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 investigación: mercado

Datos a 19 de noviembre de 2026: ofertas abiertas de Ingeniero de investigación — 1112, el 19% en remoto entre las ofertas que indican la modalidad; salario mediano anunciado $14.750/mes (de 146 ofertas que indican salario). Fuente: Zorky, actualizado a diario.

Research Engineer / Research Scientist: el segmento más premium de la dirección de IA/ML. Trabajo con investigación de frontera: leer papers (NeurIPS / ICML / ICLR / ACL / CVPR / EMNLP) + reproducir el estado del arte + diseñar arquitecturas nuevas + experimentos de ablación + publicar papers. Familia de roles: Research Engineer (centrado en ingeniería: implementa las arquitecturas de los papers, construye la infraestructura de investigación, da soporte a los Research Scientists), Research Scientist (centrado en la ciencia: formula preguntas de investigación nuevas + diseña experimentos + escribe papers, normalmente vía doctorado), Senior Research Engineer / Scientist (responsable de una línea de investigación + asesora a investigadores junior + publica en los mejores congresos), Staff / Principal Researcher (define la agenda de investigación del laboratorio + liderazgo científico de varios equipos), Research Lead (gestión del equipo de investigación + becas / financiación). Stack: Python (monopolio), PyTorch (domina 2026 en investigación: 80%+), JAX+Flax/Haiku, TensorFlow (legacy en investigación, pero poco), Hugging Face Transformers+datasets+tokenizers (infraestructura de investigación en NLP / LLM), escritura de kernels CUDA (avanzado: para investigación limitada por cómputo), Triton (OpenAI, kernels de GPU propios en Python), torch.compile+JIT (optimización), Weights & Biases+MLflow+Neptune (seguimiento de experimentos: imprescindible para la reproducibilidad de la investigación), DVC (control de versiones de datos), Hydra+OmegaConf (configuración de experimentos), PyTorch Lightning/Fabric (framework de entrenamiento), entrenamiento distribuido (DDP / FSDP / DeepSpeed / Megatron-LM / ColossalAI), Ray Train/Ray Tune (distribuido + HPO), Optuna (HPO bayesiana), LaTeX (papers: imprescindible), arXiv+OpenReview (flujo de trabajo de papers), Notion/Logseq/Obsidian (notas de investigación). Extra: Mojo (nuevo: para investigación donde el rendimiento es crítico). Stack principal: python, pytorch, llm, cloud, c++. Entre las vacantes con modalidad de trabajo indicada, el 19% es remoto.

Datos al:

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

1112
empleos abiertos — por título del puesto, republicaciones fusionadas
$14.750
mediana $/mes
19%
remoto

El mercado de Ingeniero de investigación tiene ahora 1112 puestos abiertos, 1034 de ellos observados recientemente. Median salary $14.750/mo.

Entre las vacantes con modalidad de trabajo indicada, el 19% es remoto. La investigación es menos compatible con el remoto que ML Engineer / DS por la colocalización del cómputo para el entrenamiento a gran escala. Laboratorios de IA de frontera: híbrido como estándar, parcialmente compatibles con el remoto. Laboratorios de la UE: más compatibles con el remoto. Rusos (Yandex Research / Sber AI): híbrido. Empresas de outsourcing (EPAM AI Research): casi siempre en remoto.

⚠ salario conocido en 146 de 1112 empleos; cuota de remoto a partir de 859 con formato indicado; 1034 contados como observaciones recientes; no se muestran la tendencia ni la dificultad de contratación

Cronología: ofertas y fuentes

Cuántas ofertas de Ingeniero de investigación 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
2026-06-0118
2026-06-0812
2026-06-1518
2026-06-2221
2026-06-2990
2026-07-06205
2026-07-13312
2026-07-2090
2026-07-2750
2026-08-0391
2026-08-1077
2026-08-17128
2026-08-24115
2026-08-3155
2026-09-0770
2026-09-1485
2026-09-21293
2026-09-28162
2026-10-05134
2026-10-12404
2026-10-19265
2026-10-26289
2026-11-02259
2026-11-09285

