Usamos cookies técnicas y el registro de visitas anonimizado de Zorky. Yandex Metrica (los datos se guardan en servidores en Rusia) solo se activa con tu consentimiento. Nunca vendemos datos. Más sobre cookies y estadísticas.
Zorky está en modo de prueba: todo es gratis. Los empleos y las páginas de empresas están abiertos a todos; los enlaces a las ofertas y tu selección personal se abren tras registrarte. Regístrate →

Ingeniero de IA / LLM: mercado

Datos a 19 de noviembre de 2026: ofertas abiertas de Ingeniero de IA / LLM — 4167, el 30% en remoto entre las ofertas que indican la modalidad; salario mediano anunciado $10.833/mes (de 541 ofertas que indican salario). Fuente: Zorky, actualizado a diario.

AI / LLM Engineer: el rol más joven pero más sonado dentro de la dirección IA/ML/DS, que se separó en 2023 con la ola de ChatGPT / GPT-4 / Claude / Llama 2. Enfoque: integrar grandes modelos de lenguaje (LLM) en un producto; NO entrenar modelos fundacionales desde cero (eso es Research), NO pipelines clásicos de ML (eso es ML Engineer / Data Scientist), sino ingeniería aplicada de LLM: prompt engineering + RAG (Retrieval-Augmented Generation) + fine-tuning con LoRA / QLoRA + arquitecturas de agentes + tool use + evaluación. Familia de roles: AI Engineer (general: integración de LLM en una funcionalidad del producto: chatbot / resumen / clasificación / preguntas y respuestas), LLM Engineer (LLM en profundidad: optimización del lado del servidor: serving con vLLM / TGI / SGLang, ajuste de la KV cache, cuantización, speculative decoding), Generative AI Engineer (más amplio: incluye imagen / vídeo / audio: Stable Diffusion / Flux / Suno / ElevenLabs), AI Agent Engineer (en auge 2025–2026: agentes autónomos con tool calling, razonamiento multipaso, LangGraph / AutoGen / CrewAI / Microsoft Semantic Kernel), Senior AI Engineer (arquitectura LLM multiproducto + optimización de costes). Stack 2026: Python (monopolio). Bases de datos vectoriales: Pinecone (líder gestionado, premium), Weaviate (open source, modular), Qdrant (Rust, rápido y autoalojado), Milvus (escala empresarial), Chroma (ligero, para desarrollo), pgvector (extensión de Postgres, apto para producción), Elasticsearch dense_vector + Redis Stack (híbrido). Fine-tuning: LoRA + QLoRA (biblioteca PEFT de Hugging Face); el fine-tuning completo es raro (coste prohibitivo). RLHF / DPO: biblioteca TRL (Hugging Face). Serving: vLLM (PagedAttention, throughput récord), TGI (Text Generation Inference, Hugging Face), SGLang (modelo de programación para serving + caché), Ollama (local), llama.cpp (CPU + edge). Evaluación: RAGAS, DeepEval, lm-evaluation-harness, Inspect AI (UK AISI), Promptfoo, LangSmith (trazas + evaluación de LangChain, la mejor UX). Observabilidad: Helicone, LangSmith, Langfuse (open source), Arize Phoenix, Datadog LLM Observability. Costes: seguimiento por token + prompt caching. Top stack: python, llm, cloud, aws, agile. Entre las vacantes con modalidad de trabajo indicada, el 30% es remoto.

Datos al:

Las cifras clave del mercado de Ingeniero de IA / LLM: ofertas abiertas, salario mediano, grupo de especialistas observado y proporción de remoto.

4167
empleos abiertos — por título del puesto, republicaciones fusionadas
$10.833
mediana $/mes
30%
remoto

El mercado de Ingeniero de IA / LLM tiene ahora 4167 puestos abiertos, 3594 de ellos observados recientemente. Median salary $10.833/mo.

Entre las vacantes con modalidad de trabajo indicada, el 30% es remoto. El trabajo de IA está totalmente en la nube (APIs de LLM + bases de datos vectoriales + GPUs en la nube). Empresas de outsourcing: casi siempre en remoto. Laboratorios internacionales de IA de frontera: remoto total como estándar para candidatos excepcionales. IA en Big Tech: híbrido como estándar. Startups de IA de Y Combinator: remoto total premium.

⚠ salario conocido en 541 de 4167 empleos; cuota de remoto a partir de 3515 con formato indicado; 3594 contados como observaciones recientes; no se muestran la tendencia ni la dificultad de contratación

Cronología: ofertas y fuentes

Cuántas ofertas de Ingeniero de IA / LLM aparecieron cada semana desde el 1 jun y de cuántas fuentes. El gráfico inferior separa el crecimiento del mercado del crecimiento de nuestra cobertura: un salto en la semana en que se conectaron nuevas fuentes significa que empezamos a ver más, no que el mercado creció.

Nuevas ofertas por semana

Datos del gráfico
Nuevas ofertas por semana. Tabla de datos del bloque. Un valor ausente no es cero; las unidades y la muestra se indican en la descripción del indicador.
PeriodoNuevas ofertas por semana
2026-06-01190
2026-06-08141
2026-06-15113
2026-06-22326
2026-06-29306
2026-07-06351
2026-07-13463
2026-07-20436
2026-07-27254
2026-08-03354
2026-08-10219
2026-08-17262
2026-08-24235
2026-08-31272
2026-09-07278
2026-09-14307
2026-09-211096
2026-09-28666
2026-10-05752
2026-10-121640
2026-10-19888
2026-10-26967
2026-11-02928
2026-11-091041

Fuentes activas por semana

Fuentes en el periodo: 278. ▲ — semana en la que se conectaron muchas fuentes nuevas.

