Qué busca el mercado de AI para contratarte
Análisis de avisos reales extraídos de LinkedIn (Argentina, remoto, último mes). No es opinión: es lo que las empresas escribieron que necesitan. Ordenado en tres preguntas — qué buscan, qué necesitan que hagas (tareas) y qué necesitan que sepas (herramientas y tecnología).
🎯 Meta: trabajo AI remoto USD desde Argentina en menos de 6 mesesPregunta 1 ¿Qué buscan las empresas?
El corpus crudo trae ruido (LinkedIn matchea keywords de forma laxa). Filtrado a roles reales de ingeniería, el mercado accesible es sobre todo consultoras/staffing nearshore + algunas empresas producto. Eso condiciona el CV: capacidad de entrega facturable por encima de "visión de producto".
Composición de los avisos
De qué está hecho el mercado que aparece cuando buscás "AI Engineer".
Empresas que más contratan
Por volumen de avisos de ingeniería en el período.
Pregunta 2 ¿Qué necesitan que HAGAS? — las tareas / responsabilidades
Qué te van a pedir que hagas en el día a día, ordenado por frecuencia en los avisos. Cada tarea muestra las herramientas más asociadas a ella (el cruce tarea ↔ tecnología). Leé esto como "el trabajo real".
Tareas más pedidas (% de avisos de ingeniería que la mencionan)
Pregunta 3 ¿Qué necesitan que SEPAS? — herramientas y tecnología
El stack concreto que piden, discriminado por categoría. Esto es lo que tenés que saber usar. Lectura clave: cloud (AWS/Azure/GCP) es piso, y el eje diferencial ya es agentic + evals, no ML clásico ni frameworks.
Stacks que van juntos (co-ocurrencia — qué tecnologías aparecen en el mismo aviso)
El stack modal del mercado accesible: Python + cloud (AWS) + agentic/orchestration + evals.
Perfil ¿Qué seniority y calificaciones piden?
Mercado senior: la mayoría pide experiencia real y casi no hay lugar para junior. El inglés es requisito de facto para contractor USD.
Años de experiencia pedidos (mínimo por aviso)
Seniority en el título
Plata ¿Cuánto pagan?
Bandas nearshore de referencia (all-in contractor USD/año): Mid $60–84K · Senior $84–120K · Staff/Principal $100–135K. El objetivo realista senior es $84–120K.
| Empresa | Rol | Rango anual | Punto medio | Banda |
|---|
Tu roadmap de 6 meses hacia un trabajo AI remoto (USD, desde Argentina)
Construido directamente desde los datos del mercado: cerrá las brechas que el mercado realmente filtra, liderá con lo escaso y bien pago (MCP, agentic, Claude, RAG en producción) y llegá listo para entrevistar. Todo lo de abajo está priorizado — hacé primero lo P1.
Estrategia: shippear proof-of-work + cerrar brechas de cloud/evals/inglés → aplicar en paralelo → ganar por entregaEl plan de un vistazo
Reencuadrar el perfil y armar el cobro
Reescribir CV/LinkedIn con vocabulario de alto valor 2026 (Applied AI / LLM Engineer, "MCP servers", "agent orchestration", "production agent evaluation", "RAG en producción"). NO liderar con "ML Engineer". Curar GitHub (4–6 repos pinneados + 1–2 escritos técnicos). Formalizar situación fiscal (RI + Factura E) y abrir rieles de cobro USD (Deel/Payoneer/Wise).
Aprender el piso técnico, aplicar en paralelo
Completar los módulos P1/P2 de abajo (evals+observability, cloud-native + cert AWS, contenedores). Aplicar en paralelo a HiresLink y BEON.tech, startups US AI-native (HN "Who's Hiring", Wellfound), y Toptal/Braintrust para tapar huecos de ingreso por hora.
Listo para entrevistas + negociar
Entrenar el proceso 2026: RAG + agente con evals en CI como take-home, GenAI system design, "eval methodology como system design". Apuntar a la banda senior $84–120K; no aceptar <$70K sin upside estratégico.
Brechas de skills a cerrar (por prioridad)
Derivadas de la diferencia entre la demanda del mercado y el perfil actual. P1 = mayor retorno, hacelo primero.
