El País publicó esta semana un reportaje sobre el pequeño subconjunto de trabajadores de IA en España que entrenan modelos de verdad. El número que viajó fue 151.700 profesionales en la categoría amplia de IA, de los cuales solo unos 6.700 construyen los modelos. El resto, la mayoría, desplegamos, integramos, afinamos, promptamos, evaluamos y volvemos a desplegar. La pieza, de Luis Enrique Velasco, perfila a unos cuantos, entre ellos Manuel Romero en Maisa, Rebeca Villalba, Carlos Puerto y yo.
El número del titular es 6.700. El número que importa operativamente es 145.000.
Mi párrafo en el artículo era corto. El marco en el que vivía merece más espacio del que tuve ahí, porque el número del titular es interesante de la manera aburrida (hay menos gente entrenando modelos que científicos de datos) y se queda corto con lo que de verdad está cambiando. Deja que desarrolle lo que habría dicho con más tiempo.
La curva del ML engineer se dobla porque usamos IA para explicar la IA
Hace tres años, cuando un modelo emitía una puntuación de match, el trabajo del ingeniero era reconstruir el razonamiento a mano. Valores SHAP para las atribuciones de variables, una hoja de Excel con comparaciones históricas, una presentación explicándole a un responsable por qué el modelo dijo lo que dijo. El trabajo de interpretación era humano porque el modelo no podía explicarse, y ese «no podía» no era falta de esfuerzo: era una limitación de la arquitectura.
Hoy hay una capa generativa encima del match. El ranker produce una puntuación de candidato; una segunda pasada de modelo traduce esa puntuación a lenguaje natural atado a las variables de debajo: stack, disponibilidad, banda de tarifa, contrataciones comparables. La explicación no es una racionalización a posteriori de un ranker opaco. Está cableada al mismo pipeline de variables que usa el ranker, tiene acceso a las mismas señales intermedias y está obligada a producir texto coherente con el rastro de auditoría. Cuando no consigue producir una explicación limpia, eso ya es una señal que merece investigarse.
Suena a detalle técnico. Es la transformación entera del rol.
Qué cambió por debajo
Tres cosas se movieron en los últimos veinticuatro meses. Cualquiera de ellas habría justificado el cambio. La combinación lo forzó.
Dos curvas en direcciones opuestas. La palanca que cierra el hueco es la capa de explicación.
El primer cambio es el de plantilla. Amazon despidió a 14.000 ingenieros este año. Block, a 4.000. El patrón en todo el sector es consistente: la plantilla técnica encoge mientras el número de modelos en producción se multiplica. La aritmética no sale sin apalancamiento. Un ML engineer que hace dos años era responsable de cinco modelos en producción ahora lo es de cincuenta, y eso solo escala si el trabajo de interpretación está en buena medida automatizado.
La capa generativa de explicación es esa palanca. Sin ella, cada incidente de deriva exige que un humano reconstruya a mano qué estaba haciendo el modelo ayer. Con ella, el ingeniero recibe un diff en lenguaje natural entre el comportamiento de ayer y el de hoy, priorizado por impacto, y puede dedicar su tiempo a decidir qué hacer en vez de a recuperar contexto.
El segundo cambio es regulatorio, aunque el calendario se haya movido. El plazo de aplicación del Reglamento de IA se ha retrasado, con varios artículos de alto riesgo aplazados. Eso no cambia el destino. Todo sistema de alto riesgo, y el sistema de matchmaking que opera Shakers cae de lleno en el Anexo III como herramienta de selección de personal, va a tener que explicar sus decisiones a las partes implicadas en términos comprensibles. No a ingenieros. A personas: recruiters, candidatos, el regulador.
Si construyes hacia esa meta, la capa generativa de explicación deja de ser un extra y pasa a ser infraestructura legal. Los equipos que ya la tienen no están improvisando con la fecha encima. Los que no, están apostando a que el plazo siga retrasándose, y la historia sugiere que es una mala apuesta.
