Por | Más Allá de la Portada, Autor | Dibujando
En los últimos tres años, la persona más cara en la industria de la IA eran los científicos de modelos.
Hoy, las personas que OpenAI, Anthropic y Google más quieren contratar han cambiado.
No son investigadores, ni ingenieros de algoritmos, ni siquiera expertos en modelos grandes.
Sino un grupo de personas que deben viajar, estar en el sitio, asistir a reuniones y modificar procesos.
Tienen un nuevo nombre: Ingeniero de Despliegue en el Frente (Forward Deployment Engineer, FDE).
Este es un puesto que parece completamente insignificante, pero que podría representar el mayor cambio en la industria de la IA en los últimos tres años: el mito del modelo se retira oficialmente, y la guerra por la implementación comienza por completo.
Los gigantes de los modelos grandes en Silicon Valley finalmente han descubierto que el modelo ya no es el problema. Que las empresas no sepan cómo usarlo es el kilómetro más difícil. Así, un puesto que antes no tenía demanda, ha visto su valor dispararse de la noche a la mañana.
El informe laboral de LinkedIn para 2026 muestra que entre 2023 y 2025, el crecimiento global en ofertas de trabajo para FDE se multiplicó por 42, mientras que para ingenieros de IA lo hizo por 13 en el mismo período. La tasa de crecimiento del primero es aproximadamente tres veces la del segundo.
Esta fiebre inusual por captar talento ha arrancado la cortina de humo más cómoda y tácita de toda la industria de la IA en los últimos tres años.
I. El modelo lo logró, la organización no siguió
Desde el nacimiento de ChatGPT, la línea principal de la industria de la IA ha sido clara. De quién podía hacer un modelo más potente, se extendió a quién podía hacer el mejor Agente.
Para 2026, el problema ha cambiado. Los clientes empresariales comenzaron a hacer otra pregunta: compramos IA, ¿por qué el cambio no es grande?
Esta es la mayor ilusión de toda la industria, pensar que el modelo equivale a productividad.
La realidad es que muchas empresas gastaron grandes sumas en adquirir IA/Agentes, los empleados se registraron en cuentas, el departamento de TI hizo un demo de una base de conocimientos interna, y hubo entusiasmo durante un mes.
Y luego... pasaron seis meses, nadie lo usa. La forma de trabajar es exactamente igual que antes.
No es que los empleados no cooperen, ni que la gerencia carezca de determinación, y mucho menos que el modelo no sea lo suficientemente bueno. Los puntos críticos reales de una empresa en un entorno de producción nunca han sido cómo chatear, sino dónde están los datos históricos, si el formato es correcto, ¿cuál es su calidad? ¿Qué camino sigue la aprobación de responsabilidades, quién tiene la autoridad principal? ¿Cómo se importan los datos de los clientes, cómo se integran los sistemas ERP, cómo se compatibilizan los sistemas heredados de cumplimiento y seguridad?
Estos no son problemas técnicos, son problemas organizativos.
Es como instalar un motor de cohete en un carruaje tirado por caballos. El motor es real, el empuje es real, pero los caballos siguen siendo caballos, la vía sigue siendo un camino de tierra, y el conductor nunca ha aprendido a pisar el acelerador, y mucho menos sabe dónde está el freno de emergencia.
Las empresas de modelos siempre han vendido como herramientas, dando al usuario el cerebro digital más poderoso, y dejando que el usuario encuentre la manera de meterlo en el cuerpo.
El resultado, sin embargo, es que la mayoría de las empresas, después de dos años de intentarlo, aún tienen el cerebro sobre la mesa, y el cuerpo no se ha movido.
II. El legado de Palantir
Quien realmente convirtió al FDE en una profesión no fue OpenAI, sino Palantir Technologies.
Esta misteriosa startup de big data fundada por el gurú de Silicon Valley, Peter Thiel, que ayudó al ejército estadounidense a matar a Osama bin Laden, fue objeto de burlas en Silicon Valley durante quince años.
