Empleos de Machine Learning Engineer en Barcelona 2026: Guía Práctica

Estás viendo ofertas de Machine Learning Engineer en Barcelona y todas parecen pedir “5 años con MLOps”, “cloud”, “LLMs”, “stakeholders” y media vida de experiencia. Encima, cuando mandas el CV, silencio. Ni rechazo, ni entrevista, ni nada.

La buena noticia: en 2026 Barcelona seguirá siendo una ciudad muy interesante para perfiles de Machine Learning, pero ya no basta con “saber entrenar modelos”. Las empresas quieren gente que pueda llevar modelos a producción, medir impacto, trabajar con producto y explicar decisiones técnicas sin sonar como un paper.

Si estás intentando entrar, cambiar de empresa o subir de salario, esta guía te va a servir para entender qué buscan las compañías, cuánto se paga, qué skills priorizar y cómo preparar tu candidatura para no perderte en el filtro ATS.

Qué hace realmente un Machine Learning Engineer en Barcelona#

Un Machine Learning Engineer, o MLE, está en ese punto medio entre ciencia de datos e ingeniería de software. No solo prueba modelos en notebooks, también se asegura de que esos modelos funcionen en sistemas reales, con datos reales y usuarios reales.

En Barcelona, muchas ofertas mezclan responsabilidades de Data Scientist, ML Engineer y MLOps Engineer. Por eso verás descripciones algo confusas. No te asustes, pasa mucho.

Normalmente, un MLE se encarga de:

• Crear modelos de machine learning para predicción, clasificación, recomendación o detección de anomalías.
• Preparar pipelines de datos limpios y reproducibles.
• Entrenar, validar y versionar modelos.
• Desplegar modelos en producción mediante APIs, batch jobs o servicios cloud.
• Monitorizar rendimiento, drift y errores.
• Colaborar con equipos de producto, backend, datos y negocio.
• Traducir problemas de negocio en soluciones medibles.

Por ejemplo, en una empresa como Cabify podrías trabajar en predicción de demanda, optimización de rutas o pricing dinámico. En Glovo, en recomendadores, tiempos estimados de entrega o detección de fraude. En BBVA, en scoring, prevención de fraude, personalización o modelos de riesgo.

El punto clave es este: las empresas no pagan por “modelos bonitos”, pagan por sistemas que generen ingresos, ahorren costes o reduzcan riesgos.

Por qué Barcelona es fuerte para empleos de Machine Learning en 2026#

Barcelona se ha convertido en una ciudad muy atractiva para talento tech. Tiene startups, scaleups, multinacionales, centros de innovación y equipos internacionales trabajando en inglés.

No compite solo con Madrid, también compite con hubs como Berlín, Ámsterdam, Lisboa o París. Y eso hace que las empresas tengan que ofrecer mejores condiciones si quieren atraer perfiles buenos.

En 2026, el mercado de Machine Learning en Barcelona se mueve por varias fuerzas:

1. IA generativa en empresas tradicionales Bancos, aseguradoras, retail y telecomunicaciones quieren incorporar LLMs, chatbots internos, automatización documental y asistentes para empleados.

2. Necesidad de MLOps real Muchas empresas ya hicieron pruebas de IA en 2023 y 2024. Ahora quieren que esas pruebas sean productos estables.

3. Crecimiento de equipos data en multinacionales Empresas como HP, Nestlé, Schneider Electric, Roche o King tienen equipos fuertes en Barcelona o alrededores.

4. Startups que necesitan eficiencia Tras años de crecimiento rápido, muchas startups buscan modelos que reduzcan costes, automaticen operaciones o mejoren conversión.

5. Más regulación y responsabilidad Con la llegada de marcos europeos de IA, crece la demanda de perfiles que entiendan trazabilidad, explicabilidad, privacidad y gobernanza de modelos.

Barcelona no es solo una ciudad bonita para vivir. Para Machine Learning, es un mercado con proyectos reales, empresas internacionales y bastante movimiento.

Tipos de empresas que contratan Machine Learning Engineers#

No todos los empleos de Machine Learning Engineer en Barcelona son iguales. Cambia mucho el día a día según el tipo de empresa.

1. Startups y scaleups

Aquí el ritmo suele ser rápido. Hay menos capas de aprobación y más responsabilidad desde el primer mes.

Podrías encontrar roles en empresas tipo Glovo, Factorial, Wallapop, TravelPerk, Typeform o Adevinta. Algunas tienen equipos data maduros, otras todavía están ordenando la casa.

