Escasez de ingenieros de IA: si no puedes pagar más, ejecuta mejor

La escasez de ingenieros de IA/ML no se resuelve a golpe de talonario. El rango que Google publica para un ingeniero de machine learning llega casi a los 743 000 USD, según los datos autodeclarados en Levels.fyi. Lo que sí puedes hacer es ejecutar mejor. Fija la referencia salarial antes de escribir la descripción del puesto, capta candidatos pasivos en lugar de limitarte a publicar la vacante, y acorta el tiempo que tardas en presentar la oferta. La escasez castiga mucho más a los procesos lentos que a los presupuestos pequeños.

La estadística sobre la brecha de talento en IA que todo el mundo cita no se sostiene

Si has buscado consejos sobre contratación en IA en el último año, habrás visto esto: 1,6 millones de vacantes de IA abiertas frente a 518 000 candidatos cualificados, una brecha de 3,2:1. No sobrevive a una comprobación de fuentes.

Sigue la cadena. Un blog de selección cita a otro blog de selección, que cita a un proveedor de staffing y employer of record, que atribuye las cifras a un «LinkedIn Global Talent Insights Report» sin URL, sin fecha de publicación y sin rastro público de su existencia. Las cifras que lo acompañan no salen mejor paradas. El repetidísimo «las ofertas de empleo en IA crecieron un 163 %» se atribuye a un análisis de Gloat que no contiene ese número. La frase de que «los mejores candidatos desaparecen en 10 días» procede de una entrada de blog sin metodología ni muestra declaradas. Los plazos de cobertura específicos de IA van de 25 a 114 días según el proveedor que leas, y no hay dos que coincidan.

La escasez es real. Esos números no. Esto es lo que sí aguanta el escrutinio.

Lo que dicen de verdad los datos de contratación en IA/ML

La demanda de competencias en IA crece varias veces más rápido que la oferta de gente que las tiene, y eso sí lo documentan fuentes con metodología publicada.

La Encuesta Global de Escasez de Talento 2026 de ManpowerGroup cubrió 39 000 empresas en 41 países. Su conclusión principal: por primera vez, las competencias en IA se han convertido en la capacidad más difícil de encontrar del mundo, por delante de la ingeniería y la informática tradicionales. El desarrollo de modelos y aplicaciones de IA encabeza la lista de lo más difícil de cubrir con un 20 %, y la alfabetización en IA le sigue de cerca con un 19 %. (El 72 % que tanto se cita mal sale de esa misma encuesta, pero es la proporción de empresas con dificultades para cubrir puestos en general, y ha bajado desde el 74 % del año anterior. No es una cifra específica de IA.)

Los datos de ofertas van en la misma dirección. El Stanford AI Index 2026, construido sobre el conjunto de datos de Lightcast con miles de millones de ofertas de empleo estadounidenses desde 2010, encontró lo siguiente:

Lo que más te importa para tu vacante es el desacoplamiento respecto a la ingeniería generalista. The Pragmatic Engineer, a partir de datos de TrueUp, señala que las vacantes de ingeniería de IA en las grandes empresas crecieron alrededor de un 60 % interanual, mientras que las de ingeniería de software generalista crecieron en torno a un 7 %. El informe Jobs on the Rise 2026 de LinkedIn sitúa «ingeniero de IA» como el puesto que más rápido crece en EE. UU.

El panorama honesto del lado de la oferta

Como la cifra de «518 000 candidatos cualificados» es ficción, usa la mejor señal primaria de oferta que existe: los nuevos doctorados en IA concedidos en EE. UU. y Canadá subieron un 22 % entre 2022 y 2024, según el Stanford AI Index. Mientras tanto, la proporción de esos titulados que se van a la industria en lugar de a la universidad bajó, desde un máximo cercano al 77 % hasta cerca del 63 %.

Dos relojes que corren a velocidades muy distintas. La demanda de competencias en IA en las ofertas creció un 55 % en un solo año. El indicador más cercano a la oferta de especialistas creció un 22 % en dos años, y con una porción cada vez menor camino de la industria.

