Quién es el AI Engineer en España
Muestra de más de 1.800 perfiles con el título en España. De dónde vienen, dónde trabajan y por qué buscar por título deja fuera a la mayoría.
En una muestra de más de 1.800 AI engineers analizados en España, solo el 2,3% aparece como open to work. Y el 85,8% de quienes declaran habilidades de IA generativa no lleva AI Engineer en el título.
Si buscas por título, no ves al 85%. Y a los que sí lo llevan no los vas a encontrar buscando.
Esta es la tercera pieza de la serie, después de qué es un AI Engineer y cuánto cobra en España. Aquí cambiamos de dataset: dejamos las ofertas y nos vamos a las personas.
El corpus es nuestro: más de 140.000 perfiles en España que hemos buscado para procesos reales. Ni es todo el mercado ni pretende serlo. De ahí sale la muestra que analizamos aquí: 1.878 perfiles que llevan hoy AI Engineer, Ingeniero de IA o una variante en su título actual. Esa es la base: salvo que digamos otra cosa, los porcentajes van sobre esa muestra, y cuando demos una cifra absoluta, léela como “de la muestra analizada”.
Por contexto, en ese mismo corpus hay 42.1K perfiles de software, 3.8K data engineers, 2.8K data scientists y 793 ML engineers. El AI Engineer sale 2,4 veces más numeroso que el ML Engineer, y aun así es el 4,5% del pool de software.
Esa proporción dice más de nosotros que del mercado: son los perfiles que hemos buscado para procesos reales, y últimamente buscamos muchos más AI engineers que ML engineers. En el mercado de verdad habrá bastantes más ML engineers de los que salen aquí.
¿Cuántos AI Engineer hay?
Clasificar solo por título deja fuera a quien no ha actualizado el perfil o nunca se ha puesto esa etiqueta. Así que lo miramos al revés, por lo que declara saber hacer.
85,8%
de quienes declaran skills de IA generativa en España no llevan AI Engineer en el título.
849
con el título de AI Engineer
5.131
con otro títuloSoftware Engineer (1.877), management y lead (818), consultoría (443)…
Así se reparte todo el talento que declara habilidades de IA, según el título que lleva:
El grupo más grande de gente que construye con LLMs en España se llama Software Engineer
Base distinta: los 5.980 perfiles que declaran skills de IA generativa, no los 1.878 con el título.
Software Engineer
AI Engineer
Management y lead
Otros
Consultoría y arquitectura
Data Scientist
Liderazgo técnico
Data Engineer y analytics
ML Engineer
Investigación y academia
Producto
La consecuencia para quien busca es directa: los 1.877 Software Engineers de la primera fila no aparecen en ninguna búsqueda que filtre por “AI Engineer”, y son el grupo más numeroso del gráfico, el doble que los que sí llevan el título.
Las dos cifras conviven y miden cosas distintas: 1.878 llevan el título y 849 de ellos declaran además alguna skill de IA generativa. Dicho al revés, más de la mitad de quien se llama AI Engineer en España no declara ni una. Las skills las escribe el propio candidato, así que eso dice tanto de lo que rellena como de lo que sabe.
Con un filtro más estricto, solo los que declaran literalmente LangChain, LangGraph, LlamaIndex, RAG o LLM, salen 4.124 perfiles. De esos, 734 tienen el título y 3.382 no (otros 8 no tienen título en el perfil).
Esto cambia el cálculo si estás contratando. Aunque solo miremos la muestra analizada, el pool va de 4.100 a 6.000 personas, no de mil y pico, y la mayoría no aparecerá nunca en una búsqueda por título.
Cuánto ha crecido el rol
El rol se ha multiplicado por seis desde 2022
Personas con un puesto de AI Engineer activo, a 31 de diciembre de cada año. La última columna va a 24 de septiembre de 2026, así que es un año sin cerrar.
2022 2022
2023 2023
2024 2024
2025 2025
Septiembre 2026 · en curso sep 26 · en curso
El gráfico cuenta a cualquiera del corpus que tuviera un rol de IA activo ese año, aunque hoy ya no lleve el título. Si nos ceñimos a los 1.878 que sí lo llevan hoy, el 79% lo estrenó en 2024 o después. Solo 187 lo tenían antes de 2023.
