Un roadmap para ser AI Engineer es una secuencia estructurada de aprendizaje que lleva desde los fundamentos de programación hasta la capacidad de construir y desplegar sistemas de inteligencia artificial en entornos reales de producción.
España creará este año más de 52.000 puestos de trabajo en IA, con el AI Engineer especializado en LLMs como el perfil con mayor crecimiento de ofertas: un 340% más que hace dos años según el análisis de Javadex sobre 52.000 vacantes del sector.
El salario junior parte de 35.000-45.000 euros y los perfiles senior especializados superan los 85.000 euros según Manfred y Adecco Group. El 78% de esas ofertas no requieren título universitario: lo que requieren es demostrar que se puede construir.
Qué es un AI Engineer y por qué necesitas un roadmap claro
Un AI Engineer construye sistemas y aplicaciones que integran inteligencia artificial en entornos reales. Trabaja con LLMs, agentes autónomos y modelos generativos: diseña pipelines RAG, realiza fine-tuning de modelos y despliega sistemas de IA que procesen peticiones de usuarios reales a escala.
La razón por la que un roadmap claro importa más en este campo que en casi cualquier otro es la velocidad a la que evoluciona. Sin una secuencia estructurada, es fácil aprender herramientas sin entender lo que hay debajo, saltar entre tecnologías sin consolidar las bases y acumular horas de vídeo sin proyectos reales que demostrar. El roadmap resuelve ese problema: define qué aprender, en qué orden y cuándo es el momento de pasar a la siguiente fase.
Si quieres entender en profundidad qué hace un AI Engineer en su trabajo diario, sus funciones, salidas profesionales y diferencias con otros perfiles del ecosistema, el artículo Cómo convertirse en AI Engineer cubre ese mapa completo del rol.
Qué habilidades necesita un AI Engineer
Antes de entrar en las fases del roadmap, conviene entender qué combinación de habilidades define a un AI Engineer empleable. No es solo conocer herramientas: es dominar una base técnica que permite entender por qué funcionan y qué hacer cuando fallan.
Habilidades técnicas imprescindibles
- Python a nivel intermedio. El lenguaje central de todo el stack. NumPy, Pandas y FastAPI son las librerías del día a día. Sin Python sólido, el resto del roadmap no tiene base sobre la que apoyarse.
- Matemáticas aplicadas. Álgebra lineal para entender cómo funcionan las redes neuronales. Cálculo diferencial para el proceso de optimización. Estadística inferencial para evaluar el rendimiento de los modelos. No hace falta el nivel de un matemático: hace falta entender los conceptos con suficiente profundidad para interpretar resultados.
- Machine Learning y Deep Learning. Scikit-learn para ML clásico. TensorFlow o PyTorch para redes neuronales. La arquitectura transformer en profundidad, porque es la base de todos los LLMs modernos. Sin este conocimiento, trabajar con LLMs es superficial.
- LLMs e IA generativa. Hugging Face para acceder a modelos open source y realizar fine-tuning. LangChain para construir pipelines que combinan LLMs con fuentes de datos. Técnicas RAG. Evaluación de modelos generativos para detectar alucinaciones y medir calidad.
- MLOps y despliegue. Docker para empaquetar entornos. MLflow para tracking de experimentos. Pipelines de CI/CD. FastAPI para exponer modelos como servicios. Es la habilidad que convierte un portfolio académico en un portfolio empleable.
- Cloud ML. AWS Bedrock, Azure OpenAI Service o Google Vertex AI. La mayoría de sistemas de IA en producción viven en la nube. Conocer los servicios de IA de al menos una plataforma es un requisito frecuente en las ofertas.
Habilidades blandas que marcan la diferencia
El pensamiento crítico aplicado a los modelos de IA, la capacidad de comunicar las limitaciones técnicas a perfiles no técnicos y la disposición al aprendizaje continuo son las tres competencias que más mencionan los reclutadores del sector. El inglés técnico no es opcional: la documentación de todas las herramientas del stack, los papers más relevantes y las mejores ofertas de trabajo remoto están en inglés.
Roadmap para ser AI Engineer: las 5 fases
Este roadmap está diseñado para quien apunta al primer empleo como AI Engineer en el menor tiempo posible con un nivel técnico real y un portfolio que convence en entrevistas.
- Fase 1 — Fundamentos técnicos (meses 1-2). Python desde cero hasta nivel intermedio: variables, funciones, clases, manejo de errores. NumPy y Pandas para manipulación de datos. SQL básico para consultar bases de datos estructuradas. Álgebra lineal, cálculo y estadística inferencial con la profundidad suficiente para entender los algoritmos de las fases siguientes. Git y GitHub desde el primer día: el historial de commits públicos es parte del portfolio desde la fase 1, no al final del roadmap.
