Meta AI Engineer: CV, palabras clave y entrevista

No consigues que tu CV de ingeniero de IA pase el primer filtro para una vacante en Meta. Es frustrante. El sistema te devuelve un rechazo automático y no sabes qué ha fallado. La realidad es que el proceso de selección en Meta es implacable con los CV genéricos. No buscan perfiles "generalistas de IA". Buscan un encaje muy específico para el rol.

Para tener una oportunidad real, tu CV y tu preparación deben hablar el mismo idioma que sus equipos de ingeniería. No se trata de mentir o adornar, sino de comunicar tu experiencia de la forma en que ellos la valoran. Vamos a desglosar cómo hacerlo, paso a paso.

Entiende qué busca Meta en un AI Engineer#

Antes de tocar tu CV, olvida lo que crees que sabes. Meta no es una startup de IA. Es un gigante con problemas a una escala masiva. Sus proyectos de IA no son experimentos de laboratorio; están integrados en productos que usan miles de millones de personas, como el ranking del feed de Instagram, la moderación de contenido en Facebook o los nuevos modelos de lenguaje como Llama.

Esto significa que valoran sobre todo tres cosas:

• Experiencia con sistemas de ML a gran escala: No basta con entrenar un modelo en tu portátil. Quieren saber si has trabajado con pipelines de datos distribuidos, entrenamiento distribuido y despliegue de modelos (MLOps) en producción.
• Impacto medible: ¿Tu modelo mejoró una métrica clave del negocio? ¿Redujo costes? ¿Aumentó el engagement? El impacto debe ser claro y cuantificable.
• Dominio de los fundamentos: Aunque busquen especialistas, esperan que tengas una base sólida en matemáticas, algoritmos y estructuras de datos. Las entrevistas técnicas lo pondrán a prueba.

Cómo adaptar tu CV para el sistema (y para el reclutador)#

Tu CV debe superar dos barreras: el sistema de seguimiento de candidatos (ATS) y el ojo experto del reclutador o del hiring manager. La clave está en las palabras clave y en la estructura.

Palabras clave no negociables

El ATS escaneará tu CV en busca de términos específicos. Si no están, es probable que tu perfil sea descartado automáticamente. No uses solo sinónimos; incluye las tecnologías y conceptos que ellos mismos mencionan en sus blogs de ingeniería y ofertas de trabajo.

• Lenguajes: Python, C++, SQL.
• Frameworks de ML: PyTorch (es el estándar en Meta), TensorFlow, JAX.
• Conceptos clave: Deep Learning, NLP, Computer Vision, Recommender Systems, Reinforcement Learning, Generative AI, Transformers, Large Language Models (LLMs).
• Herramientas de infraestructura: Kubernetes, Docker, Spark, Hadoop, Flink, Presto.
• Infraestructura de ML: MLOps, MLflow, Kubeflow, Vertex AI, AWS SageMaker.
• Métricas: Precision, Recall, F1-score, AUC, Latencia, Throughput.

Usa la herramienta de decodificación de ofertas de empleo para extraer los términos exactos de la vacante que te interesa. Puedes probarla en nuestro decodificador de ofertas de empleo. Luego, integra esas palabras de forma natural en la sección de experiencia.

Estructura del CV: el ejemplo concreto

Olvida los párrafos largos. Usa viñetas con la estructura "Acción + Contexto + Resultado". Cada viñeta debe demostrar impacto.

Aquí tienes un ejemplo de una experiencia genérica y cómo transformarla para Meta.

Antes (genérico):

• Desarrollé un modelo de machine learning para la detección de fraude.

Después (adaptado para Meta):

• Lideré el diseño y despliegue de un modelo de detección de fraude con PyTorch, reduciendo los falsos positivos en un 15% y ahorrando a la compañía una cifra estimada de 2M€ anuales en costes operativos.

La segunda versión es mejor por varias razones. Especifica la tecnología (PyTorch), cuantifica el impacto (15%, 2M€) y describe la escala del problema (ahorro a la compañía).

Para asegurarte de que tu CV está bien optimizado, pásalo por nuestro comprobador de CV para ATS. Te dará una puntuación y te señalará qué falta.

Preparación para la entrevista técnica#

El proceso de entrevistas en Meta es conocido por ser riguroso. Generalmente, se divide en varias rondas. Prepárate para lo siguiente, aunque el orden puede variar.

• Codificación (1-2 rondas): Problemas de estructuras de datos y algoritmos. Piensa en LeetCode, pero enfocado en problemas que podrían tener aplicación real en un sistema de Meta. La claridad de tu código y tu habilidad para comunicar tu proceso de pensamiento son tan importantes como la solución final.
• Diseño de sistemas de ML (1-2 rondas): Aquí es donde se separa el trigo de la paja. Te plantearán un problema abierto, como "Diseña un sistema para recomendar amigos en Facebook" o "Cómo mejorarías el sistema de recomendación de Reels". Tienes que estructurar tu respuesta en etapas: definición del problema y métricas, diseño del modelo, selección de características, entrenamiento, evaluación y despliegue.
• Comportamiento (Behavioral): Usan el formato STAR (Situación, Tarea, Acción, Resultado). Quieren entender cómo trabajas en equipo, cómo enfrentas los desafíos y cómo tomas decisiones. Prepara 3-4 historias concretas de tu experiencia profesional.

