El nuevo organigrama de la IA: 16 roles que las empresas ambiciosas ya están contratando (y que el resto todavía no entiende)

Hay una conversación que ocurre en casi todas las reuniones de directorio de empresas medianas y grandes en este momento. Alguien menciona la IA. Todos dicen que sí con la cabeza... Nadie sabe exactamente qué contratar.

No es ignorancia. Es que el mapa todavía no existía.

Hasta ahora.

La inteligencia artificial lleva años prometiendo transformar el trabajo. Lo que nadie anticipó con claridad es que esa transformación no sería solo automatizar tareas existentes, sino generar categorías profesionales completamente nuevas. Roles que no existían hace tres años. Títulos que no aparecen en ningún manual de recursos humanos clásico. Perfiles que hoy tienen listas de espera y salarios que superan los de gerentes con décadas de carrera.

El nuevo organigrama ya está siendo escrito. La pregunta es si tu empresa está adentro o afuera de esa conversación.

Por qué aparecen estos roles ahora (y no antes)

La respuesta corta: porque la brecha entre experimentar con IA y operacionalizar IA resultó ser enorme.

Durante años, las empresas podían "probar IA" sin consecuencias estructurales. Un equipo de data science hacía un piloto. El proyecto terminaba en una presentación. Más del 90% de los proyectos de machine learning nunca llegaban a producción. Y la organización seguía funcionando igual.

Eso cambió.

Cuando los LLMs (esos modelos de lenguaje de gran escala que potencian herramientas como ChatGPT o Claude) pasaron de ser curiosidades a infraestructura empresarial real, el desafío dejó de ser técnico para volverse organizacional. De repente, las empresas necesitaban personas que supieran llevar IA a producción, mantenerla saludable, hacer que los equipos no técnicos la adoptaran, y asegurarse de que no fallara de formas importantes.

Ninguno de esos problemas tiene solución con los roles tradicionales de IT o Data Science.

El 92% de las empresas planea aumentar su inversión en IA en los próximos años. Pero solo el 1% considera que alcanzó algún nivel de madurez real en su implementación. Esa distancia entre intención y ejecución tiene un nombre: talent gap. Y se cierra contratando los perfiles correctos.

La arquitectura invisible: tres capas de roles emergentes

Si observás los cientos de procesos de hiring de IA que se están abriendo en empresas globales, empiezan a emerger tres grandes categorías.

La capa técnica: los que construyen y operan

Son los perfiles más reconocibles y también los más escasos. Pero ojo: no estamos hablando de programadores tradicionales.

El LLM Engineer no entrena modelos desde cero. Trabaja con modelos ya entrenados (GPT-4, Claude, Llama, Mistral, etc.) y los adapta, conecta, optimiza y opera en entornos de producción reales. Construye pipelines de RAG (Retrieval-Augmented Generation), gestiona costos de inferencia, asegura la calidad de los outputs. Es un perfil que no existía hace tres años y hoy tiene una demanda que supera ampliamente la oferta. En mercados como Estados Unidos, puede ganar entre 180 mil y 300 mil dólares anuales.

El MLOps Engineer o AI Ops Lead es el DevOps de la inteligencia artificial. Diseña y opera los pipelines que llevan modelos a producción y los mantienen funcionando: CI/CD para modelos, monitoreo de drift, reentrenamiento automático. Si el Data Scientist escribe el código del modelo, el MLOps lo mantiene vivo. Sin él, el modelo muere en una notebook. En mercados de LATAM, puede ganar entre 40 mil y 80 mil dólares anuales.

El AI Architect opera en otra escala: define la infraestructura técnica de largo plazo. Qué modelos usar, cómo integrarlos con sistemas legacy, cómo diseñar pipelines que escalen. Es quien evita que cada iniciativa de IA genere deuda técnica masiva. Un buen AI Architect puede ahorrarle a una empresa años de reconstrucción de su stack. Es por esto que su salario en LATAM puede alcanzar hasta los 110 mil dólares anuales.

Y en el extremo más especializado, el AI Safety Engineer: quien testea sistemas de IA para detectar cómo pueden fallar de formas no anticipadas. Red-teaming de modelos, detección de jailbreaks, análisis de inputs adversariales. A medida que la IA toma decisiones que afectan a personas reales (créditos, diagnósticos, contrataciones), este rol pasa de ser académico a ser crítico. Los laboratorios de frontera como Anthropic u OpenAI pagan entre 200 mil y 400 mil dólares por estos perfiles.

La capa estratégica: los que deciden

Si la capa técnica construye el motor, la estratégica define hacia dónde va el auto.

