Currículum de ingeniero/a de IA: ejemplos y guía para redactarlo
Un currículum de ingeniero/a de IA consigue entrevistas cuando muestra sistemas que has puesto en manos de usuarios reales, no cursos que has hecho: el modelo o el stack de LLM, cómo lo evaluaste (exactitud, recall, tasa de alucinaciones), cuánto costaba y lo rápido que respondía, y la infraestructura sobre la que funcionaba. Una página, una sección de proyectos con enlaces a GitHub y cifras en cada logro. Abajo tienes ejemplos con experiencia y de nivel inicial.
Ejemplo de currículum de ingeniero/a de IA (IA generativa, software sanitario)
Un currículum de una página para una ingeniera de IA con cinco años de experiencia, los tres últimos construyendo sistemas de LLM en producción. El nombre y las empresas son ficticios. Fíjate en el patrón de cada logro: qué se construyó, para cuántos usuarios, cómo se midió y cómo cambió la métrica.
Irene Castells Prat
Ingeniera de IA (aplicaciones de LLM, RAG, evaluación)
Barcelona · 612 345 678 · irene.castells@ejemplo.es · github.com/irene-ejemplo · linkedin.com/in/irene-ejemplo
Perfil
Ingeniera de IA con 5 años en aprendizaje automático en producción, 3 de ellos construyendo sistemas de LLM que usan 8.000 profesionales sanitarios. Diseñó un asistente con recuperación aumentada (RAG) sobre 40.000 documentos clínicos, subió el recall de recuperación de 0,61 a 0,88, redujo la tasa de afirmaciones sin respaldo del 9 % al 2 % y bajó un 60 % el coste por consulta. Trabaja en todo el stack: fine-tuning con PyTorch y Hugging Face, sistemas de evaluación, servicios FastAPI en AWS y monitorización. Máster en Inteligencia Artificial.
Experiencia
Ingeniera de IA · Una empresa de software de documentación clínica (300 empleados), Barcelona
04/2023 – actualidad
- Construí y mantengo un asistente clínico con recuperación aumentada (RAG) sobre 40.000 guías clínicas y fichas de medicamentos, que usan unos 8.000 profesionales sanitarios de 60 hospitales clientes; gestiona 120.000 consultas al mes.
- Subí el recall@10 de recuperación de 0,61 a 0,88 pasando de una búsqueda solo por embeddings a una búsqueda híbrida BM25 más embeddings en OpenSearch, con un reranker cross-encoder y troceado por secciones.
- Desarrollé el sistema de evaluación: 1.200 pares de pregunta y respuesta etiquetados por profesionales sanitarios, un evaluador LLM contrastado con valoraciones humanas (concordancia de 0,91) y ejecuciones nocturnas en CI que bloquean una versión si hay regresión. Reduje la tasa de afirmaciones sin respaldo del 9 % al 2 % en cuatro ciclos de versiones.
- Bajé un 60 % el coste por consulta y la latencia p95 de 4,2 s a 1,6 s derivando las consultas sencillas a un modelo más pequeño, cacheando embeddings y transmitiendo las respuestas en streaming; un ahorro de unos 13.000 € al mes con el volumen actual.
- Hice fine-tuning con LoRA de un modelo de pesos abiertos de 7B para sugerir códigos CIE-10-ES a partir de 180.000 notas clínicas seudonimizadas; F1 de 0,82 frente a 0,71 de la línea base zero-shot, servido con vLLM en dos nodos GPU.
- Construí el paso de anonimización de datos de salud (Presidio más patrones propios) que se ejecuta antes de que cualquier texto llegue a un modelo alojado externamente; lo revisé con el equipo de cumplimiento normativo conforme al RGPD y la LOPDGDD y superó sin observaciones la auditoría de seguridad de un cliente en 2025.
Ingeniera de Machine Learning · Una plataforma de comercio electrónico B2B (150 empleados), Barcelona
06/2021 – 04/2023
- Entrené y desplegué un modelo de ranking para la búsqueda de productos (LightGBM, 140 variables) que subió un 11 % el CTR de la búsqueda y un 6 % los añadidos al carrito en un test A/B sobre 2 millones de sesiones mensuales.