Lo bueno:

• Aprendes mucho y rápido.
• Tienes impacto visible.
• Puedes tocar producto, datos, backend y ML.

Lo malo:

• A veces falta documentación.
• Los procesos cambian mucho.
• Puede haber presión por entregar rápido.

Salarios habituales en Barcelona para MLE en scaleups:

• Junior: €32k a €45k.
• Mid-level: €45k a €65k.
• Senior: €65k a €85k.
• Staff o Lead: €85k a €110k, normalmente con inglés fuerte y experiencia en producción.

2. Multinacionales y centros de innovación

Aquí entran compañías como Telefónica, HP, Amazon, Microsoft, Nestlé, Roche, Zurich, Allianz o Schneider Electric.

El entorno suele ser más estructurado. Hay procesos, equipos grandes, más reuniones y proyectos que pueden tardar más en salir.

Lo bueno:

• Mejores beneficios.
• Proyectos con mucho volumen de datos.
• Mayor estabilidad.
• Posibilidad de carrera internacional.

Lo malo:

• Más burocracia.
• Menos velocidad.
• Puede ser más difícil ver el impacto directo.

Salarios aproximados:

• Mid-level: €50k a €70k.
• Senior: €70k a €95k.
• Principal o Staff: €95k a €130k, sobre todo si lideras arquitectura ML o GenAI.

3. Banca, seguros y consultoría

BBVA, CaixaBank, Sabadell, Santander, Zurich, Allianz, NTT Data, Accenture, Deloitte o Capgemini suelen contratar perfiles data y ML.

Aquí los casos de uso suelen girar en torno a fraude, riesgo, scoring, automatización, churn, personalización y eficiencia operativa.

Lo bueno:

• Muchos proyectos.
• Formación continua.
• Buena puerta de entrada si vienes de data o backend.

Lo malo:

• En consultoría puedes cambiar de proyecto con frecuencia.
• A veces harás más PowerPoint que código si no eliges bien el rol.
• Los procesos pueden ser lentos.

Rangos habituales:

• Junior: €28k a €40k.
• Mid-level: €40k a €60k.
• Senior: €60k a €80k.
• Manager técnico: €75k a €100k.

Skills técnicos más pedidos en 2026#

Si tuviera que resumírtelo como te lo diría por WhatsApp: Python ya no diferencia. Es el mínimo. Lo que marca la diferencia es producción, cloud, buenos fundamentos y saber conectar ML con negocio.

Python, SQL y fundamentos sólidos

Python sigue siendo obligatorio. No necesitas saber todos los paquetes del mundo, pero sí moverte con soltura en:

• pandas.
• NumPy.
• scikit-learn.
• PyTorch o TensorFlow.
• FastAPI.
• pytest.
• Poetry o uv.
• Jupyter, pero sin vivir solo en notebooks.

SQL también pesa muchísimo. Muchas entrevistas filtran con SQL porque el dato real rara vez viene limpio y perfecto.

Practica:

1. Joins complejos.
2. Window functions.
3. CTEs.
4. Optimización básica.
5. Agregaciones por cohortes.
6. Consultas para métricas de producto.

Si dices que eres Machine Learning Engineer y no puedes escribir una query decente, te van a mirar raro.

MLOps y despliegue de modelos

Aquí está la gran diferencia entre perfiles. En Barcelona, muchas empresas ya tienen data scientists, pero necesitan gente que convierta modelos en servicios fiables.

Herramientas y conceptos muy pedidos:

• Docker.
• Kubernetes, aunque sea nivel práctico.
• MLflow.
• Airflow.
• Prefect o Dagster.
• CI/CD con GitHub Actions, GitLab CI o Jenkins.
• Model registry.
• Feature stores.
• Monitorización de modelos.
• Data drift y concept drift.
• Tests para pipelines.
• APIs con FastAPI o Flask.

No hace falta dominarlo todo, pero sí poder explicar un flujo completo:

“Entreno el modelo, versiono datos y parámetros, valido métricas, genero artefacto, lo despliego como API, monitorizo latencia y calidad, y creo alertas si cae el rendimiento”.

Eso vende muchísimo mejor que decir “hice un modelo con 92% de accuracy”.

