Ejemplo de CV

Ejemplo de CV para Ingeniero de IA

A continuación tiene el desarrollo completo de un CV de Ingeniero de IA con cinco años de experiencia, escrito tal y como se presentaría a una oferta de Madrid o Barcelona. Fíjese en un detalle que recorre todo el documento: no hay ni una línea sobre entrenar modelos, y sin embargo cada punto es inequívocamente técnico. Ese es el equilibrio del puesto —construir productos fiables sobre modelos fundacionales de terceros— y la razón por la que las cifras que aparecen no son de exactitud del modelo, sino de fidelidad a la fuente, de recuperación, de euros por consulta y de segundos hasta la primera palabra. Adapte los números a su realidad, pero conserve la estructura: es la que hace que un perfil de este oficio se entienda en veinte segundos.

Written & reviewed by the CVWon Editorial Team · Updated julio 2026

Cree su CV

Ejemplo vs. plantilla: Este es un CV real de Ingeniero de IA, completo y comentado, para aprender sección por sección. ¿Listo para escribir el tuyo? Usar la plantilla de CV de Ingeniero de IA →

Ejemplo de CV completo

Ingeniero de IA

Perfil profesional

Ingeniero de IA con 5 años de experiencia construyendo aplicaciones sobre modelos fundacionales en producto SaaS B2B y banca. Responsable del asistente documental interno de una entidad financiera: 180.000 documentos indexados, 40.000 consultas al mes y una fidelidad a la fuente del 93 % medida sobre un conjunto de evaluación propio de 420 preguntas revisadas por expertos de negocio. Especializado en arquitecturas RAG con búsqueda híbrida y reranking, ingeniería de contexto, agentes con llamada a herramientas acotada y capas de salvaguardas frente a inyección de prompts. Reduje el coste por consulta de 0,038 € a 0,011 € mediante enrutado por complejidad, caché semántica y recorte de contexto, y el tiempo hasta la primera palabra de 4,2 s a 1,1 s en el percentil 95. Trabajo con Azure OpenAI Service y Amazon Bedrock con residencia de datos en la Unión Europea, y con Llama autoalojado en vLLM para los casos en los que no puede salir información del perímetro. Procedencia de desarrollo backend en Python, lo que se nota en las pruebas, el despliegue y la observabilidad del sistema.

Logros destacados

Sustituí el buscador documental interno por un asistente con recuperación híbrida (BM25 en OpenSearch más embeddings multilingües en pgvector) y reranking con cross-encoder sobre los 50 primeros resultados: el recall@10 pasó del 62 % al 89 % y las respuestas sin fundamento cayeron del 29 % al 7 % en el conjunto de referencia.

Diseñé la ingesta de 180.000 documentos heterogéneos —PDF a dos columnas, actas escaneadas con OCR, hojas de cálculo y páginas de intranet— con troceado por encabezados de 900 tokens y 120 de solapamiento, metadatos de vigencia y confidencialidad, y reindexación incremental nocturna de 4.000 documentos en 22 minutos.

Implanté el enrutado de consultas por complejidad: un modelo pequeño resuelve el 71 % de los casos y solo el resto escala al modelo grande. Junto con caché semántica en Redis (23 % de aciertos) y recorte de contexto de 12.000 a 4.500 tokens de media, el gasto mensual bajó de 1.520 € a 440 € absorbiendo un 15 % más de tráfico.

Construí un conjunto de evaluación de 420 preguntas con respuesta y fuente de referencia, con métricas de fidelidad, pertinencia de los fragmentos y cobertura de citas automatizadas en RAGAS y Langfuse; el modelo juez se calibró contra 150 valoraciones humanas hasta alcanzar un 88 % de concordancia.

Integré esa evaluación en GitHub Actions como puerta de despliegue: cualquier pull request que baje la fidelidad más de dos puntos queda bloqueado. En un año detectó tres regresiones, incluida la provocada por un cambio de versión del proveedor que habría pasado inadvertido en producción.

Desarrollé con LangGraph un agente de gestión de incidencias con seis herramientas, máximo de ocho pasos por conversación, presupuesto de 0,05 € por sesión, reintentos idempotentes y confirmación humana obligatoria para abonos superiores a 50 €: resuelve de principio a fin el 41 % de las incidencias y deja traza completa para auditoría.