- Fase 2 — Machine Learning clásico (meses 2-4). Scikit-learn para algoritmos de clasificación, regresión y clustering. Validación cruzada, métricas de evaluación, sobreajuste y técnicas de regularización. Primer proyecto documentado en GitHub: un modelo end-to-end entrenado, evaluado y con README claro. Kaggle desde esta fase: resolver competencias con datos reales acelera el aprendizaje más que cualquier tutorial.
- Fase 3 — Deep Learning y arquitectura transformer (meses 4-7). TensorFlow o PyTorch. Redes neuronales densas, CNN para visión artificial y RNN para secuencias. La arquitectura transformer en profundidad: atención multi-cabeza, positional encoding, encoder-decoder. Este es el conocimiento que diferencia a un AI Engineer que entiende los LLMs de uno que solo sabe usarlos. Sin esta fase, todo lo que venga después es frágil.
- Fase 4 — LLMs, IA generativa y agentes (meses 7-10). Hugging Face para acceder a modelos open source y realizar fine-tuning con datos propios. LangChain para construir pipelines que combinan LLMs con fuentes externas. Técnicas RAG completas: chunking, embeddings, vector stores como Chroma o Pinecone, retrieval y generación. Diseño y construcción de agentes autónomos con LangGraph o CrewAI. Evaluación de modelos generativos con RAGAS o DeepEval. Primer proyecto de aplicación con LLM desplegado online: una API real con usuarios reales.
- Fase 5 — MLOps, cloud y portfolio final (meses 10-12). Docker para empaquetar entornos reproducibles. MLflow para gestión del ciclo de vida del modelo. Pipelines de CI/CD con GitHub Actions. FastAPI para exponer modelos como servicios. AWS, GCP o Azure para infraestructura cloud. Al terminar esta fase, el portfolio debe tener al menos tres proyectos distintos: un sistema RAG funcional, una aplicación con agentes y un modelo fine-tuned desplegado. Esos tres proyectos son lo que se enseña en las entrevistas técnicas.
¿Cuánto tiempo lleva este roadmap?
Con 15 a 20 horas semanales de dedicación, el recorrido completo toma entre 9 y 12 meses para quien parte con base técnica previa en programación. Para quien parte desde cero absoluto, el tiempo se extiende a 14-18 meses. Un programa intensivo con estructura, mentoría de profesionales en activo y proyectos guiados puede comprimir ese tiempo y aumentar significativamente la probabilidad de conseguir el primer empleo.
Herramientas del roadmap por fase
| Fase | Herramientas principales | Para qué se usan |
|---|---|---|
| F1 — Fundamentos | Python, NumPy, Pandas, SQL, Git, GitHub | Base técnica y primer portfolio público |
| F2 — ML clásico | Scikit-learn, Statsmodels, Jupyter, Kaggle | Algoritmos supervisados y no supervisados, validación |
| F3 — Deep Learning | PyTorch, TensorFlow, Transformers (HF) | Redes neuronales y arquitectura transformer |
| F4 — LLMs y agentes | Hugging Face, LangChain, LangGraph, Chroma, RAGAS | Fine-tuning, RAG, agentes autónomos, evaluación |
| F5 — MLOps y cloud | Docker, MLflow, FastAPI, GitHub Actions, AWS/GCP/Azure | Despliegue, automatización y escalado en producción |
Certificaciones que impulsan el salario de un AI Engineer
Las certificaciones no reemplazan la experiencia práctica, pero en los procesos de selección donde el filtro inicial es automatizado, pueden marcar la diferencia. Para un perfil junior, el orden de prioridad es primero el portfolio, después las certificaciones. Para un perfil mid-level que busca cambiar de empresa, una certificación cloud puede añadir entre 5.000 y 8.000 euros anuales con una inversión de tiempo y dinero muy razonable.
| Certificación | Para quién | Impacto en el mercado español |
|---|---|---|
| AWS Certified Machine Learning Specialty | ML Engineers y AI Engineers en entornos AWS | Aparece en el 34% de ofertas que piden certificaciones. +5-8K€ anuales para mid-levels |
| Google Cloud Professional ML Engineer | Perfiles orientados a startups y ecosistema Google | Referencia para quien trabaja con Vertex AI, BigQuery ML y TensorFlow |
| Microsoft Azure AI Engineer Associate | Entornos empresariales con stack Microsoft | Útil en banca, salud y sectores regulados que usan Azure OpenAI |
| TensorFlow Developer Certificate | Perfiles junior y mid-level | Diferenciador en CV para primeros empleos. Demuestra dominio de redes neuronales |
| DeepLearning.AI Specializations | Cualquier nivel del roadmap | Autoridad académica reconocida. Recomendadas en fases 2, 3 y 4 del roadmap |
Para juniors sin experiencia: mejor dedicar esas horas al portfolio. Para mid-levels que buscan saltar de empresa: AWS ML Specialty tiene el mejor retorno sobre la inversión en el mercado español.
