Plantilla de CV
Plantilla de CV para Ingeniero de IA
El CV de Ingeniero de IA se juega en una distinción que muchas candidaturas no aciertan a marcar: usted no entrena modelos, construye productos fiables sobre modelos fundacionales que ya existen. Quien le lee en Madrid o en Barcelona quiere ver un sistema completo —recuperación de información, ingeniería de contexto, llamada a herramientas, evaluación y salvaguardas— acompañado de tres cifras que casi nadie escribe: qué porcentaje de respuestas está respaldado por una fuente citable, cuánto cuesta cada consulta en euros y cuánto tarda en aparecer la primera palabra en pantalla. Esta plantilla ordena su trayectoria para que esas cifras salgan a la superficie en los primeros veinte segundos de lectura, y no queden enterradas bajo una lista de herramientas. Reserva además un apartado para lo que en España ya decide procesos enteros: cómo trata usted los datos personales que salen hacia el proveedor del modelo y qué le exige el Reglamento (UE) 2024/1689 al sistema que ha puesto en producción.
Written & reviewed by the CVWon Editorial Team · Updated julio 2026
Cree su CV ahoraUn CV fuerte de Ingeniero de IA se lee como la memoria de un producto que ya está atendiendo usuarios reales, no como un inventario de modelos probados.
Optimización ATS
Palabras clave para ATS
Incluya estas palabras clave en su CV para superar los sistemas de seguimiento de candidatos (ATS).
Un CV fuerte de Ingeniero de IA se lee como la memoria de un producto que ya está atendiendo usuarios reales, no como un inventario de modelos probados. La prueba del algodón es sencilla: si de su experiencia se puede deducir cuántas consultas al mes atiende el sistema, qué porcentaje de respuestas queda respaldado por una fuente verificable, cuánto cuesta cada una en euros y qué ocurre cuando el modelo no sabe, entonces quien le lee ya sabe que usted ha operado algo de verdad. Ese es el eje, y conviene sostenerlo puesto a puesto. Describa la arquitectura con la granularidad que un compañero técnico necesitaría para reconstruirla: cómo trocea los documentos y por qué eligió ese tamaño y ese solapamiento, con qué combinación de búsqueda léxica y vectorial recupera, si añadió un reranker y cuánto mejoró el recall@10, cómo controla los permisos para que un usuario no vea en una respuesta lo que no puede abrir en el gestor documental. Después demuestre que mide: un conjunto de evaluación propio con preguntas y respuestas de referencia, revisión humana calibrada sobre la evaluación automática, y esas pruebas ejecutándose en la integración continua para que un cambio de plantilla o de versión de modelo no degrade el sistema en silencio. La tercera pata es económica y es la que más se descuida: euros por cada mil consultas, reparto entre modelo grande y modelo pequeño, ahorro obtenido con caché semántica o con recorte de contexto, presupuesto máximo por conversación. La cuarta es la seguridad: filtros de entrada y de salida, defensa frente a inyección de prompts —directa y a través de los documentos recuperados—, anonimización antes de enviar nada al proveedor y un procedimiento claro para cuando el sistema se equivoca delante de un cliente. Los verbos importan: «construí», «evalué», «reduje», «instrumenté» y «acoté» describen responsabilidad; «investigué» o «experimenté con» sitúan su candidatura en la pila de los proyectos que nunca salieron del portátil. Y no confunda el puesto con el de Ingeniero de Machine Learning: aquí nadie espera que usted preentrene una red ni que gestione un clúster de GPU para entrenar, sino que convierta un modelo de terceros en un sistema que responde bien, cuesta poco, no se inventa cosas y aguanta una auditoría.
Estructura
¿Qué secciones debe incluir un CV de Ingeniero de IA?
Perfil profesional (4–5 líneas)
Es lo único que se lee entero con seguridad. Debe dejar claro en tres renglones que usted construye sobre modelos existentes, con qué volumen trabaja y con qué calidad medida; sin esas dos cifras el perfil se confunde con cualquier otra candidatura del sector.
