Primer ingeniero IA en tu agencia: playbook 2026

Contratar un AI engineer en una agencia LatAm requiere definir primero si necesitas un generalista o un especialista, porque el perfil cambia el rango salarial y la rúbrica de entrevista por completo. Con un plan de onboarding de 90 días bien estructurado, el perfil correcto entrega valor medible antes del tercer mes.

Por qué el título “AI engineer” cambió el mercado laboral en LatAm

Hasta 2023, las agencias de software en la región contrataban desarrolladores backend y esperaban que “aprendieran IA en el camino”. Ese modelo ya no funciona.

La carrera de AI engineer se consolidó como rol diferenciado en 2024, con comunidades propias (Latent Space es la referencia más citada en la comunidad hispanohablante y anglosajona), conferencias específicas y, lo más importante para quienes contratan, un mercado salarial propio. Hoy hay suficientes candidatos en LatAm con ese perfil para que una agencia mediana pueda contratar sin necesidad de pagar salarios de San Francisco.

El rango real, verificado con datos de Levels.fyi y postings activos en LinkedIn LatAm durante Q1 2026, va de $30k a $90k USD anuales. El tramo bajo corresponde a perfiles júnior con experiencia en integración de APIs de LLMs; el tramo alto, a seniors con experiencia demostrada en sistemas agénticos en producción.

Los mercados más activos de la región son Buenos Aires, Ciudad de México y Bogotá. Sin embargo, ciudades como Santiago de Chile y Lima están creciendo con rapidez: Santiago, impulsada por su ecosistema fintech maduro, y Lima, por el aumento sostenido de startups de servicios digitales B2B. Ignorar esas plazas significa reducir el pool de candidatos calificados sin razón estratégica.

Generalista vs. especialista: la decisión que define todo lo demás

Antes de abrir la búsqueda, define esto: necesitas a alguien que cubra mucho terreno o a alguien que vaya muy profundo en un problema específico.

En la mayoría de agencias LatAm con 10 a 50 personas, el generalista gana por margen amplio. Un especialista en fine-tuning o en visión computacional es caro ($65k+ en el rango típico) y su set de habilidades queda ocioso cuando el proyecto del trimestre es un chatbot de soporte o un pipeline de extracción de datos.

El perfil generalista que funciona en este contexto domina al menos estas 4 áreas: orquestación de LLMs (LangChain, LlamaIndex o equivalentes), diseño de prompts de producción (no experimentación, sino prompts que corren en sistemas reales), integración de APIs de los modelos principales (OpenAI, Anthropic, Gemini) y nociones básicas de evaluación: cómo medir si un modelo está funcionando bien.

Si tu agencia tiene un nicho muy claro, como análisis de documentos legales o automatización de procesos contables, entonces el especialista empieza a tener sentido. Pero es la excepción.

Skills requeridas para un AI engineer en una agencia LatAm

Esta sección existe para responder una pregunta concreta: ¿qué debe saber hacer el candidato antes de llegar a la entrevista técnica?

Las competencias se dividen en tres niveles de prioridad.

Imprescindibles (sin estas, no avanza):

• Integración de APIs de LLMs en entornos de producción (OpenAI, Anthropic, Google Gemini)
• Orquestación de flujos con LangChain, LlamaIndex o frameworks equivalentes
• Diseño y evaluación de prompts para casos de uso reales, no solo demos
• Manejo básico de bases de datos vectoriales (Pinecone, Chroma, Weaviate o similares)
• Lectura fluida de documentación técnica en inglés

Importantes (diferencian al candidato):

• Experiencia con sistemas RAG (Retrieval-Augmented Generation) en producción
• Conocimiento de estrategias de reducción de costos de API (prompt caching, batching, selección de modelo por tarea)
• Capacidad de estimar y comunicar costos operativos de un sistema de IA a un cliente no técnico
• Experiencia con herramientas de evaluación de modelos (Ragas, LangSmith, PromptFlow o equivalentes)
• Nociones de seguridad en sistemas con LLMs: prompt injection, manejo de datos sensibles, límites de contexto

Valoradas pero no excluyentes:

• Experiencia con agentes autónomos y herramientas de tipo ReAct o function-calling avanzado
• Conocimiento de fine-tuning con LoRA o adaptadores similares para casos específicos
• Familiaridad con infraestructura de despliegue (Docker, AWS Lambda, Railway, Render)
• Experiencia trabajando directamente con clientes en proyectos de consultoría o agencia

Este listado estructurado sirve también como base para redactar la oferta laboral. Una descripción de puesto que usa estas categorías atrae candidatos con expectativas realistas y filtra perfiles mal alineados antes de la primera llamada.