Evals y observabilidad de LLM P1 · MAYOR ROI
La señal de madurez del mercado (evals en ~24%, observability ~14%) y la brecha más barata de cerrar porque ya corrés agentes en producción — solo hay que agregarles una capa de evals + observabilidad. "Eval methodology is the new system design" en las entrevistas.
Cloud-native en AWS + certificación P1
AWS aparece en el 53% de los roles de ingeniería — es el piso, no un diferencial. Tu experiencia self-hosted prueba que sabés operar sistemas, pero los avisos esperan cloud gestionado. Ampliá más allá de Bedrock y sacá una cert para pasar los filtros de RFP de las consultoras.
Contenedores y framing de CI/CD P2
Docker 18% / K8s 16% / CI/CD 31% / Terraform 11%. No se trata de abandonar tu skill bare-metal — sino de hablar cloud-native para que no te filtren.
Inglés avanzado demostrable P2
El 43% de los roles menciona inglés; ~21% pide un nivel avanzado explícito. Para roles contractor USD es requisito de facto, y procesos tipo BEON incluyen un "documentation test" (escribir un README/summary técnico) con ~80% de la entrevista en inglés.
Amplificar lo que ya es escaso y bien pago P3 · TU VENTAJA
MCP (11% y subiendo), agentic/orchestration (28%), ecosistema Claude (modelo #1, 23%), RAG en producción (16%). Acá estás adelante — la mayoría de los candidatos no. Que sea el titular, no una nota al pie.
Checklist de portfolio (lo que abren los recruiters después del CV)
- 4–6 repos pinneados en GitHub: MCP servers + sistemas agénticos, cada uno con README (problema → approach → impacto) y demo en vivo.
- Uno insignia: un agente estilo producción con componente RAG, un suite de evals corriendo en CI y dashboards de observabilidad.
- 1–2 escritos técnicos (blog / LinkedIn) sobre evals/observability o arquitectura de agentes en producción.
- Un writeup de una página de "system design" de tu mejor proyecto (tradeoffs: costo/latencia/precisión, grounding, guardrails).
- Titular del CV: Applied AI / Agentic Engineer — MCP & multi-agent systems in production (Claude, RAG, integraciones).
Preparación de entrevistas (proceso 2026)
Mix típico: ~40% RAG/evals/agents · 30% production systems · 20% LLM internals · 10% behavioral. El 33% de las empresas usa un take-home; el README es el artefacto más diagnóstico.
- Armar un take-home de práctica: RAG + agente con evals conectadas a CI. Temas de take-home 2026: RAG 40%+, agentic 30%+, LLM-as-judge eval 10%+.
- Practicar GenAI system design: pipeline RAG end-to-end, tradeoffs costo/latencia/precisión, grounding/hallucination, guardrails (PII, prompt injection).
- Estar listo para diseñar una eval: golden set → LLM-as-judge → atrapar regresiones.
- Preparar una historia de "incidente en producción" (ej. una hallucination en prod y cómo la detectaste/arreglaste).
El mercado de AI — stack técnico y panorama de empresas
Un mapa de qué está hecho el mundo de la AI: las capas técnicas (abajo = hardware, arriba = aplicaciones) y las empresas que dominan cada capa. Los tags azules son empresas; los grises son tecnologías. Usalo para saber dónde están los trabajos y la plata.
El stack de AI (de abajo hacia arriba)
1 · Cómputo e Infraestructura
Los chips, clouds y datacenters donde corren los modelos. Intensivo en capital, pocos jugadores.
2 · Foundation Models
Los frontier labs que entrenan los LLMs base sobre los que todos construyen.
3 · Acceso y Serving de modelos
Cómo llamás y hosteás modelos — APIs gestionadas y plataformas de inferencia.
4 · Orquestación y Frameworks de agentes
Donde realmente se construyen las apps de LLM: agentes, tools, workflows multi-paso. La capa caliente de empleo.
5 · Datos y Retrieval (RAG)
Darle tus datos a los modelos: vector search, embeddings, knowledge bases.
