Lo que delegas al agente
- Escribir código repetitivo, pruebas e integraciones.
- Generar casos de prueba para evaluar la IA.
- Revisar registros y proponer la causa de un error.
- Probar rápido varias versiones de un agente.
:
:
:
:
:
:
Un AI Engineer construye agentes que consultan los datos de la empresa, usan herramientas y ejecutan tareas, con calidad, seguridad y costos bajo control.
2021
2026 con agentes
Nuestra comunidad trabaja en distintos sectores
Empresas donde trabajan nuestros alumnos
De Junior a Senior, el sueldo de referencia crece hasta x2.3.
Fuente: consulta de DSRP a profesionales que trabajan en empresas peruanas, actualizada a octubre de 2026. Montos mensuales en soles.
Referencia oficial: la mediana de «Profesionales TIC y estadísticos» en Perú es S/3,525 al mes (S/2,523 a S/4,997 en la mitad central). INEI — ENAHO 2024 (módulo 500).

Tres pasos para saber si este es tu siguiente rol y por dónde empezar.
Perfiles que suelen dar el salto a AI Engineer:
Conocimientos básicos de programación, nociones de Python y SQL, y familiaridad con bases de datos y APIs. Incluye nivelación asíncrona en Python, machine learning y deep learning.
Si nunca programaste, empieza por la especialización Analista de Datos o por un curso de fundamentos de Python antes de este programa.
El agente se encarga de lo repetitivo; tú decides qué preguntar, qué aprobar y qué recomendar.

Agente: Resume las conversaciones fallidas, los costos y los tiempos de respuesta de la noche.
Tú: Decides qué error corregir primero y si hay que limitar alguna acción del agente.
Observabilidad de LLM
Agente: El asistente de código arma el esqueleto del agente y sus herramientas.
Tú: Defines qué puede hacer solo y qué necesita aprobación humana.
LangGraph · Copiloto de código
Agente: Indexa los documentos nuevos en la base vectorial.
Tú: Decides qué fuentes son confiables y quién puede consultar cada una.
RAG · base vectorial
Agente: Genera casos de prueba y corre las evaluaciones.
Tú: Revisas los fallos, ajustas prompts o herramientas y fijas el umbral para salir.
Evals
Agente: Prepara el despliegue y las alertas.
Tú: Apruebas la salida y vigilas costos, seguridad y tiempos de respuesta.
Docker · nube · alertas
AI Engineer Challenge, día 2: haz que la IA actúe. Una sesión completa de DSRP para ver cómo se trabaja el rol con IA antes de decidir.
Tu diferencial: saber medir si un agente funciona. Es lo que separa una demo que impresiona de un producto en el que la empresa puede confiar.
El agente acelera la práctica, pero no hace la tarea por ti. Así lo usas para aprender más rápido sin dejar de entender lo que haces.
Ejemplo: Le pides a Claude que te explique cómo un agente decide qué herramienta usar. Claude Code arma el esqueleto del agente con dos herramientas: consultar pedidos y crear un ticket. Tú corres 20 casos de prueba y descubres que crea tickets duplicados cuando el usuario repite la pregunta. Agregas la validación y explicas por qué fallaba.
Conversas: explican, resumen y revisan un razonamiento.
Como AI Engineer: Entender patrones de agentes, RAG y evaluación, y revisar el diseño antes de escribir código.
Trabajan dentro de tu proyecto: leen archivos, corren comandos y proponen cambios que tú apruebas.
Como AI Engineer: Que Claude Code o Codex escriban herramientas, pruebas e integraciones en tu repositorio; tú revisas cada cambio y lo que el agente puede hacer solo.
Llamas al modelo desde tu propio código: tú decides el prompt, los datos que envías y el costo.
Como AI Engineer: Es tu materia prima: llamas a varios proveedores, comparas calidad y costo, y controlas límites de gasto y tiempos de respuesta.
Le pides: Una API en FastAPI que llame a un modelo, con tipos y pruebas.
Verificas: Qué pasa si el modelo tarda, falla o devuelve un formato inesperado.
Le pides: Un RAG sobre los documentos de ejemplo de una empresa.
Verificas: Si cita el documento correcto y qué responde cuando la información no existe.
Le pides: Un agente con dos herramientas conectadas por MCP.
Verificas: Qué acciones hace solo, cuáles piden aprobación y si repite acciones por error.
Le pides: Un agente que lea comprobantes en imagen y extraiga sus datos.
Verificas: La tasa de aciertos campo por campo con un lote de imágenes revisadas a mano.