Datos del gráfico
Fuentes activas por semana. Tabla de datos del bloque. Un valor ausente no es cero; las unidades y la muestra se indican en la descripción del indicador.
PeriodoFuentes activas
2026-06-0125
2026-06-0824
2026-06-1521
2026-06-2249
2026-06-2968
2026-07-0658
2026-07-1385
2026-07-2075
2026-07-2766
2026-08-0366
2026-08-1040
2026-08-1744
2026-08-2447
2026-08-3149
2026-09-0749
2026-09-1450
2026-09-2175
2026-09-2871
2026-10-0582
2026-10-1273
2026-10-1983
2026-10-2685
2026-11-0282
2026-11-09107
Nuevas fuentes conectadas: 22 jun +28 · 29 jun +36 · 6 jul +22 · 13 jul +26 · 20 jul +19 · todas las semanas (23) en la tabla
SemanaFuentes nuevasOfertas nuevas
8 jun+7141
15 jun+5113
22 jun+28326
29 jun+36306
6 jul+22351
13 jul+26463
20 jul+19436
27 jul+5254
3 ago+6354
10 ago+2219
17 ago+4262
24 ago+5235
31 ago+5272
7 sept+7278
14 sept+8307
21 sept+101096
28 sept+6666
5 oct+8752
12 oct+81640
19 oct+14888
26 oct+3967
2 nov+9928
9 nov+101041

La semana actual aún no ha terminado y no se muestra: una semana incompleta parecería una caída.

Semana = fecha en que se detectó la oferta por primera vez, todos los estados; las ofertas se seleccionan con la misma regla que el contador de esta página. Las fuentes son canales de recopilación distintos; sus nombres no se publican.

Datos del gráfico
Cronología: ofertas y fuentes — Ingeniero de IA / LLM. Tabla de datos del bloque. Un valor ausente no es cero; las unidades y la muestra se indican en la descripción del indicador.
SemanaNuevas ofertas por semanaFuentes activas
2026-06-0119025
2026-06-0814124
2026-06-1511321
2026-06-2232649
2026-06-2930668
2026-07-0635158
2026-07-1346385
2026-07-2043675
2026-07-2725466
2026-08-0335466
2026-08-1021940
2026-08-1726244
2026-08-2423547
2026-08-3127249
2026-09-0727849
2026-09-1430750
2026-09-21109675
2026-09-2866671
2026-10-0575282
2026-10-12164073
2026-10-1988883
2026-10-2696785
2026-11-0292882
2026-11-091041107

Salarios a lo largo del tiempo

Salario mediano de Ingeniero de IA / LLM por semana, USD al mes.

Salario mediano, USD al mes

Datos del gráfico
Salario mediano, USD al mes. Tabla de datos del bloque. Un valor ausente no es cero; las unidades y la muestra se indican en la descripción del indicador.
PeriodoMedianaOfertas con salario por semana (n)
2026-08-31735511
2026-09-07—5
2026-09-14—5
2026-09-21840625
2026-09-28903649
2026-10-05833379
2026-10-12857884
2026-10-199457156
2026-10-2610.833165
2026-11-0210.625161
2026-11-0911.417167

La serie empieza el 31 ago: antes no hay datos.

Ofertas con salario por semana (n)

Solo ofertas con salario en USD y periodo conocido (mes o año), de 500 a 50 000 $ al mes. Las semanas con menos de 10 ofertas así quedan en blanco: significa sin datos, no cero.

Datos del gráfico
Salarios a lo largo del tiempo — Ingeniero de IA / LLM. Tabla de datos del bloque. Un valor ausente no es cero; las unidades y la muestra se indican en la descripción del indicador.
SemanaMediana
2026-06-01—
2026-06-08—
2026-06-15—
2026-06-22—
2026-06-29—
2026-07-06—
2026-07-13—
2026-07-20—
2026-07-27—
2026-08-03—
2026-08-10—
2026-08-17—
2026-08-24—
2026-08-317355
2026-09-07—
2026-09-14—
2026-09-218406
2026-09-289036
2026-10-058333
2026-10-128578
2026-10-199457
2026-10-2610.833
2026-11-0210.625
2026-11-0911.417

El trabajo remoto a lo largo del tiempo

Proporción de ofertas de Ingeniero de IA / LLM con trabajo totalmente remoto, por semana.

Ofertas remotas, %

Datos del gráfico
Ofertas remotas, %. Tabla de datos del bloque. Un valor ausente no es cero; las unidades y la muestra se indican en la descripción del indicador.
PeriodoRemoto
2026-06-0130,3
2026-06-0826,1
2026-06-1521,1
2026-06-2227,6
2026-06-2940,9
2026-07-0639,5
2026-07-1340,8
2026-07-2043,1
2026-07-2746,7
2026-08-0327,7
2026-08-1036,2
2026-08-1730,8
2026-08-2431,3
2026-08-3122,9
2026-09-0720,3
2026-09-1417,6
2026-09-2129,6
2026-09-2833,5
2026-10-0536,5
2026-10-1234,5
2026-10-1935,1
2026-10-2634
2026-11-0230,5
2026-11-0930,5

La proporción se calcula entre las ofertas que indican la modalidad (remoto, híbrido, oficina). Las semanas con menos de 10 ofertas así quedan en blanco.