Fuentes activas por semana

Fuentes en el periodo: 109. ▲ — 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
2026-06-0110
2026-06-084
2026-06-156
2026-06-2212
2026-06-2920
2026-07-0616
2026-07-1322
2026-07-2029
2026-07-2722
2026-08-0318
2026-08-1019
2026-08-1715
2026-08-2410
2026-08-3119
2026-09-0715
2026-09-1416
2026-09-2125
2026-09-2834
2026-10-0527
2026-10-1231
2026-10-1938
2026-10-2633
2026-11-0239
2026-11-0940
Nuevas fuentes conectadas: 29 jun +14 · 6 jul +9 · 20 jul +10 · todas las semanas (20) en la tabla
SemanaFuentes nuevasOfertas nuevas
15 jun+118
22 jun+721
29 jun+1490
6 jul+9205
13 jul+7312
20 jul+1090
27 jul+750
3 ago+291
10 ago+277
17 ago+1128
31 ago+255
14 sept+185
21 sept+4293
28 sept+7162
5 oct+2134
12 oct+4404
19 oct+5265
26 oct+3289
2 nov+5259
9 nov+6285

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 investigación. 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
2026-06-011810
2026-06-08124
2026-06-15186
2026-06-222112
2026-06-299020
2026-07-0620516
2026-07-1331222
2026-07-209029
2026-07-275022
2026-08-039118
2026-08-107719
2026-08-1712815
2026-08-2411510
2026-08-315519
2026-09-077015
2026-09-148516
2026-09-2129325
2026-09-2816234
2026-10-0513427
2026-10-1240431
2026-10-1926538
2026-10-2628933
2026-11-0225939
2026-11-0928540

Salarios a lo largo del tiempo

Salario mediano de Ingeniero de investigación 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)
2026-10-1212.50017
2026-10-1913.33338
2026-10-2610.15866
2026-11-0211.03361
2026-11-0912.91766

La serie empieza el 12 oct: 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 investigación. 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—
2026-08-31—
2026-09-07—
2026-09-14—
2026-09-21—
2026-09-28—
2026-10-05—
2026-10-1212.500
2026-10-1913.333
2026-10-2610.158
2026-11-0211.033
2026-11-0912.917

El trabajo remoto a lo largo del tiempo

Proporción de ofertas de Ingeniero de investigación 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
2026-06-0130,8
2026-06-08—
2026-06-15—
2026-06-2215,4
2026-06-2922,8
2026-07-0637
2026-07-1317,9
2026-07-2020
2026-07-2758,3
2026-08-037,9
2026-08-1042,9
2026-08-1722,7
2026-08-2418,4
2026-08-3142,9
2026-09-079,5
2026-09-1418
2026-09-2115,1
2026-09-2849,6
2026-10-0528,2
2026-10-1231,3
2026-10-1924
2026-10-2646,2
2026-11-0218,8
2026-11-0932,8

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 investigación. Tabla de datos del bloque. Un valor ausente no es cero; las unidades y la muestra se indican en la descripción del indicador.
SemanaRemoto
2026-06-0130,8
2026-06-08—
2026-06-15—
2026-06-2215,4
2026-06-2922,8
2026-07-0637
2026-07-1317,9
2026-07-2020
2026-07-2758,3
2026-08-037,9
2026-08-1042,9
2026-08-1722,7
2026-08-2418,4
2026-08-3142,9
2026-09-079,5
2026-09-1418
2026-09-2115,1
2026-09-2849,6
2026-10-0528,2
2026-10-1231,3
2026-10-1924
2026-10-2646,2
2026-11-0218,8
2026-11-0932,8