¿Cuánta experiencia tienen?
El rol tiene unos 3 años de vida y lo ocupa talento de más de 6 años de experiencia
Dos repartos de los mismos 1.876 perfiles: la experiencia total y la que traían antes de tocar la IA.
Años de experiencia en total media 8,0 · mediana 6,4
Años de carrera antes del primer puesto con título de IA mediana 6
El 87,7% ya tenía dos años o más de oficio cuando entró en su primer puesto de IA. El tramo de 2 a 5 años es el más poblado, con 664 de los 1.876, pero el de 6 a 10 se le queda a cuatro puntos: no hay un momento típico de entrada.
La mediana tiene 6,4 años de experiencia en total, y la mediana de carrera previa al primer puesto de IA son 6. Son dos medianas de dos repartos distintos, así que no se restan: lo que dicen juntas es que el rol lo ocupa gente que ya traía oficio, no que le queden cuatro meses de IA.
¿De dónde vienen?
Veamos el puesto que tenía cada uno justo antes de estrenar el título:
Casi tres de cada diez llegan desde software; ocho de cada mil, desde frontend
Puesto inmediatamente anterior al primero con título de IA. N = 1.807 perfiles en un rol de IA.
Software engineering
Data science y ML
Otros (cola larga)
Data engineering y analytics
Becario o prácticas
Academia e investigación
Founder o CTO
Consultoría y freelance
Infra, cloud y arquitectura
Producto y proyecto
Bajando al detalle de títulos concretos, que se solapan entre sí y por eso no suman: 238 venían de data scientist, 172 de un puesto de software genérico, 142 de un puesto de machine learning y 103 de data engineer.
El dato de frontend —ocho de cada mil— mide llegadas de 2024 y 2025. Si esa ruta se está abriendo ahora, lo veremos el año que viene y lo diremos.
De los 1.807 que tenían un puesto anterior, solo un 18,8% (340) se convirtió en AI Engineer dentro de la misma empresa en la que estaba. El 81,2% restante (1.467) cambió de empresa.
¿Dónde trabajan?
¿Qué pasa si miramos el tamaño de la empresa en la que están los AI engineers?
Se concentran en empresas grandes más que los perfiles de software, pero menos que los de datos
Base distinta: los 1.287 perfiles cuya empresa actual conocemos con su tamaño de plantilla. Reparto por tamaño de empresa, en España.
AI Engineer n = 1.287
Data (engineer, scientist, analyst) n = 6.585
DevOps y plataforma n = 3.447
Software (backend, frontend, full-stack) n = 28.925
Puesto al lado de otros roles: el 64,4% de los AI engineers trabaja en una empresa de más de mil personas, frente al 52,9% de los perfiles de software, once puntos menos. Pero no son los que más se concentran: los perfiles de datos llegan al 66,7%.
El top de empleadores del rol en España lo abren Accenture (44 entre sus dos entidades), NTT Data, Minsait, Indra (28), Factorial, AstraZeneca, Santander, IBM, Multiverse Computing, Deloitte, Avanade y NEORIS. Consultora grande, banca, farma e industria, con alguna startup de producto suelta.
La imagen mental del AI Engineer en una startup pequeña existe —114 están en empresas de menos de 50 personas— pero es la excepción. La mayor parte de la capacidad de IA aplicada en España está hoy dentro de corporaciones y consultoras. Aunque es cierto que cada vez más startups nos contactan para fichar estos perfiles.
Dónde están, en proporción: Madrid 43,6%, Barcelona 19,8%, Valencia 7,2%. Madrid concentra más del doble que Barcelona.
¿Qué tecnologías dominan?
Python, SQL y cloud van por delante de todo lo específico de IA
Skills declaradas por los perfiles con el título. Es un rol de software con una capa nueva encima, no al revés.
