramienta de línea de comandos que obtenga datos de una API pública, los limpie y los guarde en un archivo estructurado
• un script que analice tus propios estados de cuenta bancarios en formato CSV o exportaciones de división de gastos y clasifique los gastos en categorías
• Un herramienta de extracción e limpieza para un conjunto de datos que te genere curiosidad personal

La salida no es el objetivo. El valor real está en superar problemas tediosos: registros dañados, errores de tipo “off-by-one”, y una API cuyo formato de respuesta cambia mientras el script está en ejecución.

Fase 2: Matemáticas, herramientas de datos y un primer modelo

Sea cual sea la matemática que se aborde en esta fase, intenta implementarla en código. Así es como descubres qué bibliotecas usar y cuándo.

La gente le tiene más miedo a las matemáticas en el ámbito de la IA de lo que debería. No se necesita toda la álgebra lineal al principio, solo una pequeña parte específica, y siempre se puede ampliar más adelante.

Álgebra lineal

• Vectores, matrices y tensores, y qué efecto tiene multiplicarlos desde el punto de vista geométrico
• Producto escalar, multiplicación de matrices y valores propios, que son fundamentales en los mecanismos de atención y los embeddings

Los cursos ilustrados y visuales son útiles para quienes prefieren aprender de esa manera.

Cálculo

La mayoría de las personas lo estudiaron en la escuela, por lo que los temas a continuación son principalmente de repaso.

• precálculo, cálculo diferencial, integral y multivariante
• derivadas, especialmente el concepto de gradiente

Probabilidad y estadística

• distribuciones, media y varianza, y probabilidad condicional
• es el lenguaje en el que se expresan los resultados de los modelos, la incertidumbre y las métricas de evaluación

Optimización

• descenso de gradiente, tasas de aprendizaje y funciones de pérdida, el mecanismo que convierte lo incorrecto en menos incorrecto con el tiempo

No te sobrecargues ni profundices demasiado. Resolver acertijos de Sudoku y luego aplicar conceptos de probabilidad a ellos es una forma en que el disgusto por las matemáticas puede transformarse en asombro.

La imagen anterior muestra dónde resulta necesario cada concepto matemático.

Herramientas para trabajar con datos

• Aprende Pandas y NumPy para la manipulación y análisis de datos.
• Adquiere conocimientos en una biblioteca de visualización como Matplotlib o Seaborn; comienza con Matplotlib ya que es más sencillo.

Una buena visualización amplía la forma en que piensas sobre los datos y te permite contar historias con ellos, así que busca recursos que lo enseñen bien.

En práctica: crea una regresión lineal desde cero

De todo lo incluido en esta guía, este ejercicio es el que más beneficios brinda, pero a menudo se omite porque parece demasiado básico. Resiste esa tentación.

import numpy as np
class LinearRegressionScratch:
    def __init__(self, learning_rate=0.01, n_iterations=1000):
        self.learning_rate = learning_rate
        self.n_iterations = n_iterations
        self.weights = None
        self.bias = None
    def fit(self, X, y):
        n_samples, n_features = X.shape
        self.weights = np.zeros(n_features)
        self.bias = 0
        for _ in range(self.n_iterations):
            y_pred = np.dot(X, self.weights) + self.bias
            # Gradients
            dw = (1 / n_samples) * np.dot(X.T, (y_pred - y))
            db = (1 / n_samples) * np.sum(y_pred - y)
            # Update
            self.weights -= self.learning_rate * dw
            self.bias -= self.learning_rate * db
    def predict(self, X):
        return np.dot(X, self.weights) + self.bias

Cuando la clase se ejecute y genere predicciones, ejecuta sklearn.linear_model.LinearRegression con datos idénticos y compáralos. Una vez que ambos resultados coincidan aproximadamente, sabrás de primera mano qué ocurre dentro de cada modelo que utilices posteriormente. Haz un hábito de volver a implementar el algoritmo detrás de cualquier técnica que conozcas. Las bibliotecas facilitan la vida, pero el algoritmo y las matemáticas que lo sustentan siguen mereciendo atención.

Fase 3: Aprendizaje automático clásico

Aprende los métodos clásicos antes de acercarte a las redes neuronales, ya que una gran cantidad de problemas reales de aprendizaje automático siguen resolviéndose mejor y de forma más económica con ellos que con el aprendizaje profundo. El objetivo es comprender por qué se elige una técnica sobre otra y cómo aborda el problema.