Ejemplo
Ingeniero de IA con 5 años de experiencia en producto SaaS y banca, especializado en sistemas RAG y agentes sobre modelos fundacionales de terceros. Responsable de un asistente documental interno que atiende 40.000 consultas al mes sobre un corpus de 180.000 documentos, con una fidelidad a la fuente del 93 % medida sobre un conjunto de evaluación propio de 420 preguntas. Reduje el coste por consulta de 0,038 € a 0,011 € mediante enrutado de modelos y caché semántica, y el tiempo hasta la primera palabra de 4,2 s a 1,1 s en el percentil 95. Despliegue en Azure OpenAI Service con residencia de datos en la Unión Europea y anonimización previa de datos personales.
Experiencia en formato caso de uso – arquitectura – métrica de calidad
El tribunal técnico no quiere saber qué modelo eligió usted, sino qué decisiones tomó alrededor: qué se recupera, qué entra en el contexto, qué se deja fuera y cómo comprobó que la respuesta mejoraba. Esa cadena de decisiones es lo que separa a quien ha entregado un producto de quien ha seguido un tutorial.
Ejemplo
Sustituí el buscador 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 % en el conjunto de referencia, la tasa de respuestas sin fundamento cayó del 29 % al 7 % y la deflexión de tickets de soporte de nivel 1 alcanzó el 34 % a los cuatro meses.
Recuperación de información: troceado, indexación y permisos
Es el apartado que más rápido distingue el nivel real, porque el 80 % de los fallos de un sistema de este tipo no están en el modelo sino en lo que se le entrega. Detallar troceado, metadatos y control de acceso demuestra que usted ha peleado con documentos reales, no con un PDF de ejemplo.
Ejemplo
Diseñé la ingesta de 180.000 documentos heterogéneos (PDF con columnas, actas escaneadas con OCR, hojas de cálculo y páginas de la intranet) troceados por encabezados con un máximo de 900 tokens y 120 de solapamiento, enriquecidos con metadatos de departamento, fecha de vigencia y nivel de confidencialidad. Índice HNSW en pgvector con filtrado previo por permisos heredados del directorio corporativo, de modo que la recuperación nunca devuelve un fragmento que el usuario no podría abrir. Reindexación incremental nocturna de 4.000 documentos modificados en 22 minutos.
Evaluación, alucinaciones y control de regresiones
Cualquiera monta una demostración que funciona diez veces seguidas. Lo que las empresas españolas están comprando en 2026 es la capacidad de demostrar que el sistema sigue funcionando después de cambiar la plantilla, el modelo o el proveedor. Si su CV no habla de evaluación, se le presupone la demostración.
Ejemplo
Construí un conjunto de evaluación de 420 preguntas con respuesta y fuente de referencia, revisado por cinco expertos de negocio. Métricas automatizadas de fidelidad, pertinencia de los fragmentos recuperados y cobertura de citas con RAGAS y Langfuse, con un modelo juez calibrado contra 150 valoraciones humanas (concordancia del 88 %). Las pruebas se ejecutan en cada pull request de GitHub Actions y bloquean el despliegue si la fidelidad cae más de dos puntos: en un año detectaron tres regresiones, entre ellas la provocada por una actualización de versión del proveedor.
Coste por petición y latencia percibida
Es el apartado que casi nadie escribe y el que más atención capta en la primera entrevista, porque el coste variable de estos sistemas asusta a cualquier dirección financiera. Traducir su trabajo a euros y a segundos convierte un perfil técnico en un argumento de negocio.
Ejemplo
Implanté un enrutado por complejidad de la consulta: un modelo pequeño resuelve el 71 % de los casos (clasificación de intención, reformulación y preguntas frecuentes) y solo el resto escala al modelo grande. Con caché semántica en Redis (23 % de aciertos), recorte de contexto de 12.000 a 4.500 tokens de media y respuesta en streaming, el coste mensual bajó de 1.520 € a 440 € con un 15 % más de tráfico, y el tiempo hasta la primera palabra pasó de 4,2 s a 1,1 s en p95.
Salvaguardas, seguridad del prompt y datos personales
Desde que el Reglamento Europeo de Inteligencia Artificial es aplicable, ninguna empresa de banca, seguros, salud, recursos humanos o administración pública contrata este puesto sin preguntar por ello. Además, la inyección de prompts a través de documentos recuperados es hoy el fallo de seguridad más habitual de estos sistemas y muy pocas candidaturas lo mencionan.