Datos del gráfico
El trabajo remoto a lo largo del tiempo — Ingeniero de IA / LLM. Tabla de datos del bloque. Un valor ausente no es cero; las unidades y la muestra se indican en la descripción del indicador.
SemanaRemoto
2026-06-0130,3
2026-06-0826,1
2026-06-1521,1
2026-06-2227,6
2026-06-2940,9
2026-07-0639,5
2026-07-1340,8
2026-07-2043,1
2026-07-2746,7
2026-08-0327,7
2026-08-1036,2
2026-08-1730,8
2026-08-2431,3
2026-08-3122,9
2026-09-0720,3
2026-09-1417,6
2026-09-2129,6
2026-09-2833,5
2026-10-0536,5
2026-10-1234,5
2026-10-1935,1
2026-10-2634
2026-11-0230,5
2026-11-0930,5

Tecnologías a lo largo del tiempo

Cómo cambió la proporción de ofertas de Ingeniero de IA / LLM que mencionan cada una de las principales tecnologías.

Ofertas que mencionan la tecnología, %

Datos del gráfico
Ofertas que mencionan la tecnología, %. Tabla de datos del bloque. Un valor ausente no es cero; las unidades y la muestra se indican en la descripción del indicador.
PeriodoPythonllmcloud
2026-08-1023,436,921,6
2026-08-1739,346,217,9
2026-08-2429,534,117,8
2026-08-3135,746,210,5
2026-09-0734,748,424,2
2026-09-1432,84026,4
2026-09-2138,244,435
2026-09-2856,955,741,8
2026-10-0559,254,340,6
2026-10-1250,350,741
2026-10-1959,860,243,6
2026-10-2659,556,350,6
2026-11-0263,357,940,7
2026-11-0961,45544,9
Hasta 5 en el gráfico:

Proporción entre las ofertas con stack etiquetado; la serie empieza el 10 ago: antes las etiquetas de stack se asignaban de otra forma. Las semanas con menos de 20 ofertas etiquetadas quedan en blanco.

Datos del gráfico
Tecnologías a lo largo del tiempo — Ingeniero de IA / LLM. Tabla de datos del bloque. Un valor ausente no es cero; las unidades y la muestra se indican en la descripción del indicador.
SemanaPythonllmcloudAWSAzure
2026-08-1023,436,921,616,27,2
2026-08-1739,346,217,91212
2026-08-2429,534,117,88,511,6
2026-08-3135,746,210,510,58,4
2026-09-0734,748,424,26,512,9
2026-09-1432,84026,45,68,8
2026-09-2138,244,43517,813,5
2026-09-2856,955,741,829,433,6
2026-10-0559,254,340,62627,5
2026-10-1250,350,74123,922,2
2026-10-1959,860,243,628,225,4
2026-10-2659,556,350,631,928,6
2026-11-0263,357,940,726,724,5
2026-11-0961,45544,926,328,6

Países a lo largo del tiempo

Cómo cambió por semana la proporción de ofertas de Ingeniero de IA / LLM en cada uno de los principales países.

Ofertas en el país, %

Datos del gráfico
Ofertas en el país, %. Tabla de datos del bloque. Un valor ausente no es cero; las unidades y la muestra se indican en la descripción del indicador.
PeriodoEE. UU.Reino UnidoPolonia
2026-06-0150,82,217,3
2026-06-0851,97,810,9
2026-06-1558,8213,7
2026-06-2229,70,734,7
2026-06-2927,7416,6
2026-07-0631,45,210,8
2026-07-1333,3511,8
2026-07-2034,11718,7
2026-07-2729,611,318,8
2026-08-0335,318,54,8
2026-08-1028,227,63,1
2026-08-1737,320,11,4
2026-08-2432,122,34,3
2026-08-3137,624,51,7
2026-09-0740,917,53,2
2026-09-1437,7201,1
2026-09-2135,912,24,1
2026-09-2837,511,911,9
2026-10-0531,711,715
2026-10-1222,29,210,9
2026-10-192611,213,3
2026-10-2627,8127
2026-11-0228,612,67,4
2026-11-0928,411,47,5
Hasta 5 en el gráfico:

Proporción entre las ofertas con país conocido; el gráfico muestra los cinco países con más ofertas en seis meses. Las semanas con menos de 20 ofertas con país conocido quedan en blanco. Una proporción al alza puede deberse a una fuente recién conectada en ese país y no al crecimiento del mercado.

Datos del gráfico
Países a lo largo del tiempo — Ingeniero de IA / LLM. Tabla de datos del bloque. Un valor ausente no es cero; las unidades y la muestra se indican en la descripción del indicador.
SemanaEE. UU.Reino UnidoPoloniaIndiaAlemania
2026-06-0150,82,217,312,31,1
2026-06-0851,97,810,913,27,8
2026-06-1558,8213,76,94,9
2026-06-2229,70,734,773,7
2026-06-2927,7416,67,53,2
2026-07-0631,45,210,813,64,9
2026-07-1333,3511,812,13,7
2026-07-2034,11718,74,72,5
2026-07-2729,611,318,83,85,9
2026-08-0335,318,54,86,81,7
2026-08-1028,227,63,16,13,7
2026-08-1737,320,11,47,71,9
2026-08-2432,122,34,38,22,2
2026-08-3137,624,51,78,32,2
2026-09-0740,917,53,27,91,2
2026-09-1437,7201,112,10,4
2026-09-2135,912,24,174,1
2026-09-2837,511,911,97,45,2
2026-10-0531,711,7155,77,5
2026-10-1222,29,210,99,210
2026-10-192611,213,36,67,8
2026-10-2627,81278,65,3
2026-11-0228,612,67,47,26,1
2026-11-0928,411,47,58,66,4

Mercado limpio: índice de contratación

Los mismos 7505 portales de empleo de empresas; el número de ofertas se toma del propio portal. Conectar nuevas fuentes no mueve este índice: muestra el mercado, no nuestra cobertura. Es todo el mercado del panel, no solo Ingeniero de IA / LLM.

