Los roles de IA y datos son los puestos que aparecen en los avisos de empleo con títulos en inglés: Data Analyst, Data Scientist, Data Engineer, ML Engineer, AI Engineer y otros. Cada uno cubre una parte de la cadena: juntar los datos, analizarlos, crear modelos, ponerlos en producción o armar productos con IA.
Una pregunta de la app. Elige una respuesta.
Hay que armar un chat con los manuales sobre un modelo ya hecho. ¿Qué rol suele hacerlo?
Arma productos sobre modelos que ya existen: los conecta, les pasa los documentos y mide si responden bien. Se pisa con ML Engineer, pero esto es su núcleo.
Arma los pipelines que traen, limpian y guardan los datos. Conectar un modelo y medir sus respuestas es otro trabajo.
Responde preguntas del negocio con datos: tableros, informes, consultas. Construir un chat sobre un modelo es otro trabajo.
Responde preguntas del negocio con datos: por qué cayeron las ventas en marzo, qué producto se vende más en cada ciudad. Consulta los datos (muchas veces con SQL), compara períodos y lo cuenta con gráficos y tableros que se entiendan sin ser técnico. Suele trabajar con SQL, planillas como Excel o Google Sheets y herramientas de tableros como Power BI, Tableau o Looker.
Se confunde con Data Scientist. La diferencia típica: el analista explica lo que pasó; el Data Scientist arma modelos para prever lo que va a pasar.
Busca patrones en los datos y prueba modelos de machine learning: uno que prevé ventas, otro que detecta qué clientes están por irse. Hace experimentos, mide qué tan bien acierta cada modelo y explica los resultados. Suele trabajar con Python, pandas, scikit-learn, notebooks como Jupyter y bastante estadística.
Se confunde con Data Analyst por un lado y con ML Engineer por el otro: el Data Scientist suele llegar hasta el modelo que funciona en pruebas; ponerlo a andar para miles de usuarios es más trabajo de ingeniería.
Arma los pipelines: procesos que traen datos de varios sistemas, los limpian y los guardan en un solo lugar, solos y a horario (por ejemplo, cada noche). Sin ese trabajo, los demás roles usan datos sueltos o viejos. Suele trabajar con SQL, Python, orquestadores como Airflow, herramientas como dbt o Spark y almacenes de datos en la nube como BigQuery o Snowflake.
Se confunde con Data Scientist porque los dos tocan los mismos datos. La pista: el Data Engineer mueve y ordena datos, no necesita un modelo para eso.
Entrena, adapta y pone en producción modelos, propios o preentrenados: que el modelo que predice demoras responda rápido, aguante el tráfico y se pueda actualizar. Escribe más código de producción que un Data Scientist. Suele trabajar con Python, PyTorch, modelos y bibliotecas de Hugging Face, Docker y servicios de la nube.
Se confunde con AI Engineer, y las tareas se superponen. La pista: el ML Engineer se ocupa del modelo (entrenarlo, adaptarlo, operarlo); el AI Engineer, del producto hecho con IA.
MLOps es más una práctica que una profesión: llevar un modelo a producción de forma ordenada y mantenerlo sano. Incluye versionar datos y modelos, automatizar el entrenamiento y la publicación, y vigilar si los aciertos bajan cuando los datos cambian (otra temporada, otros clientes) para reentrenar a tiempo. Herramientas de ejemplo: MLflow, Kubeflow, Docker y sistemas de monitoreo.
En los avisos aparece como puesto (MLOps Engineer) o como tarea dentro de ML Engineer. Se confunde con DevOps: es la misma idea de automatizar y vigilar, aplicada a modelos que pueden empeorar sin que cambie el código.
Arma productos sobre modelos que ya existen: un chat que responde con los manuales de la empresa, un asistente que clasifica correos, un agente que completa formularios. Conecta el modelo por API, le pasa los documentos justos (por ejemplo con RAG) y mide si responde bien con evals. Suele trabajar con las APIs de modelos como Claude, GPT o Gemini, embeddings, bases de datos vectoriales y código de backend.
Se confunde con ML Engineer (ver arriba) y con AI-Native Engineer: el AI Engineer construye productos con IA; AI-Native Engineer no tiene una definición uniforme (ver abajo).
No tiene una definición uniforme: es una etiqueta de avisos y cada empresa la usa a su modo. Hay avisos centrados en programar con IA todos los días, con asistentes y agentes de código como Claude Code, Codex o Cursor, y revisar lo que hacen; otros, en construir productos y agentes con IA.
Se confunde con AI Engineer y con «alguien que entrena modelos grandes desde cero», que es trabajo de pocos equipos de investigación. Como no es un rol fijo, lee las tareas del aviso.
Los títulos separan tareas; las personas, muchas veces no. En una empresa chica, quien junta los datos también los analiza o arma el modelo, y un mismo puesto puede cubrir toda la cadena. En una grande, los roles suelen estar más separados.
Por eso, mira las tareas y no el título. «Armar tableros para gerencia» es trabajo de analista aunque el aviso diga Data Scientist. «Entrenar y publicar modelos» es trabajo de ML Engineer aunque diga AI Engineer. Si las tareas no están claras, pregunta qué harías en una semana típica.