Levanté la capa de salvaguardas: detección de inyección de prompts directa e indirecta desde los documentos indexados, anonimización de identificadores personales con Presidio antes de cada llamada al proveedor, validación de salida contra JSON Schema y escalado automático a agente humano ante temas vetados. Tras dos campañas de red teaming con 300 intentos, la tasa de evasión efectiva bajó del 12 % al 1,7 %.

Desplegué Llama 3.3 con vLLM sobre dos GPU A10G para el flujo de expedientes con datos especialmente protegidos, sin salida de información del centro de datos: 6,8 peticiones por segundo sostenidas, latencia p95 de 2,4 s y un coste fijo mensual de 780 € frente a los 2.100 € que habría supuesto el mismo volumen por API.

Reduje en un 34 % los tickets de soporte de nivel 1 a los cuatro meses del lanzamiento, con una tasa de abstención controlada del 8 % —el sistema reconoce que no tiene fundamento y deriva a una persona— y un 4,4 sobre 5 de satisfacción en 2.600 valoraciones de usuarios internos.

Redacté la documentación técnica y el registro de trazas exigibles conforme al Reglamento (UE) 2024/1689, con aviso explícito de interacción con un sistema de IA, conservación de la traza de recuperación y generación durante 12 meses y punto de supervisión humana antes de cualquier comunicación al cliente final; superamos la revisión del área de cumplimiento normativo sin observaciones mayores.

Formé a 18 personas de producto y soporte en redacción de instrucciones y en los límites del sistema, con un manual interno de patrones de prompt versionado en el repositorio: las incidencias por uso indebido bajaron a la mitad en el trimestre siguiente.

Formación académica

Grado en Ingeniería Informática por la Universidad de Zaragoza (2019) y Máster Universitario en Ingeniería del Software y Sistemas Inteligentes por la Universidad Politécnica de Madrid (2021), oficial y verificado por la ANECA, con Trabajo Fin de Máster sobre estrategias de troceado y evaluación de recuperación en documentación técnica en castellano. En España no existe todavía un itinerario académico consolidado para este puesto, y eso juega a su favor: la vía de entrada mayoritaria es la ingeniería de software, no la estadística. Lo habitual es un Grado en Ingeniería Informática, Telecomunicaciones o Matemáticas —UPM, UPC, UAM, Universidad de Granada, Universitat Politècnica de València, Universidad Carlos III o Universidad de Sevilla— y después dos o tres años de desarrollo backend antes de dar el salto. Un máster oficial en inteligencia artificial o en ingeniería del software ayuda en la criba de banca, seguros, consultoría y sector público, donde conviene indicar de forma expresa si el máster es oficial o título propio, porque se comprueba. El doctorado no se pide prácticamente nunca en este puesto, a diferencia de lo que ocurre en investigación aplicada. Si su procedencia es un bootcamp o un cambio de carrera, compense con evidencia verificable: un sistema en producción con usuarios reales, un conjunto de evaluación publicado o una contribución a un marco de orquestación pesan más en la entrevista técnica que la titulación de origen.

Certificaciones

Microsoft Certified: Azure AI Engineer Associate (AI-102), la más citada en las ofertas españolas de este puesto por el peso de Azure OpenAI Service en banca y seguros

AWS Certified AI Practitioner, útil como acreditación transversal cuando el equipo trabaja sobre Amazon Bedrock

AWS Certified Machine Learning Engineer – Associate, para reforzar la parte de despliegue y operación si su trayectoria viene de producto

Google Cloud Professional Machine Learning Engineer, habitual en las empresas de producto digital que trabajan sobre Vertex AI

Databricks Certified Generative AI Engineer Associate, valorada en entornos de datos corporativos con Databricks ya implantado

NVIDIA Certified Associate: Generative AI LLMs, si su trabajo incluye autoalojar modelos abiertos con vLLM o TensorRT-LLM

Elastic Certified Engineer, muy pertinente si la recuperación se apoya en Elasticsearch u OpenSearch con búsqueda híbrida

Certified Kubernetes Application Developer (CKAD), de la Cloud Native Computing Foundation, para acreditar el despliegue de servicios propios

Formación en gobernanza de la IA conforme a la norma ISO/IEC 42001 y en el Reglamento (UE) 2024/1689, cada vez más solicitada en banca, seguros y sector público

Formación en protección de datos según el RGPD y los criterios de la AEPD, requisito frecuente cuando el sistema trata datos personales de clientes

Título de máster oficial con verificación de la ANECA: conviene hacerlo constar de forma expresa, porque en la Administración y en banca se comprueba

Nivel C1 de inglés acreditado (Cambridge CAE o Escuela Oficial de Idiomas), determinante en los equipos internacionales con sede en Madrid y Barcelona

Competencias

¿Qué competencias debe destacar un CV de Ingeniero de IA?