- Construí el pipeline de variables en Airflow y Spark, que procesa unos 30 millones de eventos de navegación al día, con controles de calidad de datos que detectaron 3 cambios de esquema en origen antes de que llegaran al modelo.
- Implanté el registro de modelos de MLflow, el despliegue con GitHub Actions y la monitorización de deriva de 6 modelos; reduje el tiempo desde el modelo entrenado hasta producción de unas dos semanas a dos días.
- Lancé la primera funcionalidad de LLM de la empresa: generación de descripciones de producto para 200.000 referencias con revisión humana, el 78 % de los borradores aceptados sin cambios, con un ahorro de unas 900 horas por trimestre al equipo de contenidos.
Becaria de Ciencia de Datos · Una fintech de préstamos al consumo, Madrid (en remoto)
05/2020 – 08/2020
- Construí un modelo de categorización de transacciones (scikit-learn) con un 94 % de exactitud en 50 categorías, que sustituyó a un motor de reglas del 81 %; lo entregué al equipo de analítica como proceso por lotes.
Formación
Máster en Inteligencia Artificial (especialidad en aprendizaje automático)
Una universidad pública de Barcelona, 2021
Grado en Ingeniería Informática
Una universidad pública de Valencia, 2019
Certificaciones
- AWS Certified Machine Learning Engineer – Associate, 2025
Habilidades
Lo que mira quien contrata en IA en los primeros 30 segundos
Las ofertas de ingeniero/a de IA reciben cientos de candidaturas, muchas de personas que terminaron un curso el mes pasado y ya se presentan como ingenieros de IA. Quien contrata (normalmente un/a ingeniero/a sénior o la dirección de IA) busca a quien ha llevado cosas a producción. Lo deciden cuatro cosas.
- Producción, no notebooks. ¿Usaban tu sistema usuarios reales? ¿Cuántos y con qué frecuencia? «Construí un chatbot con LangChain» es un tutorial. «Asistente RAG que usan 8.000 profesionales sanitarios, 120.000 consultas al mes» es un trabajo.
- Evaluación. Lo que más diferencia en 2026. ¿Construiste un conjunto de evaluación, de qué tamaño, quién lo etiquetó, con qué métrica y cómo se movió la cifra? Si tu currículum no tiene cifras de evaluación, el responsable da por hecho que lanzaste a ojo.
- Coste y latencia. Cualquiera sabe llamar a un modelo grande. Quien ha reducido el coste por consulta, la latencia p95 o el gasto en GPU, y sabe decir cuánto, escasea y consigue entrevistas.
- Profundidad en una capa y amplitud en todo el stack. Recuperación, fine-tuning, despliegue o evaluación como punto fuerte, con conocimiento práctico del resto, incluidas las partes aburridas: pipelines de datos, despliegue, monitorización, revisión de seguridad.
“En cada currículum de IA busco dos cifras: una métrica de evaluación que mejoró y un coste o una latencia que bajó. Si están las dos, la persona ha llevado algo a producción. Si no está ninguna, es un portfolio de demos, y de esos ya tenemos muchos.”
Proyectos y GitHub: cómo redactar la sección que sostiene un currículum de nivel inicial
Para recién titulados y personas que cambian de carrera, la sección de proyectos sustituye a la experiencia laboral. Para el resto, es donde demuestras la profundidad que tu trabajo no cubría. Tres reglas: enlaza el repositorio, trata cada proyecto como un logro laboral (problema, stack, métrica) y asegúrate de que el README de todo lo que enlaces sea lo bastante bueno para que un desconocido lo ejecute en diez minutos.
Preguntas y respuestas sobre 2.300 sentencias judiciales públicas (github.com/tu-usuario/case-rag). Recuperación híbrida (BM25 + embeddings bge en pgvector), reranking con cross-encoder, conjunto de evaluación de 300 preguntas construido a partir de los resúmenes de las propias sentencias; recall@5 mejorado de 0,58 a 0,84. Servicio FastAPI en Docker, respuesta mediana de 1,9 s en una máquina solo con CPU. Python, PostgreSQL, Hugging Face.
