01
Junior · 0-1 año IA
45.000 – 70.000 €/año
Vienes de dev tradicional, 2-3 proyectos IA en portfolio.
Trabajos con IA
Construye productos que usan modelos
Desarrollador IA: construir productos que usan modelos
Construye productos que usan modelos
El desarrollador IA en 2026 es full-stack con capa LLM. Backend que llama APIs de OpenAI/Anthropic, frontend con streaming, datos en Postgres + pgvector, despliegue serverless. La demanda supera la oferta cualificada.
El mercado en 2026
Cursor, Copilot y Claude Code han subido la productividad del dev 2-3x. Las empresas no buscan "el que escribe código": buscan el que entiende producto + maneja IA + entrega producto. Saltar de dev tradicional a dev IA es uno de los movimientos mejor pagados del mercado.
Lo que necesitas antes de empezar
- Base sólida en al menos un lenguaje (TypeScript o Python recomendado).
- Comprensión real de APIs REST, streaming, async.
- Bases de datos: Postgres mínimo, pgvector o algún vector store específico.
- Despliegue: Vercel, Railway, Render, AWS básico.
- Saber leer documentación oficial OpenAI / Anthropic en inglés.
Cómo empezar paso a paso
-
1
Domina 1 stack completo
Next.js + Vercel AI SDK + Postgres + pgvector + OpenAI API. Es la combinación más empleable.
-
2
Construye 3 proyectos públicos
Chatbot con memoria, sistema RAG simple, agente con tools. Open source en GitHub.
-
3
Aprende evaluación
No solo construyes: mides. Promptfoo, OpenAI evals, latency budgets, coste por usuario.
-
4
Sube a producción real
Un proyecto público debe tener al menos 50 usuarios reales. Sin tracción no captas clientes serios.
-
5
Decide: empleado o freelance
In-house: estabilidad y aprendizaje. Freelance: 2x ingreso pero gestionas todo. Elige conscientemente.
Ingresos reales por etapa
02
Mid · 1-3 años IA
70.000 – 110.000 €/año
Producto en producción, evaluación, observabilidad.
03
Senior · 3+ años
110.000 – 160.000 €/año
Arquitectura de sistemas IA, equipo, decisiones de plataforma.
Stack que se usa de verdad
API más madura, structured outputs, function calling, assistants.
Claude para reasoning largo, tool use complejo.
Streaming, hooks React, primitives para chatbots.
Stack default para apps IA modernas en 2026.
Storage relacional + búsqueda vectorial integrada.
Orquestación y observabilidad de cadenas y agentes.
El primer cliente
El primer cliente IA freelance suele venir de tu red dev previa: un ex jefe o cliente que ahora necesita "algo con ChatGPT" y no sabe por dónde empezar. Cobra diagnóstico técnico (1.000-2.000€) antes del proyecto.
Prompts específicos para este trabajo
Listos para copiar y adaptar a tu cliente o proyecto.
Soy desarrollador. Para este caso de uso: {{descripción}}, propón arquitectura concreta en 2026 con: 1) modelo principal, 2) modelo fallback, 3) storage, 4) vector store si aplica, 5) frontend, 6) deploy, 7) observabilidad, 8) coste estimado por 1.000 usuarios/mes. Justifica cada elección en una línea.
Tengo este sistema actual: {{descripción}}. Cliente quiere añadir capa IA para {{objetivo}}. Genera plan de migración por fases (4 semanas) con: hitos, riesgos, dependencias, criterios de éxito y test plan.
Audita el siguiente flujo y dame: 1) coste por llamada con GPT-4o, 2) coste estimado mensual a 10k usuarios, 3) optimizaciones (caching, modelo más barato, structured output), 4) impacto en latencia.
Flujo: {{descripción}}
Errores que matan este negocio
- No medir coste por usuario. Un proyecto sin coste controlado quema dinero del cliente.
- Sobre-complicar: empezar con LangChain + Pinecone cuando bastaba con un fetch.
- No versionar prompts ni evaluar. Producto sin métrica es producto inestable.
- Confundir "demo bonita" con "producto en producción". Hay un océano entre las dos.
Ruta recomendada para profundizar
Preguntas frecuentes
¿Necesito ML tradicional para ser dev IA?
No para el 90% de productos basados en LLM. ML clásico ayuda pero no es bloqueante. Backend sólido + APIs LLM es lo que vende.
¿Python o TypeScript?
TypeScript para apps end-user con Next.js. Python para data, pipelines y prototipos. Lo ideal es manejar ambos.
¿Cuándo usar LangChain vs llamadas directas?
Llamadas directas para empezar y para sistemas simples. LangChain cuando tienes cadenas complejas, agentes o necesitas tracing serio.