Índice de contratación, 16 oct = 100

Datos del gráfico
Índice de contratación, 16 oct = 100. Tabla de datos del bloque. Un valor ausente no es cero; las unidades y la muestra se indican en la descripción del indicador.
PeriodoÍndice de contratación
2026-10-16100
2026-10-17100,03
2026-10-1899,76
2026-10-1999,68
2026-10-2099,27
2026-10-2198,6
2026-10-2299,07
2026-10-2397,4
2026-10-2497,41
2026-10-2697,33
2026-10-2796,76
2026-10-2896,21
2026-10-2995,17
2026-10-3095,13
2026-10-3193,65
2026-11-0193,33
2026-11-0292,67
2026-11-0392,65
2026-11-0492,41
2026-11-0592,13
2026-11-0690,44
2026-11-0790,48
2026-11-0890,45
2026-11-1090,29
2026-11-1190,22
2026-11-1390,12
2026-11-1489,7
2026-11-1589,68
2026-11-1689,62
2026-11-1888,91
2026-11-1988,02

Índice encadenado: cada día compara solo los portales consultados ese día y el anterior; se excluyen los valores atípicos y las caídas de consulta de toda una plataforma. Los días sin pares comparables quedan en blanco.

Datos del gráfico
Mercado limpio: índice de contratación — Ingeniero de IA / LLM. Tabla de datos del bloque. Un valor ausente no es cero; las unidades y la muestra se indican en la descripción del indicador.
DíaÍndice de contratación
2026-10-16100
2026-10-17100,03
2026-10-1899,76
2026-10-1999,68
2026-10-2099,27
2026-10-2198,6
2026-10-2299,07
2026-10-2397,4
2026-10-2497,41
2026-10-2697,33
2026-10-2796,76
2026-10-2896,21
2026-10-2995,17
2026-10-3095,13
2026-10-3193,65
2026-11-0193,33
2026-11-0292,67
2026-11-0392,65
2026-11-0492,41
2026-11-0592,13
2026-11-0690,44
2026-11-0790,48
2026-11-0890,45
2026-11-1090,29
2026-11-1190,22
2026-11-1390,12
2026-11-1489,7
2026-11-1589,68
2026-11-1689,62
2026-11-1888,91
2026-11-1988,02

Cuántas ofertas abiertas de Ingeniero de IA / LLM hay y cuántos especialistas adecuados observa Zorky.

Demanda y oferta observada

Datos del gráfico
Tabla de datos del bloque. Un valor ausente no es cero; las unidades y la muestra se indican en la descripción del indicador.
IndicadorValor
Demanda abierta4167
Demanda abierta4167
Oferta observada— no publicado

AI Engineer: la subespecialidad de IA/ML que más rápido crece (se separó en 2023 tras el boom de ChatGPT). El mercado real es más amplio que el conjunto visible: muchos roles de IA se clasifican en nuestro matcher como ML Engineer genérico / Backend (títulos como «Senior Backend Engineer with AI focus»). Motores en 2026: adopción de LLM en todos los productos (chatbots / resúmenes / preguntas y respuestas / asistencia de código), aplicaciones RAG para bases de conocimiento empresariales, flujos agénticos (en auge en 2025–2026), la carrera de las startups de Foundation Models. Remoto internacional en laboratorios de IA de frontera + startups de IA de Y Combinator: segmento premium.

⚠ los candidatos que encajan con una vacante aún no se cuentan: se muestran la demanda y el pool observado

Cómo se distribuyen los salarios en las ofertas de Ingeniero de IA / LLM, en dólares estadounidenses al mes.

Distribución de salarios

P25 $7699 · P50 $10.833 · P75 $15.625
Datos del gráfico
Tabla de datos del bloque. Un valor ausente no es cero; las unidades y la muestra se indican en la descripción del indicador.
IndicadorValor
<$1k4
$1–2k10
$2–3k11
$3–4k11
$4–5k11
$5–6k30
$6–7k32
$7–8k37
$8–9k45
$9–10k34
$10–12k80
$12–15k81
$15–20k113
$20k+42
Salario en las ofertas: base 4167
  • apto para el cálculo: 541 (13%)
  • indicado, pero no convertido a USD/mes: 543 (13%)
  • no indicado: 3083 (74%)

Una de cada diez ofertas paga menos de $5411 y una de cada diez más de $19.166. La mitad de las ofertas ofrece entre $7699 y $15.625. Muestra: 541.

Datos del gráfico
Distribución de salarios — Ingeniero de IA / LLM. Tabla de datos del bloque. Un valor ausente no es cero; las unidades y la muestra se indican en la descripción del indicador.
IndicadorLímite inferiorLímite superiorCantidad
<$1k010004
$1–2k1000200010
$2–3k2000300011
$3–4k3000400011
$4–5k4000500011
$5–6k5000600030
$6–7k6000700032
$7–8k7000800037
$8–9k8000900045
$9–10k900010.00034
$10–12k10.00012.00080
$12–15k12.00015.00081
$15–20k15.00020.000113
$20k+20.000—42

En qué países hay más ofertas abiertas de Ingeniero de IA / LLM.

Geografía de la demanda

paísempleosproporción
Estados Unidos105030,3%
Reino Unido3299,5%
Polonia3088,9%
India2848,2%
Alemania2146,2%
Canadá1243,6%
Francia1103,2%
Singapur1073,1%
España651,9%
Rusia601,7%
Otros países81923,6%

El líder por número de vacantes de AI Engineer es EE. UU. (1050 vacantes) — pero la base de este nicho joven es pequeña, no del todo representativa. Polonia — hub de la UE AI-friendly (Varsovia / Cracovia). Alemania — clúster de IA de Berlín (Aleph Alpha + Black Forest Labs). Francia — París (Mistral + sede de Hugging Face). Reino Unido — Londres. EE. UU. — Bay Area (el mayor hub de IA).

