Hay un nuevo tipo de artesano navegando las corrientes del siglo XXI, aunque su taller no tenga olor a madera ni herramientas de metal. Trabaja frente a una pantalla, con comandos, datos y modelos que, poco a poco, aprenden a pensar. Son los entrenadores de inteligencia artificial, una figura emergente que está redefiniendo el mercado laboral español y global. No construyen robots con tornillos, pero sí moldean mentes artificiales capaces de predecir, recomendar, diagnosticar o entregar tu paquete en menos tiempo del que tardas en pedirlo.
El escaso ejército de los que enseñan a pensar
En 2024, según el Observatorio Dinámico de Talento de IndesIA, España contaba con 151.700 profesionales especializados en inteligencia artificial y datos. Parece una cifra alta, pero solo 6.700 de ellos se dedican al desarrollo y entrenamiento de modelos. Es decir, menos del 5%. El resto se reparte entre análisis, gestión de datos, ciberseguridad o arquitectura de sistemas. El verdadero cuello de botella no está en la cantidad de datos, sino en quien sabe usarlos para moldear modelos inteligentes.
Y esos pocos son codiciados. "El mundo de la banca, de la sanidad, del comercio, entre otros, se pelean por este tipo de perfiles", asegura Roberto Rodríguez, gerente de recursos humanos de Talento y Personas. Pero hay un sector que se lleva la mayor parte del pastel las finanzas. "Y con notable ventaja, el mundo de las finanzas se está llevando a la mayoría de los entrenadores de IA", dice Rodríguez. El dinero llama al dinero, y lo hace con sueldos que pueden alcanzar los 80.000 euros netos al año. Un atractivo difícil de ignorar para quien domina Python, matemáticas avanzadas y, sobre todo, paciencia.
De la especialización al ajetreo constante
Rebeca Villalba no soñó con ser entrenadora de modelos cuando terminó su grado. Pero tras descubrir cursos de especialización en procesamiento del lenguaje natural una de las áreas más candentes de la IA generativa, encontró su nicho optimizar modelos para el sector de la paquetería mediante *fine-tuning*, una técnica que ajusta modelos ya entrenados para tareas específicas. "Encontré unos cursos de especialización en lenguaje natural tras salir del grado, aunque entonces no era algo tan popular", recuerda.
Hoy, su trabajo es tan dinámico como el mundo que lo rodea. "Es como si hoy se estrenara una película y al día siguiente sacaran la secuela", dice. La velocidad de evolución de la IA no deja espacio para el descanso. Cada actualización, cada nuevo modelo, obliga a reevaluar estrategias, reentrenar sistemas, rediseñar procesos. No basta con saber; hay que desaprender y volver a aprender cada pocos meses.
El surf de los grandes modelos
Manuel Romero, cofundador de Maisa, recuerda con nostalgia y algo de alivio los tiempos previos a la explosión de los grandes modelos de lenguaje. "Lo que cambió mi carrera fue la llegada de los grandes modelos de lenguaje. Antes, entrenar un modelo no exigía demasiada potencia bastaba con ingenio", explica. Ahora, todo ha cambiado. Se necesita infraestructura, acceso a GPUs, y sobre todo, la capacidad de mantener el equilibrio mientras la ola crece.
"Es una tecnología que cambia por horas", advierte. Y esa aceleración tiene un coste humano. "Surfear esta ola supone renunciar a muchas cosas, incluso de índole personal", reconoce. El avance tecnológico no solo transforma industrias, sino también vidas. Las fronteras entre trabajo y descanso se desdibujan cuando tu especialidad se reinventa cada trimestre.
Arquitectos invisibles, pero decisivos
Blanca Martínez de Aragón, arquitecta de datos para la IA en Luxemburgo, lo tiene claro ya no se trata de escribir código en silencio. "Ya no somos las programadoras que se dedicaban a picar código en una esquina". Hoy, su rol es estratégico. Diseña estructuras de datos, define cómo se alimentan los modelos, supervisa la calidad de la información. Es una figura híbrida técnica, pero con visión de negocio.
Y a pesar de los avances, la IA aún no puede pilotarse sola. Carlos Puerto, doctor en Matemáticas en la startup Internext, lo subraya "Definitivamente las empresas necesitan a alguien que supervise el código que genera la IA. Todavía no es perfecto". El automatismo avanza, sí, con herramientas como *autoresearch* o el modelo de código abierto *OpenClaw* que permiten ejecutar tareas de forma continua. Pero el juicio humano sigue siendo el último filtro contra el error, el sesgo o la incoherencia.
Explicar la caja negra
Uno de los mayores desafíos no es solo entrenar modelos, sino entenderlos. Hasta hace poco, era casi imposible explicar por qué un modelo tomaba una decisión. "Antes, explicar por qué un modelo hacía un *match*, es decir, arrojaba los resultados esperados, era complicado", reconoce Eduardo García Garzón, responsable de IA en la startup Shakers. Ahora, eso está cambiando. "Ahora podemos añadir una capa generativa que traduce ese funcionamiento a lenguaje comprensible para el ingeniero".
Es un paso crucial. No basta con que un modelo funcione; hay que saber por qué funciona. Sobre todo cuando se aplica en sectores sensibles como la salud, la justicia o el crédito. La transparencia no es un lujo es una necesidad ética y regulatoria.
Mientras tanto, el mercado sigue en ebullición. Amazon despidió a 14.000 empleados a nivel global; Block, a 4.000. Son decisiones duras, sí, pero también señales de una reconfiguración profunda las empresas no solo adoptan IA, sino que están redefiniendo su estructura en torno a ella. Y en medio de ese remolino, un puñado de profesionales formados, adaptativos, resilientes están escribiendo las reglas del nuevo juego. No con órdenes, sino con preguntas. No con certezas, sino con iteraciones. Y tal vez, en ese proceso, estén rediseñando también lo que significa ser humano en una era que ya no pertenece solo a los humanos.