Técnica

Arquitecturas RAG de principio a fin: ingesta, extracción y limpieza de documentos, troceado por estructura, indexación, recuperación y síntesis con citas verificables Recuperación híbrida y reranking: BM25 combinado con búsqueda vectorial, fusión por rango recíproco, cross-encoder de reordenación y medición con recall@k, MRR y nDCG Bases de datos vectoriales e índices: pgvector, Qdrant, Weaviate, OpenSearch, elección razonada entre HNSW e IVFFlat y ajuste de parámetros de construcción y búsqueda Ingeniería de prompts y de contexto: plantillas versionadas en el repositorio, ejemplos de pocos disparos, salida estructurada validada contra JSON Schema, compresión y presupuesto de ventana de contexto Llamada a herramientas y agentes: definición de esquemas de herramienta, bucles con límite de pasos y de gasto, idempotencia, gestión de errores, Model Context Protocol y puntos de supervisión humana Evaluación sistemática: construcción de conjuntos de referencia, métricas de fidelidad, pertinencia y cobertura de citas, modelo juez calibrado contra valoración humana y pruebas de regresión en integración continua Control de coste y latencia: enrutado por complejidad, caché semántica y caché de prompt, recorte de contexto, streaming, medición de tokens por respuesta y presupuesto por conversación Salvaguardas y seguridad de aplicaciones con modelos de lenguaje: filtros de entrada y salida, defensa frente a inyección de prompts directa e indirecta, anonimización de datos personales, red teaming según el OWASP Top 10 for LLM Applications Autoalojamiento de modelos abiertos: vLLM, cuantización, dimensionado de GPU y decisión razonada entre API de pago y despliegue propio según coste, latencia y confidencialidad Ingeniería de software de base: Python de producción con FastAPI y pytest, TypeScript, PostgreSQL, Redis, colas de trabajo, Docker, Kubernetes y observabilidad con OpenTelemetry

Habilidades interpersonales

Gestión de expectativas: explicar a dirección y a negocio qué puede y qué no puede hacer un modelo de lenguaje, sin vender magia ni frenar el proyecto por prudencia excesiva Traducción de decisiones técnicas a euros: justificar por qué el modelo grande solo interviene en el 29 % de las consultas o por qué medio segundo menos de espera compensa un punto de precisión Trabajo con expertos de negocio para construir el conjunto de evaluación: saber extraer de un jurista, de un actuario o de un agente de soporte cuál es la respuesta correcta y por qué Comunicación con cumplimiento normativo, seguridad de la información y protección de datos en el marco del Reglamento (UE) 2024/1689 y del RGPD Rigor ante el error: documentar los fallos del sistema delante de usuarios reales, analizarlos sin buscar culpables y convertirlos en casos nuevos del conjunto de evaluación Criterio para decir que no: reconocer cuándo un caso de uso no se resuelve con un modelo de lenguaje y sí con una consulta SQL, una regla o un buscador clásico Formación interna y divulgación: enseñar a equipos de producto y soporte a usar el sistema y a entender sus límites

Herramientas

Python TypeScript FastAPI LangChain LlamaIndex LangGraph Semantic Kernel Model Context Protocol Azure OpenAI Service Amazon Bedrock Google Vertex AI Mistral Llama Hugging Face vLLM Ollama pgvector Qdrant Weaviate OpenSearch Elasticsearch RAGAS Langfuse LangSmith Presidio PostgreSQL Redis Docker Kubernetes Terraform GitHub Actions OpenTelemetry Grafana pytest Git