Tecnologías a lo largo del tiempo

Cómo cambió la proporción de ofertas de Ingeniero de investigación 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.
PeriodoPythonpytorchllm
2026-08-1024,127,637,9
2026-08-1718,6741,9
2026-08-2437,520,825
2026-08-31282816
2026-09-0735,714,328,6
2026-09-1434,615,423,1
2026-09-2132,713,310,2
2026-09-284522,526,2
2026-10-0540,219,515,9
2026-10-1242,528,727,6
2026-10-1950,53625,2
2026-10-2643,82337,6
2026-11-0245,53028,2
2026-11-0962,929,929,9
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 investigación. Tabla de datos del bloque. Un valor ausente no es cero; las unidades y la muestra se indican en la descripción del indicador.
SemanaPythonpytorchllmcloudC++
2026-08-1024,127,637,96,913,8
2026-08-1718,6741,94,79,3
2026-08-2437,520,82516,76,2
2026-08-312828161212
2026-09-0735,714,328,67,17,1
2026-09-1434,615,423,115,411,5
2026-09-2132,713,310,219,46,1
2026-09-284522,526,218,818,8
2026-10-0540,219,515,913,417,1
2026-10-1242,528,727,612,212,7
2026-10-1950,53625,220,718
2026-10-2643,82337,619,113,5
2026-11-0245,53028,217,320
2026-11-0962,929,929,922,225,7

Países a lo largo del tiempo

Cómo cambió por semana la proporción de ofertas de Ingeniero de investigación 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 UnidoSingapur
2026-06-2250150
2026-06-2937,38,430,1
2026-07-0671,39,43,3
2026-07-1331,43,161
2026-07-2039,818,124,1
2026-07-2748,710,35,1
2026-08-0358,816,22,5
2026-08-1057,912,38,8
2026-08-1759,610,50,9
2026-08-2461,522,10
2026-08-3168,917,80
2026-09-0736,7358,3
2026-09-1455,319,72,6
2026-09-2172,5111,2
2026-09-2847,27,72,8
2026-10-0547,321,42,7
2026-10-1246,5132,5
2026-10-1959,315,62,5
2026-10-2649,8142,1
2026-11-0251,312,52,2
2026-11-0954,915,84,7

La serie empieza el 22 jun: antes no hay datos.

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 investigación. 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 UnidoSingapurFranciaAlemania
2026-06-01—————
2026-06-08—————
2026-06-15—————
2026-06-225015000
2026-06-2937,38,430,18,40
2026-07-0671,39,43,350
2026-07-1331,43,1610,70
2026-07-2039,818,124,11,20
2026-07-2748,710,35,12,62,6
2026-08-0358,816,22,53,85
2026-08-1057,912,38,81,81,8
2026-08-1759,610,50,94,43,5
2026-08-2461,522,101,94,8
2026-08-3168,917,8000
2026-09-0736,7358,300
2026-09-1455,319,72,600
2026-09-2172,5111,24,32
2026-09-2847,27,72,85,62,8
2026-10-0547,321,42,76,24,5
2026-10-1246,5132,53,52,1
2026-10-1959,315,62,54,92,5
2026-10-2649,8142,14,51,2
2026-11-0251,312,52,23,414,7
2026-11-0954,915,84,75,52,8

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 investigación.

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 investigación. 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 investigación 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 abierta1112
Demanda abierta1112
Oferta observada— no publicado

Research es un nicho premium con demanda creciente en 2026 por la carrera de los LLM y la IA generativa: entrenamiento de foundation models, investigación de alineamiento (RLHF / Constitutional AI / DPO), interpretabilidad mecanicista, IA agéntica, multimodalidad. En Rusia (Yandex Research / Sber AI / AIRI), un flujo constante. Los laboratorios internacionales de IA de frontera: contratación muy competitiva para rusohablantes con investigación publicada.

⚠ 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 investigación, en dólares estadounidenses al mes.

Distribución de salarios

P25 $10.158 · P50 $14.750 · P75 $18.333
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
<$1k1
$1–2k1
$2–3k2
$3–4k0
$4–5k0
$5–6k2
$6–7k4
$7–8k5
$8–9k6
$9–10k3
$10–12k25
$12–15k26
$15–20k44
$20k+27
Salario en las ofertas: base 1112
  • apto para el cálculo: 146 (13,1%)
  • indicado, pero no convertido a USD/mes: 174 (15,6%)
  • no indicado: 792 (71,2%)

Una de cada diez ofertas paga menos de $7880 y una de cada diez más de $22.916. La mitad de las ofertas ofrece entre $10.158 y $18.333. Muestra: 146.

