Cómo programar inteligencia artificial. Python representa más del 90% de los proyectos de machine learning y deep learning activos en GitHub según los datos de Stack Overflow Developer Survey.
El 40% del mayor uso de herramientas Python se concentra en IA y ciencia de datos. Y el 78% de las ofertas de empleo en IA en España no requieren título universitario: lo que el mercado pide es la capacidad demostrable de construir sistemas de IA que funcionen.
Programar inteligencia artificial no significa lo mismo que hace cinco años. La irrupción de los LLMs y las APIs de modelos ha creado una distinción que todo el que quiera trabajar en este campo necesita entender desde el principio: la diferencia entre construir un modelo de IA y usar uno ya existente para construir aplicaciones.
Esta guía explica cómo funciona el ecosistema, qué lenguajes y frameworks son relevantes, cómo empezar y por dónde avanzar.
Qué significa programar inteligencia artificial
Antes de entrar en lenguajes y herramientas, conviene aclarar una distinción que define el ecosistema actual:
La mayoría de empresas no entrena sus propios modelos. Usa las APIs de los modelos más avanzados y construye sus aplicaciones encima de ellos.
Eso no significa que el conocimiento profundo de cómo funcionan los modelos no importe: saber qué ocurre bajo el capó es lo que permite tomar mejores decisiones sobre cuándo y cómo usar qué modelo.
Python: el lenguaje dominante para programar IA
¿Cómo programar inteligencia artificial?
Python es el lenguaje de la inteligencia artificial. No es una opinión ni una recomendación: es la realidad del mercado. Más del 90% de los proyectos de machine learning, deep learning y aplicaciones con LLMs usan Python como lenguaje principal.
Su posición es el resultado de su ecosistema de librerías especializadas, que no tiene equivalente en ningún otro lenguaje.
🔴 ¿Quieres formarte en Inteligencia Artificial a un nivel avanzado? 🔴
Descubre nuestro Inteligencia Artificial Full Stack Bootcamp. La formación más completa del mercado y con empleabilidad garantizada
👉 Prueba gratis el Bootcamp en Inteligencia Artificial por una semanaLa ventaja de Python no está en la velocidad de ejecución (R o C++ son más rápidos en ciertos cálculos numéricos).
Está en la productividad del desarrollador y en la amplitud del ecosistema: hay una librería Python para prácticamente cualquier tarea de IA, mantenida por equipos de Google, Meta, Hugging Face y la comunidad open source.
Las librerías Python esenciales para trabajar con IA están organizadas por capa:
| Capa | Librería | Para qué sirve |
|---|---|---|
| Datos | NumPy, Pandas | Manipulación de matrices y datos tabulares. Base de todo el ecosistema. |
| ML clásico | scikit-learn | Algoritmos de clasificación, regresión, clustering y reducción de dimensionalidad. |
| Deep Learning | PyTorch, TensorFlow | Redes neuronales, entrenamiento con GPU, arquitecturas transformer. |
| LLMs y modelos | Hugging Face Transformers | Acceso a miles de modelos pre-entrenados. Fine-tuning. Inferencia local. |
| Aplicaciones IA | LangChain, LlamaIndex | Construir aplicaciones con LLMs: RAG, agentes, chatbots con memoria. |
| Agentes | CrewAI, AutoGen | Sistemas multi-agente donde varios LLMs colaboran para resolver tareas complejas. |
| Despliegue | FastAPI, MLflow | Exponer modelos como APIs REST. Gestión del ciclo de vida de los modelos en producción. |
Los frameworks principales: PyTorch, TensorFlow y Hugging Face
PyTorch
PyTorch es el framework de deep learning más usado en investigación y en proyectos nuevos en producción. Fue desarrollado por Meta AI y actualmente es mantenido por la Linux Foundation.
Su ventaja principal es el grafo de computación dinámico: el código se ejecuta línea a línea, lo que facilita el debugging y la experimentación. Es el estándar en universidades y laboratorios de investigación, y ese contexto hace que los nuevos modelos y técnicas aparezcan antes en PyTorch que en otros frameworks.
import torch
import torch.nn as nn
# Red neuronal simple con PyTorch
class RedSimple(nn.Module):
def __init__(self):
super().__init__()
self.linear = nn.Linear(10, 1)
def forward(self, x):
return self.linear(x)
modelo = RedSimple()
entrada = torch.randn(32, 10) # batch de 32 muestras, 10 features
salida = modelo(entrada)
print(salida.shape) # torch.Size([32, 1])TensorFlow y Keras
TensorFlow fue desarrollado por Google Brain y es el framework más usado en aplicaciones de producción a gran escala. Keras, su API de alto nivel, simplifica la construcción de redes neuronales con una interfaz más intuitiva.