⚠ solo número de empleos: el salario por país no se publica

Datos del gráfico
Geografía de la demanda — Ingeniero de IA / LLM. Tabla de datos del bloque. Un valor ausente no es cero; las unidades y la muestra se indican en la descripción del indicador.
PaísOfertas
US1050
GB329
PL308
IN284
DE214
CA124
FR110
SG107
ES65
RU60

Qué tecnologías se piden con más frecuencia en la misma oferta que Ingeniero de IA / LLM.

Se usa junto con

python
156237,5%
llm
153536,8%
cloud
133131,9%
aws
84720,3%
azure
79019%
docker
47711,4%
langchain
44110,6%
langgraph
42510,2%
gcp
4019,6%
mlops
3568,5%

Cuota: cuántas de las 4167 ofertas del mercado Ingeniero de IA / LLM mencionan esta tecnología. Ordenado por número de ofertas, no por «fuerza de asociación». Términos genéricos como cloud no son una nube concreta (AWS, Azure).

Datos del gráfico
Se usa junto con — Ingeniero de IA / LLM. Tabla de datos del bloque. Un valor ausente no es cero; las unidades y la muestra se indican en la descripción del indicador.
NombreCantidad
python1562
llm1535
cloud1331
aws847
azure790
docker477
langchain441
langgraph425
gcp401
mlops356
embeddings355
fine-tuning333

Cuántas ofertas de Ingeniero de IA / LLM hay en cada nivel, de junior a principal.

Demanda por nivel

nivelempleos
senior1284
principal316
lead312
junior201
middle184

Junior: entrada típica desde Backend Senior / ML Engineer Middle + portfolio de LLM (experiencia demostrable con RAG + LangChain). Trayectoria: Backend Senior / ML Middle (2-3 años) + interés por los LLM → AI Engineer Junior (1-2 años) → Middle (2-3 años) → Senior → luego Staff / Principal AI Engineer, AI Tech Lead / Engineering Manager, paso a un laboratorio de IA de frontera o fundador de una startup de IA. Si hay pocos datos por grado, consulta las páginas de ml-engineer + research para referencias más amplias.

⚠ solo el lado de la demanda: el nivel del pool observado se desconoce en su mayor parte

Datos del gráfico
Demanda por nivel — Ingeniero de IA / LLM. Tabla de datos del bloque. Un valor ausente no es cero; las unidades y la muestra se indican en la descripción del indicador.
NivelCantidad
senior1284
principal316
lead312
junior201
middle184

Quién contrata más en Ingeniero de IA / LLM y cuánto se concentra la demanda en las empresas más grandes.

Empleadores

La demanda se reparte entre 2497 empleadores. El mayor concentra el 1.1%, los diez primeros el 5.0%; el 95.0% restante es cola larga.

el mayor 1,1%2.º–3.º 1,3%4.º–10.º 2,6%el resto 95%
proporciónvalor
top-11.1%
top-32.3%
top-105.0%
cola larga95.0%

⚠ no se muestran nombres: el clasificador aún no distingue entre agencias de selección y empleadores finales

De qué webs de empresas y portales de empleo recoge Zorky las ofertas de Ingeniero de IA / LLM.

Dónde ve Zorky este mercado

Observado en 128 fuentes; la mayor concentra el 11.5%: este mercado no depende de un solo canal.

Datos del gráfico
Dónde ve Zorky este mercado — Ingeniero de IA / LLM. Tabla de datos del bloque. Un valor ausente no es cero; las unidades y la muestra se indican en la descripción del indicador.
ClaseNombreNombre en inglésCantidadProporción
atsATS и карьерные сайтыATS y webs de empleo de empresas25300,6072
boardджоб-борды и агрегаторыportales de empleo y agregadores13920,3341
telegramTelegramTelegram2220,0533
comunidadсообщества и публичные профилиcomunidad y perfiles públicos230,0055

Las ofertas de Ingeniero de IA / LLM más recientes de las webs de empleo de las empresas.

Vacantes recientes

Todos los empleos →

Últimas vacantes abiertas de AI Engineer: las posiciones más recientes de la muestra (nicho joven, muestra pequeña). La lista completa está en nuestro CRM o en el enlace «ver todas» de abajo. Para una visión más amplia, consulta las páginas de ml-engineer + research.

Cómo se mide
Vacante
un empleo abierto que superó el filtro de calidad y menciona al menos dos tecnologías
Candidato observado
un candidato cuyo stack contiene esta tecnología; es un agregado: ni un solo registro sale del perímetro
Candidato emparejable
aún no contabilizado
Ventana
empleos abiertos en el momento en que se generó el snapshot

Sobre los datos

  • Algunos desgloses están ocultos: su cobertura de datos aún no es suficiente.
  • Las estadísticas se muestran solo donde la muestra supera un control de calidad.
  • Que falte un bloque no significa que el valor sea cero.

Desgloses ocultos actualmente: 8.

Área: IA / ML / Data Science

Especializaciones relacionadas

Dentro de AI / LLM Engineer: AI Engineer (general: integración de LLM en una funcionalidad de producto), LLM Engineer (LLM a fondo: serving con vLLM / TGI + KV cache + cuantización + decodificación especulativa), Generative AI Engineer (más amplio: imagen / vídeo / audio: Stable Diffusion / Flux / Suno / ElevenLabs), AI Agent Engineer (en auge 2025–2026: agentes autónomos con uso de herramientas + razonamiento en varios pasos), Senior AI Engineer (arquitectura LLM multiproducto + optimización de costes). La comparación con ml-engineer/data-scientist/research/mlops está en la barra de abajo.