6 · Evaluación y Observabilidad
Medir y confiar en la salida del LLM. Skill escaso, alto valor.
7 · Aplicaciones y Dev Tools
Los productos que usa la gente. Donde viven la mayoría de las startups (y los trabajos).
Panorama de empresas por categoría
Frontier labs
- OpenAI GPT
- Anthropic Claude
- Google DeepMind Gemini
- Meta AI Llama
- Mistral · xAI · DeepSeek
Cloud y cómputo
- AWS · Azure · GCP
- NVIDIA GPUs
- CoreWeave · Lambda
- Groq · Cerebras inferencia
Frameworks de agentes
- LangChain / LangGraph
- LlamaIndex
- CrewAI · AutoGen
- Semantic Kernel · Pydantic AI
Vector y datos
- Pinecone · Weaviate
- Qdrant · Chroma
- Snowflake · Databricks
- pgvector Postgres
Evals y observabilidad
- LangSmith LangChain
- Langfuse open-source
- Braintrust · Arize
- Weights & Biases
Dev tools de AI
- Cursor · Windsurf
- GitHub Copilot
- Claude Code
- Replit · v0
Apps verticales
- Harvey legal
- Glean search
- Sierra agentes
- Perplexity respuestas
Contratan desde Argentina
- Startups US AI-native Wellfound/HN
- Nearshore: HiresLink, BEON
- Consultoras: Caylent, Globant
- Mercado Libre · Tiendanube
Noticias y señales del mercado
Tendencias curadas de alta señal que están moldeando el mercado laboral de AI — lo que cambia cómo te tenés que posicionar. Se actualiza periódicamente; cada ítem tiene fecha. (Todavía no es un feed en vivo — ver "fuentes a seguir".)
Señales estructurales (2025–2026)
"AI Engineer" es el rol #1 de más rápido crecimiento en EE.UU. — segundo año seguido
Los avisos de AI Engineer subieron 143% interanual en 2025. Skills más citadas para el título: LangChain, RAG, PyTorch. Experiencia mediana de quienes entran al rol: 3,7 años. Roles de origen: Software Engineer, Data Scientist, Full-Stack.
La prima salarial de AI llegó a ~62% — y combinar skills paga más
La prima salarial media por skills de AI subió a 62% (desde 57%). Los avisos que piden skills de AI anuncian ~28% más de pago; los que piden dos o más skills de AI cargan una prima del 43%. Mensaje: un stack combinado (agents + RAG + deploy) vale bastante más que cualquier skill suelto.
La capacidad está comoditizada; la entrega es escasa
La prima se movió hacia los ingenieros que shippean y evalúan sistemas en producción, no hacia los que solo consumen APIs. "Prompt engineer" como título independiente quedó absorbido en LLM engineering. Los roles que lideran con ML clásico / feature engineering están siendo deprioritizados.
Argentina eliminó el tope para cobrar USD del exterior
Desde el 18/09/2025 no hay límite anual para cobrar USD por servicios exportados ni obligación de pesificar; los bancos no pueden cobrar por acreditar los fondos. Esto hace que la vía contractor USD directa sea bastante mejor para los ingenieros argentinos. (Ver notas fiscales en Mercado Laboral.)
"Eval methodology is the new system design"
Las rondas de take-home y onsite testean cada vez más si podés construir un golden set, correr LLM-as-judge y atrapar regresiones. Análisis de 100+ repos de take-home: sistemas RAG 40%+, sistemas agénticos 30%+, eval LLM-as-judge 10%+.
MCP (Model Context Protocol) se está volviendo el estándar para conectar tools/contexto
El MCP de Anthropic se expande rápido como la forma en que los agentes se conectan a tools y datos. Todavía no tiene un título de trabajo propio, así que el skill se esconde dentro de avisos de "AI Engineer" / "AI Security Engineer" — una ventaja para quien ya shippea MCP servers.
Fuentes a seguir
- LinkedIn "Jobs on the Rise" (anual, enero) — ranking de demanda por rol.
- PwC AI Jobs Barometer y Lightcast — prima salarial y demanda de skills.
- Hacker News "Who is Hiring?" (thread mensual) — roles directos de startups US.