Datos del gráfico
Distribución de salarios — Ingeniero de investigación. 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
<$1k010001
$1–2k100020001
$2–3k200030002
$3–4k300040000
$4–5k400050000
$5–6k500060002
$6–7k600070004
$7–8k700080005
$8–9k800090006
$9–10k900010.0003
$10–12k10.00012.00025
$12–15k12.00015.00026
$15–20k15.00020.00044
$20k+20.000—27

En qué países hay más ofertas abiertas de Ingeniero de investigación.

Geografía de la demanda

paísempleosproporción
Estados Unidos62563,7%
Reino Unido10210,4%
Francia434,4%
Singapur313,2%
Suiza282,9%
India262,7%
Alemania191,9%
Canadá171,7%
Corea del Sur171,7%
Japón151,5%
Otros países585,9%

Líder por número de vacantes de Research: EE. UU. (625 posiciones). Principales hubs internacionales (por relocalización o remoto): Bay Area / NYC (EE. UU.), Londres, Toronto (Vector Institute / Mila), Tübingen / Berlín (Max Planck / Aleph Alpha), Zúrich (ETH), Tel Aviv. Los labs de IA frontier — remoto total para candidatos excepcionales.

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

Datos del gráfico
Geografía de la demanda — Ingeniero de investigación. Tabla de datos del bloque. Un valor ausente no es cero; las unidades y la muestra se indican en la descripción del indicador.
PaísOfertas
US625
GB102
FR43
SG31
CH28
IN26
DE19
CA17
KR17
JP15

Qué tecnologías se piden con más frecuencia en la misma oferta que Ingeniero de investigación.

Se usa junto con

python
33730,3%
pytorch
19717,7%
llm
18016,2%
cloud
13111,8%
c++
1079,6%
fine-tuning
958,5%
tensorflow
524,7%
aws
343,1%
docker
333%

Cuota: cuántas de las 1112 ofertas del mercado Ingeniero de investigación mencionan esta tecnología. Ordenado por número de ofertas, no por «fuerza de asociación». Términos genéricos como cloud no son una nube concreta (AWS, Azure).

Stack principal de Research 2026: Python (monopolio), PyTorch (domina 80%+), JAX + Flax / Haiku, Hugging Face Transformers + datasets + tokenizers + PEFT + TRL + Accelerate, CUDA / Triton (escritura de kernels, avanzado), torch.compile + JIT, W&B + MLflow + Neptune (tracking de experimentos), Hydra + OmegaConf (configuración), PyTorch Lightning / Fabric, distribuido (DDP / FSDP / DeepSpeed / Megatron-LM / ColossalAI), Ray Train + Ray Tune, Optuna, DVC, LaTeX (papers, obligatorio), arXiv + OpenReview + Papers with Code, vLLM + TGI + SGLang (evaluación de LLM), Inspect AI + lm-evaluation-harness, TransformerLens (interpretabilidad). Bonus: Mojo (nuevo, research crítico en rendimiento).

Parejas habituales: PyTorch + Hugging Face + W&B + Hydra (el pan de cada día de la investigación), JAX + Flax + TPU (preferido en la investigación de Google), PyTorch + DeepSpeed + Megatron-LM (entrenamiento de LLM a gran escala), Triton + CUDA + torch.compile (investigación limitada por cómputo), TRL + PEFT + Accelerate (investigación de RLHF / fine-tuning). Hoja de ruta de aprendizaje: PyTorch a fondo + bases matemáticas → replicación de papers del estado del arte (3-5) → envío de un paper a un workshop → envío a una conferencia de nivel A → vía doctoral O ML Engineer Senior → giro a Research Engineer.

Datos del gráfico
Se usa junto con — Ingeniero de investigación. Tabla de datos del bloque. Un valor ausente no es cero; las unidades y la muestra se indican en la descripción del indicador.
NombreCantidad
python337
pytorch197
llm180
cloud131
c++107
fine-tuning95
tensorflow52
aws34
docker33
kubernetes33
go31
transformers27

Cuántas ofertas de Ingeniero de investigación hay en cada nivel, de junior a principal.

