Deloitte AI Engineer: CV, palabras clave y entrevista

Llevas semanas enviando tu currículum y la respuesta es el silencio. Es frustrante. Especialmente cuando el puesto de AI Engineer en una firma como Deloitte parece perfecto para ti, pero ni siquiera pasas el primer filtro. El problema no eres tú; es que no estás hablando el idioma que su sistema y sus reclutadores esperan escuchar.

Vamos a arreglarlo. Aquí no hay promesas vacías, solo un plan de acción directo para que tu perfil destaque en el proceso de selección de Deloitte en 2026.

Por qué Deloitte no es una startup de IA#

Antes de tocar el CV, entiende el terreno. Deloitte no construye un producto de IA para el consumidor final. Construye soluciones para clientes corporativos. Bancos, aseguradoras, cadenas de suministro, gobiernos. Esto cambia todo.

Lo que buscan no es solo un mago de los algoritmos. Buscan a alguien que pueda traducir un problema de negocio complejo, como la detección de fraude en una entidad financiera o la optimización de rutas logísticas, en una solución técnica viable, escalable y, sobre todo, que cumpla con normativas. La estabilidad, la seguridad y la capacidad de explicar el modelo a un directivo no técnico son tan importantes como la precisión del modelo.

Ajusta tu CV para pasar el primer filtro automático#

La mayoría de las grandes empresas usan sistemas de seguimiento de candidatos (ATS). Tu CV debe estar optimizado para ellos. No uses plantillas con columnas, gráficos o iconos extraños. Un diseño limpio y basado en texto es tu mejor aliado.

Haz una prueba rápida: sube tu CV a nuestra herramienta gratuita para revisar compatibilidad con ATS y comprueba si el sistema puede leerlo bien. Es un primer paso fundamental.

El lenguaje es clave: descifra la oferta de empleo

Cada oferta de Deloitte está llena de pistas. Copia el texto de la vacante de AI Engineer que te interese y pégalo en nuestro descifrador de ofertas de empleo. Te mostrará las palabras y habilidades clave que más se repiten.

Busca patrones. No es lo mismo "Machine Learning Engineer" que "AI Specialist". Notarás un énfasis constante en conceptos como:

• MLOps, CI/CD para ML.
• Cloud (AWS, Azure, GCP), con preferencia por Azure por la alianza de Deloitte con Microsoft.
• Gobernanza de IA, ética y explicabilidad (XAI).
• Stack tecnológico: Python, PyTorch/TensorFlow, Docker, Kubernetes, Spark.
• Habilidades blandas: comunicación con el cliente, trabajo en equipo, gestión de proyectos.

Adapta tu CV a cada oferta. Si la oferta menciona "soluciones en la nube de Azure", tu CV debe decir "Implementación de pipelines de MLOps en Azure DevOps", no solo "experiencia en la nube".

Un ejemplo real de cómo reescribir una línea de tu CV

Muchos candidatos describen lo que hicieron. Los que contratan quieren ver el impacto que tuvieron.

Antes (débil):

Responsable del desarrollo de modelos de machine learning para el departamento de ventas.

Después (fuerte, orientado a Deloitte):

Desarrollé y desplegué un modelo de predicción de abandono de clientes (churn) con XGBoost en Azure, reduciendo la tasa de pérdida en un 8% para un cliente del sector retail y ahorrando una cifra estimada de 200.000€ anuales.

La segunda versión es específica. Nombra la técnica (XGBoost), la plataforma (Azure), el problema de negocio (churn) y, lo más importante, el resultado medible. Esto demuestra que entiendes el ciclo completo, del dato al valor de negocio.

Prepárate para la entrevista técnica y de caso#

El proceso en Deloitte suele tener varias fases. Espera una llamada inicial con RRHH, una o dos rondas técnicas y, finalmente, una o más entrevistas de caso (case study).

La entrevista técnica: demuestra dominio y criterio

No te preguntarán solo para definir "gradiente descendente". Te harán preguntas de diseño de sistemas.

Ejemplo de pregunta: "¿Cómo diseñarías un sistema para detectar transacciones fraudulentas en tiempo real para un banco?"

