El Roadmap del Desarrollador de IA
Aprender IA en 2026 es diferente a aprender IA en 2022. La barrera de entrada ha bajado. La barrera de competencia ha subido. Todo el mundo sabe hacer un prompt — pocos saben construir sistemas que funcionan en producción. Los Cursos trazan el camino de uno al otro.
Por dónde comenzar — y dónde ir después
El ecosistema de educación en IA nunca ha sido tan rico — y nunca ha sido tan fácil perderse en él. Existen cientos de Cursos, bootcamps y certificaciones. La mayoría enseña a usar herramientas. Pocos enseñan a entender el campo. La distinción importa porque herramientas cambian en 6-12 meses; fundamentos matemáticos y principios de arquitectura resisten durante décadas.
El roadmap del PrezencIA sigue una progresión deliberada: fundamentos matemáticos → Python para datos → ML clásico → deep learning → LLMs → RAG → agentes. Cada etapa se construye sobre la anterior. Saltear etapas es posible y frecuente — pero crea brechas que aparecen en los momentos equivocados, cuando necesitas depurar un sistema que falla de una manera que no entiendes.
A gran cambio de 2024-2 026 en el mercado de trabajo de IA: funciones de "prompt engineer" se consolidan en ingenieros de software que saben IA. Saber Python, entender de vectores y embeddings, saber evaluar outputs de LLM y saber integrar modelos en sistemas existentes es el conjunto mínimo para puestos relevantes. No es más suficiente saber hacer prompts creActivos.
15 Términos que Definen Cursos
Terminología de formación y desarrollo de Carrera en IA. Usada para elrientar elecciones educativas con criterios técnicos y de Mercado.
| Término | Definición Editorial | Nivel |
|---|---|---|
| Ingeniería de Prompts | Arte y técnica de redigir instrucciones para LLMs — está se tornando commodity; fundamentos más durables | Plata |
| MLOps | Prácticas de deployment y operación de modelos en producción — monitorización, reentrenamiento, versionado | Oro |
| Data Pipeline | Flujo de recolección, limpieza y preparación de datos — frecuentemente subestimado y decisivo para calidad | Diamante |
| Jupyter Notebook | Entorno interactivo para exploración de datos y modelos — estándar de hecho para aprendizaje y prototipado | Oro |
| PyTorch | Framework de deep learning — más usado en investigación; base del ecosistema Llama/Hugging Face | Diamante |
| TensorFlow/Keras | Framework de Google — más usado en producción legacy; Keras como API de alto nivel | Oro |
| Scikit-learn | Aprendizaje automático clásico en Python — regresión, clasificación, clustering; base antes de deep learning | Oro |
| Manipulación de datos y álgebra lineal en Python — pré-requisito para cualquier trabajo en IA | Manipulación de datos y álgebra lineal en Python — prerequisito para cualquier trabajo en IA | Diamante |
| Matplotlib/Seaborn | Visualización de datos — esencial para entender y explicar lo que los datos están diciendo | Oro |
| Git | Control de versión — no negociable para cualquier trabajo profesional con código | Diamante |
| Docker | Contenedorización — reproductibilidad del entorno es crítica para ML en equipo | Oro |
| Hugging Face Hub | Plataforma de modelos e datasets — centro del ecosistema de código abierto de IA | Oro |
| Google Colab | Cuaderno gratuito con GPU — permite experimentos sin hardware propio | Oro |
| Kaggle | Competencias de ML — conjuntos de datos reales, retroalimentación inmediata, comunidad activa | Plata |
| Certificación | Credenciales de plataformas como Google, AWS, DeepLearning.AI — valor variable en el Mercado | Bronce |
Del Python a la Orquestación de Agentes: El Camino Completo
Un roadmap honesto de formación en IA en 2026 dura entre 6 meses y 3 años dependiendo del punto de partida y del nivel de profundidad deseado. Este es el mapa del PrezencIA paral recorrido completo — del cero al nivel de ingeniero de IA que puede construir y mantener sistemas en producción.
Fase 1: Fundamentos (2-4 meses)
Python: "Python for Everybody" de Charles Severance en Coursera (gratuito) o "Automate the Boring Stuff" (gratis en línea). Objetivo: funciones, clases, manipulación de archivos, APIs REST. Matemática: "Mathematics for Machine Learning" — libro gratuito en línea de Deisenroth, Faisal y Ong. Álgebra lineal, cálculo, probabilidad. No necesitas ir fondo — necesitas entender vectores, matrices y derivadas. Datos: "Python Data Science Handbook" de Jake VanderPlas (gratuito en línea) — Pandas, NumPy, Matplotlib.
Fase 2: ML y Deep Learning (3-6 meses)
ML Clásico: "Machine Learning Specialization" de Andrew Ng en Coursera (gratuito para audit) — regresión, clasificación, clustering con fundamentos sólidos. Deep Learning: "Practical Deep Learning for Coders" de Fast.ai (gratuito) — top-down, con código funcionando desde la primera clase. Después, "Deep Learning Specialization" de Andrew Ng para la teoría por debajo. PyTorch: "PyTiad for Deep Learning Bootcamp" de Daniel Bourke (gratuito en YouTube) — el más completo en PT/EN.
Fase 3: LLMs y RAG (2-3 meses)
"LLM Bootcamp" del Full Stack Deep Learning (gratuito en línea) — el mejor recurso para quienes ya saben ML y quieren entender específicamente LLMs. Curso de NLP de Hugging Face (gratuito) — transformers, tokenización, fine-tuning con Hugging Face. RAG: "Building RAG Applications" de DeepLearning.AI (gratuito) — curso corto y práctico con LangChain y ChromaDB. Después de esta etapa, se puede implementar sistemas RAG funcionales.
Fase 4: Agentes y Producción (en curso)
Agentes: "Building Agentic RAG with LlamaIndex" de DeepLearning.AI + documentación de LangGraph. MLOps: "MLOps Specialization" de DeepLearning.AI + "Full Stack ML" en GitHub. El aprendizaje en esta fase es continuo — el campo cambia en semanas. La estrategia es leer 2-3 artículos por semana mediante HuggingFace Daily Papers, seguir repositorios relevantes en GitHub y construir proyectos propios. Portfolio > certificaciones para cualquier posición técnica real.