Categoría	Competencias
Técnica	Arquitecturas RAG de principio a fin: ingesta, extracción y limpieza de documentos, troceado por estructura, indexación, recuperación y síntesis con citas verificables, Recuperación híbrida y reranking: BM25 combinado con búsqueda vectorial, fusión por rango recíproco, cross-encoder de reordenación y medición con recall@k, MRR y nDCG, Bases de datos vectoriales e índices: pgvector, Qdrant, Weaviate, OpenSearch, elección razonada entre HNSW e IVFFlat y ajuste de parámetros de construcción y búsqueda, Ingeniería de prompts y de contexto: plantillas versionadas en el repositorio, ejemplos de pocos disparos, salida estructurada validada contra JSON Schema, compresión y presupuesto de ventana de contexto, Llamada a herramientas y agentes: definición de esquemas de herramienta, bucles con límite de pasos y de gasto, idempotencia, gestión de errores, Model Context Protocol y puntos de supervisión humana, Evaluación sistemática: construcción de conjuntos de referencia, métricas de fidelidad, pertinencia y cobertura de citas, modelo juez calibrado contra valoración humana y pruebas de regresión en integración continua, Control de coste y latencia: enrutado por complejidad, caché semántica y caché de prompt, recorte de contexto, streaming, medición de tokens por respuesta y presupuesto por conversación, Salvaguardas y seguridad de aplicaciones con modelos de lenguaje: filtros de entrada y salida, defensa frente a inyección de prompts directa e indirecta, anonimización de datos personales, red teaming según el OWASP Top 10 for LLM Applications, Autoalojamiento de modelos abiertos: vLLM, cuantización, dimensionado de GPU y decisión razonada entre API de pago y despliegue propio según coste, latencia y confidencialidad, Ingeniería de software de base: Python de producción con FastAPI y pytest, TypeScript, PostgreSQL, Redis, colas de trabajo, Docker, Kubernetes y observabilidad con OpenTelemetry
Herramientas	Python, TypeScript, FastAPI, LangChain, LlamaIndex, LangGraph, Semantic Kernel, Model Context Protocol, Azure OpenAI Service, Amazon Bedrock, Google Vertex AI, Mistral, Llama, Hugging Face, vLLM, Ollama, pgvector, Qdrant, Weaviate, OpenSearch, Elasticsearch, RAGAS, Langfuse, LangSmith, Presidio, PostgreSQL, Redis, Docker, Kubernetes, Terraform, GitHub Actions, OpenTelemetry, Grafana, pytest, Git
Habilidades interpersonales	Gestión de expectativas: explicar a dirección y a negocio qué puede y qué no puede hacer un modelo de lenguaje, sin vender magia ni frenar el proyecto por prudencia excesiva, Traducción de decisiones técnicas a euros: justificar por qué el modelo grande solo interviene en el 29 % de las consultas o por qué medio segundo menos de espera compensa un punto de precisión, Trabajo con expertos de negocio para construir el conjunto de evaluación: saber extraer de un jurista, de un actuario o de un agente de soporte cuál es la respuesta correcta y por qué, Comunicación con cumplimiento normativo, seguridad de la información y protección de datos en el marco del Reglamento (UE) 2024/1689 y del RGPD, Rigor ante el error: documentar los fallos del sistema delante de usuarios reales, analizarlos sin buscar culpables y convertirlos en casos nuevos del conjunto de evaluación, Criterio para decir que no: reconocer cuándo un caso de uso no se resuelve con un modelo de lenguaje y sí con una consulta SQL, una regla o un buscador clásico, Formación interna y divulgación: enseñar a equipos de producto y soporte a usar el sistema y a entender sus límites

Nota sectorial

En España la demanda de este puesto se concentra en cuatro focos con exigencias distintas. En banca y seguros —con equipos importantes en Madrid, Barcelona y Bilbao— el trabajo gira alrededor de asistentes documentales internos, resumen de expedientes y apoyo al agente de atención al cliente, siempre con la restricción de que el dato no salga de la Unión Europea y con un área de cumplimiento normativo que revisa cada despliegue; aquí la evaluación y la trazabilidad pesan más que la sofisticación del modelo. En el producto digital y el SaaS B2B de Madrid y Barcelona manda la velocidad de entrega y el margen: se contrata a quien sabe llevar una funcionalidad de IA a producción en semanas y demostrar que el coste variable por usuario no se come el margen. En la consultoría tecnológica, muy presente en el mercado español, se rota entre clientes y proyectos cortos: conviene preguntar en la entrevista si el puesto es de plataforma propia o de proyecto facturable, porque la diferencia de aprendizaje es enorme. Y en la administración pública y la sanidad —con licitaciones cada vez más frecuentes en comunidades autónomas y en el sistema nacional de salud— el listón está en la protección de datos, la accesibilidad y la capacidad de justificar cada respuesta. En cuanto a condiciones, la referencia de 2026 para un perfil de 4 a 6 años en Madrid o Barcelona se mueve entre 50.000 € y 70.000 € brutos anuales en contrato indefinido, con bandas superiores en banca y en producto internacional; un perfil de entrada con uno o dos años se sitúa entre 32.000 € y 42.000 €, y fuera de esos dos mercados —Valencia, Sevilla, Málaga, Zaragoza, Bilbao o A Coruña— la horquilla baja entre un 15 % y un 25 %. Es habitual la retribución flexible (seguro médico, ticket restaurante, presupuesto de formación) y el modelo híbrido de dos o tres días de oficina, con compensación de gastos de teletrabajo conforme a la Ley 10/2021. Un apunte de contexto: la supervisión del Reglamento Europeo de Inteligencia Artificial corresponde en España a la AESIA, con sede en A Coruña, lo que está impulsando en Galicia un pequeño ecosistema de puestos ligados a gobernanza y auditoría de sistemas de IA.

