La IA Reemplazara a Machine Learning Engineer?

Sos Machine Learning Engineer y desde hace meses no paras de leer que la IA va a hacer tu trabajo. La pregunta no es si la IA cambia tu rol. Es qué partes se lleva, cuáles no, y qué haces con esa información antes de que te agarre en el momento equivocado.

Voy a ser directo. Sí, hay partes del trabajo que ya las hace un asistente de código o un agente. No, no va a desaparecer la figura. Lo que sí cambia es el perfil que se contrata, y eso es lo que te tiene que importar.

Qué parte del trabajo ya hace la IA#

Si sos honesto con vos mismo, hay tareas que antes te tomaban horas y hoy las resuelves en minutos. El código boilerplate, los tests unitarios básicos, los scripts de ingesta de datos, la documentación de funciones, el primer borrador de un pipeline de entrenamiento. Todo eso ya está automatizado o en camino.

Lo mismo pasa con debugging simple, explicar código ajeno, traducir entre frameworks y generar variantes de un mismo modelo para comparar rápido. Un buen copiloto de programación te ahorra una parte real de la jornada, y negarlo es vivir en otra realidad.

Dónde más se nota es en la experimentación. Antes escribir cinco variantes de un modelo y sus configs era trabajo de un día. Hoy te lleva una tarde. Eso cambia la expectativa de velocidad, no la necesidad de alguien que sepa qué está comparando.

Qué parte no puede hacer#

La IA no se sienta con el equipo de negocio a definir qué significa "churn" para esa empresa. No decide si el problema se resuelve con un modelo o con un cambio en el producto. No firma qué métrica priorizás cuando la de negocio y la de precisión se contradicen.

Tampoco responde por el modelo en producción cuando se degrada a las 3 de la mañana. No negocia con data engineering el SLA de los datos. No decide si el costo de inferencia justifica el salto de calidad. Eso es juicio, contexto y responsabilidad, y sigue siendo humano.

Y hay un punto que casi nadie dice: la IA genera código que parece correcto y a veces no lo es. Alguien tiene que revisar, entender las dependencias, detectar el leak silencioso en el split de datos, y firmar que eso llega a producción. Ese alguien es vos, y ahí es donde tu experiencia vale más que antes.

Los números reales de ofertas#

No te voy a vender un panorama de terror ni uno de comodidad. Los datos que circulan sobre contrataciones en ML muestran un cambio de composición, no un apagón.

Las publicaciones para perfiles junior de ML, esas que eran básicamente "entrena modelos y tunea hiperparámetros", se redujeron bastante desde que aparecieron los asistentes de código. Las de perfiles con experiencia en sistemas, producción y MLOps siguen firmes o crecen en varios mercados. Los datos varían mucho por país y por trimestre, así que no tomes una cifra suelta como verdad universal: revisá las fuentes actuales en tu mercado antes de decidir nada.

Lo que sí se ve sin discusión: casi todas las ofertas serias piden hoy algo que antes era secundario, experiencia poniendo modelos en producción, trabajando con infraestructura cloud y midiendo impacto de negocio. Si tu CV solo habla de algoritmos y notebooks, estás compitiendo en la parte del trabajo que más se está automatizando.

Para ver qué está pidiendo el mercado en tu zona, conviene mirar ofertas reales y no artículos de hace dos años. Podés explorar vacantes activas en el buscador de empleo de jobrise y comparar requisitos entre empresas.

Cómo posicionarte para seguir siendo contratado#

La estrategia no es "competir con la IA". Es moverte hacia las partes del trabajo que la IA no resuelve y usar la IA para ser más rápido en las que sí. Suena obvio, pero la mayoría sigue estudiando como si nada hubiera cambiado.

Primero, hacé una auditoría honesta de tu trabajo actual o del que buscás. Marcá qué tareas las haría un agente hoy mismo, y qué tareas requieren contexto que solo tenés vos. Esa lista te dice exactamente hacia dónde mover tu esfuerzo de aprendizaje.

Segundo, cambia la forma en que contás tu trabajo. No cuentes "entrené un modelo XGBoost con AUC de 0.91". Contá qué decisión cambió ese modelo, cuánto tiempo o dinero ahorró, y qué hiciste cuando se rompió en producción. El CV orientado a impacto es el que pasa filtros.

Tercero, hacé que tu perfil pase los filtros automáticos antes de que lo lea una persona. Muchas empresas usan sistemas que descartan CVs antes de que un recruiter los vea, así que conviene revisar el formato con un verificador de CV compatible con filtros automáticos y ajustar las palabras clave según la oferta.

