El AI Engineer ya no vive en el departamento de IT. Las empresas que lo entienden son las que están rentabilizando la IA.
Llevamos años hablando de pruebas de concepto. Ese ciclo se ha cerrado. La gran pregunta que se hacen los comités de dirección es otra: ¿esto da resultados o es solo humo?
McKinsey lo deja claro: lo que diferencia a las empresas que monetizan la IA de las que no es la alineación entre la arquitectura técnica y el negocio. Gartner va más allá y advierte que más del 70% de los proyectos de IA fracasan o se quedan atascados antes de llegar a producción, casi siempre por la misma razón: una brecha difícil de cerrar entre quien programa el modelo y quien tiene que usarlo cada día.
Ese diagnóstico está cambiando el perfil que buscan las compañías.
Del código al negocio
Las organizaciones más avanzadas están sacando a sus ingenieros de IA del laboratorio para integrarlos en Finanzas, Supply Chain o Recursos Humanos. Tiene sentido: un modelo predictivo perfecto en lo matemático, o una arquitectura agéntica muy bien optimizada, pierde todo su valor si quien la construye no entiende cómo funciona realmente el área a la que da soporte.
Y el impacto de juntar ambos mundos se puede medir. Según informes recientes de PwC sobre el impacto sectorial de la IA, integrar perfiles tecnológicos directamente en la cadena de suministro puede reducir los costes logísticos hasta un 15% y mejorar la previsión de inventarios en un 35%. Nada de eso sale de programar sin contexto: sale de entender el negocio primero.
Hoy dominar la IA generativa o el machine learning ya no es suficiente. Hace falta saber exactamente dónde aplicarlos para que muevan una cifra real en la cuenta de resultados.
Por qué el currículum ya no sirve para esto
Encontrar a alguien que domine frameworks avanzados y, a la vez, conozca a fondo la lógica de un departamento concreto es uno de los mayores retos de la selección tecnológica actual. Los informes de tendencias laborales de LinkedIn muestran que la demanda de perfiles de IA con experiencia funcional o de negocio ha crecido más de un 65% en el último año.
Todo el mercado persigue al mismo profesional, y ahí es donde el reclutamiento tradicional se queda corto. Filtrar currículums por palabras clave dice si alguien sabe programar, pero no dice nada sobre si es capaz de detectar un cuello de botella en una línea de producción, anticipar una rotura de stock o aportar visión estratégica.
Evaluar a un AI Engineer híbrido requiere otra manera de trabajar: pruebas técnicas rigurosas, por supuesto, pero también casos reales de negocio que pongan a prueba su criterio. Y muy pocos departamentos de selección generalistas saben estructurar eso.
Lo que hacemos en Iwantic
En Iwantic evaluamos este talento en dos frentes: el nivel técnico en datos e IA, y el conocimiento de negocio y dominio funcional del candidato en el entorno donde va a trabajar.
Conocemos el mercado lo suficiente como para blindar contrataciones críticas e incorporar perfiles que aporten valor desde el primer día, no seis meses después.
La IA dejó de ser tecnología. Es negocio. Y quien la lleva a cabo tiene que estar a la altura.
