Mi camino para convertirme en arquitecto de IA

Después de muchos años en el software he pasado de las aplicaciones de escritorio a la web, al móvil, a la nube y ahora a la IA. Lo que más me llama la atención es que la IA no es simplemente otro conjunto de herramientas para programadores: está cambiando la forma de diseñar sistemas de software completos.

Antes pensaba en el diseño de la base de datos, en los límites de las API y en el despliegue. Ahora también están el LLM (Large Language Model, modelo de lenguaje grande, que comprende y genera texto), el RAG (Retrieval-Augmented Generation, generación aumentada por recuperación, donde el modelo consulta datos antes de responder), el Agent (agente: un programa que llama herramientas por su cuenta para completar una tarea), la Vector Database (base de datos vectorial, que guarda vectores semánticos para búsquedas por similitud) y el MLOps (Machine Learning Operations, operaciones de aprendizaje automático, que abarcan el despliegue, la supervisión y la actualización de modelos), además del coste de los modelos, la seguridad y los permisos sobre los datos.

Por eso me marqué un rumbo nuevo: convertirme en AI Solution Architect (arquitecto de soluciones de IA). Seis certificaciones, unos 12–15 meses, empezando a propósito por lo fácil y avanzando hacia el desarrollo de aplicaciones, la ingeniería de ML y la arquitectura en la nube.

1. AI-901: poner los cimientos. Cuando uno ya usa a diario LLM y API es fácil suponer que lo entiende todo, pero haber usado algo y comprenderlo de forma sistemática son cosas distintas. La primera certificación es fácil a propósito: sirve para reordenar los conocimientos de IA que uno tiene dispersos.

2. AIF-C01: ver lo mismo en una segunda nube. AWS usa nombres de producto y mecanismos distintos para las mismas ideas de fondo. Si solo conoce un proveedor, su primera reacción ante un problema será “¿qué producto uso?”; un arquitecto debería preguntarse primero qué arquitectura necesita realmente el problema.

3. Microsoft AI Apps & Agents Developer: empezar a construir sistemas reales. Llamar a una API de LLM es fácil; integrar la IA en un sistema no lo es. ¿Cómo llega a los datos de la empresa, cómo llama a las API existentes, qué puede decidir solo un agente, qué requiere confirmación humana, cómo se gestionan los permisos y qué ocurre cuando la respuesta es incorrecta?

4. AWS Machine Learning Engineer: sumar ingeniería de ML y MLOps. Las empresas siguen teniendo muchas necesidades de aprendizaje automático clásico y, en producción, la cuestión rara vez es solo la precisión del modelo: es el despliegue, las canalizaciones de datos, las actualizaciones de versión, la supervisión y el coste.

5. Google Professional ML Engineer: separar los productos de la arquitectura. Después de tres nubes, lo importante no es conocer tres consolas, sino ver que tres servicios con nombres distintos resuelven el mismo tipo de problema. Los ingenieros preguntan cómo; los arquitectos preguntan además por qué, qué alternativas hay y cuánto cuestan.

6. AWS Solutions Architect – Professional: volver a la arquitectura en sí. La última no es a propósito un examen de IA, porque un arquitecto de IA es ante todo un arquitecto. Adoptar IA no elimina las preocupaciones de base de datos, red, seguridad, IAM (Identity and Access Management, gestión de identidades y accesos), escalabilidad, recuperación ante desastres o coste: las vuelve más difíciles.

Esto no estaba en el plan. Estudiando para AIF-C01 revisé mucho material y muchos bancos de preguntas, y siempre faltaba algo. No quería limitarme a machacar preguntas: cuando fallaba una quería saber por qué, y algunas respuestas correctas eran solo aciertos por suerte.

El otro problema era el tiempo. Las horas sentado ante el escritorio son limitadas, pero caminar, desplazarse y las pausas cortas suman. Como me dedico a escribir software, construí la versión que yo quería usar.

La primera entrega empieza por AIF-C01, repartido en 14 días para que sepa qué estudiar hoy en lugar de abrir un banco de cientos de preguntas. El aprendizaje por audio está integrado, así que puede repasar mientras camina o se desplaza. Está disponible en English, 日本語, 한국어, chino, Español y Português (Brasil).

Me presento a exámenes porque delimitan un temario que estudiar y dan a cada etapa una meta clara. Pero seis certificados no convierten a nadie en arquitecto de IA: si dentro de un año solo tengo seis insignias en LinkedIn y nunca he construido un sistema de IA, el año no habrá servido para lo que yo quería.

Por eso me puse una regla más: cada etapa debe dejar algo que pueda mostrar de verdad. Una aplicación, un agente, un sistema RAG, una canalización de ML o un diseño de arquitectura completo. Las certificaciones me dicen qué aprender; construir me dice si soy capaz.

No quiero convertirme en alguien que solo investiga modelos. Lo que me interesa es conectar la IA con el software existente, lograr que los agentes cooperen con los sistemas actuales, tratar los datos, desplegar y escalar, controlar el coste, mantenerlo seguro y, al final, montar algo que la gente pueda usar de verdad y que una empresa esté dispuesta a llevar a producción.

Doce a quince meses, seis certificaciones, construyendo y aprendiendo por el camino, y dejándolo todo escrito.