IA generativa y LLMs: lo que ya están pidiendo#

En 2026, verás muchas ofertas con palabras como GenAI, LLM, RAG, embeddings, agents o LangChain. Algunas empresas lo entienden bien. Otras solo lo ponen porque suena moderno.

Tu trabajo es separar ruido de señal.

Qué deberías saber de LLMs

No necesitas entrenar un modelo desde cero con millones de euros en GPUs. La mayoría de empresas en Barcelona no hará eso.

Lo que sí deberías saber:

• Cómo usar APIs de OpenAI, Anthropic, Google o modelos open source.
• Cómo construir sistemas RAG.
• Cómo crear embeddings y buscar en bases vectoriales.
• Cómo evaluar respuestas de un LLM.
• Cómo reducir alucinaciones.
• Cómo controlar costes y latencia.
• Cómo manejar datos sensibles.
• Cómo hacer prompt engineering decente, no mágico.
• Cómo integrar LLMs en flujos de producto.

Herramientas frecuentes:

• LangChain.
• LlamaIndex.
• Hugging Face.
• Weaviate.
• Pinecone.
• Chroma.
• FAISS.
• Elasticsearch.
• Azure OpenAI.
• AWS Bedrock.
• Google Vertex AI.

Si puedes enseñar un proyecto RAG bien hecho, con evaluación, logs y despliegue, estarás por delante de muchísima gente.

Casos de uso reales en Barcelona

No todos los proyectos GenAI son chatbots genéricos. Muchos son internos y bastante prácticos.

Ejemplos:

• En Telefónica: asistentes para soporte técnico, análisis de incidencias, clasificación de tickets.
• En BBVA: búsqueda semántica en documentación interna, ayuda a gestores, análisis de riesgo documental.
• En Inditex: predicción de demanda, clasificación de productos, recomendación visual, análisis de tendencias.
• En Glovo: soporte automatizado, estimación de tiempos, optimización de asignación.
• En Cabify: detección de fraude, pricing, predicción de cancelaciones, matching conductor-pasajero.

Cuando prepares tu CV, intenta conectar tus proyectos con este tipo de impacto. No digas solo “implementé RAG”, di “reduje el tiempo de búsqueda de documentación interna de 8 minutos a 40 segundos en una demo funcional”.

Salarios de Machine Learning Engineer en Barcelona en 2026#

Hablemos claro, porque esto importa. Los salarios varían por empresa, inglés, seniority, cloud, producto y capacidad de liderar.

Rangos realistas para Barcelona en 2026:

• Entry-level o Junior MLE: €30k a €42k.
• Junior fuerte con máster, prácticas buenas o proyectos reales: €38k a €48k.
• Mid-level MLE: €45k a €65k.
• Senior MLE: €65k a €90k.
• Lead ML Engineer: €80k a €110k.
• Staff o Principal ML Engineer: €100k a €140k.
• Roles remotos para empresa extranjera desde Barcelona: €90k a €160k, aunque suelen pedir inglés excelente y mucha autonomía.

Si una empresa en Barcelona pide 5 años de experiencia, cloud, Kubernetes, LLMs y ownership completo por €38k, no es una oportunidad, es una red flag.

Qué sube tu salario

Estas cosas suelen mover la aguja:

1. Inglés profesional real Si puedes liderar reuniones técnicas en inglés, subes de liga.

2. Experiencia en producción Haber desplegado modelos reales pesa más que cinco cursos.

3. Cloud AWS, GCP o Azure. En Barcelona se ve bastante Azure en banca y enterprise, AWS en startups y GCP en equipos data maduros.

4. Software engineering Código limpio, tests, APIs, diseño de sistemas y Git bien usado.

5. Especialización útil Recomendadores, NLP, computer vision, fraude, pricing, forecasting o LLMs aplicados.

6. Comunicación con negocio Si explicas tradeoffs técnicos sin marear, te vuelves muy valioso.

Qué no sube tanto tu salario

Esto duele un poco, pero es verdad:

• Tener muchos certificados sin proyectos reales.
• Saber modelos rarísimos que nadie usa.
• Hacer notebooks bonitos pero no desplegar nada.
• Decir “soy experto en IA” sin evidencias.
• Hablar solo de accuracy y nunca de impacto.

No te digo que los certificados no sirvan. Sirven si acompañan experiencia, pero solos no te van a poner en €70k.

Cómo debería ser tu CV para un rol de Machine Learning Engineer#

Tu CV no tiene que impresionar a otro investigador en una conferencia. Tiene que pasar un ATS, gustar a recruiter y convencer a un hiring manager técnico en menos de un minuto.