Fine-tuning con QLoRA de un modelo de pesos abiertos de 3B para clasificar 12.000 tickets de atención al cliente en 40 intenciones (github.com/tu-usuario/ticket-intent). Macro-F1 de 0,87 frente a 0,79 en zero-shot con un modelo alojado mucho mayor; coste de inferencia de aproximadamente 1/40 por ticket. Incluye scripts de entrenamiento, notebook de evaluación y una model card.
Agente de análisis de datos que responde preguntas sobre archivos CSV escribiendo y ejecutando código pandas en un sandbox (github.com/tu-usuario/csv-agent). Benchmark de 150 tareas con comprobación de respuesta exacta; tasa de acierto del 71 %, frente al 52 % antes de añadir un paso de autoverificación y pistas sobre el tipo de columna. Registro del coste de cada ejecución, con una media de 0,010 € por tarea.
Proyectos finales de cursos copiados de un tutorial, notebooks de Kaggle sin explicación y aplicaciones que son un simple envoltorio de ChatGPT sin evaluación. Un proyecto sólido con cifras vale más que seis flojos.
Ejemplos de perfil y objetivo profesional para ingeniero/a de IA
Tres o cuatro líneas: años y tipo de trabajo en IA, el sistema más sólido que hayas puesto en producción con su escala, dos métricas y el stack. Los perfiles de nivel inicial usan un objetivo profesional que nombra los proyectos y el puesto.
Ingeniera de IA con 5 años en machine learning en producción, 3 de ellos construyendo sistemas de LLM para 8.000 profesionales sanitarios. Puso en producción un asistente RAG sobre 40.000 documentos, subió el recall de recuperación de 0,61 a 0,88, redujo la tasa de afirmaciones sin respaldo al 2 % y el coste por consulta un 60 %. PyTorch, Hugging Face, OpenSearch, vLLM, FastAPI en AWS.
Ingeniero de machine learning con 6 años en modelos de ranking y recomendación que dan servicio a 3 millones de usuarios diarios, ahora construyendo funcionalidades de LLM: un asistente de soporte basado en recuperación que resuelve el 34 % de los tickets sin agente y un clasificador ajustado con F1 de 0,88. Sólida experiencia en evaluación, tests A/B y MLOps (MLflow, Airflow, Kubernetes).
Máster en Inteligencia Artificial (junio de 2026) con tres proyectos de LLM desplegados en GitHub, entre ellos un sistema RAG jurídico con un recall@5 de 0,84 sobre un conjunto de evaluación de 300 preguntas y un clasificador de intenciones ajustado con QLoRA con F1 de 0,87. Trabaja con soltura con PyTorch, Hugging Face, pgvector, FastAPI y Docker. Busca un primer puesto en ingeniería de IA.
Empieza con un ejemplo y termina en minutos.
No necesitas registrarte para empezar. Elige un ejemplo, adáptalo con sugerencias y revisa la vista previa mientras escribes.
Logros de experiencia: de flojos a sólidos
El patrón: qué construiste, quién lo usaba y a qué escala, cómo lo mediste y qué cambió. Nombra la técnica cuando explique el resultado.
| Flojo | Sólido |
|---|---|
| Desarrollé un chatbot con LangChain y OpenAI. | Construí un asistente de soporte con recuperación aumentada sobre 12.000 artículos de ayuda, que hoy gestiona 40.000 conversaciones al mes y resuelve el 34 % sin agente humano, medido con un conjunto de evaluación etiquetado de 600 casos. |
| Mejoré la precisión del modelo. | Subí el macro-F1 de clasificación de intenciones de 0,79 a 0,87 con fine-tuning QLoRA de un modelo de 3B sobre 12.000 tickets etiquetados, sustituyendo a un modelo alojado a aproximadamente 1/40 del coste de inferencia. |
| Trabajé en prompt engineering. | Versioné 60 prompts de producción en un registro con una batería de evaluación de 800 casos en CI; detecté 4 regresiones antes de publicarlas y reduje las respuestas inventadas sobre políticas del 7 % al 1,5 %. |
| Optimicé el rendimiento del sistema. | Reduje la latencia p95 de 4,2 s a 1,6 s y el coste por consulta un 60 % con enrutado de modelos, caché de embeddings y streaming; unos 13.000 € de ahorro al mes. |
| Desplegué modelos en producción. | Serví un modelo de 7B ajustado con vLLM en dos nodos A10G detrás de FastAPI en EKS, con autoescalado, despliegues canary y trazas en Arize Phoenix; 99,9 % de disponibilidad durante 12 meses. |
| Garanticé prácticas de IA responsable. | Añadí una fase de anonimización de datos de salud y filtros contra la inyección de prompts antes de que cualquier texto llegara a un modelo alojado externamente; superé sin observaciones la auditoría de seguridad de un cliente y documenté el flujo de datos para la revisión de cumplimiento del RGPD. |
Competencias para el currículum de ingeniero/a de IA
Agrupa las competencias por capas para que se vea tu perfil, y limítate a lo que podrías explicar en una pizarra. Los reclutadores filtran por nombres de herramientas; los ingenieros te entrevistan para ver si de verdad las has usado.