Visión artificialCientífico de datosIngeniero de MLMLOpsIngeniero de PLNIngeniero de investigación

Preguntas frecuentes

Las preguntas más frecuentes sobre AI / LLM Engineer: salario (segmento premium por skill escaso), AI Engineer frente a ML Engineer frente a Data Scientist (comparación a 3 bandas), RAG frente a Fine-tuning frente a Prompt Engineering (árbol de decisión + realidad de costes), AI Agent Engineer (subespecialización en auge 2025–2026), trabajo remoto, cómo llegar a serlo (2-4 meses desde Backend Senior: la entrada más rápida al mundo del ML), skills de Senior (LangChain + RAG avanzado + arquitecturas de agentes + optimización de costes + contribuciones open-source). Las respuestas se recalculan automáticamente.

¿Cuánto gana un AI Engineer Junior, Middle, Senior o Lead?

Junior: entrada típica: Backend Middle / ML Engineer Middle / Data Scientist Middle + proyectos personales con LLM (experiencia demostrable con RAG + LangChain). El salto de Junior a Middle: tras el primer despliegue en producción de una función con LLM (chatbot / resúmenes / preguntas y respuestas en un producto real con usuarios reales). De Middle a Senior: responsabilidad sobre varias funciones con LLM + optimización de costes + metodología de evaluación. De Senior a Staff / Principal: estrategia de IA de toda la organización + arquitectura de una plataforma de LLM para varios productos. Trayectoria: Backend Senior / ML Engineer Middle (2-3 años) + interés por los LLM → AI Engineer Junior / Middle (1-2 años) → Senior → luego Staff / Principal AI Engineer, AI Tech Lead / Engineering Manager, paso a un laboratorio de IA de frontera o fundador de una startup de IA.

¿Qué stack necesita con más frecuencia un AI Engineer?

Principales 5: python, llm, cloud, aws, agile. Python a fondo (monopolio, async / typing / FastAPI). Cada proveedor tiene sus particularidades (rate limits + estrategias de retry + coste por token + soporte de features). Frameworks de LLM: dominio de LangChain, el mayor mercado laboral (LCEL, LangChain Expression Language, callbacks, agents, retrievers), LlamaIndex (centrado en RAG, ingesta de datos + estrategias de indexación), Haystack (deepset), Semantic Kernel (Microsoft para shops de .NET), LangGraph (orquestación de agentes estilo DAG, LangChain), AutoGen + CrewAI (multi-agente, en auge), DSPy (Stanford, programación declarativa de LLM, en crecimiento). Dominio de vector DB: Pinecone (líder gestionado), Weaviate (open-source modular), Qdrant (basado en Rust, self-hosted rápido), Milvus (escala enterprise), Chroma (ligero para dev / prototipado), pgvector (extensión de Postgres, apta para producción en shops de Postgres existentes), Elasticsearch dense_vector + Redis Stack (híbrido full-text + vector). Fine-tuning: LoRA + QLoRA vía la librería PEFT (Hugging Face, estándar 2026), Unsloth (entrenamiento LoRA más rápido), Axolotl (fine-tuning config-driven). Full fine-tuning raro (coste prohibitivo). RLHF / DPO / KTO: librería TRL (Hugging Face, crecimiento de Direct Preference Optimization 2024+). Evaluación: RAGAS (específico de RAG, faithfulness + answer relevancy + context precision), DeepEval, lm-evaluation-harness (benchmarks académicos), Inspect AI (UK AISI, centrado en safety), Promptfoo (regression testing de prompts), LangSmith (trace + eval de LangChain, mejor UX). Observabilidad + tracing: Helicone (APM específico de LLM), LangSmith, Langfuse (open-source), Arize Phoenix, Datadog LLM Observability (feature 2024+). Optimización de coste: prompt caching, compresión de prompts (LLMLingua), model routing (modelo pequeño para consultas fáciles, grande para complejas, a través de proveedores como Martian / OpenRouter).

AI Engineer frente a ML Engineer frente a Data Scientist: ¿cuál es la diferencia?

Data Scientist: enfoque en modelado estadístico + pruebas A/B + planteamiento de problemas de negocio. Stack: pandas + sklearn + XGBoost + Jupyter + SQL + Tableau. Ver Data Scientist. ML Engineer: enfoque en pipelines de ML en producción + despliegue + escalado. Stack: PyTorch + sklearn + Kubernetes + MLflow + ML gestionado en la nube. Generalista: trabaja con sistemas de recomendación / fraude / ranking / ML clásico. Ver ML Engineer. AI Engineer (esta página): enfoque en la integración de LLM en el producto. NO entrena modelos fundacionales (eso es Research), NO construye pipelines clásicos de ML (eso es ML Engineer). Stack: Python + proveedores de LLM + LangChain / LlamaIndex + bases de datos vectoriales + serving con vLLM + patrones RAG + fine-tuning con LoRA + herramientas de evaluación de LLM. Distinción clave 2026: el AI Engineer reutiliza LLM preentrenados; el ML Engineer a menudo entrena modelos desde cero. El AI Engineer trabaja con APIs/prompts/RAG; el ML Engineer, con bucles de entrenamiento + feature engineering. Cambios de carrera: de Backend Senior a AI Engineer Junior: 2-4 meses (arranque rápido gracias al trabajo basado en APIs + LangChain fácil de aprender). De ML Engineer Senior a AI Engineer Senior: 1-3 meses (ya conoce las bases del stack, necesita profundizar en lo específico de LLM). De DS Senior a AI Engineer Middle: 3-6 meses. De AI Engineer Senior a Research: requiere matemáticas más profundas + experiencia escribiendo papers + 6-12 meses de preparación.

