Si abres las proyecciones de la Oficina de Estadísticas Laborales de EE. UU. (BLS) para 2024–2034, las cifras contradicen el pánico de que «la IA nos dejará a todos sin trabajo mañana». En toda la economía estadounidense el empleo crecerá cerca de un 3.1%. En cambio, la demanda de científicos de datos subiría un 33.5% (unos 82,500 puestos), la de analistas de seguridad de la información un 28.5% y la de desarrolladores de software un 15.8%, más de 267,000 vacantes. Suena alentador. Pero hay un matiz que Sergey Olizarevich analizó en el canal «Linux | Network | DevOps»: las redes neuronales no eliminan el sector TI, pero sí suben bastante la barrera de entrada.
Por qué la IA se come la rutina y no las profesiones
En los debates sobre el mercado suelen confundirse una profesión entera y las tareas rutinarias dentro de ella. Escribir código repetitivo, un lote de tests uniformes o respuestas por guion es algo que la IA hace en segundos. Antes ese trabajo se daba a perfiles junior para que tomaran ritmo. Hoy las empresas lo cubren con servicios listos o lo aceleran con modelos.
La capa «de cadena de montaje» quedó expuesta: maquetación sencilla con constructores, QA manual siguiendo listas, primer nivel de soporte, reportes estándar y configuración manual de servidores sueltos. Las áreas no desaparecen: en frontend importan velocidad y accesibilidad; en QA, ingeniería de calidad; y en administración, nube y automatización.
Las cifras bonitas también tienen límites. Las estadísticas del BLS describen solo a Estados Unidos, y trasladarlas tal cual a otros mercados no funciona: en países como Rusia, por ejemplo, la demanda responde a sustitución de importaciones, productos locales y leyes sobre datos, sin una estadística estatal única. Incluso en un mercado creciente, empezar no es fácil porque la competencia inicial es dura. Y el esquema de Gartner de 2026 sobre la convergencia de roles (desarrollo más cerca del producto, DevOps operando agentes de IA o AgentOps, ML en producción) es una brújula, no una parrilla exacta de vacantes para mañana.
Cinco áreas sólidas y la base que no caduca
Buscar una profesión «protegida de por vida contra la IA» es inútil. Es más seguro ir donde hay responsabilidad sobre datos, seguridad y sistemas bajo carga. Rumbo a 2027 destacan cinco caminos.
La ciberseguridad crece al ritmo de nuevos servicios y ataques. Aquí cuentan Linux, redes, análisis de logs, permisos de acceso y protección de nubes y aplicaciones. Data Engineering (ingeniería de datos) consiste en armar pipelines fiables que extraen, limpian y validan datos de sistemas distintos para que analistas y modelos confíen en ellos. La base es directa: SQL, Python y cómo funcionan las bases de datos.
AI y Machine Learning Engineering dejaron atrás hace tiempo los simples prompts. Las empresas buscan ingenieros que conozcan los límites de los modelos, monten RAG (conexión de una base de conocimiento externa al modelo), evalúen la calidad de respuestas y construyan MLOps para operar modelos de forma segura en producción. El punto de partida se repite: Python, SQL, estadística y fundamentos de ML.
El cuarto camino es DevOps, Cloud y Platform Engineering. La ingeniería de plataformas crea entornos internos de autoservicio e infraestructura como código (IaC, donde servidores y redes se describen en Terraform o Ansible en vez de configurarse a mano). La base son Linux, redes (TCP/IP, DNS, DHCP), Git, contenedores, CI/CD, monitoreo y despliegue de sistemas de IA dentro de la red de la empresa. Un consejo práctico: no saltes a Kubernetes mientras sigas dudando en sistemas operativos y redes. El quinto camino es Backend y desarrollo de sistemas: APIs, bases de datos, colas de mensajes, rendimiento y tolerancia a fallos.
En las cinco ramas, los cimientos (Linux, redes, SQL, arquitectura) envejecen mucho más despacio que los frameworks. Justo esa base te salva al usar IA: un modelo escribe un playbook de Ansible en un segundo, pero antes de lanzarlo en producción te toca a ti revisar variables, permisos e idempotencia. Y por encima suma mucho conocer un sector concreto, como pagos, logística, industria o salud.
Cómo validar tu elección en la práctica en un par de semanas
Dudar mirando tablas puede llevarte meses y acabar dejando un stack a medias. Una forma práctica de probar cualquier camino toma apenas un par de semanas.
Comprobación rápida de ruta antes de un estudio largo
- Abre ofertas recientes de nivel junior y middle en tu región y país.
- Anota las tecnologías que se repiten en la mayoría de los anuncios, dejando fuera lo exótico.
- Elige un problema práctico pequeño para ese stack y construye un miniproyecto funcional.
- Documenta el resultado como caso de portafolio: qué problema resolviste, cómo está armado el sistema y cómo probaste que funciona.
Un caso de portafolio así vale más que decenas de capturas de un curso y te muestra enseguida en la práctica si disfrutas esas tareas y si tus habilidades encajan con lo que las empresas pagan hoy.