Temas principales

• Aprendizaje supervisado: regresión, clasificación, árboles de decisión, bosques aleatorios y mejora por gradiente con XGBoost o LightGBM.
• Aprendizaje no supervisado: clustering con k-means y reducción de dimensionalidad con PCA.
• Evaluación de modelos: división en conjunto de entrenamiento y prueba, validación cruzada, precisión, recuerdo, F1 y ROC-AUC, además de saber qué métrica es importante para un problema empresarial concreto.
• Ingeniería de características, la habilidad que diferencia un buen modelo de uno mediocre.
• Dominio de scikit-learn, incluyendo pipelines, preprocesamiento y selección de modelos.

Un curso en línea interactivo y adecuado para principiantes cubre bien los conceptos básicos, mientras que un curso más extenso al estilo de Udemy profundiza en el tema si se desea mayor nivel de detalle. Cualquier recurso que aborde los conceptos de las fases iniciales servirá.

Proyecto del portafolio 1: predicción de abandono de clientes

Casi todos realizan este proyecto, y por buenas razones: les guía a través de un ciclo de vida realista de datos tabulares desorganizados, clases desbalanceadas, ingeniería de características, comparación y evaluación de modelos vinculadas al negocio. Aquí, un falso negativo significa que un cliente se perdió.

Una versión sólida incluye:

• una explicación clara de por qué se eligió una métrica de evaluación específica, ya que la precisión casi siempre es la respuesta incorrecta para analizar la rotación de clientes
• al menos dos modelos comparados, en lugar de decir “XGBoost porque es popular”
• explicabilidad, utilizando valores SHAP, una matriz de confusión o la importancia de las características, para que las predicciones del modelo puedan justificarse

Proyecto del portafolio 2: un sistema de recomendaciones

El aprendizaje de este proyecto consiste en pensar en términos de similitud, y los métodos de embeddings y RAG se basarán en ello una y otra vez. Crea un sistema de recomendación simple basado en contenido o en filtrado colaborativo para películas, libros o productos. Asume la idea de que los elementos se convierten en vectores y que se puede medir la distancia entre ellos, ya que la Fase 5 vuelve a presentar exactamente la misma idea.

Existen más ideas de proyectos que vale la pena explorar una vez que hayas completado estos dos.

Fase 4: Aprendizaje profundo

Aquí descubrirás si el aprendizaje profundo es adecuado para ti. Muchos autodidactas e ingenieros en activo se enamoran de esta área en esta etapa o la abandonan después de conocer los conceptos básicos. Intenta aprenderla de verdad antes de tomar una decisión.

Temas clave

• Conceptos fundamentales de las redes neuronales: capas, funciones de activación y el paso forward y backward.
• Dinámicas de entrenamiento: sobreajuste, regularización, dropout y normalización por lotes.
• Optimizadores: SGD y Adam, y por qué la elección es importante en la práctica.
• GPUs: omite la teoría y aprende lo suficiente para entender por qué una máquina se calienta al ejecutar un modelo con miles de millones de parámetros.

Un estilo de enseñanza visual y lúdico puede hacer que este material sea más comprensible, así que busca un curso con ese enfoque.

PyTorch o TensorFlow?

Los principiantes hacen esta pregunta todo el tiempo, y la respuesta breve es PyTorch. Actualmente es el estándar en la investigación, entre la mayoría de los modelos de código abierto modernos, y en la mayor parte del trabajo de ingeniería de IA en producción en 2026. TensorFlow sigue teniendo presencia, principalmente en ciertos entornos empresariales y en dispositivos móviles a través de TensorFlow Lite, pero cualquiera que esté limitado a un solo framework debería profundizar en PyTorch. Los modelos de Hugging Face, los frameworks de agentes y la mayor parte del código de investigación que leerán se basan en él.

NLP, visión por computadora y transformadores

Se necesita conocimiento básico en los tres campos:

• Fundamentos del NLP: tokenización, embeddings y modelos de secuencias.
• Fundamentos de la visión por computadora: CNN, preprocesamiento de imágenes y aprendizaje transferido.
• La arquitectura de los transformadores: atención y autoatención, y por qué este diseño específico es la razón de la existencia de todos los LLM en uso hoy en día.

Entiendo realmente cómo funciona la atención en un transformador, ya que todo en la Fase 5 se basa en ella. El diagrama a continuación, tomado de una discusión en Kaggle, muestra una forma de visualizarlo.

Proyecto del portafolio 3: análisis de sentimientos

Perfeccionar un transformador preentrenado en un conjunto de datos de clasificación de sentimientos. Una variante simplificada de BERT es un buen punto de partida económico. Este proyecto enseña de forma resumida todo el flujo de trabajo moderno de perfeccionamiento: cargar un modelo preentrenado, tokenizar los datos correctamente, perfeccionarlo y evaluarlo, que es el mismo proceso que utilizan los equipos de producción a mayor escala.

