Si trabajas como analista de datos, científico de datos o ingeniero de machine learning, habrás notado que el suelo se mueve. Muchos proyectos ya no empiezan entrenando un modelo, sino conectando un modelo de lenguaje a los datos de la empresa. Las ofertas piden RAG, agentes y evaluación de LLM. La buena noticia: buena parte de lo que sabes sigue siendo valioso. Aquí va lo que cambia, lo que no y por dónde seguir.
Lo que ya sabes y sigue valiendo
- Pensar en términos de evaluación: separar datos de prueba, desconfiar de un buen resultado a la primera, medir antes de opinar. Es exactamente lo que más falta en los proyectos de IA generativa.
- Calidad de los datos: un sistema RAG con documentos desordenados o desactualizados da malas respuestas, igual que un modelo con datos sucios.
- Python y SQL: siguen siendo el idioma de trabajo.
- Estadística: para diseñar experimentos, comparar versiones y entender la incertidumbre.
- Conocimiento del negocio: saber qué problema merece la pena resolver.
Lo que cambia
- De entrenar a adaptar: el punto de partida es un modelo fundacional que se adapta con instrucciones, recuperación de documentos o ajuste fino.
- El texto y los documentos pasan a primer plano: lo que antes era difícil de explotar, como contratos, correos o informes, ahora es la materia prima.
- Del modelo al sistema: el valor está en cómo se combinan modelo, datos, herramientas y memoria.
- Evaluar sin una única métrica: hay que medir la corrección, la fidelidad a las fuentes, la seguridad, el coste y la latencia.
- El coste por consulta: cada llamada a un modelo cuesta dinero, y la arquitectura tiene que tenerlo en cuenta desde el principio.
El nuevo mapa de habilidades
| Si ya sabes… | Ahora necesitas… |
|---|---|
| Entrenar y validar modelos | Elegir modelo y técnica de adaptación, y evaluar sistemas generativos |
| Ingeniería de variables | Ingeniería de contexto: qué información ve el modelo y cuándo |
| Métricas de clasificación | Conjuntos de evaluación, jueces automáticos y revisión humana |
| Desplegar un modelo | Operar sistemas con trazas, control de costes y monitorización (LLMOps) |
| Explicabilidad con SHAP | Trazabilidad de fuentes y herramientas en cada respuesta |
Una ruta de aprendizaje en seis pasos
- Cómo funcionan los modelos de lenguaje: transformers, tokens, embeddings, preentrenamiento y alineación. No para entrenarlos desde cero, sino para entender sus límites.
- Instrucciones e ingeniería de contexto: ejemplos, razonamiento paso a paso, salidas estructuradas.
- RAG y búsqueda semántica: trocear, indexar, recuperar y reordenar. Te ayudará RAG, fine-tuning o prompting.
- Agentes y uso de herramientas: que el modelo consulte bases de datos, ejecute código o llame a APIs, con protocolos como MCP.
- Evaluación y seguridad: conjuntos de evaluación, alucinaciones, inyección de instrucciones y fugas de datos.
- Adaptación y despliegue: ajuste fino con LoRA o DPO cuando haga falta, y operación en producción con control de coste y calidad.
En paralelo, aprende a trabajar con un agente de código: te ahorrará tiempo en todo lo demás.
Errores comunes al dar el salto
- Empezar por el fine-tuning cuando el problema se resolvía con mejores instrucciones o con RAG.
- Construir una demo impresionante sin un conjunto de evaluación, y descubrir los fallos en producción.
- Ignorar el coste por consulta hasta que llega la primera factura.
- Olvidar los permisos: que el asistente muestre a cada usuario solo lo que puede ver.
Cómo hacerlo con formación
Si quieres un primer contacto práctico, el curso Code Agents te enseña en cinco semanas a trabajar con agentes de código en proyectos reales. Si quieres recorrer la ruta completa, el Máster en Ingeniería de Sistemas de IA Generativa de la Universidad de Alcalá dedica una asignatura a cada uno de estos bloques, con proyectos prácticos y un trabajo fin de máster aplicado.