La versión 2.20.0 se publicó en agosto de 2025. TensorFlow tiene ventajas en despliegue (TensorFlow Serving, TensorFlow Lite para móviles, TensorFlow.js para navegadores) y en integración con el ecosistema de Google Cloud.
Hugging Face Transformers
Hugging Face es el ecosistema central para trabajar con LLMs y modelos pre-entrenados en 2026. Su librería Transformers da acceso a miles de modelos: BERT, GPT-2, LLaMA, Mistral, Falcon y cientos más, todos con la misma API unificada.
from transformers import pipeline
# Análisis de sentimientos con un modelo pre-entrenado
clasificador = pipeline("sentiment-analysis", model="nlptown/bert-base-multilingual-uncased-sentiment")
resultado = clasificador("Este producto es excelente, muy recomendable")
print(resultado)
# [{'label': '5 stars', 'score': 0.87}]Para una guía completa de las herramientas del ecosistema de machine learning, el artículo sobre las mejores herramientas de machine learning las analiza con criterios de uso en proyectos reales.
Construir aplicaciones de IA con LLMs: LangChain y RAG
La mayor parte de las aplicaciones de IA que se construyen en empresas en 2026 no entrenan modelos propios. Usan LLMs accesibles por API y los conectan con datos, herramientas y flujos de trabajo propios de la organización.
LangChain es el framework que ha estandarizado esa capa de construcción. Permite conectar LLMs con:
- Bases de datos vectoriales para recuperar información relevante antes de generar respuestas (técnica RAG — Retrieval-Augmented Generation)
- Herramientas externas como buscadores, calculadoras o APIs de terceros
- Memoria para que el modelo recuerde conversaciones previas
- Agentes que toman decisiones sobre qué herramienta usar en cada paso
from langchain_openai import ChatOpenAI
from langchain_core.messages import HumanMessage
# Llamar a un LLM con LangChain
llm = ChatOpenAI(model="gpt-4o", temperature=0)
respuesta = llm.invoke([HumanMessage(content="¿Qué es el RAG en inteligencia artificial?")])
print(respuesta.content)El patrón RAG (Retrieval-Augmented Generation) es la arquitectura más usada para conectar LLMs con documentos propios de una organización.
El modelo no tiene los documentos en su contexto de entrenamiento pero puede recuperarlos en tiempo de inferencia y usarlos para generar respuestas precisas y verificables.
Otros lenguajes relevantes en IA
Python domina, pero hay contextos específicos donde otros lenguajes son relevantes.
R sigue siendo el estándar en estadística académica, bioinformática y ciencia de datos exploratoria. Tiene librerías estadísticas muy maduras (tidyverse, caret, ggplot2) y es el lenguaje preferido en publicaciones científicas del área. Para quien viene de un perfil estadístico o académico, R puede ser el punto de entrada natural antes de migrar a Python.
JavaScript/TypeScript es relevante para desplegar modelos de IA en aplicaciones web. TensorFlow.js permite ejecutar modelos directamente en el navegador sin backend. Las APIs de OpenAI, Anthropic y Google AI tienen SDKs oficiales en JavaScript, lo que hace que construir aplicaciones web con IA no requiera Python en el backend si el equipo es frontend.
C++ y CUDA son los lenguajes en los que está escrita la mayor parte del código de los frameworks de deep learning (PyTorch internamente usa C++ y CUDA para las operaciones con GPU). Para quien trabaja en investigación de bajo nivel o en la optimización de modelos para hardware específico, este conocimiento es relevante. Para el desarrollo de aplicaciones de IA, no lo es.
SQL no es un lenguaje de IA pero es imprescindible para cualquier perfil que trabaje con datos. Los datos que alimentan los modelos viven en bases de datos. Sin SQL no se puede acceder a ellos de forma efectiva.
Cómo usar las APIs de los LLMs principales
Para la mayoría de aplicaciones de negocio, el punto de partida más práctico es usar directamente las APIs de los modelos más potentes disponibles.
# API de OpenAI
from openai import OpenAI
cliente = OpenAI()
respuesta = cliente.chat.completions.create(
model="gpt-4o",
messages=[{"role": "user", "content": "Explica qué es el machine learning en 3 líneas"}]
)
print(respuesta.choices[0].message.content)
# API de Anthropic (Claude)
import anthropic
cliente = anthropic.Anthropic()
respuesta = cliente.messages.create(
model="claude-opus-4-5",
max_tokens=1024,
messages=[{"role": "user", "content": "Explica qué es el deep learning en 3 líneas"}]
)
print(respuesta.content[0].text)Las APIs tienen límites de tokens, costes por llamada y restricciones de uso que hay que gestionar en producción.
