Forward Deployed Engineer: por qué las empresas de IA pagan hasta $325 mil por llevar modelos al negocioArtículo · digest del 21 de noviembre
Escena documental del trabajo de un ingeniero de campo en IA en la intersección entre procesos del cliente y arquitectura
Artículo5 secciones≈ 9 min

Forward Deployed Engineer: por qué las empresas de IA pagan hasta $325 mil por llevar modelos al negocio

Según el informe The GenAI Divide del proyecto MIT NANDA (Fortune), alrededor del 95% de los pilotos corporativos de IA generativa no producen impacto financiero medible. Las empresas pagan puntualmente por las APIs y arman presentaciones brillantes, pero en el estado de resultados figura un cero. Justo sobre ese vacío, las vacantes de Forward Deployed Engineer (FDE) crecieron más de 10 veces en un año, con sueldos base en OpenAI y Anthropic que alcanzan los $325 mil anuales antes de acciones y bonos.

Veamos por qué los laboratorios firman esos cheques, por qué la mayoría de los programadores huye de este rol y cómo se entra en él.

De dónde salió el auge de los ingenieros «de campo»

Los modelos dejaron de ser escasos: el acceso se compra en cinco minutos. El atasco llega después, al intentar encajar la red neuronal en una empresa real con diez bases de datos sueltas, un CRM antiguo y reglas no escritas entre departamentos. En la industria llaman a esta distancia entre comprar software y obtener valor real deployment gap.

El método para cerrarla lo perfeccionó hace años Palantir. Allí entendieron pronto que darle un usuario a una corporación y desearle suerte es la forma más rápida de perder al cliente al trimestre siguiente. En lugar de eso, enviaban a un ingeniero directo a las oficinas del cliente para entender los procesos en terreno y llevar el sistema hasta producción.

Entre 2025 y 2026 adoptaron el modelo los principales actores de la IA. En OpenAI lanzó el área a inicios de 2025 Colin Jarvis, cuyo equipo ya ejecutó despliegues para Morgan Stanley, Klarna y Coca-Cola. Detrás se sumaron Anthropic con su equipo de Applied AI, Databricks, Scale AI, Cursor, Cohere, Cognition y Google Cloud.

Kevin Bai, formado en Palantir, constructor del área FDE desde cero en Rippling y luego integrante de Anthropic Applied AI, resumió el puesto en una frase: «Un FDE es simplemente un desarrollador que trabaja cara a cara con el cliente. El cliente no compra software ni tus horas: compra un resultado concreto».

Una buena muestra es la trayectoria del autor del análisis, Nate Herk (video en YouTube). Antes trabajaba como analista BI en Goldman Sachs, chocó con la burocracia, renunció y abrió una agencia de IA para pymes inmobiliarias y de climatización. Pronto descubrió que eso era el trabajo de un FDE a pequeña escala: los clientes llegan pidiendo «quiero algo como en ese video», pero la tarea real es apartar su idea y descubrir dónde pierde dinero el negocio.

Página de empleo de Anthropic con vacantes abiertas de Forward Deployed Engineer en el equipo Applied AI (Fuente: anthropic.com)

Qué exigen en 200 vacantes reales

Nate Herk recopiló cerca de 200 ofertas activas de FDE en 24 empresas de IA. La mayor cantidad de puestos estaba en Databricks, Palantir y OpenAI, seguidas por Scale AI, Cursor, Anthropic, Cohere y Cognition.

En compensación los números llaman la atención: el salario base típico se mueve entre $180 y $275 mil, con una mediana de compensación total (bonos y acciones incluidos) cercana a $230 mil. Para perfiles senior en Anthropic y OpenAI solo la base llega a $320–325 mil, y en los niveles más altos de OpenAI supera los $400 mil sin contar acciones. Sin embargo, dentro de los requisitos espera una sorpresa: las habilidades con personas pesan más que cualquier lenguaje de programación.

Requisitos en 200 vacantes de Forward Deployed Engineer (análisis de Nate Herk)

En primer lugar aparece el discovery (saber extraer el problema real conversando con la gente), delimitar el alcance del proyecto y tratar con directivos. El stack técnico (Python, TypeScript, conectar sistemas ajenos vía API y armar agentes que encadenan herramientas en varios pasos) queda justo detrás. Destacan los evals (pruebas automáticas formales de calidad de IA): las empresas están cansadas de demos vistosas y exigen fiabilidad medible. Mientras tanto, el título universitario casi dejó de ser un filtro: en Anthropic buscan abiertamente a antiguos fundadores técnicos.

Conviene quitarse la ilusión de entrar «sin saber programar». Herramientas como Claude Code o Codex aceleran mucho el desarrollo, pero los laboratorios líderes siguen exigiendo una base sólida de ingeniería. La barra de experiencia también es alta: la mayoría pide cinco años o más, y apenas una de cada diez vacantes acepta candidatos con menos de tres años. Por eso suelen entrar desde perfiles adyacentes: desarrolladores aburridos de resolver tickets, consultores o analistas que aprendieron a desplegar en producción, o fundadores de pequeños estudios de automatización.

La otra cara del cheque: por qué 9 de cada 10 ingenieros lo rechazan

Si pagan hasta un tercio de millón de dólares, ¿por qué no hay fila para estas vacantes? Todo se explica por el coste personal.

