Investigador en IA · Diseña y prueba los algoritmos detrás de la inteligencia de máquina, en un campo que ahora corre a automatizar una parte creciente de su propio proceso de investigación.
Las celdas mas oscuras marcan una puntuacion mas alta en ese indicador.
MenosMas
Ultima revision Fuentes y creditosCréditos de mediosMetodología
La mayoría de los días se reparte entre leer artículos recientes, escribir y depurar código de entrenamiento, esperar y analizar resultados de experimentos largos, y discutir hallazgos con colaboradores. Contra la imagen popular, una gran parte del trabajo consiste en diagnosticar por qué un modelo rinde por debajo de lo esperado o un resultado no se replica, no en idear nuevas arquitecturas desde cero.
Para un puesto de investigación independiente en una universidad o en un laboratorio industrial de primer nivel, en la práctica sí: el doctorado sigue siendo la credencial real del campo, ya que no hay examen de licencia. Ingenieros sólidos sin él entran cada vez más por programas de residencia industrial o por un historial público de trabajo de código abierto y preprints citados, pero títulos como «research scientist» siguen inclinándose con fuerza hacia quienes tienen doctorado.
Partes de ella, claramente sí: el resumen de literatura, el código boilerplate de experimentos y los borradores de secciones de trabajo relacionado ya se asisten de forma rutinaria con IA, y los laboratorios experimentan abiertamente con sistemas que proponen y ejecutan sus propios experimentos. Enmarcar qué significa realmente un resultado, y asumir la responsabilidad de una afirmación publicada, ha resultado mucho más difícil de ceder.
Varía enormemente según el empleador y la antigüedad. La mediana estadounidense para la categoría más amplia de «científico de investigación informática e información» fue de $140,910 en 2024, pero los nuevos doctores que se incorporan al laboratorio de investigación de una gran tecnológica suelen empezar muy por encima, y un pequeño número de investigadores sénior en laboratorios de IA de frontera habrían recibido, según se informa, paquetes totales de siete u ocho cifras durante la competencia de contratación de 2024–2025.
Las fronteras se difuminan constantemente, pero una distinción aproximada se sostiene: el producto de un investigador suele ser un artículo, un método nuevo o una intuición sobre por qué algo funciona, juzgado por la revisión por pares; el de un ingeniero suele ser un sistema en producción que funciona, juzgado por si se despliega y aguanta el uso real. Muchas personas hacen ambas cosas a lo largo de una carrera.
Python domina, emparejado con un marco de aprendizaje profundo — PyTorch es ahora el más común en investigación, con JAX popular para trabajo a gran escala y afiliado a Google. Más allá del código, los investigadores dependen de clústeres compartidos de GPU o TPU, herramientas de seguimiento de experimentos como Weights & Biases, y arXiv, donde la mayoría de los nuevos resultados circulan como preprints meses antes de la revisión formal por pares.
La cultura popular imaginó la inteligencia artificial mucho antes de que el propio campo avanzara mucho, y la brecha entre ambas ha moldeado cómo reacciona el público a cada avance real desde entonces. Un ordenador amenazante o divino era un personaje de repertorio en cine y ficción mucho antes de que los investigadores construyeran algo más capaz que un programa que jugara al tres en raya.
Dentro del campo, la cultura funciona de otro modo: bromas sardónicas sobre ciclos de hype, rituales de congresos marcados por plazos, y una tradición inusualmente franca — heredada en parte de la academia, en parte del software de código abierto — de publicar fracasos y resultados negativos junto a los éxitos, al menos en principio.
Cuánto estatus tuvo la profesión en cada era, en escala 0–100.
El optimismo temprano convirtió a los investigadores en IA en celebridades científicas menores dentro de la informática, impulsados por predicciones públicas confiadas de que la inteligencia de máquina a nivel humano estaba a décadas, no a siglos.
El primer invierno de la IA y sus recortes de financiación relegaron «inteligencia artificial» como término; muchos investigadores rebautizaron su trabajo como «sistemas expertos», «reconocimiento de patrones» o simplemente «informática» para mantener las subvenciones.
Un breve revival comercial — corporaciones pagando dinero real por sistemas expertos basados en reglas como XCON de DEC — restauró algo de prestigio y financiación antes de que los límites del enfoque volvieran a quedar claros hacia el final de la década.
Durante el segundo invierno de la IA y su largo epílogo, la mayor parte del progreso constante del campo ocurrió bajo otros nombres — aprendizaje automático, estadística, minería de datos — con poca atención pública.
Los avances públicos del aprendizaje profundo, rondas de financiación de miles de millones, un Premio Nobel y un Premio Turing han convertido a los investigadores en IA más destacados en algunos de los científicos más reconocidos públicamente vivos, junto a una ansiedad pública real sobre lo que están construyendo.
HAL 9000, el ordenador calmado y asesino de una nave, se convirtió en el atajo cultural por defecto para una IA que desborda sus instrucciones — una referencia que los investigadores siguen oyendo más que ninguna otra, medio siglo después.