Rúbrica de entrevista: qué evaluar y cómo

Una entrevista técnica para AI engineer no es lo mismo que una de software tradicional. Evaluar algoritmos de ordenamiento no dice nada sobre si alguien puede construir un pipeline de RAG que funcione en producción.

Esta es la rúbrica en 4 bloques que usan equipos de agencias con procesos maduros de contratación:

Bloque 1: Comprensión de modelos (no implementación) Pide al candidato que explique la diferencia entre temperatura y top-p, y cuándo cambiaría cada parámetro en un caso real. Busca claridad conceptual, no memorización de documentación.

Bloque 2: Ejercicio de integración en vivo Dale acceso a una API de LLM y un problema concreto: “construye un resumen de documentos que maneje PDFs de más de 50 páginas sin perder contexto”. Evalúa cómo estructura el problema, qué preguntas hace antes de escribir código y cómo maneja los límites de tokens.

Bloque 3: Diagnóstico de fallo Muéstrale un sistema que ya está corriendo mal: respuestas inconsistentes, latencias altas, costos de API desbordados. Pide un diagnóstico y un plan de corrección. Este bloque separa a quienes saben construir de quienes saben operar.

Bloque 4: Comunicación con clientes no técnicos En una agencia, el AI engineer habla con clientes. Pide que explique qué es un sistema RAG como si se lo estuviera explicando al director de marketing de una empresa mediana. Si no puede hacerlo sin jerga, tendrás problemas de gestión de expectativas desde el día 1.

La puntuación recomendada es 1-4 por bloque, con 4 como “sobrepasa expectativas”. Un candidato con 12 o más puntos sobre 16 merece segunda ronda; uno con menos de 9, descártalo sin culpa.

Cómo comparar candidatos entre mercados: Buenos Aires, Ciudad de México, Bogotá, Santiago y Lima

El mercado de AI engineers en LatAm no es uniforme. Entender las diferencias entre plazas ayuda a calibrar expectativas salariales y tiempos de búsqueda.

Buenos Aires tiene el pool más maduro en términos de inglés técnico y exposición a clientes internacionales. Las expectativas salariales son altas para la región: un senior puede pedir $75k-$90k USD remote. Ciudad de México combina volumen de candidatos con una cultura de agencias digitales consolidada; los rangos son similares a Buenos Aires pero con mayor variación según el tipo de empresa.

Bogotá crece aceleradamente, en parte porque varias empresas de outsourcing tecnológico han invertido en formación de talento IA en los últimos dos años. Los rangos son algo más bajos ($30k-$70k para generalistas), lo que la convierte en una plaza competitiva para agencias con presupuesto ajustado.

Santiago ofrece candidatos con alta exposición a sectores regulados (fintech, legal, salud), lo que es una ventaja si tu agencia trabaja en esos nichos. Lima está emergiendo con fuerza: los salarios son más bajos que en Santiago, pero la calidad de candidatos con experiencia en integración de APIs ha aumentado de forma notable desde 2024.

La recomendación práctica es abrir la búsqueda en al menos tres plazas simultáneamente. El tiempo promedio para cerrar una contratación de AI engineer en LatAm es de 6 a 10 semanas cuando la búsqueda se limita a una sola ciudad; se reduce a 4 a 6 semanas cuando se amplía a tres o más mercados.

Plan de onboarding a 90 días

El error más común en agencias que contratan su primer AI engineer es tirarlo al agua desde la semana 1. El resultado es código de baja calidad, frustración mutua y rotación antes de los 6 meses.

Los primeros 30 días son de escucha activa. El nuevo ingeniero debe mapear los 3 proyectos activos más relevantes, entrevistar a los PMs y diseñadores involucrados, y entregar un documento de diagnóstico: dónde hay oportunidades de IA que el equipo actual no está capitalizando. No escribe código de producción aún.

Del día 31 al 60, audita el stack técnico existente: qué herramientas de IA se usan ya, cuánto cuestan, cómo están integradas. Al final de este período entrega una propuesta de mejoras con impacto estimado. Una agencia que ya usa Claude o GPT-4 sin prompt caching, por ejemplo, puede reducir costos de API entre 40% y 70% con cambios simples de configuración, según datos publicados por Anthropic en su documentación oficial de optimización de costos.