Pero eliminan la necesidad de gestionar infraestructura de modelos, actualizar versiones ni preocuparse por los recursos computacionales necesarios para la inferencia.
Primeros pasos: por dónde empezar a programar IA
El camino más efectivo para empezar a programar IA tiene una secuencia clara. Lo que hemos visto trabajando con profesionales que hacen esta transición es que los que progresan más rápido son los que siguen la secuencia en orden, sin saltarse fases, y construyen proyectos propios desde el principio.
| Fase | Qué aprender | Tiempo orientativo |
|---|---|---|
| 1. Python | Fundamentos, NumPy, Pandas, visualización con Matplotlib | 1-2 meses |
| 2. ML clásico | scikit-learn, algoritmos supervisados y no supervisados, métricas de evaluación | 2-3 meses |
| 3. Deep Learning | PyTorch o TensorFlow, redes neuronales, CNN, arquitectura transformer | 2-3 meses |
| 4. LLMs y IA generativa | Hugging Face, APIs de LLMs, LangChain, RAG, fine-tuning | 2-3 meses |
| 5. Producción | FastAPI para APIs de modelos, MLflow para gestión de experimentos, despliegue en cloud | 2 meses |
Para un roadmap detallado con las herramientas específicas de cada fase, el artículo sobre el roadmap para ser AI Engineer cubre el recorrido completo con tiempos y proyectos de portfolio para cada etapa.
Salidas profesionales en IA: qué perfiles busca el mercado
El mercado laboral de IA en España tiene demanda activa en tres perfiles principales, con distintos requisitos técnicos y rangos salariales.
El AI Engineer diseña y despliega sistemas de IA en producción: desde aplicaciones con LLMs y agentes hasta sistemas de recomendación y modelos de clasificación. Es el perfil más demandado en 2026. El artículo sobre qué hace un Ingeniero de IA detalla las funciones específicas del rol.
El Machine Learning Engineer construye y optimiza los modelos de machine learning que después despliega el AI Engineer. Es un perfil más cercano a la investigación y requiere matemáticas más sólidas. Para entender el rol en profundidad, el artículo sobre el Machine Learning Engineer explica sus funciones y cómo diferenciarlo del Data Scientist.
Para ver las salidas profesionales completas del ecosistema de IA y los datos de empleabilidad del mercado español, el artículo sobre cómo trabajar en inteligencia artificial recoge las opciones con datos de demanda y salarios actualizados.
Pedro llevaba 18 años en puestos de gestión en el sector ferroviario. Tenía formación en ingeniería industrial y electrónica pero se había alejado de la programación desde la universidad. Con más de cuarenta años decidió que era el momento de reconvertirse en Data Scientist.
Consiguió trabajo antes de terminar el bootcamp. Hoy trabaja en lo que estudió y dice que su empleabilidad dio un giro de 180 grados. La formación no solo le dio las habilidades técnicas: le dio acceso a un mercado con demanda global donde el talento especializado en IA se busca en cualquier lugar del mundo.
Cómo formarse en IA con proyectos reales
El conocimiento técnico de los frameworks y las APIs se adquiere con práctica. Lo que distingue a quien consigue trabajo en IA de quien sigue aprendiendo sin llegar al mercado es el portfolio: proyectos reales, documentados en GitHub, que demuestren la capacidad de construir sistemas de IA funcionales.
Para perfiles que quieren entrar al ecosistema de IA desde cero con una base sólida, el Bootcamp de Inteligencia Artificial Full Stack de KeepCoding cubre el recorrido desde Python y ML clásico hasta LLMs y despliegue en producción, con proyectos reales desde el primer módulo.
Para perfiles con experiencia técnica que quieren especializarse en el tramo más avanzado del ecosistema (LLMs en producción, agentes, arquitecturas de sistemas de IA), el Programa Técnico Avanzado en IA Engineering cubre MLOps, fine-tuning, sistemas RAG avanzados y arquitecturas multiagente.
Conclusión
Programar inteligencia artificial en significa, en la mayor parte de los casos, Python como lenguaje base, PyTorch o TensorFlow para construir modelos, Hugging Face para acceder a modelos pre-entrenados y LangChain para construir aplicaciones con LLMs. Programa Técnico Avanzado en IA Engineering.
La distinción entre entrenar modelos propios y usar APIs de modelos ya entrenados determina qué parte del stack es más relevante según el objetivo.
El mercado no necesita más personas que hayan hecho un curso de prompts. Necesita ingenieros que entiendan cómo funcionan los sistemas de IA, que puedan construirlos con criterio y que asuman responsabilidad técnica real sobre lo que producen en producción.
El índice de lenguajes más usado para evaluar la demanda real de cada tecnología es el TIOBE Index, actualizado mensualmente con datos de presencia global en buscadores, foros y repositorios.