No vamos a convertir eso en una ratio, y es deliberado. Las dos cifras miden cosas distintas en ventanas temporales distintas, y fabricar un decimal a partir de ahí es exactamente como se inventó el 3,2:1. Con la forma basta: estás contratando en un mercado donde la demanda crece unas cinco veces más rápido que la cantera.

Por qué publicar la oferta y cruzar los dedos no funciona con los puestos escasos

Publicar una oferta llega a quien está buscando. Los especialistas que quieres no están buscando, y su empresa actual se gasta dinero de verdad en que siga siendo así.

Lightcast analizó más de 1 300 millones de ofertas de empleo y encontró que las ofertas que exigen competencias en IA llevan una prima salarial del 28 %, unos 18 000 USD más al año. Míralo desde el otro lado de la mesa: esa prima es el presupuesto de retención de tu candidato objetivo, ya aprobado y ya pagado. Por pura estructura, esa es la razón de que la persona que quieres no vaya a ver nunca tu anuncio.

Esto explica lo que desconcierta a la mayoría de fundadores. Tu vacante de backend se cubre sin problema. La de ML produce silencio o una avalancha de candidaturas sin nivel. El mismo portal, la misma página de empresa, el mismo reclutador. La diferencia no está en tu descripción del puesto. Está en que el mercado de backend tiene una bolsa sana de gente entre trabajos y el de especialistas en IA, en general, no.

Encontrarás muchos artículos que citan porcentajes precisos de candidatos pasivos: 70 %, 75 %, 87 %, 95 %. Se citan entre sí, se contradicen y cambian de definición de una cita a otra. Sáltate el dato. El argumento estructural se sostiene solo con los datos de demanda y de prima salarial.

No vas a superar los sueldos de las grandes tecnológicas: esto es lo que sí puedes ganar

Digamos la mala noticia sin adornos, porque fingir lo contrario te hace perder el tiempo. Los paquetes autodeclarados en Levels.fyi sitúan a los ingenieros de machine learning de Google entre 199 000 USD (L3) y 743 000 USD (L7), con una mediana cercana a 302 000 USD. El rango de Apple para ingeniero de ML va de 171 000 a 528 000 USD, con una mediana en torno a 386 000 USD. Los laboratorios punteros pagan más.

Una startup en fase semilla o Serie A no gana esa comparación. Acéptalo y deja de gastar energía ahí.

Hay tres cosas genuinamente ganables, y las tres son de proceso, no de presupuesto:

1. Llegar primero. El candidato que ignora 40 mensajes de reclutadores al mes leerá el único que demuestre entender qué construyó. Un primer contacto creíble le gana al cuadragésimo mensaje genérico.
2. Tener la cifra preparada. Las ofertas se atascan cuando nadie de tu lado sabe cuánto vale el puesto. En ese atasco es donde a los candidatos escasos se los lleva otro.
3. Decidir en días. Una startup de cinco personas puede pasar de la entrevista final a la oferta firmada en 72 horas. Una empresa con comité de contratación y ciclo trimestral de calibración salarial no puede, por estructura. Ese proceso es un peaje que las grandes tecnológicas pagan. La mayoría de las startups lo replican sin querer en vez de aprovecharlo.

El resto del artículo es la versión en cuatro pasos de esa idea.

Paso 1: identifica qué vacantes son realmente escasas

No todas las vacantes de ingeniería necesitan este trato, y aplicar el manual de escasez a todas agotará a un equipo pequeño para la tercera semana.

Una vacante es escasa cuando se cumplen al menos dos de estas condiciones:

• La entrada de perfiles cualificados es casi nula tras cuatro o seis semanas, mientras tus otras vacantes se cubren con normalidad.
• Todos los candidatos fuertes tienen ofertas competidoras en la mano, en lugar de elegir entre tú y quedarse donde están.
• La retribución sale en la primera conversación, sin que tú la menciones, y la cifra del candidato está por encima de tu banda publicada.
• Tus mejores candidatos se retiran a mitad del proceso en lugar de ser descartados.

