Un ingeniero de machine learning diseña, entrena, despliega y mantiene modelos en producción, y se hace cargo de todo el ciclo de vida del ML en lugar de limitarse a llamar a APIs de IA. Para contratar a uno, decide primero si de verdad necesitas a alguien que construya y sea dueño de los modelos o solo que integre los que ya existen, redacta una descripción del puesto centrada en el ciclo de vida, evalúa con una tarea real de MLOps y diseño de sistemas en vez de acertijos de algoritmos, y compara el salario con una mediana de compensación total cercana a los 270.000 $. El perfil que buscas es la persona responsable de un modelo desde los datos en bruto hasta el día en que empieza a degradarse en silencio, no la que conecta un endpoint y parsea el JSON.

Esa distinción lo es todo. Si la confundes, pagas sueldo de ingeniero sénior por un conjunto de habilidades que no necesitabas o, peor aún, contratas a alguien que construye un modelo brillante que nunca sale de un notebook.

## Qué hace en realidad un ingeniero de machine learning

Un ingeniero de machine learning es dueño del camino que va desde los datos hasta un modelo funcionando de forma fiable en producción. Eso incluye preparación de datos, ingeniería de características, selección de algoritmos, entrenamiento, evaluación, despliegue y todo el ciclo de vida posterior de monitorización, detección de drift y reentrenamiento. El trabajo tiene menos que ver con inventar algoritmos nuevos y más con conseguir que los modelos funcionen, una y otra vez, a escala, sin romperse cuando el mundo real cambia.

El título se sitúa entre dos perfiles vecinos con los que los fundadores lo confunden constantemente. La forma más limpia de separarlos es una sola pregunta: ¿entrenas y eres dueño del modelo, o consumes el de otra persona?

| Perfil | Trabajo principal | ¿Es dueño del modelo? | Habilidades más fuertes |
|------|----------|-----------------|------------------|
| **Data scientist** | Descubre patrones, construye modelos predictivos, a menudo en notebooks | Construye, rara vez lleva a producción | Estadística, experimentación, comunicación |
| **Ingeniero de machine learning** | Construye, entrena, despliega y mantiene modelos en producción | Sí, todo el ciclo de vida | Fundamentos de ML, ingeniería de software, MLOps |
| **AI engineer** | Integra modelos fundacionales existentes (GPT, Claude) en productos vía APIs | No, consume un modelo | Visión de producto, integración de software, diseño de prompts y RAG |

LinkedIn trata "AI engineer" e "ingeniero de machine learning" como casi sinónimos en sus datos de empleo, y a nivel de título ese solapamiento es real. Pero el trabajo de fondo diverge con claridad. Un ingeniero de ML necesita más matemáticas, incluyendo álgebra lineal, cálculo y estadística, porque ajusta y depura el modelo en sí. Un AI engineer necesita mejores instintos de integración de software y de producto porque el modelo viene dado. Contratar a uno cuando necesitas al otro es el error más caro de toda esta guía.

## ¿Cuándo necesitas de verdad un ingeniero de machine learning?

Necesitas un ingeniero de machine learning cuando llamar a una API y parsear la respuesta deja de ser suficiente y alguien tiene que responsabilizarse del comportamiento de un modelo durante toda su vida. Si tus funciones de IA se apoyan por completo en modelos fundacionales de terceros y funcionan, quizá todavía no necesites este perfil. Lo necesitas en el momento en que quieres entrenar o ajustar (fine-tuning) con tus propios datos, ser dueño de un pipeline de entrenamiento o arreglar un modelo que empeora calladamente en producción.

La señal de que has cruzado esa línea suele tener una de estas formas:

- Tienes datos propios que un modelo de propósito general no puede aprovechar, y un modelo a medida o ajustado superaría a una API lista para usar.
- Un modelo que ya está en producción se está degradando y nadie en el equipo sabe si es data drift, concept drift o un pipeline roto.
- Tu función de IA necesita garantías que una API externa no puede darte: latencia, control de costes, reproducibilidad o auditabilidad para un sector regulado.
- Estás gastando más en APIs de inferencia de lo que costaría ejecutar un modelo propio entrenado.