- Wellfound / AngelList — listados de startups AI-native que contratan LATAM.
- Levels.fyi y Robert Half Salary Guide — benchmarks de compensación.
- Blogs de ingeniería de Anthropic / OpenAI — hacia dónde va la práctica (agents, evals).
Por ahora este tab es curado. Se puede conectar para que traiga estos feeds automáticamente en un schedule — pedímelo para activarlo.
AWS de cero a certificado
Estás en cero con AWS, pero no con infraestructura. Ya manejás compute, storage, redes, permisos y deploys en producción. Lo que falta no son los conceptos — es el vocabulario y la consola de AWS. Es un mapeo, no aprender de nuevo: una brecha real pero chica.
Regla: usá el curso de Cloud Practitioner como rampa, NO como examen → sacá la de AI Practitioner directoPaso 0 No estás en cero — el mapeo
Traducí lo que ya sabés al vocabulario de AWS. Cuando veas estos nombres en un aviso o en el examen, ya sabés qué son.
| Lo que ya manejás | En AWS es | Para qué |
|---|---|---|
| Tu servidor / VPS | EC2 | máquinas virtuales |
| Contenedores (Docker) | ECS / Fargate / EKS | correr contenedores gestionados |
| Archivos / disco | S3 | object storage |
| Usuarios, keys, sudo | IAM | identidades y permisos |
| Cron / script / función | Lambda | funciones serverless |
| Red / firewall (ufw) | VPC / Security Groups | redes y aislamiento |
| Postgres / MySQL | RDS / Aurora | bases de datos gestionadas |
| nginx / reverse proxy / dominio | API Gateway / CloudFront / Route 53 | exponer y distribuir |
| Logs / htop / monitoreo | CloudWatch | observabilidad |
| systemd / deploy scripts | CloudFormation / CDK / Terraform | infra as code |
| Llamar a un LLM (Claude, etc.) | Bedrock | modelos gestionados — tu ventaja |
La secuencia Qué hacer, en orden
Abrí una cuenta free-tier y toqueteá
Que deje de ser abstracto: subí un archivo a S3, creá y corré una Lambda, mirá un rol en IAM, prendé una EC2 chica. Con tu base, en un par de horas ya lo tenés mapeado. Free tier: aws.amazon.com/free.
AWS Cloud Practitioner Essentials
Gratis en AWS Skill Builder. Es la rampa de vocabulario — no lo hacés para dar el examen de Cloud Practitioner, sino para cerrar el mapeo. Con tu experiencia lo pasás rápido y salteás lo de billing/negocio.
AWS Certified AI Practitioner (AIF-C01)
Foundational y conceptual de AI (Bedrock, GenAI, responsible AI, prompting) — la mayoría ya lo sabés. Sin prerequisitos formales. Es el primer check en el filtro de las consultoras. Seguí el learning plan gratis en Skill Builder y das el examen.
AWS ML Engineer – Associate (MLA-C01)
Acá sí entra la profundidad hands-on (SageMaker, pipelines, deploy). Role-based, pide ~1 año de experiencia AWS. Es el que suma músculo real, pero no lo apures — primero acumulá práctica.
La escalera Qué dar y qué saltear
La escalera de AWS tiene un escalón foundational que a un ingeniero senior le conviene saltear como examen.
Recursos AWS
Enlaces — academias y certificaciones de AI
Formación oficial para cerrar las brechas de Capacitación. Dos grupos: academias de proveedores (gratis, certificado de completitud, ideales para portfolio) y certificaciones cloud (pagas, examen formal, pesan en el filtro de las consultoras).
Prioridad para tu meta: AWS AI Practitioner + Anthropic Academy (tu stack) → luego ML Engineer AssociateAcademias oficiales de proveedores — cursos, mayormente gratis
Formación directa del proveedor. No son certificaciones formales pero dan certificado de completitud y son perfectas para el portfolio (y varias están 100% alineadas a tu stack).
Certificaciones cloud — examen formal, pagas, pesan en el CV
Las que pasan filtros de RFP en consultoras nearshore. Para tu meta, empezá por AWS (ya venías con Bedrock).