Proyecto del portafolio 4: transcriptor de reuniones

Construye una pipeline de extremo a extremo que reciba audio, genere transcripciones y un resumen. Combina la conversión de voz a texto, donde Whisper es la opción obviamente más adecuada, con un paso de resumen mediante un LLM. Esto se convierte en la primera aplicación real de IA, y no solo en un modelo, siendo además una herramienta que puedes seguir utilizando posteriormente.

Fase 5: Ingeniero de IA

Todo lo realizado hasta ahora ha servido para llegar a esta fase, que es donde tiene lugar la verdadera ingeniería de IA. Aquellos que se preparan para roles en el área de aprendizaje automático encontrarán que su camino se divide aquí, ya que las fases anteriores son comunes tanto para las trayectorias de IA como de aprendizaje automático, así como para desarrolladores inexpertos y experimentados por igual.

Ingeniería de contexto

La ingeniería de contexto es el sucesor de la ingeniería de prompts para el año 2026. Un ingeniero de prompts se pregunta qué palabras incluir en el prompt. Un ingeniero de contexto, en cambio, se pregunta qué conjunto completo de información necesita el modelo en su ventana para realizar la tarea de manera eficaz, ya sea documentos recuperados, resultados de herramientas, historial de conversaciones, instrucciones del sistema o memoria, y cómo estructurar y priorizar todo eso. En resumen, se trata de pensar en términos de sistemas.

Conceptos clave:

• decidir qué pertenece al contexto y qué es ruido que diluye la información relevante
• estructurar el contexto mediante ordenamiento, formato y compresión para que el modelo lo utilice adecuadamente
• gestionar el tamaño de la ventana de contexto, ya que los tokens no son infinitos y incluir todo por si acaso suele empeorar los resultados
• Salidas estructuradas, es decir, respuestas de los LLM según un esquema predefinido como JSON o Pydantic y no texto libre, lo que hace que las aplicaciones sean más fiables y fáciles de integrar posteriormente

Generación mejorada por recuperación de información (RAG)

RAG es la técnica que permite a un LLM responder preguntas a partir de información con la que nunca fue entrenado.

• Fragmentación: fragmentación ingenua de tamaño fijo frente a fragmentación semántica, y por qué la elección determina silenciosamente el límite de calidad en la recuperación de información.
• Embebimientos y bases de datos vectoriales: cómo el texto se convierte en un vector, y herramientas como Pinecone, Weaviate, Chroma o pgvector para almacenarlos y buscarlos.
• Recuperación: búsqueda por similitud, búsqueda híbrida que combina coincidencias por palabras clave y semánticas, y reclasificación.
• Técnicas: reescritura de consultas para mejorar la pregunta del usuario antes de la recuperación de información, RAG agente, en el que los agentes planifican y recuperan datos de forma iterativa, y Graph RAG, que utiliza grafos de conocimiento para capturar las relaciones entre entidades.
• Evaluación: medición de la calidad de la recuperación de información y de las alucinaciones, y no solo de si la respuesta final parece correcta, utilizando métricas como precisión y recuerdo contextual.

Vale la pena tomar un curso dedicado a RAG, seguido posteriormente de material sobre estrategias de RAG. Un proyecto interesante es aplicar RAG a tus propios diarios personales.

Protocolo de Contexto del Modelo (MCP)

MCP proporciona a las aplicaciones de LLM una forma estándar para acceder a herramientas y datos externos, lo que permite a los equipos evitar escribir una integración personalizada para cada herramienta que utilice un agente. Cuando ChatGPT o Claude escribe en o lee desde Canva, Notion o cualquier otra herramienta externa, MCP suele ser el componente encargado de hacerlo.

• Comprender el modelo de cliente y servidor de MCP.
• Conectar un servidor MCP existente a un agente que hayas creado.
• Desarrollar un servidor MCP personalizado mínimo para una herramienta que aún no lo tenga.

Agentes de IA

Un agente es un sistema en el que un LLM razona sobre un objetivo, elige una herramienta, actúa, observa el resultado y vuelve a repetir el proceso, en lugar de generar una respuesta estática como lo haría un chatbot.

• El ciclo de razonamiento que consiste en planificar, actuar, observar y repetir, siguiendo patrones al estilo ReAct.
• Uso de herramientas y llamadas a funciones: cómo el modelo decide cuándo y qué llamar.
• Memoria, dividida en a corto plazo, dentro de una sesión, y a largo plazo, entre sesiones.
• Restricciones que impiden que un agente realice acciones destructivas, costosas o incorrectas.