Si no ocurre nada de eso, tu embudo funciona y el problema está en otro sitio, probablemente en la descripción del puesto o en tu circuito de evaluación. Arregla eso primero. Este manual cuesta horas reales, y conviene apuntarlo a la vacante o dos que de verdad lo necesitan.

Paso 2: fija la referencia salarial antes de escribir la descripción del puesto

Si no conoces la cifra antes de publicar la vacante, la descubrirás durante la negociación, que es el momento más caro posible para aprenderla.

La prueba causal más sólida aquí es el documento de trabajo NBER 34480 (Arnold, Quach y Taska, noviembre de 2025), un estudio de diferencias en diferencias sobre las leyes estatales de transparencia salarial en EE. UU. con tres conjuntos de datos. Las empresas aumentaron en 30 puntos porcentuales la proporción de ofertas con información salarial, y los salarios subieron entre un 1,3 % y un 3,6 %, con el aumento de la competencia en el mercado laboral identificado como mecanismo.

Y ahora la parte que casi ningún artículo cuenta, porque resulta incómoda: ese mismo estudio no encontró ningún efecto sobre el número de ofertas, el nivel de empleo, la dispersión salarial ni los requisitos de competencias y formación. Publicar una banda no te trae más candidatos. Quien te diga que sube el volumen de candidaturas un 44 % está citando la encuesta de un proveedor, no un estudio.

Así que el argumento para fijar la referencia primero no es que «las bandas atraen candidatos». Es más estrecho y más útil:

• Publicar una banda ya es lo mínimo exigible. Indeed Hiring Lab situó en un 57,8 % la proporción de ofertas estadounidenses con salario a fecha de septiembre de 2024, frente al 52,2 % del año anterior.
• Una cifra defendible acaba con los atascos en la negociación. «Esta es la mediana de mercado y este es tu lugar dentro de ella» cierra conversaciones que «déjame consultarlo con mi cofundador» vuelve a abrir.
• Equivocarte con la banda desperdicia lo más escaso que tienes. Seis semanas de embudo construidas sobre una banda un 20 % por debajo del mercado son seis semanas que no recuperas.

Los datos públicos de retribución en IA van de 150 000 a más de 1 000 000 USD, y ninguno te dice qué banda le corresponde a una empresa en Serie A de tu mercado. Las encuestas salariales llegan con seis meses o más de retraso, y en este mercado seis meses son otro mercado.

Justo ahí encaja la investigación de compensación de Kit. Rastrea portales de empleo en directo en lugar de hacer encuestas, e incluye un clúster de puesto de ingeniero de machine learning junto a científico de datos, ingeniero de datos y otros veinte. Obtienes mínimo, máximo, mediana, p25 y p75, con filtros por región, nivel de experiencia, tipo de contrato y tecnología principal, así que puedes sacar la banda sénior ponderada por Python en lugar de una media de todo.

Un apunte de honestidad, porque importa más que el argumento comercial: los portales rastreados ahora mismo son JustJoin, NoFluffJobs, BulldogJob, TheProtocol, SolidJobs, Skillshot.pl y BuiltInLA. Es cobertura europea, con mucho peso de Polonia, más un portal estadounidense. Son datos en directo de los roles y las regiones que rastreamos, no una referencia de todo EE. UU. ni global. Si necesitas portales que aún no rastreamos, los suscriptores pueden pedirlos. Las cifras estadounidenses de este artículo vienen de Levels.fyi y Lightcast, y son suyas, no nuestras.

Paso 3: capta candidatos pasivos en lugar de publicar

La prospección en frío es el único canal que llega a quien no está buscando, y su mecánica verificada premia la precisión por encima del volumen.

