Ingeniero de aprendizaje automático

Calculado aquí a partir del CSV de declaración individual, como este sitio trata una serie estadística: se descargó el fichero completo y los recuentos se hicieron en local, de modo que un lector puede repetirlos. Filtro: development_stage igual a Deployed e is_high_impact igual a High-impact, lo que da 227 de las 1.040 filas en producción. El campo hi_testing_conducted dice Yes en 44, In-progress en 81 y está vacío en 102. El campo de evaluación de impacto dice Yes en 36, In-progress en 90 y está vacío en 101. El campo de revisión independiente nunca dice completado como tal: 31 nombran una revisión del responsable de IA, 4 una revisión interna independiente, 1 un consejo de supervisión, 89 dicen en curso y 102 están vacíos. La autorización para operar dice Yes en 69, No en 60 y está vacía en 98. Fueron los organismos federales, no este sitio, quienes eligieron la etiqueta de alto impacto y rellenaron estos campos, al amparo de la EO 13960, la Advancing American AI Act y el memorando M-25-21 de la OMB. Lo que establecen los recuentos es lo que los organismos dejaron escrito sobre su propia puerta previa a la puesta en producción; un campo vacío es un campo vacío, no un No, y un Yes es una autodeclaración que aquí nadie ha comprobado. La fecha es el día en que la OMB publicó el fichero consolidado (resumen a 13 de abril de 2026; el repositorio en sí se creó el 28 de enero de 2026); las puestas en producción subyacentes abarcan muchos años y el fichero no da una fecha única para el conjunto.

Una empresa lo ha puesto en producción. Puede mover la línea de base, ponderado por la escala y por cuánto se parece ese entorno al tuyo.

Cinco ingenieros de Instacart, con nombre, describiendo su propio sistema de búsqueda. Dicen que Instacart entrenaba y mantenía históricamente varios modelos independientes para tareas concretas de comprensión de consultas, cada uno una solución a medida con su propia canalización de datos, su propio entrenamiento y su propia arquitectura de servicio; que sustituir esos modelos especializados por un único LLM que se ocupa de varias tareas de lenguaje elimina la complejidad de mantener modelos separados; que el sistema ya está en producción, atendiendo cada semana millones de consultas de arranque en frío; y que ha desplazado su reto central del diseño de características a llevar a producción esos modelos base mientras controlan la latencia y el coste. Una empresa y un sistema, descritos por el equipo que lo construyó; no dice nada sobre cuántos ingenieros de ML emplea Instacart ni sobre si su número cambió.

Una empresa lo ha puesto en producción. Puede mover la línea de base, ponderado por la escala y por cuánto se parece ese entorno al tuyo.

El propio inventario del Gobierno de EE. UU. sobre el uso de IA en sus organismos, con 2.133 entradas. Pregunta si existe un proceso para monitorizar el rendimiento de un sistema de IA después de su despliegue, con cuatro opciones de respuesta. Contado aquí a partir del fichero: de las 874 entradas en la etapa Operation and Maintenance, 76 eligieron una de las cuatro — 47 «Intermittent and Manually Updated» (los equipos de ciencia de datos trabajan con ingenieros de DevOps para actualizar manualmente los modelos a intervalos programados y crean métricas para detectar el desplazamiento de distribución), 15 «Automated and Regularly Scheduled Updates» (con parte de la monitorización y del reentrenamiento automatizados, pero con los equipos de ciencia de datos todavía muy implicados), 5 «Established Process of Machine Learning Operations» (pruebas automatizadas, detección de deriva y reentrenamiento impulsado por la canalización), y 9 sin protocolos de monitorización. Las otras 798 dejaron la pregunta en blanco o escribieron que no procedía, y las respuestas fueron en gran parte voluntarias y se concentran en unos pocos organismos, así que esto describe los sistemas que respondieron, no la IA federal en su conjunto.

Una empresa lo ha puesto en producción. Puede mover la línea de base, ponderado por la escala y por cuánto se parece ese entorno al tuyo.

Setenta y cinco competiciones de Kaggle de ingeniería de aprendizaje automático — entrenar modelos, preparar conjuntos de datos, ejecutar experimentos — puntuadas contra las marcas humanas de la clasificación pública de cada competición, así que la comparación es con la gente que de verdad participó. El montaje que mejor rindió en el momento de escribirlo (o1-preview con el andamiaje AIDE) llegó al menos al bronce en el 16,9% de las competiciones; los autores informan además de que escalar los recursos y la contaminación del preentrenamiento cambian ambos el número, y el banco de pruebas es de código abierto, así que cualquiera puede volver a correrlo sobre un modelo más nuevo. Dos límites son estructurales y no accidentales: una competición de Kaggle llega con el problema ya enmarcado, la métrica ya elegida y los datos ya recogidos, que es justo la parte de este trabajo que el banco de pruebas no puede medir en absoluto; y OpenAI construyó el banco de pruebas y vende modelos medidos con él.

Una demostración, una prueba de referencia o un artículo muestran que la tarea se puede hacer. Actualiza lo que la tecnología puede hacer, no lo que harán las empresas.

El mercado de la Unión, y solo para los sistemas de alto riesgo entrenados con datos: la obligación recae sobre el proveedor, es decir, la organización, no sobre el ingeniero a título individual. Este registro se adjunta a responder por lo que el sistema hace a las personas, no a la tarea de preparación de datos en sí: el artículo 10 rige cómo debe hacerse ese trabajo con datos, no qué parte de él realiza ahora una máquina. Lo que establece es que demostrar que los datos eran adecuados para la finalidad, examinados en busca de posibles sesgos y revisados en cuanto a lagunas pasa de ser práctica profesional a ser una obligación jurídica documentada. El Reglamento (UE) 2026/1744 (el Ómnibus Digital sobre IA, publicado el 24 de julio de 2026) aplazó la aplicación de estas obligaciones del 2 de agosto de 2026 al 2 de diciembre de 2027 para los sistemas de alto riesgo con arreglo al Anexo III, y al 2 de agosto de 2028 para los de alto riesgo con arreglo al artículo 6, apartado 1, y al Anexo I; así que esta es una norma en vigor que todavía no se aplica. El artículo no dice cuántos equipos trabajan ya así, cuánto cuesta, ni qué se aplica fuera de la Unión.