FAQ

Preguntas frecuentes

Cinco, y ninguna es una métrica de modelo. Volumen de uso (consultas al mes o usuarios activos), tamaño del corpus indexado, una métrica de calidad medida contra un conjunto de referencia (fidelidad a la fuente o recall de recuperación), coste por consulta o gasto mensual, y latencia percibida, preferiblemente el tiempo hasta la primera palabra en el percentil 95. Con esas cinco cifras su candidatura se separa de inmediato de las que solo enumeran herramientas, porque solo se pueden dar cuando el sistema ha estado delante de usuarios reales.

Como una progresión, no como un salto. Encabece con el perfil de Ingeniero de IA y con el sistema que ha construido este último año, con sus cifras. Después conserve la experiencia backend, pero reescríbala destacando lo que ahora es relevante: diseño de API, integraciones, colas y trabajos asíncronos, bases de datos, pruebas automatizadas y despliegue. Es exactamente el fundamento que falta en muchas candidaturas llegadas desde la ciencia de datos, y en las entrevistas españolas se valora mucho porque estos sistemas fallan sobre todo por ingeniería, no por el modelo.

Sí, siempre que aporten criterio y no relleno. Un conjunto de evaluación publicado para documentación en castellano, una comparativa medida de estrategias de troceado, una contribución a LangChain o a LlamaIndex o un servidor del Model Context Protocol que resuelva algo real funcionan muy bien, porque el oficio es joven y nadie puede acreditar quince años. Descarte, en cambio, el clásico chat sobre tres PDF: hoy no distingue a nadie. Añada siempre una línea con lo que aportó y lo que aprendió, no solo el enlace.

Siga el idioma de la oferta: castellano si la publica una empresa española en castellano, inglés si la descripción llega en inglés o si el equipo técnico que le entrevistará es internacional, cosa muy frecuente en las plataformas con sede en Madrid y Barcelona. En este puesto la versión inglesa cuesta poco, porque el vocabulario duro no se traduce nunca: RAG, embeddings, chunking, reranking, guardrails o function calling se escriben igual en ambas versiones y forzar traducciones creativas solo consigue que el ATS deje de reconocer el término. Lo importante es que las dos versiones coincidan al detalle en cifras y fechas, porque es lo primero que se contrasta cuando el proceso pasa por varias personas.

Con decisiones concretas, no con citas de artículos. Diga en qué región se procesan los datos y por qué la eligió, si el contrato con el proveedor excluye el uso de sus datos para entrenar, qué anonimiza antes de cada llamada, cuánto tiempo conserva las trazas y dónde está el punto en el que interviene una persona. Añada, si procede, el aviso de que el usuario está interactuando con un sistema de IA, que es una obligación de transparencia del Reglamento (UE) 2024/1689. Tres líneas así valen más que una lista de normas memorizadas.

No descarta, pero limita. Cada vez más ofertas españolas de banca, sanidad y administración pública incluyen algún flujo que no puede salir del centro de datos, y ahí se necesita a alguien que sepa dimensionar GPU, servir con vLLM y razonar sobre cuantización y concurrencia. Si no tiene esa experiencia, un proyecto pequeño pero medido —un modelo abierto servido con vLLM u Ollama, con cifras de peticiones por segundo, latencia y coste comparadas frente a la API equivalente— cubre el hueco de forma creíble y le da además una respuesta preparada para la entrevista técnica.