Las cifras con las que merece la pena trabajar:

• La segmentación le gana al volumen. Belkins analizó 16,5 millones de correos en 93 dominios y encontró que escribir a un solo contacto por empresa daba un 7,8 % de respuesta, frente al 3,8 % al escribir a diez o más personas de la misma empresa. La media de respuesta del correo en frío fue del 5,8 % en 2024, por debajo del 6,8 % del año anterior.
• Corto le gana a largo. El propio análisis de LinkedIn sobre decenas de millones de InMails de reclutadores encontró que los mensajes enviados uno a uno obtenían un 15 % más de respuestas que los envíos masivos, que los mensajes de menos de 400 caracteres iban un 22 % por encima de la media y que los de más de 1 200 caracteres quedaban un 11 % por debajo.
• Un seguimiento, no tres. Un primer mensaje de seguimiento subió las respuestas de los mejores hasta un 49 %. El tercer correo obtuvo alrededor de un 20 % menos de respuestas que el primero.

La personalización es lo que compra la respuesta, y también es lo primero que se cae por el mensaje número 20, cuando un fundador hace esto entre llamadas con clientes. Las campañas de prospección de Kit ejecutan un paso de investigación sobre cada prospecto antes de redactar, así que la versión personalizada es el camino por defecto y no el camino disciplinado. Las secuencias se encargan del único seguimiento. Nada se envía sin aprobación humana. Y cuando la tasa de respuesta cae por debajo del 1 %, el diagnóstico de campaña lo marca como un problema de segmentación o de mensaje, en vez de dejarte adivinando otras dos semanas.

Empieza por los candidatos que ya descartaste

Antes de comprar una sola lista nueva de prospectos, mira la bolsa más caliente que ya tienes para puestos escasos: gente que se postuló, pasó tu listón y se quedó fuera por motivos que no tenían nada que ver con su capacidad. Mal momento. Congelación de plantilla. Un finalista algo más fuerte se llevó el puesto.

Ya conocen tu empresa, lo que reduce a la mínima expresión toda la parte alta del embudo. La mayoría de los equipos no lo ha mirado nunca, porque esos datos viven en un ATS que nadie consulta cuando la vacante se cierra. Escribimos sobre este patrón en redescubrimiento de talento.

Kit lo resuelve con una sola consulta entre dominios. outreach_find_silver_medalist_matches compara la lista de prospectos de una campaña con las candidaturas que tu cuenta rechazó en el pasado y saca la intersección. Funciona porque prospectos y candidatos cifran y normalizan el correo de forma idéntica, así que la coincidencia se produce sin exponer nada entre cuentas. Es el único movimiento de captación de este artículo que no cuesta nada y se hace en minutos, y ninguna herramienta de la competencia combina los dos conjuntos de datos para lograrlo.

Conviene decirlo claro: esto expone datos personales de tus registros de selección a quien lleve la prospección. Trata esos registros con el mismo cuidado que querrías para los tuyos.

Paso 4: acorta el tiempo hasta la oferta

No puedes saber cuánto tiempo te da el mercado. Sí puedes medir tu propia latencia de etapa a etapa, y es la única cifra de todo esto que controlas.

Como referencia general, el estudio comparativo de SHRM de 2025 sitúa el plazo medio de cobertura entre 42 y 47 días, con el cribado y las entrevistas en una media de 8 o 9 días cada uno. No existe una cifra fiable específica de IA, y cualquier artículo que cite una está citando a un proveedor. Pero un proceso de seis semanas frente a un candidato que mantiene tres conversaciones abiertas no es competitivo, sea cual sea la media del mercado.

Mide cuatro intervalos en tu propio embudo:

1. De la candidatura o la respuesta a tu primera contestación
2. De la primera contestación a la primera entrevista
3. De la última entrevista a la decisión
4. De la decisión a la oferta entregada

El tercer intervalo es casi siempre la fuga, y casi nunca es un problema de decisión. Son dos revisores que no han enviado sus valoraciones. Los pipelines por etapas de Kit dejan justo eso a la vista: las decisiones pendientes y las revisiones sin entregar se pueden consultar, así que «estamos esperando a Sam» se ve el primer día en lugar del noveno. Las plantillas de proceso te permiten montar una vez el embudo de un puesto escaso y reutilizarlo, de modo que la segunda vacante no se reconstruye desde cero.

