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.
La investigación en IA es la profesión más directamente expuesta a su propia producción. Las herramientas que construye se están volviendo, de forma deliberada, contra el propio proceso de investigación — resumir artículos, proponer experimentos, escribir código de entrenamiento —, lo que hace de esta sección menos hipotética que en casi cualquier otro perfil de este sitio.
Esa exposición no hace obsoleto el trabajo, pero sí hace el argumento sobre qué sobrevive inusualmente concreto: un puñado de laboratorios intenta abiertamente construir sistemas que ejecuten todo el bucle de investigación, y la respuesta honesta, por ahora, es que pueden hacer partes de él pero no las partes que más importan para juzgar si un resultado es verdadero.
Una parte significativa del trabajo rutinario de un investigador en IA — triage de literatura, borradores de código de experimentos, búsqueda de hiperparámetros, redactar una sección de trabajo relacionado — ya es comparablemente rápida para un sistema de IA, y los sistemas de investigación multiagente construidos explícitamente para automatizar más del bucle son un proyecto activo en varios laboratorios importantes. Lo que no se ha automatizado es juzgar si un resultado es real, decidir qué pregunta vale la pena hacer, y rendir cuentas cuando una afirmación publicada resulta ser incorrecta.
Puntuado por tareas, no por título. Más bajo es más seguro.
Empleos que la IA no puede quitar →Distinguir un efecto genuino del ruido, de una semilla afortunada o de un referente que se filtra en silencio a los datos de entrenamiento exige exactamente el juicio escéptico que los sistemas automatizados aplican peor a su propia salida.
Decidir que un problema concreto, difícil y poco explorado merece meses del cómputo y la atención de un laboratorio es una apuesta hecha con información incompleta — la parte de la investigación más alejada del emparejamiento de patrones sobre artículos pasados.
Alguien tiene que respaldar un resultado cuando no se replica o resulta tener una línea base defectuosa — un modelo no puede asumir responsabilidad profesional o científica por su propia salida.
Pesar los posibles efectos sociales de un sistema, los riesgos de seguridad o el potencial de doble uso antes de publicar se apoya en valores y contexto sobre los que un pipeline automatizado de investigación no tiene base para razonar por sí solo.
La intuición de qué resultado sorprendente vale la pena perseguir, desarrollada al ver cientos de experimentos tener éxito y fallar a lo largo de una carrera, no es aún algo que ningún sistema haya demostrado al nivel de un investigador sénior.
Ante decenas de miles de nuevos preprints al año, las herramientas que resumen y clasifican artículos por relevancia ya están en uso rutinario en todo el campo.
Ensamblar un bucle de entrenamiento estándar, un cargador de datos o un script de evaluación es ahora a menudo más rápido de generar y revisar que de escribir desde cero.
Los sistemas de afinación automatizada pueden explorar un espacio de parámetros de forma mucho más exhaustiva y barata que un investigador que prueba configuraciones una a una a mano.
Un primer paso para resumir el trabajo previo relevante para un artículo nuevo se asiste cada vez más con IA, aunque el encuadre concreto y la comparación honesta siguen necesitando la revisión de un investigador.
Una proporción creciente del tiempo de un investigador se dedica a especificar qué debe intentar un sistema automatizado y juzgar su salida, más que a escribir y ejecutar cada experimento personalmente.
Como predice la propia «bitter lesson» del campo, el acceso a cómputo a gran escala determina cada vez más qué laboratorios pueden siquiera probar una idea dada, concentrando la investigación de frontera dentro de un pequeño número de organizaciones bien financiadas.
A medida que las herramientas asistidas por IA facilitan producir un resultado de aspecto plausible con rapidez, verificar con rigor ese resultado se convierte en una especialidad más valorada y más separadamente dotada de personal dentro de los grupos de investigación.
Sistemas diseñados para proponer hipótesis, ejecutar experimentos y redactar artículos con supervisión humana limitada — proyectos como el «AI Scientist» de Sakana AI (2024) y el «AI co-scientist» de Google DeepMind (2025) — son ahora en sí mismos un área activa de publicación.
Estudia cómo mantener que sistemas cada vez más capaces hagan de forma fiable lo que pretenden sus diseñadores, una especialidad que apenas existía como trayectoria profesional distinta antes de los años 2010.
Construye y mantiene la infraestructura distribuida de entrenamiento y cómputo de la que depende ahora la investigación de frontera tanto como cualquier idea algorítmica individual.
Trabaja en la frontera entre la investigación técnica y la política gubernamental o corporativa, traduciendo lo que los sistemas de un laboratorio pueden y no pueden hacer en reglas o salvaguardas.
Prueba deliberadamente modelos y salidas de investigación generadas por IA en busca de modos de fallo, agujeros de seguridad y afirmaciones falsas antes de que lleguen a producción o publicación.
La demanda de talento en investigación en IA es muy probable que se mantenga fuerte durante la próxima década, pero la versión de nivel de entrada del trabajo ya está cambiando: existirán menos roles dedicados únicamente a ejecutar experimentos rutinarios a mano, y más esperarán que un nuevo investigador dirija, cuestione y verifique trabajo que un pipeline asistido por IA produjo casi de inmediato.
La ventaja más clara a largo plazo residirá en los investigadores capaces de enmarcar una pregunta genuinamente nueva, detectar cuándo un resultado de aspecto plausible es incorrecto en silencio, y asumir la responsabilidad de una afirmación en público — el mismo juicio que el campo siempre ha necesitado, ahora aplicado a un proceso de investigación que escribe cada vez más su propio primer borrador.
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 🩺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 💱El estudioso de la escasez: de la fábrica de alfileres de Adam Smith a la sala de decisiones del banco central, al que se le sigue pidiendo predecir lo que ningún modelo capta del todo.
Resistente a la IA 62 💊El experto en medicamentos detrás de cada receta — desde las primeras tiendas de fármacos de Bagdad y el mortero del boticario hasta la morfina, la artemisinina y la farmacia moderna.
Resistente a la IA 58Escribe, 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