Entrevista técnica de IA: qué preguntar en 2026

Una entrevista técnica de IA que pide explicar de memoria cómo funciona una red neuronal dice poco sobre si el candidato sabe aplicar IA para resolver un problema real de negocio. El campo de la IA cambia rápido, y las preguntas correctas de hace dos años ya no distinguen bien el nivel real de un candidato hoy.

Roles de IA y qué evaluar en cada uno

"IA" dejó de ser un solo perfil hace tiempo, y evaluarlos a todos con la misma entrevista produce señales confusas.

Ingeniero de machine learning. Construye y despliega modelos en producción. Se evalúa capacidad de llevar un modelo desde el prototipo hasta un sistema confiable y mantenible.

Científico de datos aplicado a IA. Explora datos, prueba hipótesis y decide qué enfoque de modelado tiene sentido para un problema específico. Se evalúa criterio analítico y capacidad de comunicar hallazgos con claridad.

Ingeniero de IA generativa o prompt engineering. Diseña sistemas que usan modelos de lenguaje para resolver tareas específicas. Se evalúa capacidad de estructurar el problema, evaluar resultados y iterar con criterio.

Desarrollador que integra IA en producto. No entrena modelos desde cero, pero integra servicios de IA existentes en una aplicación. Se evalúa capacidad de diseñar buenos flujos de interacción con esos servicios y manejar sus limitaciones.

Preguntas de ejemplo

Para un ingeniero de machine learning: "Describe un modelo que llevaste a producción. ¿Qué problema resolvía, cómo mediste si funcionaba bien, y qué pasó cuando el comportamiento de los datos cambió con el tiempo?"

Para un científico de datos: "Cuéntame de un análisis donde tus hallazgos iniciales resultaron equivocados. ¿Qué te hizo dudar y cómo lo verificaste?"

Para un rol de IA generativa: "Describe un sistema que construiste usando un modelo de lenguaje. ¿Cómo evaluaste si las respuestas eran suficientemente buenas, y qué hiciste cuando no lo eran?"

Para un desarrollador que integra IA: "¿Cómo diseñaste el manejo de errores cuando el servicio de IA que usabas devolvía una respuesta poco confiable o fuera de formato esperado?"

Todas estas preguntas piden un caso real con evidencia de razonamiento, no una definición de libro de texto.

Señales de dominio real

Alguien con dominio real habla en términos de decisiones y trade offs concretos, no solo de nombres de técnicas o modelos. Puede explicar por qué eligió un enfoque sobre otro para un problema específico, y reconoce con naturalidad las limitaciones de lo que construyó, en vez de presentarlo como una solución perfecta.

Otra señal clara: entiende la diferencia entre que un modelo funcione bien en pruebas controladas y que funcione bien en producción con datos reales y cambiantes, y puede hablar de cómo monitorea ese comportamiento en el tiempo.

Errores del entrevistador en una entrevista técnica de IA

El error más común es quedarse en preguntas de definición, que favorecen a quien memorizó terminología reciente sobre quien tiene experiencia real construyendo sistemas. El campo cambia tan rápido que el vocabulario de moda no es un buen proxy de capacidad real.

Otro error es no pedir evidencia concreta de resultados. Alguien puede describir un proyecto de IA impresionante en abstracto sin que el entrevistador pregunte cómo se midió el éxito, qué falló en el camino, o cómo se comportó el sistema después de llegar a producción, que es donde suele estar la parte más reveladora de la experiencia real.

Para ver cómo evaluar específicamente a developers que usan IA como herramienta de trabajo diaria, en cómo evaluar developers que trabajan con IA está la guía completa. Para los perfiles de modelo, en evaluación de machine learning está qué medir por rol y en test de NLP el caso de lenguaje; el ejercicio de código que suele acompañar a la entrevista está en test de Python.

Una entrevista técnica de IA con preguntas atadas a un problema concreto distingue el dominio real del vocabulario aprendido. Si quieres armar el guion por rol y puntuar con rúbrica, puedes agendar una demo.

Preguntas frecuentes

¿Debo evaluar conocimiento matemático profundo en toda entrevista de IA?
No para todos los roles. Para ingeniería de machine learning y ciencia de datos, cierto nivel de fundamentos matemáticos importa. Para roles de integración o prompt engineering, el criterio aplicado pesa más que la profundidad matemática teórica.

¿Las certificaciones de IA son una buena señal en el proceso?
Son una señal parcial, similares a otras certificaciones técnicas: indican estudio estructurado pero no garantizan capacidad práctica. Conviene complementarlas siempre con evidencia de proyectos reales.

¿Cómo evalúo a alguien con poca experiencia formal pero proyectos personales sólidos de IA?
Pide que explique un proyecto propio con el mismo nivel de profundidad que pedirías en un caso laboral: qué problema resolvía, cómo midió el resultado, y qué limitaciones identificó.

¿Vale la pena hacer preguntas sobre las noticias más recientes del campo de la IA?
Con moderación. Sirve para ver si la persona se mantiene actualizada, pero no debería ser el centro de la entrevista, porque mide seguimiento de noticias más que capacidad real de aplicar IA a un problema.