Un superordenador militar casi desencadena una guerra nuclear tras pedírsele «jugar» una partida con misiles reales, dramatizando las ansiedades de la Guerra Fría sobre sistemas autónomos que resurgirían décadas después en torno a la seguridad de la IA.
Enmarca una prueba privada de conciencia de máquina como una variación del juego de la imitación de Turing, y se convirtió en punto de referencia en debates reales sobre si los grandes modelos de lenguaje pueden decirse de forma significativa que «entienden» algo.
Sigue el programa de DeepMind en su partido de 2016 contra el campeón de Go Lee Sedol, capturando la propia sorpresa del equipo de investigación ante la «jugada 37» — una de las pocas películas ampliamente vistas que muestran cómo se ve el trabajo real de un laboratorio de investigación.
Un hito del ciberpunk japonés que explora la conciencia de máquina y la identidad años antes de que el cine occidental alcanzara las mismas preguntas, y una influencia mayor en la ciencia ficción estadounidense posterior sobre la IA.
Un drama policial estadounidense construido en torno a una IA de vigilancia masiva que predice delitos violentos antes de que ocurran, popularizando preguntas sobre predicción algorítmica y sesgo años antes de que se convirtieran en debates de política mainstream.
Los plazos de envío de NeurIPS, ICML e ICLR caen a una hora fija — tradicionalmente las 11:59 p.m. «Anywhere on Earth» — y desencadenan un ritual previsible de experimentos de última hora, redacción nocturna y una avalancha de nuevos preprints en arXiv en las horas finales.
Los autores aceptados permanecen horas junto a un póster impreso en un salón abarrotado, repitiendo su discurso a un flujo rotativo de desconocidos — un rito de paso que todo investigador recuerda, para bien o para mal, desde su primer artículo aceptado.
Publicar un artículo junto con código, pesos entrenados y un resultado público de referencia se ha convertido en un paquete esperado más que en un extra opcional, convirtiendo el hito interno de un laboratorio en una prueba de reproducibilidad que todo el campo puede ejecutar de inmediato.
Nada de esto zanja el argumento más antiguo del campo: si lo que hacen estos sistemas es un paso real hacia la inteligencia o una forma cada vez más convincente de emparejar patrones. Los propios investigadores están divididos, a menudo dentro del mismo laboratorio.
Lo que se ha mantenido constante es el desajuste entre la imagen y el trabajo: ni HAL 9000 ni un robot cromado se parecen a un investigador mirando fijamente una curva de pérdida que se niega a bajar a la 1 de la madrugada antes de un plazo.
Vecinos más cercanos en el perfil de seis puntuaciones, no solo el mismo campo.
Diseña y fabrica los transistores que hay dentro de cada ordenador, teléfono y arma, con máquinas tan precisas que solo unas pocas fábricas en la Tierra pueden operarlas.
Resistente a la IA 60 📦Crea los sistemas que entrenan, implementan, monitorean y gobiernan modelos de aprendizaje automático en producción.
Resistente a la IA 54 🩺Diagnostica enfermedades y gestiona la salud durante años después mediante la exploración y la evidencia, no una sola operación — el generalista y guía a largo plazo de la medicina.
Resistente a la IA 67 🧠Diagnostica y trata la enfermedad mental mediante medicación y terapia, una de las pocas especialidades médicas con autoridad legal para retener a un paciente en crisis.
Resistente a la IA 73 👔Asesora a los clientes, redacta los documentos que los vinculan, y defiende su caso cuando llega a juicio, cargando con responsabilidad legal personal si el consejo resulta erróneo.
Resistente a la IA 58 🔐Protege sistemas, datos y personas encontrando, previniendo y respondiendo a ataques digitales.
Resistente a la IA 63Escribe, prueba y mantiene el código que sostiene la vida moderna — y es una de las primeras profesiones que ve cómo la IA automatiza su propio trabajo diario.
Resistente a la IA 35 🛰️Diseña, analiza y certifica los aviones, cohetes y naves espaciales que se elevan del suelo, trabajando con márgenes de seguridad que no dejan margen a la improvisación.
Resistente a la IA 74 🌉La profesión que convierte ríos, roca y gravedad en puentes, carreteras y agua potable: el oficio silencioso que sostiene la civilización desde Imhotep.
Resistente a la IA 72 🔌Diseña y fabrica los transistores que hay dentro de cada ordenador, teléfono y arma, con máquinas tan precisas que solo unas pocas fábricas en la Tierra pueden operarlas.
Resistente a la IA 60 🦾Diseña las máquinas que perciben, deciden y actúan en el mundo físico, donde el problema difícil nunca fue la inteligencia sino el mundo mismo.
Resistente a la IA 65 🔐Protege sistemas, datos y personas encontrando, previniendo y respondiendo a ataques digitales.
Resistente a la IA 63 📦Crea los sistemas que entrenan, implementan, monitorean y gobiernan modelos de aprendizaje automático en producción.
Resistente a la IA 54 🌬️Diseña, construye y mejora sistemas eólicos, solares, de almacenamiento y de red que convierten los recursos renovables en electricidad confiable.
Resistente a la IA 72