Vigila el fallo clásico que este perfil existe precisamente para evitar: el gran modelo que vive en un notebook de Jupyter y nunca llega al negocio. Un modelo que puntúa bien en un experimento pero no se puede desplegar, monitorizar ni reentrenar es, en palabras de más de un profesional, "completamente inútil para el negocio". Los data scientists los producen sin querer; los ingenieros de machine learning existen para impedir que ocurra.

Si todavía estás sobre todo conectando APIs y construyendo producto encima de ellas, lee primero [cómo contratar a un ingeniero backend](/blog/how-to-hire-backend-engineer). El ingeniero de ML es la contratación que viene después de tener cimientos de producto sólidos, no un sustituto de ellos.

## ¿Cómo está el mercado de contratación de ingenieros de machine learning en 2026?

La demanda de ingenieros de machine learning está entre las más pronunciadas de toda la tecnología, pero los datos vienen con una advertencia importante: no existe un código ocupacional oficial para el puesto, así que la mayoría de las cifras de "crecimiento" son aproximaciones. La ocupación rastreada más cercana, **Data Scientists (SOC 15-2051), tiene una proyección de crecimiento del 34 % entre 2024 y 2034**, mucho más rápido que la media de todas las ocupaciones, con unas 23.400 vacantes al año (U.S. Bureau of Labor Statistics, Occupational Outlook Handbook). La demanda de ingeniería de ML se reparte entre esa categoría y la de Software Developers, así que interpreta ese 34 % como orientativo, no exacto.

Las señales más amplias apuntan todas en la misma dirección. El **Future of Jobs Report 2025 del Foro Económico Mundial** nombra la IA y el big data como el conjunto de habilidades que más crece para 2025-2030, y sitúa a los especialistas en IA y machine learning entre los empleos que más crecen en términos porcentuales. Más del 90 % de los empleadores de los diez sectores principales encuestados espera que aumente el uso de habilidades de IA y big data. En las plataformas de contratación, **el informe Jobs on the Rise 2026 de LinkedIn coloca a "AI Engineer" como el puesto que más rápido crece en Estados Unidos**, y señala explícitamente que el título "también se conoce como ingeniero de machine learning".

La división entre ambos títulos importa a la hora de buscar candidatos. Los análisis de datos de LinkedIn sitúan las ofertas de AI engineer con una subida de en torno al 74 % interanual y las de ingeniero de ML alrededor del 33 %. El talento se concentra en San Francisco, Nueva York y, cada vez más, Dallas, y es abrumadoramente pasivo. La mayoría de los buenos candidatos tienen empleo, están bien pagados y no están mirando portales de empleo. Ese solo dato debería dar forma a toda tu estrategia: si tu plan es publicar y esperar, perderás frente a empresas que contactan directamente.

## ¿Qué debes buscar en un ingeniero de machine learning?

Busca capacidad de producción, no credenciales sobre el papel. Un currículum pulido y una buena posición en Kaggle te dicen que alguien sabe construir un modelo en un entorno controlado; no te dicen casi nada sobre si esa persona puede llevar uno a producción y mantenerlo. Las señales de cribado que de verdad predicen el éxito tienen que ver con las partes poco glamurosas del ciclo de vida.

### Dominio del ciclo de vida del modelo

Los mejores candidatos piensan en pipelines, no en experimentos. Indaga en **ingeniería de características y feature stores**, **reproducibilidad** (versionado de datos y modelos con herramientas como DVC, MLflow o Delta Lake, además de registros de auditoría para trabajo regulado) y **patrones de despliegue** en batch, tiempo real y edge. Pregunta cómo versionarían un modelo para poder revertir un mal lanzamiento. Las respuestas vagas aquí son una señal de alerta fiable.

