El Mapa de Habilidades en AI Engineering

Autor: Andrew Ng (@AndrewYNg)
Fecha: 14 de Agosto de 2026
Fuente Original: Andrew Ng en X
Traducción y Edición: Equipo Editorial ETELV

Me complace presentar El Mapa de Habilidades en AI Engineering (The AI Engineering Skills Map). La inteligencia artificial nos permite construir software de una manera radicalmente distinta hoy a como lo hacíamos en 2022, y cualquier persona con las habilidades necesarias para aprovechar este cambio tiene ante sí innumerables y emocionantes oportunidades profesionales y de proyectos.

Sin embargo, en medio del entorno ruidoso y lleno de exageraciones mediáticas que rodea a la IA, surge la duda: ¿cuáles son las habilidades más valiosas que debes aprender?

He estado trabajando con mi equipo para sintetizar un mapa de habilidades de ingeniería de IA con el fin de ayudar a:
1. Los desarrolladores: A priorizar qué aprender.
2. Los empleadores: A contratar desarrolladores realmente capacitados.

Tras analizar más de 10,000 ofertas de trabajo, realizar decenas de entrevistas estructuradas con expertos en IA, directores de ingeniería y reclutadores, recopilar datos mediante encuestas y sintetizar información global, aquí están las cuatro habilidades más importantes de la ingeniería de IA:

1. Construcción y despliegue de aplicaciones de IA
2. Fundamentos de ingeniería de software
3. Uso y maestría de agentes de código
4. Definición y dirección de la construcción (Shaping the build)

Puedes pensar de manera intuitiva en nuestro proceso como la aplicación de algoritmos de agrupamiento (clustering) sobre un conjunto masivo de datos de vacantes y entrevistas a expertos para identificar las competencias cruciales, no solo hoy, sino también en el futuro cercano.

Una Nota Fundamental sobre la Terminología

Hablo de habilidades de ingeniería de IA en lugar del rol formal de "Ingeniero de IA" (alguien cuyo puesto exclusivo es construir sistemas de IA), porque el concepto es mucho más amplio.

Hoy en día, todos los desarrolladores deben saber interactuar con la nube, aunque solo un porcentaje menor tenga el título oficial de "Cloud Engineer". De igual forma, todos los desarrolladores —ingenieros Full-Stack, ingenieros de datos, DevOps, ingenieros de Machine Learning y, por supuesto, ingenieros de IA— necesitarán habilidades de ingeniería de IA en su trabajo cotidiano.

1. Construcción y Despliegue de Aplicaciones de IA

La diferencia clave entre las aplicaciones con IA y el software tradicional es que las primeras tienen salidas no predecibles (no-determinismo). Cuando envías un prompt a un LLM, no sabes con absoluta certeza matemática qué obtendrás. Cuando entrenas un algoritmo de Deep Learning, no sabes con exactitud qué predicción hará ante ejemplos nunca vistos. En contraste, el software tradicional se comporta de manera determinista y predecible.

Los profesionales capacitados en construir y desplegar aplicaciones de IA entienden los bloques fundamentales (como LLMs, ingeniería de contexto, arquitecturas RAG, flujos agénticos, Machine Learning y Deep Learning) y, de forma crucial, cómo utilizar técnicas estadísticas para medir, guiar y gobernar los sistemas de IA para que se comporten de forma predecible y segura. Una habilidad esencial para lograrlo es dominar evaluaciones rigurosas (Evals) y bucles disciplinados de análisis de errores.

2. Fundamentos de Ingeniería de Software

Cuando comprendes profundamente cómo funciona el software, puedes construir con mucha mayor efectividad. Desarrollar software de calidad exige tomar decisiones conscientes de compensación (trade-offs) entre costo, escalabilidad, confiabilidad, velocidad y mantenibilidad. La seguridad y la privacidad añaden niveles adicionales de complejidad.

