¿Reemplazará la IA a los ingenieros de machine learning? Los modelos base se simplifican; la calidad de datos, la evaluación y el control del drift siguen siendo humanos.
Las organizaciones seguirán necesitando ingenieros de machine learning. Lo que se está debilitando es la función que se limita a construir experimentos de referencia.
Los ingenieros de machine learning hacen mucho más que entrenar modelos. Su función es construir un sistema que extraiga valor de los datos y siga funcionando de forma estable en producción. Eso implica tratar las variables, los datos de entrenamiento, las métricas de evaluación, el despliegue en servicio, la monitorización y la gestión del drift como un único flujo de trabajo conectado. La investigación por sí sola no basta, y la implementación por sí sola tampoco.
El valor del puesto no reside en conocer los nombres de los algoritmos, sino en equilibrar la precisión con la viabilidad operativa bajo las limitaciones reales de los datos. La IA puede acelerar las implementaciones de referencia, pero la responsabilidad sobre la calidad de los datos y la operación en producción sigue en manos humanas.
Calculado por ai-job-risk.net a partir de cuatro conjuntos de datos públicos, en una escala de 0–100 relativa a las 188 profesiones que analizamos. Una cifra más alta significa que una mayor parte de las tareas del empleo son del tipo que la IA generativa puede hacer o para el que ya se usa. No es la probabilidad de perder el empleo.
Análisis de tareas realizado por investigadores (Eloundou et al.; OIT). Se muestra como percentil entre todas las profesiones que evalúan.
Uso observado de Microsoft Copilot y Anthropic Claude en las tareas de esta profesión. Se muestra como percentil entre todas las profesiones que evalúan.
Cambio en la demanda: se prevé que la proporción de esta ocupación en el empleo de los sectores que la emplean aumente, ya que la demanda de soluciones a desafíos informáticos complejos y de desarrollo de nuevas tecnologías, incluida la inteligencia artificial (IA), sostendrá una mayor demanda de científicos de investigación en computación e información.
Demand change - share increases as demand for solutions to complex computing challenges and for developing new technologies, including artificial intelligence (AI), will support an increased demand for computer and information research scientists.
Cifras de EE. UU. para la profesión del BLS «Computer and information research scientists». Las proyecciones del BLS suponen que la tecnología sigue avanzando a su ritmo histórico; no son un pronóstico del efecto de la IA por sí sola.
Las estadísticas oficiales no recogen este título exacto, así que las cifras describen la categoría profesional oficial más cercana.
Fuentes
Índice de exposición calculado por ai-job-risk.net a partir de los conjuntos de datos siguientes (datos a 15 de octubre de 2026). Las cifras laborales de EE. UU. proceden del BLS, sin cambios.
Los editores de los datos no han elaborado, revisado ni respaldado este sitio. Citas completas, licencias y método
Con la difusión de AutoML y de la IA generativa, crear modelos de referencia, redactar notebooks y generar ideas de variables candidatas se ha vuelto más fácil que antes. La fase inicial de la experimentación es ahora mucho más ligera.
Sin embargo, en el trabajo práctico de machine learning, la calidad de los datos, la validez de las etiquetas, las métricas de evaluación y la detección del drift en producción suelen importar más que el propio modelo. Si se gestionan mal, los resultados pueden parecer precisos y aun así ser inútiles en el mundo real.
Los ingenieros de machine learning hacen algo más que construir modelos. Son ingenieros que conectan la preparación de los datos con la operación en producción y convierten los resultados del entrenamiento en algo utilizable. La línea útil es la que separa los pasos experimentales que la IA tiene más probabilidades de automatizar de las decisiones que los humanos siguen teniendo que tomar.
La IA y AutoML tienen más probabilidades de reemplazar la creación de modelos de referencia estándar y los primeros borradores de los experimentos. Cuanto más estandarizada es la estructura, más fácil resulta automatizarla.
La IA ya puede generar con bastante facilidad modelos iniciales y notebooks para tareas estándar de clasificación y regresión. Eso acorta el tiempo necesario para poner en marcha un experimento. Pero saber si la precisión resultante significa realmente algo sigue exigiendo un juicio aparte.