Le pides: Una batería de evals y un tablero de errores, costos y tiempos.
Verificas: Que las evals detecten los fallos reales y no solo los casos fáciles.
Le pides: El pipeline de despliegue con CI/CD y alertas.
Verificas: Que una versión que baja en las evals no pueda salir a producción.
Construyes un agente que resuelve una tarea real, como responder consultas sobre pedidos, y un router que decide qué proveedor usar en cada caso: Anthropic, OpenAI, DeepSeek o Kimi. Las evals y la observabilidad te dicen si la decisión fue correcta.
Código, agentes que usan herramientas y documentos largos.
Solo por API o planes de pago para uso intensivo.
Ecosistema amplio de herramientas e integraciones.
Solo por API o planes de pago para uso intensivo.
Costo por uso bajo; se puede desplegar en infraestructura propia.
Su API oficial procesa los datos en China: no la uses con datos de la empresa.
Contexto largo y tareas agénticas; también desplegable en infraestructura propia.
Su API oficial procesa los datos en China: no la uses con datos de la empresa.
Como AI Engineer: No te cases con un proveedor: diseña el agente para cambiar de modelo sin reescribirlo, y decide con tus evals, no con rankings. Con datos de la empresa, usa APIs con contrato o modelos de pesos abiertos desplegados en infraestructura propia.
Los planes, precios y límites cambian seguido: revísalos en la página de cada proveedor.
Logos de las librerías abiertas devicon y Simple Icons. Las marcas pertenecen a sus dueños.
Los 10 términos que vas a escuchar en este rol, explicados como se los contarías a un colega.
Proyecto final: un backend API tipado, validado y testeado, con un componente de LLM o machine learning, RAG o acceso controlado a datos, CI/CD y despliegue en la nube.
Demo y defensa técnica del sistema y de sus decisiones.
Según el brochure vigente del programa.
de los empleadores del sector tecnológico en Perú pide modelado de IA y desarrollo de aplicaciones: es la habilidad técnica más demandada.
Experis, 2026de los limeños cree que quien no aprenda a usar IA tendrá menos oportunidades laborales.
Ipsos para Cibertec, 2026de los jóvenes de la Generación Z en Lima se siente muy preparado para trabajar con IA, aunque el 75 % ya la usa.
USIL, 2026Demuestra: que das conocimiento correcto al modelo y mides si cita bien y cuándo no sabe.
Demuestra: que diseñas límites: qué hace solo, qué pide permiso y cómo se registra cada acción.
Demuestra: que decides con datos entre proveedores y controlas costo y calidad en producción.
Publícalos en GitHub con un README que diga qué hizo el agente y qué verificaste tú: es lo primero que preguntan.
Qué buscan: Un proceso: revisar las evals, los registros, cambios de prompt, de datos o de versión del modelo, y comparar con la línea base.
Qué buscan: Criterio según el caso: conocimiento que cambia, formato o estilo, costo y esfuerzo de mantenimiento.
Qué buscan: Que distingas acciones de solo lectura de las que cambian datos o llegan a un cliente, y que definas límites y registros.
Qué buscan: Que midas con evals propias calidad, costo y tiempo de respuesta, y consideres dónde se procesan los datos.
Qué buscan: RAG con citas, respuestas de "no sé" cuando falta información y evals que midan alucinaciones.
Revisadas en octubre de 2026. Los exámenes se actualizan y se retiran: confírmalos en la página oficial antes de inscribirte.
De la nivelación en Python y machine learning a un agente en producción.
Cuatro lecturas para construir productos con LLM y agentes que funcionen en producción.

Cuándo usar prompting, RAG, agentes o fine-tuning, y por qué la evaluación es el problema central.
Ver el libro
Cómo diseñar e implementar sistemas multiagente, de las herramientas a la coordinación.
Ver el libro
Cómo funcionan los LLM por dentro, explicado con diagramas y código que se puede correr.
Ver el libro
Técnicas para obtener respuestas confiables y repetibles de un modelo, la base de todo agente.
Ver el libroLa malla curricular fue integral y se enfocó en la práctica, lo que me permitió aplicar mis conocimientos de inmediato. Gracias a la formación en DSRP, he podido liderar proyectos en mi empresa, desarrollando dashboards y aplicando Python.
Elegí la especialización en DSRP para profundizar en automatización, cloud y herramientas como Airflow y Databricks. Lo que más destaco es el enfoque práctico y la experiencia de los instructores. Esta formación fue clave para destacar en entrevistas y conseguir mi nuevo trabajo.