- Lenguajes: primero Python con los años de experiencia, después SQL; añade Go, TypeScript, Rust o C++ solo si has escrito código de producción en ellos.
- Modelado: PyTorch (o JAX), Hugging Face Transformers, PEFT y LoRA/QLoRA, scikit-learn, árboles con gradient boosting; entrenamiento distribuido (DeepSpeed, FSDP) si lo has hecho.
- Capa de aplicaciones de LLM: API de proveedores de modelos (OpenAI, Anthropic, Bedrock, Vertex AI), llamadas a herramientas y salidas estructuradas, frameworks de agentes, LangChain o LlamaIndex, versionado de prompts.
- Recuperación: bases de datos vectoriales (pgvector, Pinecone, Weaviate, OpenSearch, Milvus), búsqueda híbrida, troceado, embeddings, rerankers, evaluación de la recuperación por separado de la generación.
- Evaluación y monitorización: creación de conjuntos de evaluación etiquetados, LLM como evaluador con calibración humana, Ragas, promptfoo, tests A/B, trazas (LangSmith, Arize Phoenix, Langfuse), monitorización de deriva.
- Despliegue e infraestructura: vLLM o TGI, FastAPI, Docker, Kubernetes, una nube principal nombrada en concreto (SageMaker, Bedrock, Vertex AI, Azure AI Foundry), control del gasto en GPU, caché, streaming.
- Datos y MLOps: Spark, Airflow o Dagster, dbt, MLflow o Weights & Biases, feature stores, CI/CD.
- Seguridad y cumplimiento: anonimización de datos personales y de salud, defensas contra inyección de prompts, guardrails, model cards, y tratamiento de datos conforme al RGPD y la LOPDGDD o SOC 2 cuando corresponda.
Currículum de ingeniero/a de IA de nivel inicial y para quien cambia de carrera sin experiencia
Las ofertas de ingeniero/a de IA de nivel inicial son pocas y están muy disputadas. Funcionan dos caminos: un grado en Ingeniería Informática o afín más dos o tres proyectos con cifras de evaluación, o un trabajo de software o de datos que puedas reescribir en torno al trabajo de machine learning y LLM que hiciste en él. En ambos casos, la página se construye con pruebas, no con asignaturas.
- 1Objetivo profesional (dos líneas): el puesto, tu titulación o tu trabajo actual y los dos mejores resultados de tus proyectos con métricas.
- 2Sección de proyectos justo debajo del objetivo: dos o tres entradas, cada una con enlace a GitHub, el problema, el stack, el conjunto de evaluación y la métrica. Escríbelas como los logros laborales de arriba.
- 3Experiencia: prácticas, contratos de investigación, colaboraciones docentes en asignaturas de machine learning y cualquier trabajo en el que automatizaras o modelaras algo. Indica usuarios, volumen de datos y resultados.
- 4Formación académica: titulación, centro, año, nota media si es alta (por ejemplo, a partir de 8 sobre 10) y una lista corta de asignaturas relevantes (aprendizaje automático, procesamiento del lenguaje natural, sistemas distribuidos, álgebra lineal). Un TFG o TFM con un conjunto de datos real cuenta como proyecto.