Python
SQL y bases de datos
Cloud (AWS / Azure / GCP)
JavaScript o TypeScript
Docker o Kubernetes
PyTorch / TensorFlow / Keras
RAG
Agentes
Frameworks LLM
NLP
Computer vision
FastAPI
MLOps
Prompting
Bases de datos vectoriales
MCP
Fine-tuning
El orden coincide casi punto por punto con lo que piden las ofertas, con una excepción: los perfiles declaran SQL en el 58,6% de los casos y las ofertas solo lo piden en el 23,3%.
En cómo se describen a sí mismos (el “Acerca de” de LinkedIn, n=1.516), el 31,8% menciona agentes y el 24,3% menciona RAG. El mismo orden que traen las ofertas, donde los agentes salen en el 73,3% y RAG en el 56,7%. Cuando medimos esto en agosto la distancia era mucho mayor, con RAG casi ausente de las autodescripciones; en unas semanas se ha cerrado.
Lo que más aparece en esas autodescripciones son temas más «de oficio». El 46,6% habla de producción, despliegue o escalabilidad, y el 43,1% de negocio, cliente o impacto. Un 14,1% menciona evaluación o monitorización.
¿En qué tipo de trabajo se enfocan?
La primera pieza cuenta que el título cubre cuatro tipos de trabajo distintos. ¿Cómo se reparten? No podemos replicar el clustering de Grigorev, porque él agrupa descripciones de puesto por firma de skills y nosotros solo tenemos las skills autodeclaradas del perfil. Con una clasificación por prioridad sobre esas skills sale esto:
Seis de cada diez están en la capa de aplicación; entrenar modelos se queda en el 3%
Reparto de los 1.878 perfiles con el título, clasificados por las skills que declaran.
RAG / LLM app builder
LLM app sin señal de RAG ni agentes
Agent builder
Platform / MLOps
Entrenar o adaptar modelos
Sin clasificar
Construir aplicaciones sobre LLM —sumando agentes, RAG y las apps sin señal de ninguno de los dos— es el 60% del rol, y la plataforma otro 10%. En la capa de aplicación el reparto se parece al internacional, donde los dos clusters equivalentes suman el 53,9%. En plataforma no: ellos tienen un 18% y nosotros un 10%.
La excepción es entrenar modelos: 2,9% aquí frente al 8,2% en el análisis internacional. Es casi el triple, no un decimal. En agosto nos salía un orden de magnitud, pero aquella cuenta solo miraba las etiquetas de skill en inglés y LinkedIn las guarda en el idioma del perfil; contando también las castellanas, la distancia se reduce. Y nuestra cifra sale de clasificar personas por sus skills mientras la suya clasifica descripciones de puesto, así que tampoco es la misma cosa medida en dos sitios. Encaja con el 2,9% que declara fine-tuning como skill. En España sigue siendo una minoría muy pequeña la que con este título entrena modelos.
El Forward-Deployed Engineer es el título que más crece en el dataset internacional. Aquí ya aparece en ofertas sueltas —dos de las seis de la captura que abre la primera pieza lo llevan en el título— pero todavía no como categoría con entidad propia. Le dedicaremos un artículo porque merece más detalle.
¿Qué han estudiado?
De 1.865 perfiles con datos de educación:
- 1.231 (66,0%) tienen máster.
- 709 (38,0%) tienen un máster específico de IA, machine learning o data science.
- 919 (49,3%) tienen alguna formación formal en IA o ciencia de datos, de grado o posgrado.
- 133 (7,1%) tienen doctorado.
- 62 (3,3%) pasaron por un bootcamp; 74 vienen de FP.
Áreas que aparecen en su formación (una misma persona puede tener varias titulaciones, así que no suman el total): Informática y CS 537, IA o Data Science como titulación propia 463, otras ingenierías 152, negocio y economía 125, matemáticas y estadística 112, telecomunicaciones 102, física 71, ciencias de la vida y humanidades 46.
Universidades que más aparecen: Universidad Politécnica de Madrid (216), Carlos III (121), Complutense (116), Universitat Politècnica de Catalunya (111), UOC (67), UNIR (61), Autónoma de Madrid (58), UPV (55), Autònoma de Barcelona (46), Sevilla (43), Granada (40).
Recomendaciones
Si estás contratando, solo el 2,3% está abiertamente buscando. Los perfiles que quieres no te van a aplicar si publicas la oferta.