Acortar significa eliminar etapas redundantes y tiempo muerto de calendario. No significa saltarse la evaluación. Si tu circuito tiene dos conversaciones separadas de diseño de sistemas que cubren lo mismo, quita una. Si tiene un ejercicio para casa que la mitad de tus entrevistadores no lee nunca, quítalo o léelo. Hemos escrito largo y tendido sobre los cuadros de evaluación estructurados: velocidad y rigor no se oponen, y los procesos más rápidos suelen ser los que decidieron de antemano qué estaban midiendo.

Cuándo no aplicar este manual

Tres advertencias honestas, porque una estrategia que solo funciona cuando todo acompaña no es una estrategia.

La prospección es trabajo sostenido. Captar bien es un hábito, no un sprint. Los equipos que se comprometen a medias sacan tasas de respuesta por debajo del 1 %, concluyen que «la prospección no funciona» y vuelven a publicar ofertas. Presupuesta las horas con honestidad o no empieces.

Hay vacantes que no deberías cubrir a precio de mercado. Si el salario real de mercado del puesto escaso rompe tu banda retributiva, igualarlo puede distorsionar la estructura salarial de todo tu equipo por una sola contratación. Reestructurar el puesto suele ser mejor respuesta: un contratista para la construcción inicial, un especialista a tiempo parcial o un buen generalista con buenas herramientas. Esa decisión es mucho más fácil de tomar si ya fijaste la referencia en el paso dos, que es otro argumento para hacerlo antes que nada.

Rapidez no es chapuza. Si acortar tu circuito significa que dejas de tomar notas, de comparar a los candidatos con los mismos criterios o de implicar a quienes trabajarán con la persona contratada, no has ido más rápido. Solo has trasladado el coste al cuarto mes.

Construye un embudo pensado para la escasez con Kit

La escasez de ingenieros de IA/ML es real; las cifras que casi todo el mundo cita sobre ella, no. Lo que sí se sostiene: las competencias en IA son ya la capacidad más difícil de encontrar del mundo; las ofertas que piden competencias de IA crecieron un 55 % en un año mientras la cantera de especialistas crecía un 22 % en dos; y las vacantes de ingeniería de IA en las grandes empresas crecieron cerca de un 60 % interanual, frente al 7 % de la ingeniería de software generalista. Vas a perder casi todas las comparaciones salariales cara a cara contra empresas que pagan medianas de 300 000 USD.

Aun así puedes ganar, en el terreno donde el proceso le gana al presupuesto: ten tu cifra antes de publicar la vacante, llega a quien no está buscando, empieza por quienes ya pasaron tu listón y decide en días.

Kit hace las cuatro cosas en un mismo sitio. Datos de compensación en directo para el clúster de ingeniero de machine learning, con medianas y percentiles por región y nivel. Campañas de prospección con investigación previa, aprobación humana y diagnósticos que te avisan cuando la segmentación falla. Coincidencias con finalistas descartados a partir de tus propias candidaturas rechazadas. Pipelines por etapas que hacen visible la latencia de revisión antes de que te cueste el candidato.

Si estás contratando ahora mismo para uno de estos puestos, merece la pena leer a continuación los dos artículos específicos: cómo contratar a un ingeniero de machine learning y cómo contratar a un ingeniero de IA. Para el argumento más amplio sobre equipos pequeños, mira contratar especialistas, no generalistas, y para el lado accionarial de la conversación salarial, salario y acciones del ingeniero fundador en 2026.

Empieza tu prueba gratuita y saca tu primera banda salarial antes de escribir la próxima descripción del puesto.