RAG frente a fine-tuning frente a prompt engineering: ¿qué elegir?

Árbol de decisión para personalizar un LLM 2026: 1) Prompt engineering: el primer intento. Caso de uso: zero-shot o few-shot BASTA para la tarea. Pros: coste cero (sin entrenamiento), iteración instantánea, independiente del modelo. Contras: control limitado, fragilidad de los prompts, presión sobre la ventana de contexto. 2) RAG (Retrieval-Augmented Generation): lo mejor para tareas basadas en conocimiento. Caso de uso: chatbot, preguntas y respuestas, búsqueda en documentos, atención al cliente, documentación de código, bases de conocimiento internas. Arquitectura: consulta → embedding → búsqueda vectorial → top-k documentos → ampliar el prompt con el contexto recuperado → el LLM genera la respuesta. Pros: anclaje factual (contra las alucinaciones), actualizado (basta con actualizar el índice, sin reentrenar), se pueden citar fuentes, más barato que el fine-tuning. Contras: la calidad de la recuperación es el cuello de botella, el prompt crece. Stack RAG 2026: ingesta (document loaders de LlamaIndex / LangChain) → estrategia de chunking (semántico frente a tamaño fijo frente a recursivo) → embeddings → BD vectorial (Pinecone / Qdrant / Weaviate / pgvector) → recuperación (similitud + reranking con Cohere Rerank / BGE Reranker) → ampliación del prompt → generación con el LLM. RAG avanzado: búsqueda híbrida (vectorial + BM25), HyDE (Hypothetical Document Embeddings), reescritura de consultas, recuperación multi-hop, autorreflexión (CRAG / Self-RAG). 3) Fine-tuning: úsalo cuando el prompt engineering + RAG no bastan. Casos de uso: a) estilo / formato específico del dominio (médico / legal: patrones de redacción concretos), b) reducir el coste en tokens (un modelo pequeño ajustado sustituye a uno general más grande), c) tareas que requieren conocimiento especializado profundo (donde la ventana de contexto del RAG no ayuda). LoRA entrena adaptadores manteniendo congelados los pesos base. La proporción de parámetros entrenables depende del modelo, el rango de los adaptadores y los módulos seleccionados. LoRA. Stack: Hugging Face Transformers + PEFT + TRL + Unsloth (más rápido) + Axolotl (basado en configuración). Hardware: GPU de 24GB (RTX 4090 / A6000) para modelos de 7-13B, 80GB+ (A100/H100) para 70B+. Realidad de costes 2026: prompt engineering: minutos, $0. Configurar un RAG: 1-2 semanas de ingeniería, $100-1.000/mes en costes de API. 4) Combinación: las funcionalidades de IA reales en producción suelen usar LAS TRES. Primero prompt engineering (system prompts + ejemplos few-shot) → RAG para el anclaje → fine-tuning con LoRA opcional para estilo/formato. 5) Patrones agénticos (en auge 2025–2026): LLM + uso de herramientas + razonamiento multipaso. Usa LangGraph / AutoGen / CrewAI / DSPy.

¿Qué proporción de vacantes ofrece trabajo remoto?

Entre las vacantes con modalidad de trabajo indicada, el 30% es remoto. Las vacantes sin modalidad indicada se excluyen del denominador; el trabajo híbrido no se cuenta como remoto.

¿Por dónde empezar en AI Engineering en 2026?

Hoja de ruta: 1) Python a fondo + nociones de Backend: async / tipado / FastAPI / pytest. Sin habilidad de Backend no eres AI Engineer (solo alguien que escribe prompts). Libro: "Fluent Python" de Ramalho. 2) Comprensión de los fundamentos de los LLM: nociones de la arquitectura transformer (atención + tokenización + estrategias de decodificación + ventanas de contexto), pero no hace falta implementarla desde cero. Curso: "Building LLMs from scratch" de Karpathy en YouTube (gratis, el mejor para la intuición). Libro: "Hands-On Large Language Models" de Jay Alammar / Maarten Grootendorst (2024, lectura obligada). 3) Dominio de la API de OpenAI: chat completions + function calling + salidas estructuradas + streaming + assistants. Construye un mínimo de 3 apps reales. Créditos gratuitos + experimentación barata. 4) Dominio de la API de Anthropic Claude: la mejor para programación + casos de contexto largo. Tool use + prompt caching + computer use (si te interesa la vía de agentes de IA). 5) Dominio de LangChain: el requisito más frecuente del mercado laboral. LCEL (LangChain Expression Language), chains, agentes, retrievers, callbacks. Curso: "LangChain & Vector Databases in Production" de DeepLearning.AI (gratis). 6) Arquitectura RAG a fondo: cargadores de documentos + estrategias de chunking (semántico / fijo / recursivo) + elección de embeddings + selección de la BD vectorial + algoritmos de recuperación + reranking. Construye una app RAG de producción con patrones avanzados (búsqueda híbrida + reranking + HyDE). 7) Dominio de las BD vectoriales: al menos una a fondo (Qdrant, la mejor para aprender en autoalojado) + una gestionada (Pinecone). Nociones de los algoritmos HNSW / IVF / PQ. 8) Práctica de fine-tuning: LoRA / QLoRA con la librería PEFT + Unsloth (más rápido). Haz fine-tuning de Llama 3.x 8B con tu propio dataset. Hardware: Google Colab Pro+ ($50/mes) o RunPod / Vast.ai (alquiler de GPU barato). 9) Servicio con vLLM: despliega un modelo abierto con vLLM + mide el throughput + compáralo con la API de OpenAI. 10) Dominio de la evaluación: RAGAS + DeepEval + una suite de evaluación propia. Construye una prueba de regresión para los prompts. 11) Observabilidad con LangSmith / Langfuse: instrumenta una app de producción + analiza las trazas + identifica los cuellos de botella. 12) Frameworks de agentes: nociones de LangGraph + AutoGen + CrewAI + DSPy. Construye una demo multiagente (agente de investigación + agente redactor + agente crítico). 13) Portfolio de proyectos personales: una funcionalidad de IA de nivel de producción (por ejemplo, preguntas y respuestas sobre documentos de un dataset abierto) con RAG + evaluación + observabilidad + seguimiento de costes. Documéntala como portfolio (GitHub + entrada de blog + vídeo de demostración). Cursos rusos: itinerario "AI Engineer" de Karpov.Courses, Otus "LLM Engineering", Escuela de IA de la HSE, itinerario AI Engineer de School21 (Sber). Libros imprescindibles: "AI Engineering" de Chip Huyen (2024), "Hands-On Large Language Models" de Alammar / Grootendorst, "Building LLMs for Production" de Bouchard / Peng. De Backend Senior + interés por los LLM a AI Engineer Junior: 2-4 meses (la entrada más rápida al mundo del ML). De ML Engineer Senior a AI Engineer Senior: 1-3 meses. De Data Scientist a AI Engineer Middle: 3-6 meses.