- 5Competencias: solo lo que aparece en tus proyectos. Si Kubernetes está en tu lista de competencias, el reclutador espera ver un despliegue en algún repositorio.
- 6Preséntate a varios títulos de puesto: ingeniero/a de machine learning, científico/a aplicado/a, ingeniero/a de software de IA/ML, científico/a de datos (LLM) y puestos generalistas de back-end en empresas que crean productos de IA. Mucha gente consigue su primer título de IA en el siguiente trabajo.
Investigadora contratada en un laboratorio de procesamiento del lenguaje natural (2025–2026): construí el pipeline de datos y la evaluación de un benchmark de recuperación de 40.000 documentos; coautora de un artículo en un workshop; código publicado en GitHub con más de 90 estrellas.
Desarrolladora back-end (2023–2026): responsable de la integración de LLM del producto de soporte, con una batería de evaluación de 800 casos, versionado de prompts y enrutado por coste que redujo un 45 % el gasto en modelos; el asistente gestiona hoy 12.000 conversaciones al mes.
Titulaciones y certificaciones: lo que de verdad importa
La mayoría de ofertas de ingeniero/a de IA piden un grado en Ingeniería Informática o un campo afín, y muchas indican que se valora un máster o un doctorado para puestos con mucha investigación. Ninguna certificación es obligatoria en este campo y ninguna sustituye a un sistema en producción. Unas pocas son reconocidas y merecen una línea si las tienes.
- AWS Certified Machine Learning Engineer – Associate y AWS Certified AI Practitioner (nivel básico). Útiles cuando la empresa trabaja con AWS.
- Google Cloud Professional Machine Learning Engineer, para empresas que usan Vertex AI.
- Microsoft Certified: Azure AI Engineer Associate (examen AI-102), habitual en grandes empresas que usan Azure OpenAI.
- Certificados del NVIDIA Deep Learning Institute sobre optimización de entrenamiento e inferencia.
- Certificados de cursos (DeepLearning.AI, fast.ai, MOOC universitarios): pon como mucho uno o dos en la formación de un currículum de nivel inicial, y ninguno cuando ya tengas experiencia laboral. Las empresas los leen como aprendizaje, no como prueba.
- Indica la titulación, el centro y el año. Añade el título del TFM o de la tesis solo si tiene relación con el puesto. No pongas el bachillerato.
Máster en Inteligencia Artificial (especialidad en aprendizaje automático), una universidad pública de Barcelona, 2021 · Grado en Ingeniería Informática, una universidad pública de Valencia, 2019 · AWS Certified Machine Learning Engineer – Associate, 2025
Formato, extensión, palabras clave para el ATS, GitHub y LinkedIn
- Una página hasta unos diez años de experiencia. Dos páginas solo para perfiles de ingeniería muy sénior (staff) o si tienes publicaciones que incluir. Recorta los trabajos antiguos a dos logros antes de pasar a una segunda página.
- Orden: encabezado con enlaces a GitHub y LinkedIn, perfil profesional, experiencia (o proyectos primero si eres de nivel inicial), proyectos, competencias, formación académica. Las publicaciones, después de la formación si las tienes.
- Una sola columna, tipografía sencilla, foto opcional, sin barras de competencias ni círculos de porcentaje. Los currículums en LaTeX son habituales y están bien vistos en este campo; expórtalo a un PDF basado en texto y comprueba que el texto se copia sin problemas.
- Haz que los enlaces sean hipervínculos reales y que también se lean como texto (github.com/tu-usuario), porque algunos sistemas de candidaturas eliminan los enlaces.
- Palabras clave que conviene copiar tal cual de la oferta: «LLM», «RAG» y «retrieval-augmented generation» o «generación aumentada por recuperación» (usa ambas formas una vez), «fine-tuning», «PyTorch», «evaluación», «base de datos vectorial», «agentes», «MLOps», el nombre de la nube y «producción». Los reclutadores filtran por ellas antes de que lo lea un ingeniero.
