The New AI Org Chart.

El salto de experimentar con APIs a tener LLMs corriendo de forma confiable y rentable en producción requiere un perfil específico que no existía hace 3 años.

Un ML Engineer tradicional entrenaba modelos desde cero. El LLM Engineer trabaja principalmente con modelos ya entrenados: adapta, conecta, optimiza y opera.

Los PMs tradicionales no saben evaluar tradeoffs técnicos de IA. Los ingenieros no priorizan bien por valor de negocio. Esta brecha crea un rol específico que entiende ambos mundos.

Un PM de software gestiona features determinísticas. El AI PM lidia con outputs probabilísticos, hallucinations, evaluaciones de calidad de modelo y ethical reviews.

Ninguna empresa quiere reconstruir su stack de IA cada 12 meses. El AI Architect evita deuda técnica masiva y asegura que las inversiones en IA escalen correctamente.

Un Solutions Architect tradicional diseña sistemas de software. El AI Architect debe además considerar model drift, data quality, eval pipelines, y cómo los componentes de IA fallan de formas no determinísticas.

El 87% de los proyectos de ML nunca llegan a producción. El MLOps engineer es quien cierra esa brecha. A medida que las empresas operacionalizan IA, este rol se vuelve el cuello de botella.

Un Data Scientist construye el modelo. El MLOps lo opera. La diferencia es la misma que entre un Dev y un DevOps: quien escribe el código vs quien asegura que corra.

El EU AI Act ya está en vigencia. El 98.5% de las organizaciones está understaffed en AI Governance. Las multas alcanzan €35M o 7% del revenue global. Este rol pasó de 'nice to have' a obligatorio.

Un compliance officer tradicional aplica regulaciones existentes. El AI Governance Lead opera en un espacio regulatorio que todavía se está escribiendo, con tecnología que cambia más rápido que las leyes.

La diferencia entre un LLM que funciona mal y uno que funciona excepcionalmente bien a menudo está en cómo se le habla. El prompt engineering es la interfaz entre la intención humana y la capacidad del modelo.

No es un copywriter ni un programador tradicional. Es una combinación de los dos, con el agregado de entender cómo los LLMs procesan información internamente y qué los hace 'razonar' mejor.

Las empresas que compran 10 tools de IA sin estrategia de adopción malgastan presupuesto. Este rol existe porque la transformación con IA no es tecnológica: es cultural y operacional.

Un IT Project Manager gestiona proyectos. El AI Transformation Lead gestiona un cambio de paradigma que toca cada función del negocio, con incertidumbre técnica y resistencia cultural incluida.

Las tools de IA son tan buenas como las personas que las usan. Sin enablement, las empresas gastan en licencias que nadie usa bien. Este rol nace de ese gap.

Un L&D Manager diseña cursos. El AI Enablement Manager combina eso con design thinking, knowledge management y la capacidad de traducir conceptos técnicos para audiencias no técnicas.

El auge de frameworks como LangChain, AutoGen y CrewAI permite que los agentes ejecuten tareas que antes requerían humanos. Alguien tiene que diseñar esos flujos con criterio de proceso y de negocio.

Un Process Designer dibuja flujogramas de procesos humanos. El Agent Workflow Designer diseña procesos donde algunos actores son LLMs con capacidad de decisión propia.

El 75%+ de los job listings de IA buscan domain experts, no generalistas. Las empresas necesitan personas que entiendan tanto el problema de negocio como las capacidades y limitaciones de la IA.

Un consultor de industria aplica frameworks genéricos. Un AI Domain Hybrid lleva IA al dominio específico de manera práctica, sin necesidad de un intermediario técnico para cada idea.

El GDPR, la LGPD y la escasez de datos etiquetados hacen que los modelos dependan cada vez más de datos sintéticos. El valor de un modelo de IA es proporcional a la calidad de sus datos.

Un Data Engineer trabaja con datos reales. El Synthetic Data Specialist trabaja con la generación controlada de datos artificiales que mantienen propiedades estadísticas del mundo real.

La IA comete errores — y hay errores que no pueden cometerse sin supervisión. Pero si el proceso de revisión humana es torpe, la productividad se destruye. Este rol optimiza ese balance.

Un UX Designer diseña interfaces para humanos. El HITL Designer diseña interfaces donde los humanos interactúan con outputs de IA, con toda la complejidad que implica (incertidumbre, probabilidades, explicabilidad).

Un LLM conectado a documentos mal estructurados da respuestas malas. El AI Knowledge Curator es quien asegura que la 'memoria' de la empresa sea accesible y útil para los modelos.

Un Information Architect organiza información para humanos. El AI Knowledge Curator organiza información optimizada para ser consumida por LLMs, con criterios técnicos específicos.

Cada empresa tiene decenas de procesos manuales que podrían automatizarse con IA disponible hoy. El AI Automation Designer convierte esa oportunidad en ahorro real sin necesitar un equipo de ingenieros.

Un RPA Developer automatiza scripts rígidos. El AI Automation Designer incorpora IA para manejar variabilidad, lenguaje natural y decisiones no determinísticas.

La IA pasó de ser una iniciativa de IT a una decisión de board. Las empresas necesitan alguien con autoridad real para tomar decisiones de alto impacto con velocidad estratégica.

Un CTO gestiona tecnología. Un CDO gestiona datos. El CAIO gestiona la capa de inteligencia artificial como ventaja competitiva — combinando las dos dimensiones con foco en ROI y responsabilidad.

A medida que la IA toma decisiones que afectan a las personas (créditos, contrataciones, diagnósticos), las consecuencias de un modelo que falla de formas inesperadas se vuelven críticas.

Un QA Engineer testea software determinístico. El AI Safety Engineer testea sistemas que pueden fallar de infinitas formas no anticipadas, con impactos que pueden escalar rápidamente.