Hay un puesto que se está multiplicando en las empresas de IA y que casi nadie fuera de ese mundo sabe nombrar: forward deployed engineer, o ingeniero desplegado al frente.
La idea es sencilla y bastante vieja: en vez de que el cliente aprenda a usar tu producto, tú mandas a alguien a vivir adentro de la empresa del cliente hasta que el producto le funcione. Palantir lo lleva haciendo años. Ahora lo hacen OpenAI, Anthropic, Salesforce, Databricks y hasta las consultoras grandes.
Existe porque la brecha de habilidades de IA es el obstáculo número uno para que una empresa grande adopte esta tecnología. No es que falte modelo. Es que nadie adentro sabe traducir un proceso real a algo que un agente pueda ejecutar sin romper nada.
Qué hace de verdad, día con día
La descripción romántica es "resuelve problemas del cliente con IA". Lo que aparece en las vacantes reales es más específico y menos glamoroso:
- Talleres de levantamiento en las oficinas del cliente, mapeando flujos, datos y restricciones.
- Escribir instrucciones de agentes e iterar prompts dentro del ambiente del cliente, no en un sandbox.
- Armar y configurar pipelines de datos —Snowflake, Databricks, modelos de datos estilo Foundry—.
- Construir integraciones entre sistemas que no fueron hechos para hablarse.
- Escribir evaluaciones y correr pruebas A/B sobre flujos con modelos de lenguaje.
- Depurar incidentes en producción y escribir el análisis de causa raíz.
- Regresar a la empresa el aprendizaje para que el producto cambie.
La mitad del trabajo es técnica. La otra mitad es sentarte con un director que no entiende la tecnología y sacarle en sesenta minutos cuál es el problema que de verdad le cuesta dinero. Esa segunda mitad es la que casi nadie tiene.
Quién está contratando
Con los títulos exactos, que importan a la hora de buscar:
- Palantir — Forward Deployed Software Engineer (FDSE). El original.
- OpenAI — Forward Deployed Engineer.
- Anthropic — Forward Deployed Engineer y Applied AI Engineer.
- Salesforce — AI Forward Deployed Engineer, Agentforce FDE y Deployment Strategist.
- Databricks — AI Engineer, Customer-Facing Engineer.
- Cohere, Ramp, Rippling, Intercom, Scale AI, C3 AI, Box, Lindy, Commure — variantes de FDE.
- Deloitte y EY — abrieron la figura de AI Forward Deployed Engineer dentro de consultoría.
- Google Cloud — Customer Engineer, Applied AI Engineer.
Dos cosas cambian dónde buscas. La mayoría de las vacantes no está en las gigantes, sino en startups en crecimiento —del tamaño en el que un solo ingeniero todavía mueve la aguja con un cliente—. Y el centro de gravedad geográfico dejó de ser San Francisco: pesa más Nueva York. Tiene lógica, porque el puesto se mudó a donde están los clientes empresariales, no a donde están los ingenieros.
Cuánto se paga
La compensación total mediana en Estados Unidos ronda los 173 mil dólares. De ahí se abre bastante:
- Palantir FDSE: de 171 a 415 mil dólares, con mediana cerca de 215 mil.
- Anthropic y OpenAI: de 350 a 550 mil para posiciones de nivel medio a senior.
- Nivel staff: arriba de 630 mil.
- Recién graduado: entre 180 y 250 mil de compensación total.
- Reino Unido: entre 108 y 253 mil libras.
Dos detalles que a mí me parecen los más importantes de toda la lista: cerca del 70% de las vacantes incluye capital accionario, y el 0% trae cuota de ventas. Eso segundo es lo que separa este puesto de un ingeniero de preventa. Te pagan por que la implementación funcione, no por cerrar el trato.
Lo que piden en 1,000 vacantes
De un análisis de mil descripciones de puesto, lo que más se repite:
- "Trabajar directamente con clientes" — en el 55%.
- "Construir y desplegar IA" — en el 37%.
- "Integración de APIs" — en el 32%.
- Cuota de ventas — en el 0%.
Y de dónde viene la gente que ya está en el puesto: 45% de ingeniería de software, 22% de solutions engineering, 15% de datos, y un 18% de perfiles no tradicionales. Ese 18% es la puerta.
Las 10 habilidades que realmente pesan
- Python a nivel producción. Aparece en dos terceras partes de las vacantes.
- SQL y modelado de datos. Snowflake, Databricks, BigQuery, patrones de dbt.
- Orquestación de modelos. RAG, evaluaciones, diseño de agentes, bases vectoriales.