- LinkedIn: usa el mismo título y las mismas métricas principales que en el currículum. Los reclutadores buscan ingenieros de IA en LinkedIn con «RAG», «LLM» y el nombre de una nube, y luego comparan el perfil con el currículum que enviaste. Las incoherencias cuestan entrevistas.
- En España se habla de CV y puede ocupar dos páginas; los consejos de contenido son los mismos. La foto es opcional y la fecha de nacimiento no hace falta; si te presentas a empresas de EE. UU., no pongas ninguna de las dos.
Pasa la oferta y tu currículum por el comprobador ATS de cvplex. Señala las palabras clave del stack que faltan, los logros sin métrica y los enlaces que no han sobrevivido a la exportación a PDF.
Preguntas frecuentes
¿Cómo se hace un currículum de ingeniero/a de IA?
Empieza con un perfil profesional que indique tus años, el sistema más sólido que hayas puesto en producción y dos métricas (una cifra de evaluación y una de coste o latencia). Escribe los logros de experiencia como qué construiste, quién lo usaba y a qué escala, cómo lo mediste y qué cambió. Añade una sección de proyectos con enlaces a GitHub, competencias agrupadas por capas (modelado, aplicaciones de LLM, recuperación, evaluación, despliegue, datos) y después la formación y cualquier certificación de nube. Una página.
¿Qué competencias debe poner un/a ingeniero/a de IA en el currículum?
Python y SQL; PyTorch y Hugging Face; el stack de aplicaciones de LLM (API de proveedores, llamadas a herramientas, LangChain o LlamaIndex); recuperación (bases de datos vectoriales, búsqueda híbrida, rerankers); evaluación (conjuntos de evaluación etiquetados, LLM como evaluador, Ragas, promptfoo, tests A/B); despliegue (vLLM, FastAPI, Docker, Kubernetes, una nube) y MLOps (MLflow, Airflow, Spark). Pon solo lo que aparece en tus proyectos o trabajos.
¿Cómo hago un currículum de ingeniero/a de IA de nivel inicial sin experiencia?
Constrúyelo en torno a dos o tres proyectos con enlaces a GitHub, cada uno con problema, stack, conjunto de evaluación y métrica, justo debajo de un objetivo profesional de dos líneas. Añade prácticas, contratos de investigación o colaboraciones docentes, tu titulación con las asignaturas relevantes y una lista de competencias limitada a lo que demuestran los proyectos. Preséntate también a puestos de ingeniero/a de machine learning, científico/a aplicado/a e ingeniero/a de software de IA, además de ingeniero/a de IA.
¿Necesito una certificación para trabajar como ingeniero/a de IA?
No. Ninguna certificación es obligatoria y ninguna sustituye a un sistema en producción con cifras de evaluación. Las reconocidas son AWS Machine Learning Engineer Associate, Google Professional ML Engineer y Azure AI Engineer Associate (AI-102), cada una útil cuando la empresa trabaja con esa nube. Si la tienes, dedícale una línea; no retrases tus candidaturas para conseguir una.
¿Pongo mi GitHub en el currículum de ingeniero/a de IA?
Sí, en el encabezado, y enlaza los repositorios concretos en la sección de proyectos. Los reclutadores y los responsables de contratación los abren. Fija dos o tres repositorios que encajen con el puesto, pon una tabla con los resultados de evaluación al principio de cada README, asegúrate de que funcionan siguiendo las instrucciones y archiva los proyectos abandonados.
¿Qué extensión debe tener un currículum de ingeniero/a de IA?
Una página hasta unos diez años de experiencia, también si eres de nivel inicial. Dos páginas solo para perfiles muy sénior o si tienes publicaciones. Quien contrata busca sistemas en producción y métricas; una segunda página llena de certificados de cursos juega en tu contra.
¿Listo para escribir el tuyo?
El editor te sugiere un perfil a partir de tu propia experiencia y luego lo compara con la oferta de empleo.
Cómo se hizo esta página: el primer borrador se redactó con ayuda de IA a partir de la biblioteca de ejemplos de cvplex y después lo editó y verificó cvplex Careers Team. Los ejemplos son composiciones ficticias y las cifras son orientativas. Puedes informar de un error en la página de política editorial. Esta versión se tradujo del inglés con ayuda de IA.