Del día 61 al 90, el ingeniero entrega su primera pieza autónoma: un pipeline, una automatización o una mejora de sistema que está en producción y tiene métricas de éxito definidas desde el inicio. Esto cierra el ciclo de onboarding con evidencia concreta, no con promesas.

Una recomendación adicional para el período completo: asigna al AI engineer un punto de contacto interno que no sea el CEO ni el CTO. Puede ser un PM senior o un tech lead. Ese canal reduce la fricción de integración cultural y acelera el acceso a contexto de negocio que de otra forma tarda semanas en transmitirse.

Señales de alerta en el proceso de selección

Hay 3 patrones que aparecen seguido en candidatos con CVs atractivos pero rendimiento débil en el rol.

El primero: candidatos que solo han trabajado con notebooks de Jupyter y nunca han puesto nada en producción. La brecha entre experimentación y sistemas reales es enorme y no se cierra en semanas.

El segundo: candidatos que no mencionan evaluación cuando explican sus proyectos. Si alguien construyó un chatbot pero no puede decirte cómo medía si funcionaba bien, construyó un prototipo, no un producto.

El tercero: candidatos que hablan de “entrenar modelos” como su habilidad central cuando el rol es de integración. No es un defecto de habilidad, es un desajuste de perfil. Ese candidato puede ser excelente para un equipo de producto en una empresa grande; no necesariamente para una agencia de 20 personas con 8 clientes activos.

Hay una cuarta señal que aparece menos en los listados pero es igualmente importante: candidatos que no pueden estimar costos. En una agencia, cada pipeline de IA tiene un costo operativo mensual. Si el candidato nunca ha pensado en tokens, llamadas de API o costos de inferencia como variables de diseño, el primer sistema que construya puede generar sorpresas de facturación desagradables.

Métricas para evaluar el impacto del AI engineer después del onboarding

Contratar bien es solo la mitad del trabajo. La otra mitad es saber si la contratación funcionó.

Estas son las métricas que tienen sentido medir a los 90, 180 y 360 días:

A los 90 días: el ingeniero entregó al menos un sistema en producción con métricas de éxito definidas desde el inicio. El costo de las APIs de IA de la agencia está documentado y existe un baseline para comparar optimizaciones futuras.

A los 180 días: al menos un cliente mencionó la calidad o velocidad de las entregas con componente IA como factor diferenciador. El ingeniero puede onboardear a otros miembros del equipo en el uso básico de las herramientas que gestiona.

A los 360 días: la agencia tiene un stack de IA documentado, replicable y con costos predecibles. El AI engineer participa activamente en propuestas comerciales como recurso técnico de confianza, no solo como ejecutor.

Si a los 180 días ninguna de estas condiciones se cumple, el problema puede estar en el perfil contratado, en el onboarding, o en que la agencia aún no tiene suficiente demanda de IA para justificar el rol full-time. Los tres escenarios tienen soluciones distintas y vale la pena diagnosticar cuál aplica antes de tomar decisiones apresuradas.

Conclusión

Contratar bien a un AI engineer en 2026 es, sobre todo, un ejercicio de claridad organizacional: saber qué problema quieres resolver antes de abrir la búsqueda. Con el perfil correcto (generalista en la mayoría de los casos), una rúbrica honesta y 90 días de onboarding estructurado, el retorno aparece antes del cuarto mes. El costo de contratarlo mal, en cambio, se mide en meses de retrabajo y clientes insatisfechos.

Ampliar la búsqueda a mercados como Santiago y Lima, definir con precisión las skills requeridas antes de publicar la oferta, y medir el impacto con métricas concretas después del onboarding son los tres pasos que separan una contratación que funciona de una que parece buena en papel pero no entrega resultados.

Trabaja con Kreante

Kreante acompaña a PyMEs y founders en LatAm que quieren construir su primer equipo de IA o reemplazar SaaS caro con soluciones personalizadas. Hemos completado más de 265 proyectos (60% LowCode/AI, 70% B2B) para clientes en Estados Unidos, Europa y LatAm. Si quieres una conversación de 30 minutos para revisar tu situación específica, puedes agendar directamente en el sitio de Kreante.