Gestor de IA Nativa

Descripción

Usted construye los sistemas que realmente hacen funcionar la IA en entornos empresariales, no demos ni prototipos que se estancan tras una fase piloto, sino arquitecturas de agentes en producción que operan dentro de organizaciones reales de clientes. La diferencia entre un Ingeniero de IA y lo que buscamos es clara: usted ha puesto en producción un sistema multi\-agente, ha gestionado el entorno de evaluación (eval harness), y sabe qué ocurre cuando su agente falla a las 2 a.m. porque lo ha vivido. Como Ingeniero de IA (Agente/Aplicado), diseñará, construirá e implementará sistemas de IA agente listos para producción en toda la pila tecnológica empresarial. Trabajará directamente con los equipos de ingeniería de los clientes, liderará sesiones de diseño técnico y desarrollará patrones y aceleradores reutilizables que escalen más allá de colaboraciones individuales. Este puesto se encuentra en el corazón del mercado de talento en ingeniería de IA: la demanda crece más rápido que la oferta y seguirá haciéndolo. Ofrecemos lo que ninguna empresa centrada en un solo producto puede ofrecer: amplitud en todos los sectores, en toda la pila tecnológica empresarial y en todos los niveles de complejidad organizacional, combinada con acceso privilegiado a los equipos de ingeniería de Anthropic, OpenAI, Microsoft y Google, así como una vía directa al programa de Ingenieros Desplegados Adelantados (Forward Deployed Engineer). **Responsabilidades clave** ------------------------ * Arquitecturar y gobernar sistemas agente listos para producción a escala empresarial: orquestación multi\-agente en entornos complejos, canalizaciones RAG, enrutamiento basado en políticas, gestión de memoria y observabilidad del ciclo de vida a nivel de programa * Definir estándares para canalizaciones RAG en todas las colaboraciones: establecer estrategias de segmentación (chunking) e incrustación (embedding), fijar referencias de calidad y garantizar que las decisiones de compromiso respaldadas por métricas queden documentadas y sean transferibles * Establecer estándares para la integración multi\-LLM: arquitectura independiente del proveedor por defecto, enrutamiento alternativo y gobernanza de costos como práctica estándar de diseño en proveedores como OpenAI, Anthropic, Vertex AI y modelos de código abierto * Gestionar LLMOps a escala de programa: estrategia de evaluación, gobernanza de indicaciones (prompts), estándares de herramientas de observabilidad, monitoreo de seguridad y controles de costos en múltiples sistemas concurrentes * Liderar colaboraciones técnicas con clientes a nivel superior: facilitar sesiones de diseño arquitectónico, liderar la entrega de pruebas de concepto y promover la alineación entre la dirección técnica del cliente y los equipos de implementación * Definir y publicar patrones reutilizables, aceleradores y estándares de ingeniería que escalen en toda la práctica y reduzcan el tiempo de incorporación en nuevas colaboraciones con clientes * Gestionar el marco de medición de la calidad de los sistemas agentes: definir métricas de precisión, latencia, seguridad y costos; presentar el impacto de la IA a nivel de programa en términos comerciales ante partes interesadas senior del cliente **Requisitos del puesto:** ---------------------- * Experiencia práctica en el diseño e implementación de soluciones de IA agente en entornos de producción — condición indispensable * Experiencia demostrable con frameworks de orquestación agente: LangGraph, CrewAI, AutoGen o equivalentes — con profundidad productiva, no a nivel de tutoriales * Experiencia directa llamando APIs de LLM (OpenAI, Anthropic, Vertex AI) en código de producción: abstracción del proveedor, gestión de tokens, compensaciones entre latencia y costos * Gestión integral de canalizaciones RAG: incrustaciones (embeddings), estrategia de segmentación (chunking), bases de datos vectoriales e ingeniería del contexto * Fundamentos de LLMOps: diseño del entorno de evaluación (eval harness), versionado de indicaciones (prompts) y observabilidad en producción * Madurez en ingeniería nativa en la nube: Kubernetes, Docker, microservicios, computación sin servidor (serverless), CI/CD e infraestructura como código (IaC, como Terraform o Helm) * Excelente dominio de Python; aceptable dominio de Java u otro lenguaje backend equivalente; experiencia en depuración y observabilidad en producción * Se valora más la calidad de la experiencia que los años de antigüedad: se prefiere a un candidato que haya puesto en producción tres sistemas agentes en cuatro años frente a un perfil generalista con exposición pasiva a la IA * Responsabilidades de liderazgo de personas: experiencia gestionando, desarrollando y evaluando el desempeño de un equipo de ingenieros; elaboración de planes individuales de desarrollo y realización de conversaciones sobre carrera profesional