Hazlo fácil.

Estructura recomendada

Usa este orden:

1. Nombre, ubicación, email, LinkedIn, GitHub o portfolio.
2. Titular profesional.
3. Resumen de 3 o 4 líneas.
4. Skills técnicos agrupados.
5. Experiencia profesional.
6. Proyectos relevantes.
7. Educación.
8. Certificaciones, si aportan.

Ejemplo de titular:

Machine Learning Engineer | Python, MLOps, AWS, LLMs | Modelos en producción para producto y operaciones

Mejor que:

Apasionado por la inteligencia artificial y el aprendizaje automático

La pasión está bien, pero el recruiter busca señales concretas.

Cómo escribir tus bullets

Cada bullet debería mezclar acción, tecnología e impacto. Si puedes poner números, mejor.

Mal:

• Desarrollé modelos de machine learning.
• Trabajé con Python y SQL.
• Participé en proyectos de IA.

Bien:

• Desplegué un modelo de predicción de churn con Python, scikit-learn y FastAPI, reduciendo la tasa de cancelación un 6% en una prueba con 120.000 usuarios.
• Creé pipelines de entrenamiento con Airflow y MLflow, bajando el tiempo de retraining de 4 horas a 55 minutos.
• Implementé un sistema RAG con Azure OpenAI y Elasticsearch para búsqueda documental, reduciendo consultas manuales al equipo legal en un 35%.

Aunque no tengas métricas perfectas, estima con honestidad. Usa “aprox.” si hace falta.

Keywords importantes para ATS

Incluye palabras exactas que salen en ofertas. No escondas tus skills en frases raras.

Keywords útiles:

• Machine Learning.
• MLOps.
• Python.
• SQL.
• PyTorch.
• TensorFlow.
• scikit-learn.
• Docker.
• Kubernetes.
• AWS.
• GCP.
• Azure.
• MLflow.
• Airflow.
• FastAPI.
• CI/CD.
• Feature engineering.
• Model monitoring.
• LLM.
• RAG.
• Embeddings.
• Vector database.
• NLP.
• Recommender systems.
• Time series.
• A/B testing.

No pongas tecnologías que no sabes defender. Si escribes Kubernetes, prepárate para explicar cómo lo usaste.

Cómo preparar entrevistas técnicas#

Las entrevistas para Machine Learning Engineer en Barcelona suelen tener varias fases. Depende de la empresa, pero el patrón se repite bastante.

Proceso típico

1. Screening con recruiter Salario, motivación, inglés, disponibilidad, permiso de trabajo.

2. Entrevista técnica inicial Preguntas de ML, Python, SQL, proyectos anteriores.

3. Prueba técnica o take-home Dataset, modelado, API, pipeline o caso de negocio.

4. System design ML Diseñar un sistema de recomendación, forecasting, fraude o RAG.

5. Entrevista con producto o negocio Cómo priorizas, cómo mides impacto, cómo comunicas.

6. Cultural fit y oferta Expectativas, forma de trabajar, negociación.

Preguntas técnicas frecuentes

Prepárate para preguntas como:

• ¿Cómo detectarías data drift en un modelo en producción?
• ¿Qué harías si un modelo baja su precisión después de tres meses?
• ¿Cómo compararías dos modelos antes de desplegar?
• ¿Cuándo usarías batch inference frente a real-time inference?
• ¿Cómo diseñarías un sistema de recomendación para una app tipo Glovo?
• ¿Qué métricas usarías para un modelo de fraude?
• ¿Cómo evaluarías un sistema RAG?
• ¿Cómo reducirías latencia en una API de inferencia?
• ¿Qué diferencia hay entre precision, recall y F1?
• ¿Cómo evitarías leakage en un modelo de forecasting?

No memorices respuestas como loro. Ten historias reales y decisiones razonadas.

Cómo destacar en un take-home

Un take-home bueno no es solo sacar la mejor métrica. Es enseñar cómo piensas.

Incluye:

• README claro.
• Supuestos del problema.
• Exploración breve de datos.
• Baseline simple.
• Modelo mejorado.
• Validación correcta.
• Métricas justificadas.
• Limitaciones.
• Cómo lo llevarías a producción.
• Instrucciones para ejecutar.
• Tests básicos si aplica.