¿Cuántas vacantes abiertas contiene esta muestra?

La muestra publicada contiene 4167 vacantes abiertas tras agrupar las republicaciones. Es la misma cifra del indicador principal. La sección geográfica describe la cobertura de la muestra; no es una estimación de todo el mercado.

¿Qué skills necesita un Senior AI Engineer?

Un Senior AI Engineer es responsable del ciclo completo de ingeniería de productos LLM + optimización de costes + liderazgo técnico. Python a fondo + backend de nivel Senior: dominio de async / typing / FastAPI / pytest. Conocimiento de LLM abiertos: Llama 3.x / Mistral / Qwen 2.5 / DeepSeek V3 + R1 / Phi 3 / Gemma 2: compromisos entre rendimiento y coste, cuándo usar cada uno. Dominio de LangChain: LCEL a fondo, callbacks, agentes, retrievers, escritura de cadenas personalizadas, depuración con LangSmith. O el equivalente en LlamaIndex / Haystack / Semantic Kernel. Dominio de la arquitectura RAG: patrones avanzados (búsqueda híbrida BM25 + vectorial, reranking, HyDE, reescritura de consultas, recuperación multi-hop, patrones de autorreflexión CRAG / Self-RAG), estrategias de chunking (semántico + recursivo + jerárquico), elección del modelo de embeddings. Dominio profundo de bases de datos vectoriales: una de Pinecone / Qdrant / Weaviate / Milvus / pgvector a fondo: ajuste de índices, sharding, replicación, implementación de búsqueda híbrida. Dominio del fine-tuning: LoRA / QLoRA con PEFT + Unsloth + Axolotl, preparación de datasets (instruction tuning + datos DPO), elección de hiperparámetros, metodología de evaluación. Nociones de RLHF / DPO / KTO: la librería TRL para la optimización de preferencias. Dominio del serving: vLLM avanzado (PagedAttention + continuous batching + speculative decoding + optimización de la KV cache), TGI, SGLang. Arquitecturas de agentes: dominio de LangGraph + AutoGen + CrewAI + DSPy, implementación de MCP (Model Context Protocol), patrones de diseño de uso de herramientas, orquestación multiagente. Dominio de la evaluación: RAGAS + DeepEval + diseño de suites de evaluación propias, metodología LLM-as-judge, pruebas de regresión para prompts, pruebas A/B para funcionalidades LLM. Observabilidad + trazas: dominio de LangSmith + Langfuse + Helicone + Arize Phoenix + Datadog LLM Observability. Dominio de la optimización de costes: estrategias de prompt caching (nativo + Redis propio), compresión de prompts (LLMLingua), enrutamiento de modelos (pequeño para lo fácil / grande para lo complejo con OpenRouter / Martian), batch API para lo que no es en tiempo real. Seguridad / guardrails: NeMo Guardrails, Llama Guard, integración de OpenAI Moderation API, defensa contra prompt injection, filtrado de salidas. Diseño de sistemas para productos LLM: diseñar en pizarra un producto basado en RAG a escala de 100M+ consultas/día, consideraciones multirregión, presupuestos de latencia (objetivo P95 < 2s para chat). Soft: redacción de ADRs para decisiones de arquitectura LLM, redacción técnica (documentos de diseño de funcionalidades LLM), colaboración entre equipos (Producto / Backend / DS / Investigación), mentoría a AI Engineers Middle, disciplina de lectura de papers (NeurIPS / ICLR / EMNLP: hay que seguirlos). Inglés para Senior+ IMPRESCINDIBLE: la comunidad de IA, la documentación, los papers y las conferencias están enteramente en inglés. Extra opcional: contribuciones open source a LangChain / LlamaIndex / vLLM / Hugging Face: aumentan notablemente el valor de mercado para la contratación en laboratorios de IA de frontera. Presencia en Twitter sobre IA (publicaciones regulares sobre experimentos con LLM): importante para la contratación a través de contactos en la comunidad.

Dejar una solicitud

Describe la tarea y deja un contacto: la solicitud llega a nuestro CRM y respondemos al contacto que indiques.

Al enviar, aceptas la política de privacidad.