Demanda por nivel

nivelempleos
senior155
principal135
junior113
lead48
middle18

Junior: entrada típica: máster / doctorado + papers, O ML Engineer Senior + interés por la investigación. Trayectoria: doctorado (4-6 años) → Junior Research (1-2 años) → Middle (2-3 años) → Senior → luego Staff / Principal Researcher (en profundidad), Research Lead (gestión), fundador / CTO de una startup de IA o paso a la IA de una Big Tech con la mejor participación accionarial.

⚠ 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 investigación. Tabla de datos del bloque. Un valor ausente no es cero; las unidades y la muestra se indican en la descripción del indicador.
NivelCantidad
senior155
principal135
junior113
lead48
middle18

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

Empleadores

La demanda se reparte entre 502 empleadores. El mayor concentra el 8.3%, los diez primeros el 22.8%; el 77.2% restante es cola larga.

el mayor 8,3%2.º–3.º 7,6%4.º–10.º 7%el resto 77,2%
proporciónvalor
top-18.3%
top-315.8%
top-1022.8%
cola larga77.2%

⚠ 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 investigación.

Dónde ve Zorky este mercado

Observado en 62 fuentes; la mayor concentra el 27.7%: este mercado no depende de un solo canal.

Datos del gráfico
Dónde ve Zorky este mercado — Ingeniero de investigación. 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 empresas9320,8381
boardджоб-борды и агрегаторыportales de empleo y agregadores1540,1385
telegramTelegramTelegram230,0207
comunidadсообщества и публичные профилиcomunidad y perfiles públicos30,0027

Las ofertas de Ingeniero de investigación más recientes de las webs de empleo de las empresas.

Vacantes recientes

Todos los empleos →

Últimas vacantes abiertas de Research: las 10 posiciones más recientes con una descripción de calidad suficiente. La lista completa está en nuestro CRM o en el enlace «ver todas» de abajo.

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 Research: Research Engineer (centrado en ingeniería: implementa arquitecturas de papers + construye infraestructura de investigación), Research Scientist (centrado en la ciencia: investigación nueva + redacción de papers, normalmente vía doctorado), Senior Research Engineer / Scientist (línea de investigación propia + supervisión de Junior), Staff / Principal Researcher (agenda de investigación + liderazgo científico), Research Lead (gestión del equipo + financiación). La comparación con ml-engineer/data-scientist/mlops está en la barra de abajo.

Ingeniero de IA / LLMVisión artificialCientífico de datosIngeniero de MLMLOpsIngeniero de PLN

Preguntas frecuentes

Las respuestas se recalculan automáticamente.

¿Qué stack se exige con más frecuencia a un Research?

Principales 5: python, pytorch, llm, cloud, c++. Python, monopolio. TensorFlow, legacy, casi desaparecido del research nuevo 2026. Escritura de kernels CUDA, avanzado (para research compute-bound, Triton de OpenAI como alternativa amigable con Python). torch.compile + JIT, optimización. Hugging Face Transformers + datasets + tokenizers, infraestructura de research de NLP / LLM (estándar de facto). PEFT + TRL + Accelerate (Hugging Face, fine-tuning + RLHF). Dominio del entrenamiento distribuido: PyTorch DDP / FSDP + DeepSpeed + Megatron-LM + ColossalAI (para entrenamiento de modelos a gran escala). Experiment tracking: Weights & Biases (favorito en research, mejor UX para experimentos), MLflow, Neptune. Configuración: Hydra + OmegaConf, obligatorio para una gestión limpia de experimentos. PyTorch Lightning / Fabric, framework de entrenamiento (reduce el boilerplate). Ray Train + Ray Tune, entrenamiento distribuido + HPO bayesiano. Optuna, HPO bayesiano por separado. DVC, control de versiones de datos. Dominio de LaTeX, obligatorio para escribir papers (Overleaf para colaboración). arXiv + OpenReview + Papers with Code, workflow de papers. Mojo (nuevo, research crítico en rendimiento, en auge). Lectura de especificaciones de hardware: A100 / H100 / B100, comprensión del presupuesto de cómputo. HF Hub + Kaggle + Papers with Code, datasets + benchmarks. Adicionalmente para LLM Research: vLLM + TGI + SGLang (serving para evaluación), Inspect AI + lm-evaluation-harness (benchmarking de LLM), TransformerLens (interpretabilidad mecanicista).