Un candidato que entrega un proyecto ordenado con baseline, métricas y explicación suele ganar a otro que manda un notebook caótico con una métrica un poco mejor.

Proyectos de portfolio que sí ayudan#

Si no tienes mucha experiencia profesional, tu portfolio puede abrir puertas. Pero tiene que parecer trabajo real, no tutorial copiado.

Proyecto 1: Sistema RAG para documentación empresarial

Crea un buscador inteligente sobre documentos PDF, por ejemplo políticas internas, manuales técnicos o contratos ficticios.

Incluye:

• Ingesta de documentos.
• Chunking razonable.
• Embeddings.
• Base vectorial.
• API con FastAPI.
• Interfaz simple.
• Evaluación con preguntas de prueba.
• Logs de respuestas.
• Control de costes.

Esto conecta muy bien con empresas como BBVA, Telefónica, Zurich o consultoras.

Proyecto 2: Predicción de demanda para retail

Usa datos públicos o sintéticos para predecir demanda por producto, tienda y semana.

Incluye:

• Features temporales.
• Validación temporal correcta.
• Baseline naïve.
• Modelo con LightGBM, XGBoost o CatBoost.
• Métricas como MAE, RMSE o MAPE.
• Análisis por segmentos.
• Dashboard simple.

Esto puede interesar a empresas tipo Inditex, Mango, supermercados, logística y e-commerce.

Proyecto 3: Detección de fraude o anomalías

Construye un sistema para detectar transacciones raras o comportamiento sospechoso.

Incluye:

• Dataset desbalanceado.
• Precision-recall.
• Threshold tuning.
• Coste de falsos positivos y falsos negativos.
• Explicabilidad con SHAP.
• API de scoring.
• Monitorización simple.

Esto encaja con fintech, banca, seguros y marketplaces.

Proyecto 4: Recomendador para marketplace

Diseña un recomendador de productos, restaurantes, contenidos o viajes.

Incluye:

• Collaborative filtering.
• Content-based recommendations.
• Métricas offline.
• Cold start.
• Ranking.
• A/B testing propuesto.
• API de recomendaciones.

Este proyecto habla el idioma de Glovo, Wallapop, Adevinta, eDreams o TravelPerk.

Estrategia para buscar empleo en Barcelona#

Mandar 200 CVs iguales no es estrategia. Es agotamiento con Excel.

Mejor haz una búsqueda más pequeña y más precisa.

Lista de empresas objetivo

Crea una lista de 40 a 60 empresas divididas por tipo:

• Startups y scaleups: Factorial, TravelPerk, Typeform, Wallapop, Glovo, Cabify, Adevinta.
• Multinacionales: HP, Microsoft, Amazon, Schneider Electric, Nestlé, Roche.
• Banca y seguros: BBVA, CaixaBank, Sabadell, Zurich, Allianz.
• Consultoría tech: NTT Data, Accenture, Deloitte, Capgemini, Thoughtworks.
• Empresas internacionales remotas con sede o contratación en España.

Para cada una, apunta:

1. Página de careers.
2. Hiring managers o leads data en LinkedIn.
3. Tecnologías que mencionan.
4. Tipo de producto.
5. Rango salarial si aparece.
6. Estado de candidatura.

Mensajes de LinkedIn que no dan vergüenza

No mandes un “Hola, busco trabajo” seco. Tampoco escribas una novela.

Ejemplo:

Hola Marta, vi que lideras el equipo de ML en una empresa de movilidad en Barcelona. Estoy trabajando en modelos de predicción y despliegue con FastAPI y MLflow, y me interesan mucho los casos de optimización de demanda. Si tenéis roles MLE abiertos, me encantaría compartirte mi perfil. Gracias.

Corto, concreto y con contexto.

Cuándo aplicar

Aplica pronto. Las ofertas reciben muchas candidaturas en las primeras 72 horas.

Activa alertas en:

• LinkedIn.
• JobRise.
• Otta.
• Wellfound.
• Indeed.
• InfoJobs, aunque para roles tech senior no siempre es el mejor.
• Páginas de careers de empresas.

Busca variaciones:

• Machine Learning Engineer.
• ML Engineer.
• MLOps Engineer.
• Applied Scientist.
• AI Engineer.
• Data Scientist, Machine Learning.
• GenAI Engineer.
• NLP Engineer.
• Computer Vision Engineer.
• Recommendation Systems Engineer.

A veces el mismo trabajo tiene otro título.