La razón es que su modelo de negocio era demasiado pesado: no vendía software estandarizado, sino que enviaba ingenieros a las instalaciones del cliente para trabajar in situ, sentándose durante medio año o más. Los capitalistas de riesgo le pusieron una etiqueta: una empresa de consultoría disfrazada de software.
En la jerarquía de desprecio de Silicon Valley, el SaaS es sofisticado, los proyectos basados en mano de obra son inferiores. Palantir estaba en el nivel más bajo de esa jerarquía.
En 2011, Palantir, al vender software de datos a agencias gubernamentales y de defensa, descubrió un problema recurrente: los clientes, después de comprar el software, simplemente no sabían usarlo.
Pero fue ese problema el que cambió todo. El modelo tradicional de ventas, donde se recogen requisitos y los ingenieros desarrollan de forma remota, fallaba completamente frente a clientes altamente confidenciales y extremadamente complejos. Los propios clientes no sabían lo que querían, solo sabían que lo que tenían no funcionaba bien.
La solución de Palantir no fue crear un mejor manual de instrucciones, sino enviar directamente a sus propios ingenieros a trabajar in situ en las instalaciones del cliente. A la CIA, a empresas energéticas, a bancos. Los ingenieros se sentaban junto al cliente, observaban cómo trabajaban, estudiaban los flujos de datos, comprendían la estructura organizativa, y luego modificaban el software, los procesos, e incluso la forma de trabajar.
Este modelo nunca se replicó a gran escala en la era del software estandarizado anterior, donde el producto definía el proceso, y si el cliente no estaba satisfecho, era porque la capacitación no era suficiente.
Y la era de los modelos grandes rompió completamente esa lógica. La IA no tiene un uso estándar, su techo depende completamente de cómo se integre con los datos privados, se diseñen los flujos de trabajo y se implemente dentro de la organización. Los sistemas aislados de cada empresa son completamente diferentes, y los productos genéricos simplemente no pueden resolver los problemas de las zonas profundas de la personalización.
Así, la metodología que Palantir sedimentó durante más de una década se convirtió de repente en el libro de texto de toda la industria.
Hoy, que OpenAI comience a copiar este modelo es, en esencia, reconocer que la IA ha pasado de ser un problema de desarrollo de software a un problema de evolución organizativa.
III. Un mes, tres gigantes, el mismo juicio
Si Palantir solo dio un ejemplo a la industria, entonces en mayo de 2026, las tres empresas más importantes del mundo en el campo de la IA utilizaron dinero real al mismo tiempo para llevar a cabo una conspiración colectiva dirigida a la implementación práctica.
El 4 de mayo, Anthropic, junto con Blackstone, Goldman Sachs, Hellman & Friedman y varias instituciones globales de gestión de activos, lanzó una empresa conjunta con un capital comprometido total de 15 mil millones de dólares, cuyo negocio principal es la implementación del modelo grande Claude en empresas.
Inmediatamente después, el 11 de mayo, OpenAI anunció oficialmente la creación de una subsidiaria independiente de implementación, Deployment Company (DeployCo), con una inversión inicial total conjunta de más de 40 mil millones de dólares, y un consorcio de 19 instituciones, que incluye inversores de capital privado como TPG y Bain Capital, así como consultoras e integradoras como McKinsey y Accenture.
OpenAI adquirió simultáneamente la empresa de consultoría in situ de IA, Tomoro. Una vez completada la adquisición, Tomoro proporcionará a DeployCo aproximadamente 150 ingenieros de despliegue en el frente; los clientes actuales de Tomoro incluyen a Tesco, Virgin Atlantic, Red Bull y Supercell.
A menos de dos semanas de distancia, el CEO de Google Cloud, Thomas Kurian, publicó un anuncio en LinkedIn para reclutar masivamente FDE. Dentro de Google Cloud, se abrieron más de 1500 puestos relacionados con la implementación de IA, siendo los FDE la categoría central de contratación.