Antes de adoptar un framework como LangChain o LangGraph, escriba al menos un agente directamente sobre las llamadas API en bruto. Hacerlo muestra qué hace un framework en su lugar, en lugar de dejarlo solo con su interfaz API. Los conceptos tienen prioridad sobre los frameworks, pero sigue siendo útil examinar opciones modernas como el OpenAI Agents SDK, LangGraph, CrewAI, Google ADK, Agno, AutoGen y Smolagents para ver cómo cada una aborda los sistemas de agentes en producción.

Sistemas multiagente

Un sistema multiagente divide una tarea compleja entre varios agentes especializados que se coordinan. Un agente solitario se topa con límites en trabajos complejos de múltiples pasos, ya que su contexto se sobrecarga, y un generalista que hace todo acaba siendo mediocre en la mayor parte de las tareas. Los especialistas con conocimientos específicos y su propio contexto suelen rendir mejor, de la misma manera en que las personas se especializan.

Patrones que vale la pena conocer:

• Orquestador-trabajador, donde un agente asigna subtareas a trabajadores especializados.
• Conjuntos de procesos secuenciales, donde la salida de un agente se convierte en la entrada del siguiente.
• Debate o crítica, donde la salida de un agente es revisada y cuestionada por otro antes de ser definitiva.

Evaluación de la IA

La evaluación es, sin duda, lo que diferencia una demostración de un sistema en producción, y no se puede enfatizar lo suficiente.

• Construya un conjunto de pruebas con entradas representativas antes de lanzar el producto.
• Defina qué significa “bueno” para la tarea específica, ya sea en términos de corrección, fidelidad a las fuentes consultadas, tono o latencia.
• Utilice patrones de LLM como jueces cuando la revisión humana no es viable, comprendiendo al mismo tiempo los sesgos que este enfoque conlleva.

Realice pruebas de referencia y supervise las regresiones en prompts, RAG y flujos de trabajo de agentes con herramientas como DeepEval, Promptfoo, LangSmith, Ragas o Arize Phoenix.

Registre las regresiones a lo largo del tiempo a medida que cambian los prompts, los modelos o la lógica de recuperación de información.

Un buen material de estudio abarca métricas como la puntuación de relevancia, precisión, recuerdo, ROUGE y BLEU, además de técnicas de evaluación, herramientas y frameworks.

LLMOps

Una vez que los sistemas de IA se convierten en aplicaciones en producción, LLMOps cobra cada vez más importancia. Incluye la versionación de prompts, el enrutamiento de modelos, el seguimiento y la observabilidad, el monitoreo de costos, el caché y el seguimiento de experimentos, todo orientado a sistemas fiables y escalables.

Despliegue de aplicaciones de IA

Conceptos básicos de despliegue que son útiles:

• APIs: envuelva el modelo o el agente en FastAPI o algo similar.
• Contenedores: Docker; basta con entender por qué existe y cómo usarlo.
• Inférencia y prestación: vLLM para la prestación de LLM de alto rendimiento, y LiteLLM para enrutar solicitudes entre varios proveedores a través de una única interfaz.
• Nube: despliegue integral en el proveedor que mejor conozca.
• Monitoreo y costos: cada token cuesta dinero, por lo que en entornos de producción es necesario tener visibilidad tanto de la latencia como de los costos, una habilidad que los empleadores suelen buscar frecuentemente.
• Conceptos básicos de CI/CD para automatizar los pipelines de despliegue.

Errores comunes entre principiantes

• Pasar directamente a los LLM y agentes, omitiendo las fases 1 a 3.
• Tratar frameworks como LangChain como algo que debe aprenderse por sí mismo, en lugar de verlos como capas basadas en conceptos que deben entenderse primero.
• Recopilar tutoriales en lugar de desarrollar proyectos. Ver no equivale a hacer, y ese es el punto en el que la mayoría de las personas se detienen silenciosamente.
• Dejar la evaluación para más tarde. Construir el pipeline de evaluación como parte del proyecto para que cada pequeño cambio muestre si las cosas han mejorado o empeorado.

La versión breve

Convertirse en ingeniero de IA no significa dominar cada herramienta nueva. Los fundamentos sólidos, aplicados de manera constante, son más importantes.

Para quienes busquen una referencia relacionada con la parte de Claude Code de este trabajo, el índice a continuación muestra cómo una guía extensa divide sus capítulos en temas prácticos como agentes, RAG, servidores MCP y evaluación.