Una buena respuesta estructurada sería:

1. Aclarar el problema: Preguntaría sobre el volumen de transacciones por segundo, la latencia aceptable (ej. menos de 100ms) y el coste de un falso positivo vs. un falso negativo.
2. Propuesta de arquitectura: Mencionaría una arquitectura de dos capas. Una primera capa con un modelo ligero (ej. regresión logística o un árbol de decisión simple) para filtrar el 99% de las transacciones claras. Una segunda capa, más compleja (ej. un modelo de gradient boosting o una red neuronal), que analizaría solo el 1% sospechoso para tomar una decisión final.
3. Componentes técnicos: Hablaría de usar un stream processing como Kafka para ingestar los datos en tiempo real, un almacén de features (feature store) para mantener la consistencia entre entrenamiento e inferencia, y un sistema de monitoreo para detectar drift del modelo.
4. Gobernanza: Terminaría destacando la importancia de la explicabilidad (usando SHAP o LIME) para que los analistas del banco puedan entender por qué una transacción fue marcada como fraudulenta.

Esta respuesta muestra que piensas en la arquitectura, el rendimiento y el negocio, no solo en el modelo.

La entrevista de caso: piensa como un consultor

Aquí te darán un problema de negocio y te pedirán que lo resuelvas con IA. El truco no es dar la solución "correcta" inmediatamente, sino demostrar cómo piensas.

Te darán un problema como: "Una cadena de supermercados quiere reducir el desperdicio de alimentos frescos. ¿Cómo la ayudarías?"

Un enfoque ganador:

1. Estructura y pregunta: "Para abordar esto, primero necesitaría entender mejor el problema. ¿Qué datos tenemos disponibles? ¿Tenemos datos históricos de ventas, inventario, caducidad, promociones, incluso datos externos como el tiempo o eventos locales? ¿Cuál es el objetivo principal: reducir costes o mejorar la sostenibilidad?"
2. Hipótesis y solución: "Mi hipótesis es que podemos predecir la demanda a nivel de tienda y producto con mayor precisión. Propondría un modelo de series temporales, como Prophet o un LSTM, que incorpore variables de estacionalidad, promociones y efecto fin de semana. La salida del modelo alimentaría el sistema de pedidos para optimizar las compras."
3. Siguientes pasos y métricas: "El siguiente paso sería un piloto en 5 tiendas. Mediríamos el éxito con el KPI de 'porcentaje de reducción de desperdicio' y el 'impacto en margen' para asegurar que no estamos perdiendo ventas por falta de stock. También es vital un plan de MLOps para reentrenar el modelo periódicamente con nuevos datos."

Muestras estructura, haces preguntas relevantes y conectas la solución técnica con el resultado de negocio. Eso es lo que buscan.

Encuentra ofertas que coincidan con este perfil de consultora tecnológica en nuestro portal de empleo en IA y empieza a preparar tus aplicaciones con esta mentalidad.

Herramientas gratis#

• chequeo ATS gratis
• decodificador de ofertas
• empleos
• blog

Preguntas frecuentes#

¿Qué nivel de experiencia suelen pedir para un AI Engineer en Deloitte?

Varía mucho. Para puestos junior, valoran proyectos personales sólidos y prácticas relevantes. Para roles senior, buscan experiencia demostrable en proyectos de producción, gestión de equipos o de relaciones con clientes. No se fijan solo en los años, sino en la complejidad de los problemas que has resuelto.

¿Es imprescindible tener un máster o un doctorado?

No es un requisito excluyente, pero sí es muy común. Muchos candidatos tienen un máster en ciencia de datos o IA. Un doctorado es especialmente valorado para roles de investigación aplicada. Sin embargo, un portafolio de proyectos sólido en GitHub puede compensar la falta de un título avanzado.

¿Cuánto se puede ganar como AI Engineer en Deloitte?

Los rangos salariales dependen del país, el nivel de experiencia y la modalidad (consultoría interna vs. proyectos para clientes). En España, para un perfil con 3-5 años de experiencia, los sueldos brutos anuales reportados suelen oscilar entre los 45.000€ y los 65.000€. Es una estimación basada en datos públicos; infórmate en fuentes actualizadas.

¿Qué tecnologías son las más demandadas en las ofertas de Deloitte para IA?

Python es casi universal. Para frameworks de deep learning, PyTorch y TensorFlow están al mismo nivel. En cloud, Azure tiene un peso importante por su alianza con Microsoft, pero AWS y GCP también son demandados. Las habilidades en MLOps (MLflow, Kubeflow, Airflow) y contenedores (Docker, Kubernetes) son cada vez más críticas.

¿Cómo es el día a día de un AI Engineer en una consultora como Deloitte?

No esperes estar investigando algoritmos nuevos todo el día. Gran parte del trabajo es entender los datos del cliente, limpiarlos, construir pipelines robustos, desplegar modelos y monitorizar su rendimiento. Pasarás mucho tiempo en reuniones, explicando tu trabajo a gente de negocio y asegurándote de que la solución técnica se alinea con los objetivos del proyecto.