Comprender los fundamentos de software te permite reconocer qué compromisos existen en primer lugar. Esto conduce a mejores decisiones al elegir tu stack tecnológico, diseñar la arquitectura del sistema, estructurar los almacenes de datos y diseñar suites de testing.

También evita los malos resultados que sufre un desarrollador inexperto que programa por pura intuición (vibe codes) sin entender los compromisos que su agente de código está tomando en silencio —los cuales a menudo son deficientes porque el usuario no sabe qué contexto proveerle—. Los fundamentos de ingeniería te permiten guiar a los agentes de código utilizando el lenguaje formal, exacto y estructurado de la arquitectura de software.

3. Uso y Maestría de Agentes de Código

Utilizar la programación agéntica de forma eficaz es ahora una habilidad indispensable para todo desarrollador. Quien domina esta habilidad cuenta con un modelo mental claro sobre cómo operan los agentes: comprende sus límites y cómo sortearlos, y es capaz de dirigirlos con agilidad —sabiendo cuándo intervenir y cuándo dejarlos trabajar de forma autónoma— para construir software robusto sin desperdiciar tiempo ni tokens.

Esto requiere saber gestionar la ventana de contexto del agente, balancear la planificación con la ejecución y ayudar al agente a cerrar bucles de forma autónoma proporcionándole verificadores automáticos (tests, linters, compiladores y evals). También exige saber trabajar con especificaciones claras, orquestar múltiples agentes especializados en paralelo y evitar riesgos graves, como permitir que un agente modifique por error una base de datos de producción.

Dado que la programación agéntica evoluciona a un ritmo vertiginoso, dominar los agentes significa no solo conocer las prácticas de vanguardia actuales, sino también mantener rutinas para probar nuevas herramientas y adaptar los flujos de trabajo continuamente.

4. Shaping the Build (Definición y Dirección del Producto)

Dada una especificación clara, los agentes de código son cada vez más rápidos y precisos para implementarla. Por lo tanto, nuestro trabajo como ingenieros se está desplazando hacia decidir qué debe estar en esa especificación.

Los ingenieros ya no deben limitarse a esperar un diseño perfecto en Figma para simplemente traducirlo a código. La ingeniería de IA moderna exige tener criterio de producto, comprender el contexto del negocio y los objetivos de los clientes, participando activamente en moldear y liderar la construcción de la solución.

La IA también te otorga la oportunidad de asumir un mayor nivel de agencia y propiedad (ownership) sobre los proyectos. Puedes identificar problemas reales y oportunidades dentro de tu organización y ejecutar soluciones responsables con gran autonomía. Aprovechar esta ventaja requiere saber liderar el ritmo del proyecto: saber cuándo construir un prototipo rápido (MVP) para validar con usuarios reales y cuándo reducir la velocidad para construir infraestructura robusta a largo plazo.

Conclusión: Mentalidad de Aprendizaje Continuo

En la base de todas estas competencias se encuentra una mentalidad de aprendizaje constante. La inteligencia artificial continuará transformándose con rapidez, por lo que todos debemos seguir aprendiendo, experimentando y evolucionando para adoptar las mejores prácticas emergentes.

El futuro de la ingeniería de software está lleno de posibilidades emocionantes, y quienes dominen estas cuatro dimensiones liderarán la próxima generación de productos digitales.

The AI Engineering Skills Map

Author: Andrew Ng (@AndrewYNg)
Date: August 14, 2026
Source: Andrew Ng on X

I am delighted to present The AI Engineering Skills Map. AI allows us to build software very differently today than in 2022, and everyone with the skills to take advantage of this shift has numerous exciting project and job opportunities. But with the noisy, hype-filled information environment around AI, what are the most valuable skills for you to learn?

I have been working with my team to synthesize a map of AI engineering skills in order to help:
1. Developers prioritize what to learn.
2. Employers hire skilled developers.