Salario de un AI Engineer en España según el nivel del roadmap
| Nivel | Experiencia | Bruto / año | Neto / mes (aprox.) |
|---|---|---|---|
| Junior | 0-2 años | 35.000 – 45.000 € | ~2.250 – 2.800 €/mes |
| Mid-level | 2-5 años | 45.000 – 65.000 € | ~2.800 – 3.750 €/mes |
| Senior | 5-10 años | 65.000 – 85.000 € | ~3.750 – 4.600 €/mes |
| Lead / Arquitecto de IA | 10+ años | 80.000 – 120.000 € | ~4.300 – 5.800 €/mes |
Fuentes: Manfred Guía Salarial 2026 · Adecco Group · Javadex análisis 52.000 vacantes · calcutechsalary.org.
La especialización en LLMs o MLOps puede añadir entre 15.000 y 25.000 euros anuales respecto a un perfil generalista con la misma antigüedad. El cambio estratégico de empresa cada dos o tres años es el patrón que más acelera el crecimiento salarial en este campo.
Cómo empezar este roadmap
El error más habitual al empezar el roadmap es intentar hacer todo a la vez. La secuencia importa. Python antes que LangChain. ML clásico antes que deep learning. Transformers antes que fine-tuning de LLMs. Cada fase da sentido a la siguiente, y saltarse una genera lagunas que se vuelven costosas más adelante.
El portfolio no puede esperar al final del roadmap. Cada proyecto que se construye en las fases intermedias va al GitHub. Un modelo de clasificación de texto de la fase 2 ya es un proyecto de portfolio. Una app RAG de la fase 4 es el proyecto que se enseña en entrevistas. Quien llega a la fase 5 con el GitHub vacío pierde varios meses de ventaja respecto a quien fue publicando desde el principio.
El inglés no puede dejarse para después. La documentación de Hugging Face, LangChain, MLflow y todas las herramientas del stack está en inglés. Los papers más citados están en inglés. Las mejores ofertas de trabajo remoto exigen inglés. Es la infraestructura del aprendizaje continuo en este campo.
En KeepCoding acompañamos a profesionales que quieren recorrer este roadmap con estructura, mentoría y proyectos reales desde el primer módulo. El Bootcamp de Inteligencia Artificial Full Stack cubre las fases 1 a 5 de este roadmap con proyectos que construyen el portfolio que piden las empresas.
Conclusión
El roadmap para ser AI Engineer tiene cinco fases que no se pueden saltar ni reordenar sin consecuencias: fundamentos técnicos, ML clásico, deep learning y transformers, LLMs y agentes, y MLOps en producción. Cada fase da sentido a la siguiente.
Con 9 a 12 meses de dedicación real, base técnica previa y un portfolio construido en paralelo desde el principio, el primer empleo como AI Engineer junior en España está al alcance. El mercado lo respalda: más de 52.000 puestos nuevos en IA este año y una demanda que sigue superando la oferta de talento cualificado.
Lo que más distingue a quien consigue ese primer empleo de quien no lo consigue no es el número de cursos completados. Es el portfolio: proyectos reales, desplegados, documentados y que demuestran que se entiende el ciclo completo.
Para quienes ya tienen base técnica sólida y apuntan directamente al nivel avanzado del perfil, el Programa Técnico Avanzado en Ingeniería de IA de KeepCoding cubre MLOps, LLMs en producción y arquitecturas de sistemas de IA con foco en los stacks reales que usan las empresas españolas e internacionales.
Artículos que te pueden interesar
- Cómo convertirse en AI Engineer: rol, habilidades y salario
- Diferencias entre Data Scientist, ML Engineer y AI Engineer
- Qué es MLOps y cómo trabajar en ello
- Salidas profesionales de un ingeniero de IA
- Qué estudiar para trabajar en inteligencia artificial
El repositorio roadmap.sh/ai-engineer es la referencia técnica de la comunidad global de ingenieros de software para visualizar el mapa completo de habilidades del perfil, actualizado de forma continua por miles de profesionales del sector.