Ejemplo
Definí una capa de salvaguardas con filtro de entrada (detección de inyección de prompts, incluida la indirecta desde los documentos indexados), anonimización de identificadores personales con Presidio antes de cualquier llamada al proveedor, validación de salida contra JSON Schema y lista de temas vetados con escalado automático a un agente humano. Campaña de red teaming interna con 300 intentos de evasión sobre el OWASP Top 10 for LLM Applications: la tasa de evasión efectiva bajó del 12 % al 1,7 % en dos iteraciones.
Agentes, herramientas y límites de ejecución
El salto de «asistente que responde» a «asistente que actúa» es el que más se está contratando y también el que más miedo da a quien tiene que aprobarlo. Demostrar que usted acota pasos, controla efectos secundarios y deja puntos de supervisión humana vale más que enumerar marcos de trabajo.
Ejemplo
Construí con LangGraph un agente de gestión de incidencias con seis herramientas (consulta de pedidos, emisión de abonos, apertura de tickets, búsqueda documental, envío de correo y consulta de stock), con máximo de ocho pasos por conversación, presupuesto de 0,05 € por sesión, reintentos idempotentes y confirmación humana obligatoria para cualquier abono superior a 50 €. Resuelve el 41 % de las incidencias de principio a fin y registra la traza completa de llamadas para auditoría.
Competencias técnicas agrupadas por capas
El inventario de este oficio crece cada trimestre y volcarlo en una línea seguida vuelve el CV ilegible. Agruparlo por capas —modelos y proveedores, recuperación, orquestación, evaluación y plataforma— demuestra por sí solo que usted razona en términos de arquitectura y permite comprobar en un vistazo si cubre la pieza que le falta al equipo.
Ejemplo
Modelos y proveedores: Azure OpenAI Service, Amazon Bedrock, Vertex AI, Mistral, Llama autoalojado con vLLM. Recuperación: pgvector, Qdrant, OpenSearch, búsqueda híbrida, reranking con cross-encoder, embeddings multilingües. Orquestación: LangChain, LlamaIndex, LangGraph, Model Context Protocol, salidas estructuradas con JSON Schema. Evaluación y observabilidad: RAGAS, Langfuse, LangSmith, OpenTelemetry, conjuntos de referencia propios. Plataforma: Python (FastAPI, pytest), TypeScript, Docker, Kubernetes, PostgreSQL, Redis, GitHub Actions, Terraform.
Formación, certificaciones e idiomas
En banca, seguros, consultoría y sector público españoles la titulación sigue filtrando en la primera criba, y como el puesto es joven las certificaciones de nube orientadas a IA generativa son hoy el atajo más reconocido para acreditar conocimiento formal. El inglés determina el acceso a los equipos internacionales de Madrid y Barcelona.
Ejemplo
Grado en Ingeniería Informática, Universidad de Zaragoza (2019). Máster Universitario en Ingeniería del Software y Sistemas Inteligentes, Universidad Politécnica de Madrid (2021), oficial y verificado por la ANECA. Microsoft Certified: Azure AI Engineer Associate (AI-102, 2024) y AWS Certified AI Practitioner (2025). Formación en RGPD y esquema de gobernanza de la IA conforme a la norma ISO/IEC 42001. Inglés C1 (Cambridge CAE); castellano nativo.
Qué evitar
¿Cuáles son los errores más frecuentes en un CV de Ingeniero de IA?
FAQ
Preguntas frecuentes
El Ingeniero de Machine Learning entrena, despliega y mantiene modelos propios: datos de entrenamiento, pipelines de reentrenamiento, deriva, servicio de inferencia, GPU. El Ingeniero de IA parte de modelos fundacionales que ya existen y construye el producto que hay alrededor: recuperación de información, ingeniería de contexto, llamada a herramientas, agentes, evaluación, salvaguardas y control de coste por petición. En la práctica hay ofertas españolas que mezclan ambos perfiles bajo el mismo título, así que conviene leer la descripción con atención: si pide feature store, reentrenamiento y deriva, es el otro puesto; si pide RAG, bases vectoriales, evaluación y agentes, es este.