Research Engineer frente a Research Scientist: ¿cuál es la diferencia?

Research Engineer: centrado en la ingeniería. Implementa las arquitecturas de los papers, construye la infraestructura de investigación, gestiona el cómputo y ayuda a los Research Scientists a acelerar los experimentos. A menudo sin doctorado (o con máster + una sólida base de ingeniería). Stack: PyTorch / JAX en profundidad + dominio del entrenamiento distribuido + CUDA / Triton + infraestructura de experimentos. Puede ser coautor secundario de papers y, a veces, primer autor en trabajos con mucho peso de ingeniería. Research Scientist: centrado en la ciencia. Formula preguntas de investigación nuevas, diseña experimentos, escribe papers (primer autor en congresos de nivel A) y asesora a los Research Engineers. Normalmente se exige doctorado (o máster + publicaciones sólidas). El mismo stack + matemáticas / teoría más profundas + dominio de la redacción de papers + redacción de solicitudes de becas (para el ámbito académico). Trayectoria equivalente a la académica (postdoc → profesor ayudante). ML Research Engineer (título alternativo): rol de investigación con mucho peso de ingeniería sin doctorado, pero exige trabajo novedoso demostrado (p. ej., implementar el estado del arte + mejorarlo en una métrica clave + publicar un paper en un workshop). Elección de carrera: Research Engineer si te interesan la ingeniería en profundidad + la investigación sin vía de doctorado, Research Scientist si sigues la vía de doctorado + te interesa la contribución científica. Los laboratorios de IA de las Big Tech suelen equilibrar 1:1 o 2:3 Engineer:Scientist en un equipo.

¿Cómo es el ciclo de vida completo de la investigación paper → producción?

Ciclo de referencia de la investigación 2026: 1) Fase de lectura: revisar 20-50 papers del área (arXiv / Papers with Code / Semantic Scholar / la herramienta Connected Papers). Notion / Obsidian / Logseq para notas estructuradas. Reproducir 3-5 baselines del estado del arte (clonar repos, ejecutar, validar métricas: una comprobación crítica de la realidad). 2) Generación de ideas: identificar un hueco / limitación / combinación inexplorada. Discutirlo con el supervisor / coinvestigadores (las reuniones semanales de investigación son lo estándar). Primer boceto de la hipótesis. 3) Experimentos piloto (a pequeña escala, iteración rápida): implementar una versión mínima sobre un dataset pequeño / un modelo pequeño (por ejemplo, GPT-2 small / ResNet-18 / DistilBERT). Seguimiento en W&B. Decidir si la hipótesis es viable o descartarla. 4) Fase de escalado: si el piloto promete, escalar (cómputo + dataset + tamaño del modelo). Se requiere dominio del entrenamiento distribuido: DDP / FSDP / DeepSpeed / Megatron-LM. Seguimiento del presupuesto de cómputo (horas de A100 / H100). 5) Fase de ablación: experimentos sistemáticos para aislar qué contribución importa (típico: 5-15 configuraciones de ablación). 6) Comparación con baselines: comparación justa frente a 3-5 baselines fuertes en 3-5 datasets / benchmarks. Significación estadística (3+ semillas, barras de error). 7) Redacción: primer borrador (LaTeX en Overleaf), 8 páginas para NeurIPS / ICML / ICLR, ciclo típico de borrador de 4-6 semanas. Figuras de calidad profesional (matplotlib / seaborn / plotly + etiquetas de ejes / leyenda / paleta apta para daltónicos cuidadas). 8) Envío: primero un preprint en arXiv (para fijar la fecha), luego el envío a la conferencia vía OpenReview. Plazos: NeurIPS en mayo, ICML en enero, ICLR en octubre. 9) Ciclo de revisión: revisión de 3 meses, réplica (típico: 5-10 comentarios de revisores por paper, redacción de respuestas), decisión final. 10) Versión final + presentación. Publicación del código en GitHub + pesos del modelo en Hugging Face Hub. 11) Transferencia a producción (investigación en la industria): trabajar con el equipo de ML Engineers para integrar la investigación en el producto. A menudo pasan 3-6 meses entre la publicación del paper y el despliegue en producción. 12) Trabajo de continuación: extender, escalar, aplicar a un nuevo dominio; lo típico son 3-5 papers de continuación a partir de una línea inicial fuerte. Ciclo de investigación sano: 1-2 papers/año por investigador (profundidad como autor único), 3-5 papers/año (coautoría en colaboración). Los mejores investigadores de los laboratorios punteros: 5-10+ papers/año con coautoría de grandes laboratorios.