La IA es eficaz a la hora de ampliar las posibles variables y las ideas de preprocesamiento a partir de los datos existentes. Agiliza la fase inicial de exploración. Pero detectar fugas de datos (leakage) o el uso accidental de información futura sigue siendo una responsabilidad humana.
La IA puede producir con facilidad flujos básicos de entrenamiento, evaluación y guardado de modelos. Es probable que se reduzca la carga de trabajo de las partes rutinarias. Pero los ajustes necesarios por las particularidades de los datos reales y por las limitaciones operativas no se deciden de forma automática.
La IA es buena resumiendo las puntuaciones y las notas de varios experimentos, lo que reduce la carga de documentación. Pero decidir qué conviene probar a continuación y por qué apareció una determinada diferencia sigue siendo trabajo humano.
Lo que sigue en manos de los ingenieros de machine learning es un diseño basado en el significado de los datos y en la realidad de la producción. La capacidad de asumir responsabilidades que van más allá de la pura precisión del modelo será cada vez más importante.
Alguien tiene que decidir qué datos son fiables y si las etiquetas representan de verdad el resultado que se quiere predecir. Si esta parte queda difusa, el entrenamiento puede parecer un éxito y fracasar en la práctica. Las personas que entienden qué significan realmente los datos seguirán siendo valiosas.
Un AUC alto o la simple precisión bruta a menudo no bastan. Los equipos también tienen que considerar el coste de los falsos positivos, la velocidad de inferencia y la explicabilidad. Definir qué se considera un buen modelo sigue siendo trabajo humano, porque exige conectar la evaluación técnica con la evaluación de negocio.
Desplegar un modelo entrenado en un servicio y monitorizar la latencia, el drift y los cambios en la distribución de los datos de entrada seguirá siendo un trabajo importante. Es la función que salva la distancia entre los notebooks de investigación y los sistemas de producción. Las personas capaces de mantener estable ese puente son difíciles de reemplazar.
Alguien tiene que decidir con qué frecuencia debe reentrenarse el modelo, qué debe desencadenar las mejoras y qué parte del proceso conviene automatizar. Los modelos no están terminados cuando se construyen. Tienen que mejorarse de forma continua mientras están en operación.
Los futuros ingenieros de machine learning necesitan algo más que conocimientos de algoritmos. Necesitan la capacidad de conectar los datos con la operación. Lo que importa no es lo ingenioso que parezca un experimento, sino si el sistema puede seguir aportando valor en producción.
Entender la estadística y el diseño experimental es esencial para juzgar si una diferencia de puntuación es significativa y si un método de evaluación es válido. La capacidad de no lanzarse sobre mejoras que solo parecen verosímiles cobra aún más importancia a medida que se extiende el uso de la IA. Los mejores profesionales saben distinguir si un cambio en una métrica es casual o de fondo.
Es importante saber diseñar el flujo completo de generación de variables, infraestructura de entrenamiento, despliegue, monitorización y reentrenamiento. Las personas que piensan en términos de sistemas operativos en lugar de modelos aislados son especialmente valiosas. Cuanto más fácilmente llevan los experimentos a producción, más útiles resultan para una organización.
Los ingenieros de machine learning necesitan conocimientos sobre API de inferencia, latencia, escalado y detección del drift. Incluso un modelo muy preciso tiene un valor limitado si es lento o inestable en producción. Las personas capaces de asumir la responsabilidad después del despliegue son escasas y valiosas.
Es importante diseñar los modelos entendiendo qué mejoras afectan realmente a los ingresos o al uso. Las personas capaces de explicar no solo la optimización técnica, sino también el valor práctico, tienen más probabilidades de seguir siendo valiosas con el tiempo. Traducir la calidad de un modelo en decisiones de negocio es un gran elemento diferenciador.
La experiencia como ingeniero de machine learning va más allá de la construcción de modelos y abarca el diseño de datos, la evaluación y la mejora operativa. Eso facilita el paso a funciones vecinas relacionadas con el análisis, el producto y el diseño de operaciones.
La experiencia en pensar las variables y las métricas de evaluación se traslada directamente al análisis y al apoyo a la toma de decisiones. Esta vía encaja con quienes quieren alejarse de la construcción de modelos y profundizar en la interpretación de los propios datos.