### MLOps y monitorización en producción

Aquí es donde se vienen abajo los candidatos que solo saben de notebooks. Un ingeniero listo para producción sabe explicar la **detección de drift del modelo**, la diferencia entre data drift y concept drift y qué dispara un reentrenamiento. Tiene opiniones sobre **comparar modelos con A/B testing** en producción y sobre monitorizar la degradación silenciosa. La señal de alerta más clara de toda la entrevista es un modelo de "funciona en mi máquina" lanzado sin control de acceso, sin monitorización y sin plan de reversión.

### Fundamentos matemáticos y de software

Como los ingenieros de ML depuran el modelo en sí, necesitan un dominio real de álgebra lineal, cálculo y estadística, no solo llamadas a bibliotecas. También necesitan disciplina genuina de ingeniería de software: tests, control de versiones, revisión de código e interfaces limpias. El puesto vive en la intersección, y los candidatos fuertes en un solo lado lo pasan mal.

### Fluidez con herramientas de IA

En 2026, las habilidades más asociadas a estos puestos son PyTorch, RAG y LangChain (según el análisis de LinkedIn de las ofertas de AI engineer). Un ingeniero de ML moderno debería manejarse con soltura con los modelos fundacionales aunque su trabajo principal sea entrenar modelos a medida, porque la decisión de construir o comprar ahora pasa por sus manos en cada proyecto.

## ¿Cuánto cuesta un ingeniero de machine learning en 2026?

La ingeniería de machine learning es una de las trayectorias de software mejor pagadas, con una **mediana de compensación total cercana a los 270.000 $** según levels.fyi, sesgada al alza por el equity de las grandes tecnológicas. Espera una variación amplia según geografía, antigüedad y especialización, así que toma cualquier cifra individual como un punto de partida, no como una cotización.

Las medianas por empresa de levels.fyi muestran hasta qué punto la cima del mercado distorsiona las medias: Meta ronda los 430.000 $, Apple los 401.000 $, Google los 290.000 $ (L3 en torno a 199.000 $ subiendo hasta L7 en torno a 743.000 $), Amazon los 265.000 $ y Nvidia los 261.000 $. Esas cifras son compensación total, equity incluido. El panorama del salario base para una startup típica es más realista:

| Nivel | San Francisco (base) | Nueva York (base) |
|-------|----------------------|-----------------|
| Junior | 120.000–165.000 $ | 115.000–158.000 $ |
| Mid | 187.000–220.000 $ | 165.000–200.000 $ |
| Sénior | 220.000–275.000 $ | 200.000–250.000 $ |
| Lead / Principal | 260.000–355.000 $ | 240.000–320.000 $ |

Hay algunos patrones que conviene tener en cuenta al presupuestar. Los ingenieros de ML sénior promedian unos 350.000 $ en compensación total (6figr, n=2.264, en un rango de 275.000 $ a 959.000 $), y en SF o NYC la parte alta de ese rango supera los 400.000 $ con equity. **Los especialistas en IA generativa y fine-tuning de LLM exigen primas del 40 % al 60 %** sobre los salarios base de ML, según análisis del sector. Los puestos remotos promedian menos en base (en torno a 160.000 $ según Glassdoor), pero los puestos remotos especializados reportan cifras más cercanas a 195.000 $ porque compiten directamente con los empleadores del Área de la Bahía por el mismo talento pasivo.

Kit no calcula referencias salariales por ti, así que saca cifras en tiempo real de levels.fyi, Glassdoor y Built In antes de fijar una banda. El sentido de estas cifras es evitar que te ancles en un rango desactualizado o a la baja y pierdas en silencio a cada candidato en la fase de oferta.

## ¿Necesitan los ingenieros de machine learning certificaciones o una licencia?

No. La ingeniería de machine learning no es una profesión colegiada, y no hay ningún examen ni credencial que estés legalmente obligado a tener. Las certificaciones son señales de estudio enfocado, no prueba de capacidad de producción, y deberías sopesarlas en consecuencia.