Cuarto, leé las ofertas con ojo técnico. Muchas veces el puesto se llama "Machine Learning Engineer" pero en la práctica es data scientist, o es MLE de infraestructura, o es alguien que solo integra APIs de modelos. Decodificar la descripción antes de postularte te ahorra semanas de entrevistas mal encaminadas.

Cinco habilidades donde vale la pena duplicar esfuerzo#

No te voy a dar una lista genérica de "aprendé Python". Estas cinco son las que veo que se están pagando y se van a seguir pagando porque son difíciles de automatizar.

• Diseño de sistemas ML en producción: cómo se versionan datos, modelos y features, cómo se monitorea degradación, cómo se hace rollback sin romper el negocio.
• MLOps e infraestructura: orquestación de pipelines, contenedores, CI/CD para modelos, costos de inferencia, cloud (AWS, GCP o Azure, según tu mercado).
• Evaluación y observabilidad de modelos: saber medir drift, detectar sesgos, definir alertas útiles, y explicar por qué un modelo que "funcionaba" dejó de funcionar.
• Traducción entre negocio y modelo: entender qué problema real se está resolviendo, qué métrica importa, y cuándo la respuesta correcta es no construir un modelo.
• Trabajo con modelos generativos y sus límites: RAG, evaluación de salidas, control de alucinaciones, costos de tokens, cuándo un modelo pequeño y controlado es mejor que un LLM.

Ejemplo concreto de cómo cambia el discurso. Antes decías: "Implementé un modelo de recomendación con matrix factorization, RMSE de 0.87". Hoy querés decir: "Rediseñé el pipeline de recomendaciones y bajé el costo de inferencia un 40% manteniendo la tasa de clics, con rollback automatizado cuando el modelo degrada". Mismo trabajo, distinta señal para quien contrata.

El error que más veo#

Gente que se pone a estudiar otro framework nuevo cada tres meses mientras ignora producción. Es el error más común y el más caro. Saber el framework de moda te da una entrevista, saber operar modelos te da el puesto.

Otro error: asumir que porque usás un copiloto ya estás al día. Usar la herramienta es trivial. Saber revisar lo que te tira, detectar el bug sutil, y decidir qué no automatizar es lo que te diferencia.

Qué hacer este mes#

Si querés moverte en serio, empezá por algo concreto y terminable.

• Elegí un proyecto que tengas en producción o armá uno, y agregale monitoring de drift, alertas y un plan de rollback documentado.
• Reescribí tres bullets de tu CV con foco en impacto medible, no en técnicas usadas.
• Revisá tu CV contra filtros automáticos con el verificador gratuito antes de aplicar a cualquier puesto.
• Leé cinco ofertas reales de MLE en tu mercado y anotá qué habilidades se repiten. Las vacantes activas te dan la señal más honesta que hay.
• Pedile a alguien con más experiencia en sistemas que te haga un code review de un pipeline tuyo. Es la devolución más rápida que existe.

Después de eso, recién ahí pensá en el curso o la certificación que sigue. No antes.

Herramientas gratis#

• jobrise.io/es/free-ats-checker/
• jobrise.io/es/free-jd-decoder/
• jobrise.io/es/jobs/
• jobrise.io/es/blog/

Preguntas frecuentes#

¿La IA va a eliminar el puesto de Machine Learning Engineer?

No va a eliminar el puesto, va a cambiar qué se contrata bajo ese nombre. Las tareas repetitivas se automatizan y el perfil que se busca se desplaza hacia sistemas, producción y decisiones de negocio.

¿Conviene estudiar machine learning en 2026?

Sí, si lo combinás con ingeniería de software, infraestructura y capacidad de trabajo en producción. Estudiar solo algoritmos y notebooks ya no alcanza para la mayoría de los puestos.

¿Qué parte del trabajo de MLE hace mejor la IA?

Generar código boilerplate, escribir tests, documentar, proponer variantes de modelos y acelerar la experimentación. Todo lo que es mecánico y con contexto acotado lo hace más rápido que un humano promedio.

¿Qué debo aprender primero si quiero que mi perfil siga siendo competitivo?

Producción: cómo se pone un modelo en producción, cómo se monitorea y cómo se mantiene. Después sumá MLOps y evaluación de modelos, que son las dos áreas donde más falta de talento se nota.

¿Cómo sé si mi CV pasa los filtros automáticos antes de que lo lea una persona?

Podés probarlo con herramientas gratuitas que analizan el formato y las palabras clave contra una oferta concreta. Si tu CV tiene tablas, columnas o gráficos raros, casi seguro lo va a complicar un sistema automático.