Based on an analysis of over 10,000 job postings; carrying out dozens of structured interviews with AI experts, hiring managers, and recruiters; gathering data through surveys; and synthesizing other online data, here are the four most important AI engineering skills:

1. Building and deploying AI applications
2. Software engineering fundamentals
3. Using coding agents
4. Shaping the build

You can informally think of our process as akin to running clustering on a massive dataset of jobs and expert interviews to identify the most important skills, not just today but also in the near future.

A Note on Terminology

I talk about AI Engineering skills rather than the "AI Engineer" role (someone whose job is to build AI systems), because the former is much broader. All developers today should know how to work with the cloud, and only a smaller number have a "Cloud engineer" title. Similarly, all developers — full-stack engineers, data engineers, DevOps engineers, machine learning engineers, and, yes, AI engineers — will need AI engineering skills.

1. Building and Deploying AI Applications

The key difference between AI and non-AI applications is that the former has unpredictable outputs. When you prompt an LLM, you don’t know what you’ll get back. When you train a deep learning algorithm, you don’t know what prediction it will make on new examples. In contrast, traditional software behaves more predictably.

People who are skilled at building and deploying AI applications understand the building blocks of AI (such as LLMs, context engineering, RAG, agentic workflows, machine learning and deep learning) and, importantly, how to use statistical techniques to measure, steer, and govern AI systems so that they behave more predictably. A core skill in doing so is knowing how to drive disciplined evals and error analysis loops.

2. Software Engineering Fundamentals

When you deeply understand how software works, you can build much more effectively. Engineering software requires making tradeoffs between cost, scalability, reliability, speed, and more. Security and privacy add further complexity.

Understanding software fundamentals allows you to recognize what tradeoffs even exist. This leads to better decisions in choosing your software stack, designing system architecture, designing your data store, testing, and so on. It also leads to much better outcomes than those for an inexperienced developer who vibe codes a solution without knowing the tradeoffs their coding agent is making — which will often be poor ones, because they don’t know what context to give their coding agent. Understanding software engineering fundamentals lets you make good tradeoffs by steering coding agents using the precise language of software engineering.

3. Using Coding Agents

Using agentic coding effectively is now a key skill for every developer. When you have this skill, you have a good mental model for how agents work. You understand their limitations and how to work around them, and are able to quickly steer them — knowing how much to intervene and how much to leave them alone — to build robust software without wasting excessive time or tokens.

This requires knowing how to manage a coding agent’s context, make tradeoffs between planning and execution, and help the agent autonomously close loops by providing verifiers or evals. You also need to know how to work with a clear spec (and when not to bother doing so), orchestrate multiple agents that work together, and avoid pitfalls like risking an agent messing up your production database. Because agentic coding is evolving quickly, using coding agents skillfully means not only knowing cutting-edge practices, but also having routines to keep trying new tools and evolve your workflows as best practices change.

4. Shaping the Build

Given a clear spec, coding agents are rapidly improving at delivering to it. Thus, our work as engineers is shifting toward deciding what should be in the spec. Engineers should no longer expect to be given a pixel-perfect design and asked only to implement it. Instead, effective AI engineering requires having product sense and understanding business context and customer goals, so you can participate in shaping and driving the build.

AI also gives you the opportunity to take on greater ownership and agency than before. You can identify interesting problems and opportunities, and execute to take advantage of them in responsible ways. Taking advantage of this opportunity requires knowing how to drive projects forward. For example, knowing when to quickly build an MVP to take to users for testing, and when to slow down and take longer in order to build more carefully.

Conclusion & Continuous Learning

Underlying all these skills is a mindset of continuous learning. AI continues to change quickly, so we must all keep learning and evolving our skills to adopt emerging best practices.

DeepLearning.AI’s principal focus is to help developers gain these AI engineering skills. I have more to say about each of these four skills, and will flesh out each of them in upcoming posts and share a more detailed AI Engineering Skills Map. As I look at where AI Engineering is going, I am incredibly excited about what all of us will be able to build.