Cerca de dos tercios de las ofertas analizadas por Herk incluyen viajes, entre el 25% y el 50% del tiempo laboral. Colin Jarvis, de OpenAI, advierte a los candidatos desde el primer día: prepárense para pasar cerca de la mitad de la semana en oficinas de clientes. En lugar de sprints tranquilos y código limpio, te esperan vuelos, bases de datos desordenadas de terceros y la presión de directivos que exigen retorno antes de cerrar el trimestre.

El reclutador Patrick Kellenberger, de Betts Recruiting, lo resumió con total precisión para The Pragmatic Engineer: «Todos quieren contratarlos, pero apenas hay un 10% de ingenieros que realmente quieran ese trabajo». Para quienes no temen negociar en persona y lidiar con el caos operativo, ese filtro juega a favor: la competencia por plaza es muchísimo menor que en backend tradicional.

En qué se diferencia de un «prompt engineer» y cómo es una semana típica

La pregunta lógica es si la profesión desaparecerá en un año, como pasó con el «prompt engineer» en 2023. Difícil. Aquella habilidad se diluyó en la alfabetización básica a medida que los modelos se volvieron más listos. Un FDE sostiene todo el ciclo, desde auditar el proceso hasta medir el impacto y devolver feedback al equipo de producto. En Anthropic Applied AI detallan los entregables del puesto: servidores MCP (el estándar para conectar modelos a sistemas de trabajo), subagentes, skills reutilizables y conjuntos de prueba «dorados».

Una semana típica de ingeniero de campo, según ofertas y testimonios, se ve así:

DíasQué ocurreResultado clave
LunesVisita al cliente, entrevistas discovery con el equipo operativoEntender el cuello de botella real y no la fantasía de la presentación
MartesDocumento de scope de una páginaObjetivo, una métrica de éxito, criterio de cierre y límites del proyecto
Miércoles y juevesIntegraciones con CRM y bases, armado del agente, ejecución de evalsSolución funcionando con datos reales y precisión medible
ViernesDemo a dirección y notas para tu equipo de productoEtapa aprobada, lista de fallos del modelo y plantilla para futuros clientes

La parte del viernes suele importar más que la propia demo: en Anthropic esperan que las soluciones exitosas no queden en casos aislados, sino que se conviertan en plantillas compartidas. Resuelves un problema difícil una vez a mano, lo empaquetas en plantilla o automatización robusta y le ahorras semanas a todo el equipo.

Cómo entrar a la profesión: plan en cinco pasos

Nate Herk divide la entrada al rol en cinco pasos prácticos.

Primero, detecta con honestidad tu mitad débil. El puesto se apoya en dos patas: construcción fiable y confianza del cliente. Al programador suele faltarle negociación y saber recortar caprichos; al consultor o analista le falta ingeniería de producción. Entrenar todo por igual no rinde: ataca tu brecha principal.

En el stack técnico, apuesta por los evals. Hoy cualquiera aprende rápido a conectar APIs y agentes, pero casi todos en la ola del «vibecoding» se saltan las pruebas formales. En la primera pasada un agente suele rendir al 60–70% de precisión: luce genial en una demo corta, pero se rompe en producción. Para llevarlo a un 90–95% operativo hacen falta pruebas automáticas sobre datos reales; las demos no prueban nada, solo los evals prueban.

Tercer paso: entrena entrevistas de discovery y el documento de scope de una hoja. En tu trabajo actual pide entrar a llamadas con clientes y demos, y en casa practica juegos de rol con una IA. Tras cada sesión anota en una página el problema con las palabras del cliente, una sola cifra objetivo, el criterio de entrega y todo lo que queda fuera del alcance. Si no puedes nombrar qué número vas a mover, todavía no tienes proyecto.

Prompt para entrenar entrevistas de discovery con Claude

«Actúa como vicepresidente de operaciones en una empresa logística de 200 personas. Hace tres meses compraron una plataforma de IA, pero no funciona. Yo soy el Forward Deployed Engineer en nuestra primera reunión. No sueltes todo de golpe: oblígame a hacer las preguntas correctas para encontrar el problema real. Al cabo de 15 minutos evalúa la entrevista y dime qué pasé por alto».

Cuarto paso: un caso completo de punta a punta en lugar de diez bots de juguete. Toma un problema real de tu departamento, del negocio de un conocido o de una empresa local: haz la entrevista, redacta la hoja de alcance, construye el sistema, cúbrelo de tests, muestra la demo y dos semanas después mide si de verdad lo usan. Un caso breve con cifras de «antes» y «después» será tu mejor argumento en entrevistas.

Quinto paso: busca más allá de un solo título y prepárate para el caso de negocio. Los portales principales son Greenhouse, Ashby, Lever, sitios de carreras como Google Cloud y bolsas de trabajo de fondos como a16z, Accel y General Catalyst. El mismo trabajo suele esconderse bajo nombres como Deployed Engineer, Forward Deployed Software Engineer, Deployment Strategist o AI Consultant. También son buen punto de entrada los puestos de Founding FDE en startups: Kevin Bai entró como primer ingeniero de campo en Rippling y en un año el equipo creció a 25 personas. En las entrevistas, además de diseño de sistemas y depuración de código ajeno con herramientas de IA (etapa habitual en Google), espera un caso de negocio exigente: en Anthropic evalúan directo si puedes entrar a una reunión solo con un problema empresarial y salir con un plan técnico claro y defendible.

Quiero un análisis detalladoLos votos ayudan a elegir qué analizar a fondo. Este material tiene 0 votos.
Fuentes · 3