Tres de las empresas de IA más importantes del mundo hicieron lo mismo al mismo tiempo: no lanzar un modelo más potente, sino establecer entidades dedicadas específicamente a ayudar a las empresas a implementar la IA.
Esta es una señal más digna de atención que cualquier lanzamiento de modelo.
El COO de OpenAI, Brad Lightcap, dijo incluso lo siguiente:
"Hoy en día, los sistemas de IA para individuos ya son muy poderosos, pero aún no hemos visto realmente que la IA se infiltre en los procesos comerciales de las empresas. Las empresas son organizaciones estructuralmente complejas, con sistemas fragmentados, muchas restricciones de cumplimiento y procesos heredados complejos; el mayor problema actual es integrar la IA en los procesos comerciales centrales de los que dependen las empresas para funcionar."
En pocas palabras, los modelos son lo suficientemente buenos. El problema está dentro de las empresas y organizaciones.
Precisamente porque han visto esto claramente, OpenAI y otras están dispuestas a pagar cualquier precio por adquirir a los discípulos de Accenture y McKinsey, y actualizarlos masivamente para convertirlos en FDE que carguen al frente.
Esta batalla por el talento de decenas de miles de millones de dólares ha extraído directamente los activos subyacentes de la industria tradicional de consultoría e implementación de TI, y también ha abierto una revolución en el modelo de entrega de los modelos grandes.
IV. El final de vender herramientas es vender resultados
Mucha gente piensa que la IA eliminará la industria de la consultoría. McKinsey está acabada, Accenture está acabada, los grandes implementadores de TI están acabados.
El resultado es exactamente lo contrario: la IA ha vuelto a hacer crecer la consultoría.
Pero detrás hay un cambio aún más profundo: el modelo de negocio de toda la industria del software está experimentando el mayor cambio en los últimos veinte años.
Esta es precisamente la ley de supervivencia que Palantir sedimentó hace más de una década: "No vendas software. Implementa resultados" (Don't sell software. Deploy outcomes).
Esta es una transformación esencial. En el pasado, Microsoft vendía Office, Salesforce vendía CRM, Adobe vendía suites; lo que entregaban eran herramientas, y que funcionaran bien o no era problema tuyo. Lo que OpenAI y Anthropic están haciendo hoy es meter a su propia gente dentro de la empresa del cliente y entregar resultados.
El FDE es el entregador de resultados. Estudia la organización, estudia los procesos, estudia los datos, y finalmente produce un sistema que realmente funcione en un entorno de producción, no un demo bonito.
En el pasado, los consultores entregaban presentaciones de PowerPoint; los FDE entregan Agentes. En el pasado, los consultores daban recomendaciones; los FDE dan código. La esencia es la misma: ayudar a las empresas a resolver el problema de cómo trabajar de manera más eficiente, solo que lo que se entrega ha cambiado.
Esta es también la razón por la que en los requisitos de contratación de FDE de Anthropic hay uno extraño: "Mantener un bajo sentido del ego y una actitud colaborativa".
Esta es la parte más difícil de la cultura ingenieril: tener suficiente profundidad técnica para resolver cualquier problema in situ, pero al mismo tiempo, frente al cliente, dejar de lado la actitud de saber más que él, y tener paciencia para entender por qué el cliente no confía en la salida de la IA.
Un salario anual de 300.000 a 500.000 dólares no se debe a que los FDE sean técnicamente superiores, sino a que un FDE calificado puede reemplazar a cuatro personas: un gerente de producto, un arquitecto técnico, un gerente de proyecto y un ingeniero de IA.
En el frente de la entrega, un FDE es un ejército.
V. El mayor obstáculo para la implementación de la IA nunca ha sido la tecnología
Hoy, cuando los proyectos de IA en las empresas fracasan, la gran mayoría no es un fracaso técnico, sino organizativo.
