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 imagen de un investigador inventando un algoritmo ingenioso en un destello de intuición es en su mayor parte falsa. La mayoría de los días se pasan ejecutando experimentos que fallan de formas poco informativas, leyendo lo que cien otros laboratorios publicaron este mes, e intentando distinguir si un resultado prometedor es real o un artefacto de una semilla aleatoria afortunada.
El oficio que se transmite dentro del campo tiene menos que ver con qué arquitectura memorizar y más con la disciplina experimental: cómo aislar qué causó realmente una mejora, cuándo confiar en un referente y cuándo no, y cómo impedir que un resultado negativo se deseche en silencio.
Álgebra lineal, probabilidad, cálculo y optimización son el lenguaje en el que está escrito casi todo modelo y artículo; sin ellos, los métodos nuevos resultan ilegibles más que simplemente desconocidos.
Escribir código eficiente en Python y un marco de aprendizaje profundo, y entender suficiente ingeniería de sistemas distribuidos para ejecutar trabajos de entrenamiento en docenas o miles de procesadores.
Diseñar comparaciones controladas, ejecutar suficientes semillas aleatorias para confiar en un resultado, y aislar qué cambio concreto causó realmente una mejora en lugar de asumir la explicación obvia.
Seguir el ritmo de un campo que publica decenas de miles de nuevos preprints al año, y distinguir el puñado que realmente importa, es ahora una habilidad por derecho propio.
Elegir cuál de muchas direcciones plausibles merece meses de cómputo y atención — la habilidad más difícil de enseñar directamente, que suele absorberse trabajando junto a un director experimentado.
Un resultado que no puede redactarse con claridad suficiente para sobrevivir a la revisión por pares, o explicarse a un financiador no especialista, lucha por tener impacto por real que sea.
Revisar los resultados de experimentos nocturnos y ojear nuevos preprints de arXiv y la discusión del chat del laboratorio antes de que empiece el trabajo concentrado del día.
El bloque mejor protegido del día, dedicado a escribir código de entrenamiento, depurar un modelo o diseñar el siguiente experimento de una serie.
A menudo compartido con compañeros de laboratorio, y con frecuencia el escenario del intercambio informal de ideas que una reunión programada rara vez produce.
Reuniones de laboratorio, encuentros individuales con un director o jefe, y un grupo de lectura rotativo en el que alguien presenta un artículo que el grupo necesita entender.
Profundizar por qué un experimento funcionó o no, actualizar un documento compartido de resultados y redactar secciones de un artículo antes de un plazo.
Tiempo personal — excepto en las semanas previas a un gran plazo de congreso, cuando las tardes y los fines de semana desaparecen de forma rutinaria para terminar experimentos.
Conocimiento de oficio que se transmite de verdad — no motivación vacía.
Antes de confiar en una ejecución de entrenamiento sobre el conjunto completo de datos, comprobar que el modelo puede llevar su pérdida cerca de cero en un puñado diminuto de ejemplos. Si ni siquiera puede memorizar diez ejemplos, el fallo está en el código, no en los datos.
Una proporción sorprendente de «mejoras» publicadas se encoge o desaparece una vez que la línea base de comparación recibe el mismo presupuesto de búsqueda de hiperparámetros que el método nuevo — un patrón documentado en GANs y modelos de lenguaje por igual.
Cuando un método nuevo con cinco cambios empaquetados juntos supera a uno antiguo, retirar cada cambio de forma independiente y volver a probar antes de acreditar cualquier idea concreta — de lo contrario la historia del artículo y la causa real de la ganancia pueden divergir en silencio.
Un número de tabla de clasificación deja de medir capacidad general una vez que los investigadores afinan repetidamente directamente contra él — una dinámica conocida desde hace tiempo como la ley de Goodhart, y citada directamente en críticas a la saturación de referentes en NLP y visión.
Redactar pronto las afirmaciones centrales de un artículo fuerza un objetivo concreto y falsable para los experimentos restantes, en lugar de ejecutar experimentos primero y armar una narrativa en torno a lo que resultó funcionar.
Las configuraciones, semillas e hiperparámetros fallidos suelen desecharse una vez que una ejecución falla, pero registrarlos evita que un laboratorio vuelva a ejecutar en silencio el mismo callejón sin salida seis meses después bajo otro nombre.
Los dos marcos de aprendizaje profundo dominantes; PyTorch lidera en la mayor parte de la investigación académica e industrial, mientras que JAX es popular para trabajo a gran escala y afiliado a Google.
Clústeres compartidos, programados con herramientas como Slurm, que convierten un diseño de modelo en una red realmente entrenada — a menudo la mayor constricción individual sobre qué experimentos son posibles.
El foro de publicación de facto del campo en la práctica: los nuevos resultados circulan aquí como preprints, a menudo meses antes o del todo sin revisión formal por pares.
Paneles de seguimiento de experimentos que registran curvas de pérdida, hiperparámetros y salidas a lo largo de cientos de ejecuciones, sin los cuales comparar experimentos sería inmanejable.
Entornos interactivos para exploración rápida de datos, depurar el comportamiento de un modelo en ejemplos concretos y prototipar antes de que el código pase a un pipeline completo de entrenamiento.
Exprimir una mejora fraccionaria de precisión mediante búsqueda extra de hiperparámetros o escala, sin una hipótesis de por qué funciona, produce resultados difíciles de construir sobre ellos aunque el número en sí sea real.
Ejecutar muchas semillas y publicar solo la mejor, en lugar de una media y una dispersión, hace que el ruido ordinario parezca un efecto genuino — un problema señalado repetidamente en estudios de reproducibilidad de aprendizaje por refuerzo y NLP.
Datos de prueba que se filtraron a un corpus de preentrenamiento, o un presupuesto de cómputo en silencio mayor del que reporta un artículo, pueden hacer imposible reproducir un resultado — y, una vez descubierto, dañan la credibilidad de un investigador más que lo habría hecho un resultado modesto y honesto.
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