Candidaturas por oferta
67
mediana
Muy por encima de la mediana del mercado, que está en 45, aunque por debajo de frontend (105).
Con open to work activado
43
de 1.878 · 2,3%
Y el 53,2% lleva menos de un año en su puesto actual, con una mediana de 11 meses.
Son personas recién colocadas en un rol nuevo, que no están mirando ofertas. Publicar la vacante no lo resuelve: casi ninguna de esas candidaturas es de la gente a la que querías llegar. Hay que ir a buscarlas.
Filtrar por “AI Engineer” deja fuera al 85% de quienes declaran skills de GenAI, empezando por los que se llaman Software Engineer. Y si buscas a quien entrena modelos, estás buscando en el 3% y vas a tardar meses; si lo que necesitas es alguien que monte un sistema en producción contra tus datos, el pool es mucho mayor y el perfil se parece a un backend senior con cloud.
Si tu empresa tiene menos de 100 personas, compites por este perfil contra Accenture, Minsait e Indra, que es donde está el 64,4% de aquellos cuya empresa conocemos. Tu ventaja va a ser el problema y la autonomía, y eso hay que saber contarlo.
Si quieres entrar en el rol, la puerta de entrada casi no existe: solo 16 de las 476 ofertas llevan junior, becario o trainee en el título. Casi todo el mundo llega saltando desde otro sitio, y los datos dicen desde dónde. Las dos rutas que concentran a casi seis de cada diez son data (29,1% sumando data science, ML, data engineering y analytics) y software engineering con oficio (27,0%), y en las dos se llega añadiendo la capa de sistemas de IA encima. La ruta que describen los roadmaps, empezar por los fundamentos de modelos y bajar hacia el producto, es la que menos gente ha recorrido.
Si ya tienes el oficio de software, lo que te falta lo puedes demostrar sin permiso de nadie. Coge un sistema con LLM, léete al menos 100 trazas reales, etiqueta a mano cada fallo y publica la taxonomía con un número antes y después. Es lo que Hamel Husain llama error analysis, y es lo que las ofertas piden cuando dicen “evaluación”. Las 100 son el punto de partida que él recomienda; se para cuando dejas de encontrar fallos nuevos, no cuando llegas al número.
Datos y metodología
| Qué es | Corpus de sourcing enriquecido |
| Ventana | 2 may 2025 – 24 sep 2026 |
| Base | 288.128 perfiles, 142.936 en España |
| Muestra analizada | 1.878 perfiles con AI Engineer o variante en el título actual |
Cómo lo hemos medido y qué no podemos afirmar
No es un censo. Son los perfiles que buscamos para procesos reales, así que los valores absolutos son un suelo. El mercado real es mayor y no sabemos cuánto.
Las skills de LinkedIn las escribe el propio candidato. Dicen cómo se posiciona alguien, no lo que sabe hacer.
Buscamos rag como palabra, no como subcadena. Como subcadena, ese 24,3% sube muy poco, porque en castellano leveraging apenas aparece: está en el 6,8% de las autodescripciones.
Las titulaciones casi nunca traen fecha de fin, así que no sabemos cuántos hicieron su máster de IA antes o después de 2023.
El pool por skills (5.980) y el reparto en los cuatro trabajos son proxies. El segundo deja un 27,5% sin clasificar por falta de skills declaradas, y el método es una aproximación al de Grigorev, no el mismo método. Solo sirve para ordenar magnitudes.
Las candidaturas por oferta salen del otro dataset, el de ofertas, y están explicadas en la pieza de salarios.
Lo ajeno. Los porcentajes internacionales son del dataset de Alexey Grigorev: 6.964 descripciones de builtin.com en seis mercados, entre febrero y agosto de 2026 (nuestra lectura). Sus clusters salen de un k-means sobre firmas de skills; los nuestros, de clasificar por prioridad las skills autodeclaradas del perfil. La taxonomía de los cuatro trabajos viene de la síntesis que hizo Yarchi sobre el corte de febrero a junio, cuando el dataset tenía 4.894 descripciones.
Este artículo se actualiza. Cuando haya datos nuevos se reescribe en esta misma URL, en vez de publicarse otra vez.