¿Qué proporción de vacantes ofrece trabajo remoto?

Entre las vacantes con modalidad de trabajo indicada, el 19% es remoto. Las vacantes sin modalidad indicada se excluyen del denominador; el trabajo híbrido no se cuenta como remoto.

¿En qué se diferencia la investigación industrial de la académica?

Investigación académica (PhD / Postdoc / profesor asistente en una universidad): profundidad teórica + libertad para elegir la dirección + carga docente. La presión por publicar es alta (el índice h es la principal métrica de carrera). La progresión es lenta: PhD → Postdoc → Asst Prof → Tenure (10-15 años). A favor: libertad académica + laboratorio propio + prestigio intelectual. Investigación industrial: enfoque en trabajo escalable y viable a nivel de ingeniería + potencial de transferencia al producto + mayores presupuestos de cómputo (entrenamientos de $1-100M+ para modelos fundacionales, inaccesibles en la academia). Salario 3-10× el del nivel 1 académico. Progresión: Junior Researcher → Senior → Staff / Principal en 5-10 años. A favor: enorme acceso a cómputo + equipo de ingeniería fuerte + paso más rápido del paper a producción. Regla práctica para elegir: academia si te encanta enseñar y priorizas la libertad intelectual; industria si priorizas la escala + el cómputo + un salario 5-10× mayor. Los investigadores suelen pasar de la academia a la industria a mitad de carrera (cómputo + salario), rara vez al revés.

¿Cómo empezar en Research en 2026?

Hoja de ruta: 1) Bases matemáticas sólidas: álgebra lineal + cálculo + teoría de la probabilidad + teoría de la información + optimización a nivel de «entender las demostraciones». Libros: «Introduction to Linear Algebra» de Strang, «Convex Optimization» de Boyd (PDF gratuito), «Elements of Information Theory» de Cover & Thomas. 2) Teoría de Deep Learning: más allá de Andrew Ng. Cursos: Stanford CS231n (CV), CS224n (NLP), CS285 (Deep RL, Sergey Levine). Libros: «Deep Learning» de Goodfellow (PDF gratuito), «Probabilistic Machine Learning» de Murphy (2 volúmenes, gratis). 3) Dominio profundo de PyTorch: Modules / Optimizers / Autograd / hooks propios, entrenamiento distribuido (DDP / FSDP), torch.compile, profiling. 4) JAX como extra (lo prefieren los laboratorios de Google, prima por habilidad escasa): Flax / Haiku + dominio de vmap / pmap / grad. 5) Lectura de papers del estado del arte: 20-50 papers en el área elegida (por ejemplo, alineamiento de LLM, generación de vídeo o interpretabilidad mecanicista). Usa Connected Papers + Semantic Scholar para orientarte. Replica 3-5 baselines del estado del arte: una habilidad crítica de contraste con la realidad. 6) Dominio de LaTeX: Overleaf, patrones de redacción de papers, calidad de las figuras. La lectura se entrena leyendo 100+ papers; la escritura, escribiendo junto a un investigador con experiencia. 7) Primer objetivo: un paper en un workshop: envíalo a workshops de NeurIPS / ICML / ICLR. Consigue la primera publicación. 8) Acceso a cómputo: Kaggle (T4 / P100 gratis + competiciones), Google Colab Pro+, Lambda Labs, vast.ai (GPU cloud baratas), Hugging Face Spaces (GPU gratis para inferencia). Para entrenar modelos grandes hace falta acceso a través de un laboratorio / una empresa. 9) Mentoría: busca un supervisor / mentor (programa de doctorado o laboratorio de investigación de la industria). Cómo contactar: escribe en frío a investigadores cuyos papers hayas replicado y mejorado. 10) Plan a largo plazo: vía doctoral (3-6 años de investigación a tiempo completo) O ML Engineer Senior → giro a Research Engineer (vía con más ingeniería y sin doctorado). Cursos en Rusia: MIPT DLSchool (gratis en YouTube), Karpov.Courses Research Track, School21 (Sber) AI Research. Internacional: fast.ai Practical Deep Learning Part 2 (avanzado), Hugging Face NLP Course, Stanford CS25 Transformers, DeepLearning.AI Generative AI with LLMs. Libros imprescindibles: «Deep Learning» de Goodfellow, «Pattern Recognition and Machine Learning» de Bishop, «The Elements of Statistical Learning» de Hastie. Comunidades: arXiv-sanity-lite, Papers with Code, Twitter ML (sigue a los mejores investigadores), Discord de Hugging Face, Discord de EleutherAI, Alignment Forum. De ML Engineer Senior a Junior Research Engineer: 12-24 meses (hace falta el primer paper en un workshop).