Dos certificaciones de cloud tienen peso real cuando encajan con tu stack. La **AWS Certified Machine Learning Engineer – Associate** es ahora la credencial relevante de AWS; la más antigua AWS Certified Machine Learning – Specialty está siendo retirada, con su último examen el 31 de marzo de 2026. El examen associate cubre preparación de datos (28 %), desarrollo de modelos (26 %), despliegue y orquestación (22 %) y monitorización y seguridad (24 %), lo que mapea de cerca con las habilidades del ciclo de vida que de verdad te importan. Para equipos muy centrados en GCP, la certificación **Google Cloud Professional Machine Learning Engineer** apunta a MLOps de extremo a extremo en Google Cloud.

Algunas encuestas asocian estas certificaciones con subidas salariales de en torno al 20 % al 25 %, pero esos datos son autoseleccionados y deberían leerse como correlación, no como un aumento que puedas prometer. Una certificación es un buen criterio de desempate entre candidatos comparables y una razón débil para hacer avanzar a alguien cuyo trabajo práctico no se sostiene. Evalúa el trabajo, no la insignia.

## ¿Cómo redactas la descripción del puesto de ingeniero de machine learning?

Redacta la descripción en torno al ciclo de vida del modelo, y separa sin contemplaciones los imprescindibles de los deseables. El error más común es una lista de deseos que exige un doctorado, diez años de experiencia y fluidez en todos los frameworks, que espanta a los buenos candidatos de nivel medio y no atrae a nadie que puedas permitirte. Nombra el alcance del ciclo de vida de forma explícita: desde la preparación de datos hasta el despliegue y la monitorización y el reentrenamiento.

Una buena oferta hace tres cosas que la mayoría no hace:

1. **Indica si el puesto construye modelos o los integra.** "Entrenarás y serás dueño de modelos a medida con nuestros datos propios" atrae a un candidato completamente distinto que "integrarás modelos fundacionales en nuestro producto". Dilo en voz alta.
2. **Enumera las realidades de producción, no solo los algoritmos.** Menciona tus objetivos de despliegue, las expectativas de monitorización y la escala a la que operas. Los candidatos se autoseleccionan con honestidad cuando ven el trabajo real.
3. **Publica una banda salarial honesta.** En un mercado tan competitivo, una banda ausente o vaga se lee como una señal de alerta. Usa las referencias de arriba para fijar una de verdad.

Para un tratamiento más a fondo de cómo estructurar toda la oferta, mira [cómo redactar descripciones de puesto que atraigan a los candidatos adecuados](/blog/writing-job-descriptions). La mecánica de ahí se aplica directamente aquí; el matiz específico del ML es simplemente ser explícito sobre el dominio del ciclo de vida y sobre construir frente a integrar.

## ¿Cómo deberías diseñar el proceso de entrevistas?

Diseña un proceso de cuatro a seis rondas que dé más peso al diseño de sistemas y a la depuración que a las definiciones de manual, y sustituye los acertijos abstractos de algoritmos por una muestra de trabajo realista. Un buen proceso típico es así: cribado con reclutamiento, una ronda de programación, una ronda de diseño de sistemas de ML (de 35 a 60 minutos), una ronda a fondo de ML y algoritmos, una ronda dedicada a MLOps y producción, y una conversación sobre comportamiento o encaje con el equipo.

El cambio que más predice el resultado es reservar un **bloque de MLOps** real, de unos 45 minutos. Aquí es donde separas al ingeniero que sabe llevar a producción y mantener un modelo del que solo sabe construir uno en un notebook. Los buenos enunciados de diseño de sistemas son concretos y con forma de producción:

- Diseña un sistema de recomendación en tiempo real que sirva a millones de usuarios.
- Construye, entrena y despliega un clasificador de moderación de contenido, y luego explica cómo lo monitorizarías para detectar drift.
- Diseña autocompletado o corrector ortográfico a escala, incluyendo el bucle de reentrenamiento.