Antes trabajaba como Analista BI, pero necesitaba aprender sobre migración de datos a la nube y herramientas como Databricks y Azure. El temario de DSRP me ofreció un enfoque práctico y profundo. Gracias a esta formación logré un nuevo puesto.
Una comparación honesta. Lo ideal es combinar ambos: practicar con agentes todos los días y apoyarte en un programa para la ruta, la revisión y la red.
Construye productos con IA: asistentes que atienden clientes, sistemas que leen documentos o agentes que realizan tareas en otros sistemas. Su foco es que funcionen en el mundo real, con seguridad, costos y tiempos de respuesta bajo control.
El Data Scientist crea y evalúa modelos para responder preguntas de negocio. El AI Engineer se enfoca en convertir modelos en productos: los conecta con los datos y las aplicaciones de la empresa, les da herramientas y los opera en producción. También puede entrenar o ajustar modelos cuando el caso lo pide.
Sí. Es un rol de ingeniería de software: se trabaja con Python o TypeScript, APIs y buenas prácticas de desarrollo. La especialización incluye cursos de nivelación en Python, machine learning y deep learning.
No siempre. En proyectos de IA generativa lo habitual es partir de modelos fundacionales y trabajar con prompts, RAG y agentes; entrenar o ajustar un modelo se reserva para cuando hace falta. Lo que más pesa es diseñar el sistema, darle el conocimiento correcto y medir si responde bien.
Que además de responder puede consultar una base de datos, llamar a una API o ejecutar una acción. Por eso el AI Engineer define límites: qué puede hacer solo y qué necesita aprobación humana.
No para empezar. Los planes gratuitos de Claude, ChatGPT o Gemini bastan para entender conceptos. Para construir agentes necesitas créditos de API y, si usas Claude Code o Codex, suelen pedir un plan de pago: empieza con un modelo de costo bajo y fija un límite de gasto en la consola del proveedor.
Te ayudan a avanzar más rápido, pero este rol exige leer y depurar el código que generan. Un agente en producción falla de formas que solo detectas si entiendes el código, las APIs y los registros. Por eso la especialización incluye nivelación en Python.
Con proyectos propios publicados en un portafolio: un asistente con RAG sobre documentos públicos, un agente con dos o tres herramientas y sus casos de prueba, y una API desplegada en la nube. Muestra cómo mides la calidad y el costo, no solo la demo.
Son clases en vivo y online, con las grabaciones disponibles para repasar, y un enfoque práctico: el programa cierra con un sistema de IA desplegado en la nube. La certificación está avalada por DSRP y el Colegio de Estadísticos del Perú (Región Piura).
Sus APIs oficiales procesan los datos en China, así que no conviene enviarles información de clientes ni datos confidenciales. Como sus modelos son de pesos abiertos, una alternativa es desplegarlos en infraestructura propia; para practicar con datos públicos, sus APIs son una opción de bajo costo.
¿Aún dudas entre perfiles? Haz el test vocacional y recibe una recomendación.
Seis perfiles, seis preguntas distintas. Compáralos y elige por dónde empezar.
¿Qué pasó y qué decidimos?
Convierte datos en decisiones de negocio y valida lo que calcula la IA.
Empiezas con: Sin programar
Conocer el perfil¿Qué va a pasar?
Crea modelos que predicen y mide si un modelo o un LLM acierta de verdad.
Empiezas con: Programación y SQL básicos
Conocer el perfil¿Los datos llegan completos y confiables?
Construye los pipelines que alimentan dashboards y agentes.
Empiezas con: Python, SQL y Git básicos
Conocer el perfil¿Cómo se organiza todo de forma segura?
Diseña la plataforma de datos e IA: gobernanza, permisos y costos.
Empiezas con: SQL y Python básicos
Conocer el perfil¿Cómo lo convertimos en un producto con IA?
Construye agentes que usan herramientas, los evalúa y los opera en producción.
Empiezas con: Python y SQL básicos
¿Qué tarea repetitiva dejamos de hacer a mano?
Conecta apps con flujos low-code y no-code y suma agentes de IA, sin programar.
Empiezas con: Sin programar
Conocer el perfilLo que gana tu empresa:
Programas para equipos: grupos cerrados, in-house o a medida, con seguimiento del avance de cada colaborador.
Empresas que confían en DSRP








Programa de Especialización AI Engineer
Contenido revisado en octubre de 2026.