Índice de exposición 95/100 · Empleo en EE. UU. 2025–35 +34,6%
La experiencia en organizar la calidad de los datos y los requisitos de negocio también conecta con la mejora de los procesos de negocio y el diseño de requisitos. Funciona bien para quienes quieren pasar de la validación técnica a resolver de forma más directa los problemas de negocio.
Índice de exposición 88/100 · Empleo en EE. UU. 2025–35 +10,1%
Las personas que han conectado la precisión de los modelos con el valor de negocio suelen hacer bien la transición a decidir las prioridades de las funcionalidades. Esta vía encaja con quienes quieren pasar de tender puentes entre el análisis y la implementación a tomar decisiones de producto de más alto nivel.
Índice de exposición 82/100 · Empleo en EE. UU. 2025–35 +6,9%
La experiencia en coordinar a varias partes implicadas en torno a la infraestructura de entrenamiento y el despliegue en producción también es útil en la gestión de la entrega. Encaja con quienes quieren pasar de la experimentación en sí a impulsar la ejecución general.
Índice de exposición 70/100 · Empleo en EE. UU. 2025–35 +6,7%
La experiencia en diseño de evaluaciones e interpretación de datos también se aplica a la comprensión de los clientes y al análisis de estudios. Encaja con quienes quieren tomar los supuestos que subyacen al desarrollo de modelos y ampliarlos a un trabajo más amplio de apoyo a la toma de decisiones.
Índice de exposición 94/100 · Empleo en EE. UU. 2025–35 +7,0%
Las personas con sólidos fundamentos de machine learning también pueden pasar con naturalidad a la IA generativa y a la implementación de funcionalidades de IA. Merece la pena considerarlo para quienes quieren extender su experiencia en la operación de ML tradicional a ámbitos aplicados más nuevos.
Índice de exposición 85/100 · Empleo en EE. UU. 2025–35 +10,2%
Las organizaciones seguirán necesitando ingenieros de machine learning. Lo que se está debilitando es la función que se limita a construir experimentos de referencia. Puede que los modelos iniciales sean más fáciles de crear, pero seguirá siendo necesario ocuparse de la calidad de los datos, el diseño de la evaluación, el despliegue en producción y la monitorización del drift. La ventaja más sólida a largo plazo vendrá menos de saber construir un modelo y más de saber seguir mejorándolo en operación.
Estas profesiones pertenecen al mismo sector que Ingeniero de aprendizaje automático. No son el mismo trabajo, pero ayudan a comparar mejor la exposición a la IA y la cercanía entre trayectorias.
Ingeniero de aprendizaje automático obtiene 80 sobre 100 en nuestro índice de exposición a la IA generativa (puesto 69 de 188). Eso mide qué parte del trabajo puede hacer la IA o para qué parte se usa, no si el empleo va a desaparecer. La BLS prevé que el empleo de Ingeniero de aprendizaje automático en EE. UU. cambie un +21,8% entre 2025 y 2035.
La IA y AutoML tienen más probabilidades de reemplazar la creación de modelos de referencia estándar y los primeros borradores de los experimentos. Cuanto más estandarizada es la estructura, más fácil resulta automatizarla. Por ejemplo: Construir modelos de referencia; Generar variables candidatas; Crear plantillas de scripts de entrenamiento; Resumir los resultados de los experimentos.
Lo que sigue en manos de los ingenieros de machine learning es un diseño basado en el significado de los datos y en la realidad de la producción. La capacidad de asumir responsabilidades que van más allá de la pura precisión del modelo será cada vez más importante. Por ejemplo: Juzgar la calidad de los datos y la definición de las etiquetas; Alinear las métricas de evaluación con los requisitos operativos; Despliegue en producción y monitorización del drift del modelo; Diseñar el ciclo de mejora.
Los futuros ingenieros de machine learning necesitan algo más que conocimientos de algoritmos. Necesitan la capacidad de conectar los datos con la operación. Lo que importa no es lo ingenioso que parezca un experimento, sino si el sistema puede seguir aportando valor en producción. Por ejemplo: Estadística y diseño experimental; Pipelines de datos y MLOps; Despliegue de modelos en servicio y monitorización; Conectar el machine learning con las métricas de negocio.