Errores comunes que te están costando entrevistas#

Te dejo los más típicos, porque los veo una y otra vez.

1. CV demasiado académico

Si tu CV parece una tesis, puede fallar. El mercado quiere impacto, sistemas y claridad.

Traduce investigación a producto:

• “Clasificación de documentos con BERT” está bien.
• “Clasifiqué 1,2M documentos con BERT, reduciendo revisión manual un 28%” está mucho mejor.

2. No adaptar el CV

No necesitas reescribirlo entero, pero sí ajustar el resumen, skills y algunos bullets para cada tipo de rol.

Para MLOps, destaca despliegue, CI/CD, Docker, monitorización.

Para GenAI, destaca RAG, evaluación, embeddings, seguridad, coste.

Para producto, destaca métricas, A/B testing, impacto y comunicación.

3. Portfolio sin instrucciones

Si tu GitHub no se puede ejecutar, pierde fuerza.

Pon siempre:

• README.
• Instalación.
• Variables de entorno.
• Ejemplo de uso.
• Arquitectura.
• Limitaciones.
• Próximos pasos.

4. Pedir salario demasiado bajo

Si dices €38k para un rol senior, muchas empresas no pensarán “qué barato”. Pensarán “quizá no es senior”.

Investiga rangos y da una banda razonable. Por ejemplo:

“Para roles Senior MLE en Barcelona estoy buscando entre €70k y €85k, según responsabilidades, bonus y flexibilidad”.

5. No preparar historias

Las entrevistas no son solo teoría. Necesitas historias sobre problemas reales.

Prepara 5 historias:

1. Un modelo que falló.
2. Un despliegue complicado.
3. Una decisión técnica con tradeoffs.
4. Un conflicto con producto o negocio.
5. Un impacto medible.

Usa estructura simple: contexto, problema, acción, resultado.

Plan de 30 días para mejorar tus opciones#

Si quieres avanzar sin volverte loco, sigue este plan.

Semana 1: CV y posicionamiento

• Define si apuntas a MLE, MLOps, GenAI o Data Scientist con ML.
• Reescribe tu titular profesional.
• Añade keywords de ofertas reales.
• Convierte bullets en impacto medible.
• Actualiza LinkedIn para que coincida con el CV.
• Prepara una versión en inglés si apuntas a multinacionales.

Semana 2: Portfolio y prueba técnica

• Elige un proyecto fuerte, no cuatro flojos.
• Añade README profesional.
• Dockeriza si puedes.
• Crea una API simple.
• Añade tests mínimos.
• Escribe una sección “cómo lo pondría en producción”.

Semana 3: Entrevistas

• Practica SQL 30 minutos al día.
• Repasa métricas de ML.
• Prepara system design ML.
• Ensaya explicación de tus proyectos en 2 minutos.
• Practica inglés técnico si lo necesitas.

Semana 4: Aplicaciones inteligentes

• Haz lista de 50 empresas.
• Aplica a 5-8 roles bien elegidos por día.
• Contacta a 2-3 personas por empresa prioritaria.
• Registra respuestas.
• Ajusta CV según tasa de entrevistas.

La clave es medir. Si mandas 30 candidaturas y no tienes ninguna llamada, el problema suele ser CV, seniority mal enfocado o roles poco alineados.

Qué esperar del mercado en 2026#

El mercado no está regalando ofertas como en 2021. Las empresas son más cuidadosas, miran presupuesto y quieren perfiles que produzcan impacto rápido.

Pero Machine Learning sigue siendo una de las áreas con mejores oportunidades si tienes mezcla de ingeniería, ML y comunicación.

En Barcelona, los mejores perfiles no son necesariamente los que saben más teoría. Son los que pueden decir:

• “Entiendo el problema”.
• “Sé construir una solución”.
• “Puedo ponerla en producción”.
• “Puedo medir si funciona”.
• “Puedo explicar el resultado a gente no técnica”.

Si trabajas esa combinación, vas a competir muy bien.

Y un consejo final: no esperes a cumplir el 100% de requisitos. Si cumples un 65-75%, tienes proyectos sólidos y sabes contar tu experiencia, aplica. Muchas descripciones son listas de deseos, no contratos sagrados.

Antes de mandar tu próximo CV a un puesto de Machine Learning Engineer en Barcelona, pásalo por el verificador ATS gratuito de JobRise y mira si está preparado para superar filtros y recruiters: revisar mi CV gratis con JobRise.