Ejemplo de respuesta a una pregunta de diseño de sistemas

Pregunta: "Diseña un sistema para detectar comentarios de odio en una red social a gran escala."

Respuesta estructurada:

"Primero, definiría el problema. El objetivo es minimizar el daño al usuario sin censurar demasiado. Las métricas clave serían la precisión (para no eliminar comentarios inocentes) y el recall (para detectar la mayor cantidad de odio posible), además de la latencia del sistema para dar una respuesta en tiempo real.

Para el modelo, empezaría con un modelo basado en Transformers, como RoBERTa, pre-entrenado en un gran corpus de texto y luego fine-tuneado con un dataset específico de comentarios etiquetados como odiosos o no odiosos. Es fundamental que el dataset de entrenamiento sea diverso para mitigar sesgos.

En cuanto a la infraestructura, el sistema tendría dos partes. Un pipeline de entrenamiento offline que se ejecuta periódicamente para reentrenar el modelo con nuevos datos, y un servicio de inferencia online. El servicio online debería ser capaz de manejar miles de peticiones por segundo, por lo que usaría un clúster de servidores con GPUs detrás de un balanceador de carga. Para manejar la escala, consideraría técnicas de optimización como la cuantización del modelo.

Finalmente, implementaría un sistema de monitoreo para vigilar el drift del modelo (cuando los patrones de lenguaje cambian) y una cola de revisión para que los moderadores humanos revisen los casos dudosos, creando un bucle de retroalimentación para mejorar el modelo continuamente."

Esta respuesta muestra que piensas en el problema completo, no solo en el modelo. Consideras la escala, el impacto en el negocio y las limitaciones del mundo real.

El mercado laboral en España y Latam para roles de Meta#

Meta tiene oficinas en Madrid y en otros hubs tecnológicos, pero la mayoría de los roles de AI Engineer de alta especialización se publican desde sus sedes principales (EE. UU., Londres, Tel Aviv). Esto no significa que no puedas aplicar desde España o Latinoamérica, pero ten en cuenta algunos matices:

• Visados y reubicación: Para los roles internacionales, el paquete de reubicación y el sponsorship de visado son parte de la oferta. Los salarios varían enormemente según la ubicación y el nivel. Investiga los rangos en sitios como levels.fyi, pero ten en cuenta que son auto-reportados y pueden no ser 100% precisos.
• Roles remotos: Aunque se ofrecen, son menos comunes para puestos de alta responsabilidad. La política de Meta sobre el trabajo remoto ha cambiado, así que verifica la oferta específica.
• El mercado local: En España y Latam, las empresas locales y otras multinacionales también buscan perfiles de IA. A veces, el proceso es menos estandarizado que en Meta. Usar un enfoque de CV basado en el impacto te dará ventaja en cualquier lugar.

Para explorar qué tipo de roles están disponibles, echa un vistazo a las ofertas de empleo en tecnología en nuestro portal de empleo. Puede que encuentres oportunidades interesantes que no conocías.

Preguntas frecuentes#

¿Qué nivel de estudios se necesita para un puesto de AI Engineer en Meta?

No hay un requisito estricto, pero la mayoría de los candidatos tienen al menos un máster en informática, IA o un campo relacionado. Un doctorado es muy valorado, especialmente para roles de investigación, pero no es excluyente si tienes una experiencia profesional demostrable y sólida.

¿Es necesario tener experiencia en una FAANG para ser contratado?

No es un requisito, pero sí un diferenciador. Si vienes de una empresa más pequeña, enfócate en la escala de los problemas que has resuelto. Demuestra que has trabajado con grandes volúmenes de datos y que entiendes los retos de poner modelos en producción, aunque sea a una escala menor que la de Meta.

¿Cuánto tiempo dura el proceso de selección completo?

Es variable, pero desde el primer contacto hasta la oferta final pueden pasar entre 4 y 8 semanas. Esto incluye la revisión del CV, la llamada con el reclutador, la prueba técnica online y las entrevistas finales (las "onsite", que ahora suelen ser virtuales).

¿Puedo aplicar si no domino PyTorch?

PyTorch es el estándar en Meta, así que es casi imprescindible. Si tu experiencia principal es con TensorFlow, deberías dedicar tiempo a aprender PyTorch antes de aplicar. En las entrevistas de diseño de sistemas, te pueden pedir que hables sobre los frameworks, y conocer las fortalezas y debilidades de cada uno es una ventaja.

¿Qué pasa si me rechazan? ¿Puedo volver a intentarlo?

Sí, es común. Si no pasas una ronda, el reclutador suele decirte cuánto tiempo debes esperar para volver a aplicar, normalmente entre 6 y 12 meses. Úsalo para mejorar tus habilidades en las áreas donde fallaste. Para seguir aprendiendo y mejorando tu perfil, te recomendamos leer más artículos y guías en nuestro blog de carrera profesional.