- Una nube a profundidad. AWS, GCP o Azure. Una, bien, no tres a medias.
- Integración de APIs de verdad: autenticación real, reintentos, manejo de errores.
- Prompt engineering y escritura de evaluaciones. Medir calidad en producción, no en el demo.
- Entrevistar clientes. Acotar un problema en una hora.
- Enmarcar problemas de negocio. Convertir un dolor ambiguo en un alcance entregable.
- Comunicación ejecutiva. Explicarle a un director qué se rompió sin tecnicismos.
- Agentes de programación. Cursor, Claude Code, Codex. Aquí está el multiplicador real de productividad.
El paso que todo mundo se salta: las habilidades 7, 8 y 9. Todo el mundo se pone a estudiar Python y RAG porque son las que se pueden practicar solo, en la noche, sin exponerse. Las tres de comunicación con el cliente son las que deciden la contratación, y son incómodas de practicar porque necesitas a otra persona enfrente. Es exactamente por eso que están vacantes.
Los dos caminos si no eres ingeniero
Camino 1: el título adyacente. El mismo trabajo existe con otros nombres y con menos filtro técnico: Solutions Engineer de IA, AI Implementation Consultant, Customer Engineer, Deployment Strategist, Applied AI Specialist, Forward Deployed Consultant, AI Integration Lead. Salesforce, por ejemplo, empareja a un Deployment Strategist —perfil de negocio, sin programar— con un FDE. Si vienes de operaciones o de consultoría, esta es tu entrada directa.
Camino 2: pivotar y demostrar. Subes tu fluidez técnica lo suficiente para entregar una integración real, una aplicación con agente o RAG, y un caso escrito de depuración. Y aquí está la buena noticia del puesto: la contratación es por portafolio y desempeño, no por credencial. Nadie te va a pedir una maestría si puedes enseñar algo que corre y que alguien usa.
El plan de 90 días
Días 1 a 30 — cimientos. Un curso de Python y SQL. Instalas Cursor o Claude Code y construyes algo todos los días. Arrancas tu proyecto de integración: jalar datos de un sistema real y meterlos a otro, con autenticación y manejo de errores —por ejemplo, sacar clientes de Stripe, enriquecerlos con campos de HubSpot y mandar una alerta a Slack—.
Días 31 a 60 — profundidad. Publicas una aplicación con RAG usada por al menos diez personas reales. Escribes una suite de evaluaciones para ese flujo. Terminas la integración, la subes a GitHub con README y un recorrido en video de cinco minutos. Y haces cinco simulacros de llamada de descubrimiento con un cliente, grabados.
Días 61 a 90 — prueba y postulación. Publicas un caso de depuración de entre 700 y 1,000 palabras: qué se rompió, cómo lo investigaste, qué cambiaste. Reescribes tu currículum en lenguaje de resultados de despliegue —no "trabajé en proyectos de IA" sino "desplegué X, lo usan Y personas, resolví Z caso borde de autenticación"—. Postulas a entre 15 y 30 vacantes con los títulos de arriba, y publicas uno o dos casos por semana en LinkedIn.
Las tres piezas de portafolio que deciden
- Una integración real. Dos sistemas incompatibles conectados con API, autenticación de verdad y manejo de errores. Desplegada. Con al menos un usuario que no seas tú.
- Un pipeline de IA en producción. RAG sobre documentos reales, un agente ejecutando tareas reales, o un flujo procesando datos reales. Con suite de evaluaciones.
- Un caso escrito de depuración. La pieza que más diferencia, porque casi nadie la escribe. Contar cómo investigaste una falla demuestra criterio, y el criterio es justo lo que no se puede evaluar en una entrevista técnica de una hora.
Dónde buscar, y qué haría yo primero
LinkedIn filtrando por habilidades de LLM, RAG y desarrollo de agentes; los tableros de Greenhouse de Anthropic, OpenAI, Ramp, Rippling, Cohere y Databricks; el portal de carreras de Salesforce para las vacantes de Agentforce; y el tablero de Work at a Startup de Y Combinator para posiciones de Serie A y B.
Pero si me preguntas por dónde empezar mañana, no es por el portal de vacantes. Es por la pieza 3.
Escribe hoy el caso de la última cosa que se te rompió en el trabajo y cómo la resolviste. Aunque no sea de IA. Ese documento es la evidencia más cercana a lo que hace un FDE todos los días, se escribe en dos horas, y prácticamente nadie de los que compiten contigo lo va a tener.