Esto es algo de lo que ni siquiera los imperios financieros y las grandes minoristas más importantes del mundo pueden escapar.
El Grupo Goldman Sachs, al promover la migración a la IA, se enfrentó una vez a la clásica defensa de cumplimiento de los mandos medios. El departamento técnico había desarrollado un sistema de auditoría de IA que podía generar automáticamente informes de analistas y revisar preliminarmente documentos de cumplimiento para OPV.
Pero cuando el sistema estaba listo para integrarse en el entorno de producción, los altos ejecutivos de los departamentos de control de riesgos y cumplimiento unieron fuerzas y presionaron el botón de pausa. Presentaron a la gerencia un grueso informe de consulta: si las "alucinaciones" de los modelos grandes aparecían en los documentos de cotización, ¿quién sería responsable de las posibles multas de miles de millones de dólares?
Por muy bonito que fuera el prototipo técnico, al no poder superar la cultura arraigada de eludir responsabilidades dentro de la organización, el proyecto se estancó durante medio año, hasta que el equipo de FDE intervino para redefinir los límites de responsabilidad en la colaboración humano-máquina, y logró pasar a duras penas.
Si Goldman Sachs se atascó en las responsabilidades, el famoso fracaso temprano entre el minorista estadounidense Target y Palantir se topó con el muro de los intereses organizativos y la cultura.
En ese momento, Palantir envió un gran equipo de FDE a Target, tratando de reconstruir su cadena de suministro y predicción de inventario, con ingresos anuales de decenas de miles de millones de dólares, utilizando modelos de datos.
Sin embargo, el equipo de compradores senior más poderoso dentro de Target se opuso rotundamente, creyendo que su agudeza para la moda de décadas no debería someterse a un algoritmo. Los mandos medios retrasaron deliberadamente las interfaces de datos, y los empleados de primera línea se negaron intencionalmente a ejecutar las instrucciones de reposición del sistema. Este lavado tecnológico que costó decenas de millones de dólares terminó trágicamente cuando Target rescindió unilateralmente el contrato, debido a la lucha de poder dentro de la organización entre las personas y las máquinas.
Ni una sola línea de código estuvo mal, pero el proyecto simplemente no avanzaba. Este es el campo de implementación más real: la tecnología representa solo el 20%, el 80% restante son los intereses organizativos internos, la distribución de responsabilidades y las cargas históricas.
Por ejemplo, el proceso de aprobación de préstamos de un banco está respaldado por décadas de distribución de responsabilidades y requisitos regulatorios. El sistema de programación de turnos de un hospital está vinculado a los intereses de todos los departamentos. Un eslabón de control de calidad en una fábrica está conectado a los contratos de proveedores y los seguros de calidad.
Esto no cambiará automáticamente con una cuenta de GPT.
Estos obstáculos no pueden ser resueltos por un ingeniero que solo entienda de tecnología. Se necesita alguien que pueda pensar simultáneamente en las dimensiones técnica y organizativa.
Así que lo que realmente hace un FDE no es solo desplegar IA; su núcleo está en ayudar a la organización a completar la migración a la IA. Si en los últimos veinte años el departamento de TI se encargó de digitalizar los procesos en papel, entonces en la próxima década, el FDE se encargará de convertir los procesos digitalizados en procesos con IA.
Esta es la siguiente fase de lo mismo.
Palabras de [Más Allá de la Portada]:
Cuando los modelos se vuelven más baratos. Cuando la potencia de cálculo se vuelve más barata. Cuando los Agentes se vuelven más baratos.
Lo que realmente se vuelve caro comienza a ser otra habilidad: comprender la organización, transformar los procesos, impulsar el cambio.
Esta es la razón por la que los FDE están de moda.
No es que este puesto sea tan importante, en esencia, es que toda la industria de la IA finalmente ha admitido algo:
La parte más difícil de una revolución tecnológica nunca es la tecnología.
Sino las personas.