Un fallo, una marcha atrás, una regulación o un coste están frenando la adopción. Puede bajar una evaluación o ensanchar su incertidumbre.

Cuatro investigadores de Microsoft describiendo la propia práctica de etiquetado de Bing en un artículo de congreso revisado por pares. Escriben que Bing lleva usando LLM, junto con etiquetadores humanos expertos, para la mayoría de sus métricas offline desde finales de 2022; que, según su experiencia, las etiquetas de los LLM resultaron más precisas que las de cualquier etiquetador externo, incluido el personal, mucho más rápidas y muchas veces más baratas; y que con el tiempo han tenido que construir conjuntos de referencia más difíciles para poder seguir distinguiendo entre etiquetadores y entre instrucciones. Las etiquetas alimentan sobre todo métricas de evaluación y no datos de entrenamiento, y Microsoft construye y vende los modelos usados, así que tiene interés en el asunto. No dice nada sobre cuántos etiquetadores o ingenieros emplea ese trabajo.

Una empresa lo ha puesto en producción. Puede mover la línea de base, ponderado por la escala y por cuánto se parece ese entorno al tuyo.

La mayor parte de lo que enseña un curso — arquitecturas, ajuste, diseño de características — es la parte que esta página marca como desplazada, y una de ellas se desplazó antes de que empezaras a estudiar. La parte escasa es aquella para la que los cursos no pueden poner deberes con facilidad: construir una prueba que el modelo no haya visto ya, y decir en voz alta que algo todavía no es lo bastante bueno. Acércate a un sistema que esté funcionando con personas reales, aunque sea pequeño, antes de lo que parece razonable.

Si tu valor era saber a qué modelo echar mano, ese conocimiento se depreció rápido y sigue depreciándose. Si es saber cómo se rompe este dominio — cuánto cuesta aquí una respuesta equivocada, qué entradas faltan, qué significa un número plausible cuando la población cambió — esa es la mitad que escaseó más, porque lo que hay que juzgar se volvió más difícil de juzgar. La versión incómoda: buena parte de las contrataciones recientes del campo han sido de gente que sabe llamar bien a una API, que es otro trabajo con otro techo.

Quedarte y reforzarte

Ser dueño del instrumento de medida

Cuando el modelo está comprado, la evaluación es lo único que queda que sea tuyo — y un conjunto de prueba construido con tus propios fallos no es algo que un proveedor pueda suministrar.

Rehacer el puesto

Irte a donde no se puede comprar un modelo

Dominios estrechos, datos propietarios, presupuestos de latencia duros, y entornos donde no se permite una entrada inexplicable — en todos ellos el sustituto comprable no existe, y el conjunto de destrezas clásico sigue siendo el conjunto de destrezas.

Movimiento lateral

Tomar la obligación antes de que te la asignen

Se están atando deberes a los sistemas aprendidos que se usan sobre personas, y exigen a alguien que pueda mostrar qué consumió el modelo y por qué eso era adecuado para ese fin. En la mayoría de los equipos esa persona todavía no existe.

Aquí las partes se mueven en direcciones opuestas, cosa que un solo número escondería. Entrenar un modelo a medida se ha desplazado para una parte grande de los problemas, y no porque una máquina aprendiera a hacerlo — porque el producto se volvió comprable, que es una clase reversible de desplazamiento. Juzgar si un sistema aprendido es lo bastante bueno se ha vuelto a la vez más difícil y más escaso. Una señal que puedes comprobar tú: de tus tres últimos trabajos, cuántos acabaron en un modelo entrenado y cuántos en un juicio sobre uno que entrenó otro. El segundo número es hacia dónde va el puesto.

Una parte, y conviene ser preciso sobre cuál, porque el mecanismo es inusual. Lo que se fue es el artefacto a medida, no una capacidad humana: tu problema tiene ahora un sustituto comprable. Esa clase de pérdida se revierte — se mueven el precio, la licencia, el límite de uso o la capacidad de un proveedor y el trabajo vuelve — cosa que no es cierta del trabajo que una máquina aprendió de verdad a realizar. Lo que no se fue es saber si el sustituto está funcionando de verdad sobre tu problema, y eso se volvió más difícil exactamente en el mismo movimiento.

Plantearlo como una elección entre dos conjuntos de destrezas es lo que hace difícil responderlo. La posición duradera en los dos es la misma: ser la persona en cuyo juicio sobre si la cosa funciona se confía. Lo que difiere es el precio de entrada — construir encima ahora mismo casi no lo tiene, y por eso ese carril está lleno y el techo en él lo fija si sabes distinguir un buen resultado de uno plausible. Si solo puedes hacer una cosa bien, haz la de juzgar.

La demanda y la exposición son preguntas distintas y esta página solo responde a la segunda, cosa que conviene decir porque se confunden a menudo. La observación honesta es que el cargo cubre ahora dos trabajos con techos distintos — uno que entrena y evalúa sistemas, y otro que ensambla aplicaciones sobre un modelo comprado — y las ofertas rara vez los distinguen. Antes de aceptar un puesto, pregunta qué sacó el equipo el trimestre pasado y si alguien construyó un conjunto de prueba para ello. La respuesta te dice cuál de los dos trabajos significa allí el cargo.