Andrew Ng: las cuatro habilidades que están redefiniendo al developer
· editado
Durante los últimos años, el crecimiento de la inteligencia artificial ha generado nuevas herramientas, modelos y formas de desarrollar software. Pero también está comenzando a transformar algo más profundo: las habilidades que necesita un developer.
El 25 de agosto de 2026, Latent Space destacó un cambio significativo en el enfoque de DeepLearning.AI: Andrew Ng está poniendo un mayor énfasis en AI Engineering y en las competencias necesarias para construir aplicaciones de inteligencia artificial en el mundo real (Latent Space, 2026).
El cambio no surge solamente de observar nuevas herramientas. El mapa de habilidades presentado por Andrew Ng se desarrolló a partir del análisis de más de 10,000 ofertas laborales, entrevistas estructuradas con expertos en inteligencia artificial, hiring managers y recruiters, además de encuestas y otras fuentes de información (Latent Space, 2026).
De ese análisis surgen cuatro grandes áreas.
1. Construir y desplegar aplicaciones de IA
La primera habilidad es probablemente la más evidente: saber construir soluciones utilizando inteligencia artificial y llevarlas hasta producción. Esto implica comprender tecnologías y conceptos como LLMs, context engineering, RAG, agentic workflows, machine learning y deep learning.
Sin embargo, construir una aplicación ya no es suficiente. Los sistemas de IA producen resultados menos predecibles que el software tradicional, por lo que también se vuelve necesario aprender a medir su comportamiento mediante evaluaciones y ciclos disciplinados de análisis de errores (Latent Space, 2026).
En otras palabras: un AI Engineer no solamente construye.
Construye, mide, detecta errores y vuelve a mejorar.
2. Mantener fundamentos sólidos de Software Engineering
La segunda habilidad puede parecer menos novedosa, pero probablemente sea una de las más importantes: entender ingeniería de software.
La aparición de coding agents permite generar aplicaciones mucho más rápidamente, pero no elimina decisiones relacionadas con arquitectura, bases de datos, testing, seguridad, mantenibilidad, costos o escalabilidad. Un agente puede tomar muchas de esas decisiones por nosotros. El problema aparece cuando el developer no tiene suficiente conocimiento para evaluar si fueron buenas decisiones.
Comprender los fundamentos de software permite identificar los trade-offs existentes y proporcionar a los agentes el contexto necesario para tomar mejores decisiones (Latent Space, 2026).
La IA puede acelerar el desarrollo. Pero velocidad y calidad no son necesariamente lo mismo.
3. Aprender a trabajar con coding agents
Andrew Ng también coloca una habilidad relativamente nueva dentro del mapa: saber utilizar coding agents.
Ya no basta con saber escribir código.
Los developers empiezan a necesitar un modelo mental de cómo trabajan los agentes, cuáles son sus limitaciones, cuándo intervenir y cuándo permitirles trabajar de manera autónoma.
También necesitan aprender a proporcionar contexto, trabajar con especificaciones claras cuando sea necesario, verificar resultados e incluso orquestar múltiples agentes para resolver diferentes partes de un mismo proyecto (Latent Space, 2026).
Esto convierte al coding agent en algo diferente de un simple generador de código.
El developer comienza a asumir también el papel de quien:
define → dirige → supervisa → verifica.
Y a medida que los agentes reciben más autonomía, también será necesario controlar cuidadosamente sus permisos y evitar que errores automáticos terminen afectando sistemas o bases de datos de producción.
4. Saber qué construir, no solamente cómo construirlo
La cuarta habilidad rompe todavía más con la idea tradicional del engineer puramente técnico. Andrew Ng la denomina “shaping the build”.
Significa comprender el contexto del negocio, las necesidades de los clientes y los objetivos del producto para participar activamente en la definición de qué debería construirse (Latent Space, 2026).
Aquí entra una habilidad cada vez más importante: product sense.
Un AI Engineer necesita saber cuándo vale la pena construir rápidamente un MVP para probar una idea con usuarios y cuándo un proyecto exige detenerse, evaluar riesgos y desarrollar una solución con mayor cuidado.
En otras palabras, la pregunta ya no es únicamente: “¿Puedo construir esto?”
También tenemos que preguntarnos: “¿Deberíamos construirlo?”
y: “¿Cuál es la manera correcta de construirlo para este problema?”
El perfil del developer está evolucionando
Quizá la conclusión más interesante del mapa de Andrew Ng es que AI Engineering no se limita necesariamente a quienes tienen el título profesional de AI Engineer.
Estas habilidades empiezan a resultar relevantes para developers, software engineers, ML engineers y otros perfiles técnicos que trabajan en un entorno donde los modelos y agentes forman cada vez más parte del proceso de desarrollo (Latent Space, 2026).
Y el perfil que empieza a emerger combina cuatro dimensiones:
Inteligencia artificial + Ingeniería de software + Agentes + Criterio de producto.
Los coding agents probablemente escribirán una proporción cada vez mayor del código. Pero eso no elimina el conocimiento del developer. Puede hacer justamente lo contrario: aumentar el valor de saber diseñar sistemas, evaluar resultados, reconocer trade-offs y decidir qué problemas vale la pena resolver.
¿Tú también quieres desarrollar las habilidades que vienen para AI Engineering?
Si quieres profundizar en las habilidades que Andrew Ng identifica para el nuevo perfil del AI Engineer, en NIEVA ya puedes trabajarlas de forma práctica dentro del Ecosistema AI Engineering.
Si quieres aprender a construir aplicaciones con RAG, ve a la Guía de Técnicas Avanzadas de RAG, porque ahí trabajamos exactamente diseño de pipelines RAG, retrieval, evaluación y deployment en producción.
Si quieres desarrollar habilidades para trabajar con coding agents, tool calling, workflows y orquestación, ve a LangChain y LangGraph: De Chains a Agentes y a la Guía para Construir Agentes de IA, porque ahí trabajamos exactamente agentes autónomos, herramientas, subagentes, sistemas multiagente, testing y deployment de agentes.
Si quieres aprender a evaluar si un sistema de IA realmente funciona, ve a la Guía de Frameworks de Evaluación, porque ahí trabajamos evals para chat, RAG y agentes, golden datasets, LLM-as-judge y evaluación continua.
Y si quieres fortalecer la parte de Software Engineering y diseño de sistemas que Andrew Ng considera fundamental, dentro del mismo Ecosistema AI Engineering encontrarás contenidos de Python, REST APIs, Git y GitHub, Docker, CI/CD, Mejores Prácticas en Producción y Diseño de Sistemas y Escalado.
También puedes desarrollar estas habilidades de forma integrada en el AI Engineering Bootcamp, donde trabajamos desde Python, FastAPI y LangChain hasta RAG, tool use, evaluación, deployment, monitoring, seguridad y system design a través de proyectos que llegan hasta producción.
ARRANCA ESTE 12 DE SEPTIEMBRE 2026. Todavía estás a tiempo.
Porque si algo deja claro este mapa de habilidades es que el AI Engineer que viene no necesitará solamente conocer modelos: necesitará saber construir, evaluar, dirigir agentes y diseñar sistemas completos.
#tendenciastech