Lo que se comprime es el medio. Los dos extremos se conectan por la capa de explicación.
El tercer cambio es el del perfil. La pieza de El País apunta a algo que el formato no tenía espacio para desarrollar: el rol de ML engineer se está partiendo en dos. En un extremo, el investigador hiperespecializado que trabaja en las matemáticas y las arquitecturas. En el otro, el híbrido de sector que entiende a la vez el modelado y el dominio al que sirve. El medio, el ingeniero que construía modelos genéricos para una empresa genérica, es la parte que se está comprimiendo.
La capa generativa de explicación es el puente entre esos dos extremos. El investigador puede entregar trabajo a un sistema que el híbrido de sector sabe operar, porque las explicaciones se producen en el idioma que habla el experto de dominio. Sin ese puente, el trabajo o se queda en investigación o se pasa por encima de un muro y se degrada por el camino.
Piloto automático frente a copiloto
Un modelo sin capa de explicación es un piloto automático. Funciona hasta el día que no, y ese día nadie sabe leer los instrumentos de la cabina. Todos hemos visto las capturas de recruiters discutiendo con sistemas internos de puntuación («pero ¿por qué este candidato ha sacado menos?») y la respuesta volviendo como un número sin relato. Eso es un modo de fallo alrededor del cual se construye una crisis regulatoria.
Un modelo con capa de explicación es un copiloto. La decisión se queda con la persona. El razonamiento se comparte. Cuando el modelo se equivoca, la persona puede identificar qué parte se equivocó y corregirla; cuando acierta, puede defender la decisión cuando alguien pregunte. Ese es el modo de operación al que se supone que converge la IA de alto riesgo, y la capa que lo consigue es la pasada generativa de explicación encima del ranker, esa misma que casi todos los equipos siguen tratando como un extra.
El ML engineer que sobrevive
Releyendo mi párrafo en la pieza de El País, añadiría esto: el ingeniero que sobrevive los próximos cinco años no es el que sabe más matemáticas. Es el que sabe leer trazas.
Trazas en el sentido literal, los registros estructurados de qué hizo el agente, qué herramientas llamó, con qué entradas y en qué orden, pero también en el sentido amplio. Los patrones que aparecen a lo largo de miles de invocaciones. Los sesgos sistemáticos que solo se ven a escala. La deriva que no aparece en ninguna salida concreta sino en la distribución a lo largo de un trimestre.
Leer trazas es una habilidad, y es distinta de entrenar modelos. Solapa con la estadística, está al lado de la depuración y se parece más a la detección de anomalías que a la investigación. Es la habilidad que necesita el siguiente ML engineer, y la que todavía se enseña sobre todo de manera informal.
Lo que el titular se perdió
El 6.700, los constructores de modelos, es el número amable para un titular. El 145.000, todos los demás en IA, es el operativamente importante.
España no pierde la carrera de la IA por tener pocos investigadores. Tenemos investigadores respetados. La perdemos, si la perdemos, porque las 145.000 personas que hacen el trabajo de despliegue, integración y evaluación no están conectadas a un sistema que produzca especificaciones claras, corra contra evals compartidas y entregue explicaciones que el departamento legal pueda leer. El cuello de botella es disciplina industrial, no densidad de talento.
La buena noticia es que es un problema con arreglo, y el tipo de trabajo que exige (infraestructura de evals, herramientas de observabilidad, conjuntos de evaluación específicos de sector, documentación regulatoria) es exactamente el que el Reglamento de IA va a forzar a existir en los próximos veinticuatro meses. Las empresas que inviertan ahora estarán operando con una pila hacia la que converge la ley. Las que esperen, la estarán retrofiteando.
Los 6.700 que construyen importan. Los 145.000 que operan importan más para lo que se entregue esta década. Me gustaría que el próximo reportaje de El País los contara también.