El Chief AI Officer (CAIO) es el C-level que no existía hace cinco años y que hoy muchas empresas del Fortune 500 tienen o están buscando. No es el CTO renombrado. Es un rol distinto: gestiona la IA como ventaja competitiva, coordina todas las iniciativas, lidera la gobernanza y representa a la empresa frente a reguladores y al mercado. El CAIO es la apuesta más cara y más visible de una empresa en el mundo de la IA.

El AI Transformation Lead hace algo diferente pero igual de crítico: lidera la adopción de IA a escala organizacional. No construye las herramientas. Asegura que las herramientas sean adoptadas. Gestiona el change management, identifica oportunidades de alto impacto, mide el ROI real de cada iniciativa. Su existencia responde a una verdad incómoda: la mayoría de las inversiones en IA fracasan no por problemas técnicos, sino por problemas culturales. Su salario en LATAM puede alcanzar hasta los 75 mil dólares anuales

El AI Governance Lead es el compliance officer de la era de los modelos. Desarrolla frameworks para el uso responsable de la IA, gestiona el riesgo de los modelos, navega regulaciones como el EU AI Act (ya vigente) y audita los sistemas en producción. El dato más impactante de su categoría: el 98% de las organizaciones está actualmente understaffed en esta área. Las multas por incumplimiento del EU AI Act pueden alcanzar los 35 millones de euros o el 7% del revenue global. Este rol pasó de "nice to have" a obligatorio.

La capa híbrida: los traductores

Esta es, probablemente, la categoría más subestimada. Y la más escasa.

Los roles híbridos combinan expertise de dominio o de negocio con fluencia en inteligencia artificial. Son los traductores que hacen que las inversiones en IA no mueran en el equipo de Data. Sin ellos, hay un muro permanente entre la tecnología y el negocio.

El AI Product Manager gestiona productos donde la IA es parte del core. No es un PM tradicional que aprendió a escribir prompts. Es alguien que entiende los trade-offs técnicos de usar modelos probabilísticos (hallucinations, costos de inferencia, evaluación de calidad) y al mismo tiempo puede priorizar por valor de negocio y comunicar con stakeholders.

El Prompt Engineer es el rol más discutido y probablemente el más malentendido. No es un copywriter que aprendió a chatear con ChatGPT. Es quien diseña los sistemas de instrucciones que hacen que un LLM se comporte de forma consistente y predecible a escala. La demanda de este perfil creció un 135% interanual en los últimos dos años.

El Agent Workflow Designer aparece porque los AI agents (sistemas autónomos o semi-autónomos basados en LLMs) están empezando a ejecutar tareas complejas que antes requerían humanos. Alguien tiene que diseñar esos flujos: cuándo un agente actúa, cuándo escala a un humano, cómo se coordinan múltiples agentes, cómo se evalúan los resultados. Los roles de AI Agent crecieron un 136% en el último año.

El AI Domain Hybrid puede ser el perfil más valioso de todos. Es un profesional de dominio (médico, abogado, financiero, ingeniero) que desarrolló fluencia real en IA. No necesita un intermediario técnico para cada idea. Puede identificar oportunidades, co-diseñar soluciones y evaluarlas con criterio. El 75% de los job listings de IA buscan exactamente este tipo de expertise.

El problema real: tools sin estrategia

Hay una trampa en la que caen muchas empresas: compran diez licencias de herramientas de IA. Las distribuyen entre los equipos. Esperan resultados. Y después se preguntan por qué la productividad no cambió.

La respuesta casi siempre es la misma: compraron tools, no construyeron capacidades.

Es por eso que roles como el AI Enablement Manager (diseña y ejecuta programas de capacitación en IA para equipos no técnicos) o el AI Knowledge Curator (organiza el conocimiento organizacional para que los sistemas de RAG funcionen bien) no son secundarios. Son los que determinan si una inversión en IA genera ROI o se convierte en gasto.

Una licencia de Copilot sin un AI Enablement Manager es como comprar un gimnasio y no ir nunca.

El organigrama del futuro ya tiene nombre

Hace diez años, el rol de "Growth Hacker" no existía. Hoy es estándar en cualquier startup de crecimiento.

Hace siete años, el "Data Science Manager" era raro. Hoy es básico en cualquier empresa con datos.

En dos o tres años, el AI Product Manager, el AI Governance Lead, el LLM Engineer y el Agent Workflow Designer van a ser tan habituales como un VP of Engineering.

Las empresas que los contratan ahora no están siendo aventureras. Están siendo precisas.

La IA no está reemplazando el trabajo. Está creando una nueva capa de trabajo especializado que requiere personas específicas, con skills específicos, en posiciones específicas dentro del organigrama.

El mapa ya existe. La pregunta es cuándo tu empresa va a empezar a usarlo.

‍

¿Querés saber qué roles necesita tu empresa en este momento? Seeds trabaja con organizaciones que quieren construir capacidad real en IA, no solo comprar licencias.