Para la evaluación técnica, prefiere una prueba para casa o un ejercicio de código estructurado antes que trivialidades estilo LeetCode. Una tarea real que refleje el trabajo, como montar un pequeño pipeline de entrenamiento y despliegue o depurar un modelo que se degrada, te dice mucho más que si alguien sabe invertir un árbol binario bajo presión. Los argumentos en contra de los acertijos de algoritmos para puestos de ingeniería sénior son ya abrumadores; mira [por qué LeetCode está obsoleto en la entrevista post-IA](/blog/leetcode-obsolete-post-ai-interview) y [los argumentos a favor del diseño con muestras de trabajo frente a la pizarra](/blog/whiteboard-interview-dead-work-sample-design-2026). Para saber cómo estructurar el propio ejercicio de modo que siga siendo justo y rico en señales, lee [cómo estructurar ejercicios de código](/blog/how-to-structure-code-assignments).

<div class="blog-inline-cta">
  <p><strong>Lleva este proceso sin el caos de las hojas de cálculo.</strong> Kit da a los pipelines de ingenieros de ML ejercicios de código integrados con GitHub, programación de entrevistas incorporada y revisión del equipo estructurada para que cada entrevistador puntúe las mismas señales.</p>
  <p><a href="/users/sign_up">Empieza tu prueba gratuita</a></p>
</div>

## ¿Cuáles son los errores más comunes al contratar ingenieros de ML?

Los errores caros son casi todos variaciones de confundir el perfil o fiarse de la señal equivocada. Conocerlos de antemano es el seguro más barato que puedes contratar.

- **Del notebook a la nada.** Contratar a alguien que construye modelos preciosos que nunca llegan a producción. Detéctalo con el bloque de MLOps.
- **Contratar el perfil equivocado.** Pagar por un ingeniero de ML que construye modelos cuando necesitabas un AI engineer que integra APIs, o al revés. Decídelo antes de redactar la oferta.
- **Tratar la posición en Kaggle como capacidad de producción.** La habilidad en competiciones y la habilidad en producción se solapan menos de lo que suponen los fundadores. Un gran maestro de Kaggle que nunca ha desplegado nada es un riesgo real.
- **Sobrevalorar las credenciales.** Una certificación o el logo de una empresa famosa es un desempate, no una contratación. Evalúa el trabajo real.
- **Moverse demasiado despacio.** Este talento es pasivo y está muy demandado. Un proceso que tarda semanas entre rondas pierde candidatos frente a competidores más rápidos que contactaron la misma semana.

Ese último punto merece énfasis. Cuando la bolsa de talento está mayoritariamente empleada y no se está postulando, tu búsqueda y tu rapidez importan tanto como tu cribado. Un gran proceso de entrevistas no sirve de nada si tu mejor candidato aceptó otra oferta antes de la segunda ronda.

## Preguntas frecuentes sobre la contratación de ingenieros de machine learning

Respuestas breves a las preguntas que los fundadores hacen con más frecuencia antes de abrir un puesto de ingeniero de machine learning.

### ¿Cuál es la diferencia entre un ingeniero de machine learning y un data scientist?

Un data scientist descubre patrones y construye modelos predictivos, a menudo en notebooks, y rara vez los lleva a producción. Un ingeniero de machine learning es dueño de todo el ciclo de vida: construir, entrenar, desplegar, monitorizar y reentrenar modelos en producción. Si necesitas un modelo que funcione de forma fiable para usuarios reales, necesitas al ingeniero.

