AI Engineer: cuando en realidad son prompteadores con autoestima

Se hacen llamar AI Engineers, pero en realidad son prompteadores con autoestima ejecutando ingeniería que no entienden. Y el problema es que ensucian la profesión a los que sí son ingenieros de verdad.

Este grupo no sabe explicar qué diferencia hay entre una API y un endpoint, qué hace un webhook, por qué una operación debe ser idempotente o qué significa un error 500.

Les dices que la respuesta viene en JSON y todavía están preguntando ¿quién cojones es Jason?. No entienden que son schemas, auth, retries, queues, transactions o rate limits y la respuesta siempre es la misma: "eso ya lo gestiona la IA".

Construyen agentes con acceso a herramientas sin saber qué pasa si una tool falla, devuelve basura, ejecuta dos veces la misma acción o recibe una prompt injection desde una fuente externa.

Presumen de RAG, multiagentes y reasoning, pero jamás han diseñado un eval set, medido una regresión, trazado una ejecución ni comparado calidad, latencia y coste entre versiones.

No están empleando IA para multiplicar su capacidad como ingenieros: están alquilando temporalmente una capa de ingeniería a un LLM y confundiéndola con conocimiento propio.

Jason no es una persona

Ese gag es el artículo entero. Confundir el formato con un tío es el mismo error que confundir pedir con construir.

JSON es un contrato: qué campos vienen, de qué tipo, cuáles son obligatorios, qué pasa si falta uno. Si no sabes leerlo, no validas la salida del modelo. Si no validas, el sistema traga basura y la pasa para adelante. El que está aprendiendo pregunta. El impostor pone AI Engineer en el titular y delega el contrato al chatbot.

La misma lógica se aplica a cada capa que hay debajo del modelo. Las tools de un agente no son decoración: tienen acceso real, consultas, escrituras, reembolsos. Cuando algo falla (y en producción algo siempre falla), la barrera entre "ejecutó lo que no debía" y "lo bloqueó" no la pone el prompt. La pone quien diseñó los guardrails, los schemas de salida y las validaciones deterministas antes de que el resultado llegue a cualquier sistema externo. Confundir un guardrail duro con uno que solo vive en las instrucciones del sistema es confundir seguridad con esperanza.

"Eso ya lo gestiona la IA"

Esa frase es la confesión. Cede la ingeniería al modelo y no puede sostenerla cuando el modelo se cae.

El impostor no sabe cuándo no hay que recurrir a un LLM. Una cola, una transacción o un if determinista resuelven media docena de cosas que él envuelve en un agente para poder decir que tiene agentes. Y cuando el comportamiento del sistema cambia (por un cambio de modelo, un pipeline que creció, un caso que no estaba en el prompt), no tiene forma de saberlo, porque nunca midió nada.

Medir no es opcional. Un agente de correo puede degradarse silenciosamente mientras un pipeline de reglas deterministas crece para "corregirlo" hasta que ambas capas se pisan. La forma de saberlo no es intuición: es un eval offline sobre trazas reales, con casos sin cribar, un juez ciego al origen y ejes separados por lo que importa: fidelidad, naturalidad, seguridad. Rearquitecturar por corazonada es apostar. Medir antes y después es ingeniería. El que presume de reasoning y no tiene un conjunto de evaluación no está midiendo nada: está esperando que el modelo le salve el título.

El título ya se está pudriendo

LinkedIn está lleno de "prompt engineers certificados" que no sabrían explicar qué es un token. El cartel de AI Engineer se devalúa por el mismo mecanismo: el trabajo de prompting no desapareció, lo absorbieron otros roles, y el que se quedó solo con el cartel se subió al siguiente.

El mercado premia el brillo. En el análisis de un CTO sobre datos de Levels.fyi, la mediana de compensación total de un "AI Software Engineer" sale en $245K y la de un "AI Engineer" en $159K: $86.000 de brecha, un 54,1% sobre la mediana menor, para, según ese análisis, el mismo trabajo con distinta línea en el organigrama. El mismo texto sostiene que los reclutadores sobre-pagan el título más brillante entre un 20% y un 40%. No es una ley del mercado. Es un fenómeno documentado, y basta para ver el incentivo: parte de la culpa es de quien paga el branding y no la capa que hay debajo.

Quien está empezando y se forma no ensucia nada. Quien se auto-titula sin base, cobra el plus del cartel y deja sistemas que nadie puede operar, sí.

El que sí es ingeniero

Un AI Engineer es alguien que convierte modelos de IA en productos y sistemas que funcionan en producción. Alguien que sabe integrar APIs, configurar modelos de pesos abiertos en local, construir agentes y orquestarlos, conectar bases de datos y preparar los datasets que recibe el LLM, diseñar routings, guardrails, implementar observabilidad y trazabilidad. Con nociones de ML. En definitiva, alguien que sabe construir e integrar IA dentro del software como un componente o capa más.

Esa es la línea. La diferencia entre el que pide y el que construye se hace visible cuando la demo llega a producción y empiezan los problemas reales.

En producción, RAG no es "pegarle los PDFs al chatbot". Es un pipeline de embeddings con un motor de búsqueda vectorial, casi siempre híbrido, que se rompe en el chunking y en la actualización, no en el modelo. La observabilidad no es un nice-to-have: es logs estructurados, tracing, latencia, coste por request, tasa de rechazo y calidad, con alertas y SLOs igual que cualquier microservicio. Y el eval set (preguntas reales con respuestas esperadas, incluidas las peligrosas) se corre con cada cambio de prompt, modelo o retrieval. Es lo más cercano a CI/CD que tiene este stack. Sin eso, no hay forma de saber si un cambio mejoró algo o rompió algo que antes funcionaba.

Hay una dimensión más que el prompteador ignora por completo: qué ve el modelo y cuándo. Anthropic llama a esto context engineering, la progresión natural desde escribir prompts hasta curar el conjunto óptimo de información que llega al modelo en cada paso: instrucciones de sistema, herramientas, datos externos, historial. Más contexto no es siempre mejor; en agentes complejos, meter más tokens puede degradar el recall del modelo en vez de mejorarlo. El ingeniero decide qué entra, qué se descarta y cuándo. El prompteador asume que más es más y no lo mide.

El que solo escribe prompts no sabe que está gastando un presupuesto de atención. El ingeniero lo gestiona.

Lo que hay alrededor del modelo

El AI Engineer no es "la persona que emplea ChatGPT", no es un Data Scientist y en muchas empresas ni siquiera entrena modelos. Consume modelos ya disponibles y se enfoca en la capa de aplicación: más cerca de un backend o un product engineer que de un perfil académico. Los prompts son una pieza mínima. Lo que define el rol es entregar resultados defendibles: consistentes, trazables, con mecanismos que evitan que el error escale.

El prompteador con autoestima alquila temporalmente esa capa a un LLM. Cuando el LLM falla, no tiene nada debajo: no puede explicar por qué el sistema se comporta así, no puede medirlo, no puede arreglarlo. El ingeniero es dueño de esa capa. La construye, la mide y la gobierna. Emplea el modelo como un componente más de la arquitectura, igual que una base de datos, una cola o un servicio externo.

El LLM es la pieza más fácil de conseguir. Lo difícil es todo lo que hay alrededor. Y ese alrededor es lo que separa al que alquila la ingeniería del que la posee.