¿Cuántas vacantes abiertas contiene esta muestra?

La muestra publicada contiene 1112 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 Research?

Un Senior Research es dueño del ciclo de vida completo de la investigación de frontera + liderazgo científico. Matemáticas a fondo: álgebra lineal + cálculo matricial + teoría de la probabilidad + teoría de la información + teoría de la optimización, al nivel de «leer cualquier paper de arXiv sin bloqueos matemáticos». Dominio profundo de PyTorch: Modules propios / hooks de Autograd / distribuido (DDP / FSDP / DeepSpeed / Megatron-LM / ColossalAI), entrenamiento en precisión mixta, gradient checkpointing, optimización ZeRO. JAX como extra: Flax / Haiku + vmap / pmap para arquitecturas exóticas (frecuente en investigación). Escritura de kernels CUDA / Triton: avanzada, para investigación limitada por cómputo. Experiencia de entrenamiento a gran escala: haber gestionado entrenamientos reales de 7B-70B+ parámetros (no en datasets de juguete, sino a escala de producción real). Dominio de la escritura de papers: papers como primer autor en venues de nivel A (NeurIPS / ICML / ICLR / ACL / CVPR / EMNLP), historial de citas. Velocidad de lectura: 5-15 papers/semana de forma sostenida, extracción de la idea en 30-60 minutos por paper, replicación a fondo de 1-2 papers/mes. Dominio de la infraestructura de experimentos: W&B / MLflow / Hydra / OmegaConf para una gestión limpia, reproducibilidad (cada resultado trazable hasta el SHA de git + config). Específico de LLM (2026): fine-tuning vía LoRA / QLoRA + RLHF (librería TRL) + DPO + patrones de Constitutional AI + arquitectura RAG a fondo + metodología de evaluación (RAGAS / DeepEval / lm-evaluation-harness / Inspect AI) + nociones de interpretabilidad mecanicista (TransformerLens). Dominio del presupuesto de cómputo: análisis de coste de los entrenamientos (horas de A100 / H100), búsqueda eficiente de hiperparámetros (bayesiana vía Optuna, no grid). Escritura científica: redacción técnica clara, calidad de las figuras, análisis estadístico (significancia + múltiples seeds + barras de error). Soft: supervisión de investigadores Junior + colaboración con el equipo de Ingeniería + charlas técnicas en conferencias + redacción de grants (para la academia) + revisión de papers (habitual ser reviewer de NeurIPS / ICML / ICLR). Inglés para Senior+ IMPRESCINDIBLE ABSOLUTO: la comunidad de investigación es enteramente angloparlante (papers / conferencias / charlas). Extra opcional: contribuciones open-source a Hugging Face / EleutherAI / PyTorch: elevan de golpe el valor de mercado ante los recruiters de investigación.

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.