### ¿Cuánto cuesta contratar a un ingeniero de machine learning en 2026?

La mediana de compensación total ronda los 270.000 $ según levels.fyi, sesgada al alza por el equity de las grandes tecnológicas. En una startup, los salarios base suelen ir de 120.000 a 165.000 $ para junior, de 187.000 a 220.000 $ para nivel medio y de 220.000 a 275.000 $ para sénior en San Francisco, y los especialistas en IA generativa y fine-tuning de LLM exigen primas del 40 % al 60 %. Saca cifras en tiempo real antes de fijar una banda.

### ¿Necesitan los ingenieros de machine learning un título o una certificación?

No. El puesto no está colegiado y no hay ninguna credencial obligatoria. Las certificaciones de cloud como la AWS Certified Machine Learning Engineer – Associate o la Google Cloud Professional Machine Learning Engineer son buenos criterios de desempate entre candidatos comparables, pero son señales de estudio, no prueba de capacidad de producción. Evalúa el trabajo, no la insignia.

### ¿Qué preguntas de entrevista debería hacerle a un ingeniero de machine learning?

Da más peso al diseño de sistemas y a la depuración en producción que a las definiciones de manual. Pídele a los candidatos que diseñen un sistema de recomendación en tiempo real, que desplieguen y monitoricen un clasificador de moderación de contenido para detectar drift, o que expliquen cómo versionarían y revertirían un modelo. Combínalo con una prueba para casa o un [ejercicio de código estructurado](/blog/how-to-structure-code-assignments) que refleje el trabajo real en vez de trivialidades de algoritmos.

### ¿Cuánto se tarda en contratar a un ingeniero de machine learning?

Cuenta con un proceso de cuatro a seis rondas, pero muévete rápido entre ellas. Este talento es abrumadoramente pasivo y está muy demandado, así que un proceso que se alarga durante semanas pierde candidatos frente a competidores más rápidos. La rapidez en la búsqueda y en la programación importa tanto como la calidad de tu cribado.

## Contratar ingenieros de machine learning con Kit

Todo lo anterior se reduce a dos problemas difíciles: llegar al talento pasivo antes que tus competidores, y evaluar una capacidad de producción que un currículum y una posición en Kaggle no pueden demostrar. Esa es exactamente la brecha que Kit está hecho para cerrar.

Kit es un sistema de seguimiento de candidaturas (ATS) nativo de IA para startups, y encaja con limpieza en el proceso de contratación de ML. Las **plantillas de proceso** te dan un pipeline preconfigurado para que no diseñes el proceso desde cero. Los **ejercicios de código integrados con GitHub** te permiten plantear una tarea real de entrenamiento o despliegue y ver cómo trabaja de verdad un candidato, en vez de adivinarlo desde una pizarra. La **revisión del equipo y la votación estructuradas** garantizan que cada entrevistador puntúe las mismas señales, de modo que el bloque de MLOps y la ronda de diseño de sistemas produzcan una decisión en lugar de un debate. La **programación de entrevistas** mantiene el proceso lo bastante ágil como para ganar a los candidatos pasivos, y la **prospección con IA** te ayuda a llegar al talento de GitHub y de ingeniería que nunca verá una oferta de empleo.

Como gran parte de este talento no mira los portales, el **portal del candidato con enlace mágico** elimina la fricción justo en el momento en que te cuesta ofertas: los candidatos obtienen acceso sin contraseña a su candidatura y a sus ejercicios, sin necesidad de crear una cuenta nueva. Y como Kit cobra por usuario, todo el equipo de contratación puede colaborar sin la facturación por función que hace que la mayoría de los ATS resulten dolorosos para las startups.

Contratar bien a un ingeniero de machine learning se reduce a tener claridad: saber si necesitas a alguien que entrene y sea dueño de los modelos o solo que los integre, evaluar el ciclo de vida de producción en lugar de la demo, y moverte lo bastante rápido como para captar talento pasivo. Acierta en esas tres cosas y el resto vendrá solo. [Empieza tu prueba gratuita](/users/sign_up) y [explora las plantillas de proceso de Kit](/templates) para ver cómo se arma el pipeline.