Una sola página si lleva menos de tres años en el sector y dos en cuanto los supere. Como el puesto es reciente, es habitual que su trayectoria previa sea de desarrollo backend o de datos: no la esconda, reordénela. Deje en primer plano los dos o tres sistemas de IA que ha llevado a producción con sus cifras, y resuma los años anteriores en bloques cortos que demuestren fundamentos de ingeniería (API, bases de datos, pruebas, despliegue), que es justo lo que separa un asistente que aguanta el tráfico de una demostración bonita.
Con honestidad y con método. Describa la prueba de concepto por su alcance real —número de documentos, usuarios de la prueba piloto, duración— y ponga el peso en lo que sí es transferible: el conjunto de evaluación que construyó, las métricas de fidelidad y recuperación que obtuvo, las decisiones de troceado y búsqueda que tomó y por qué, y el análisis de coste que presentó a la dirección. Un piloto bien medido y bien contado vale más que un sistema en producción descrito con vaguedades, y quien entrevista sabe distinguirlo en dos preguntas.
Sí, pero sin convertirlo en el centro. Interesa que usted haya trabajado con al menos dos proveedores distintos y con algún modelo abierto autoalojado, porque demuestra que sabe abstraer el proveedor y no depender de una única API. Indique el servicio y el motivo de la elección —residencia de datos en la Unión Europea, coste, latencia, límites de cuota— antes que la versión concreta del modelo, que quedará obsoleta antes de que termine el proceso de selección.
Cada vez más, y en dos planos distintos. El primero es de transparencia y se aplica a casi cualquier asistente conversacional: la persona usuaria debe saber que está hablando con un sistema de IA y el contenido generado debe poder identificarse como tal. El segundo aparece cuando el sistema entra en un ámbito de alto riesgo —selección de personal, evaluación crediticia, educación, servicios esenciales—, y entonces se exigen gestión de riesgos, documentación técnica, registro de eventos y supervisión humana efectiva. En España la autoridad de supervisión es la AESIA, con sede en A Coruña. Dos líneas en el CV sobre trazabilidad de las respuestas y punto de intervención humana le sitúan por delante de la mayoría de candidaturas.
Como una decisión de arquitectura, que es lo que es. Explique qué datos salen del perímetro y cuáles no, si anonimiza o seudonimiza antes de la llamada, en qué región se procesan (Azure OpenAI Service con despliegue en la Unión Europea, Amazon Bedrock en Irlanda, París o la región de Aragón, o modelo abierto autoalojado), y si el contrato con el proveedor excluye el uso de sus datos para entrenar. En cualquier proceso de banca, seguros, salud o administración pública española esa frase la va a tener que decir en la primera entrevista; escribirla antes le ahorra la mitad de la conversación.
Mucho más que en otros perfiles, porque el oficio es joven y no hay veinte años de trayectoria posible en nadie. Una contribución a un marco de orquestación, un conjunto de evaluación publicado, un análisis comparativo de estrategias de troceado sobre documentación en castellano o una charla en un encuentro técnico funcionan como prueba de criterio. Eso sí, enlácelo con una línea que diga qué aportó y qué se aprendió, no solo la dirección del repositorio.
Salario
Salario por nivel de experiencia
Rangos salariales habituales según la antigüedad (EUR, brutos).
| Nivel | Experiencia profesional | Rango salarial |
|---|---|---|
| Nivel Inicial | 0–2 años | €35K – €55K |
| Nivel Intermedio | 3–5 años | €55K – €85K |
| Nivel Senior | 6–10 años | €85K – €130K |
| Responsable / Director | 10+ años | €120K – €170K |
Cree su CV de Ingeniero de IA con esta plantilla en cvwon.com y, antes de enviarlo, compruebe que cada puesto responde a las cuatro preguntas del oficio: qué recupera, cómo mide la calidad, cuánto cuesta cada consulta y qué pasa cuando el modelo se equivoca. ¡Con esas cuatro respuestas su candidatura deja de parecerse a las demás!
Empiece ahoraRelacionados