Qué hace un especialista en inteligencia artificial aplicada

La palabra que importa en este título es aplicada. Un especialista en inteligencia artificial aplicada no investiga arquitecturas nuevas ni publica artículos científicos: su trabajo es decidir dónde tiene sentido usar IA dentro de una organización concreta, comprobar si los datos lo permiten, construir o integrar la solución, medir si funciona de verdad y responder de lo que hace en producción.

Y desde 2026 hay una parte del puesto que ya no es opcional: el cumplimiento normativo. Con el Reglamento europeo de inteligencia artificial en aplicación escalonada, este perfil ha pasado de ser mayoritariamente técnico a tener una mitad de gobernanza. Quien no lo sepa, va a llegar tarde a las ofertas que se están publicando.

En esta guía verás qué hace exactamente, el ciclo completo de un proyecto, cómo se decide si un caso de uso merece la pena y cuándo la respuesta es no usar IA, por qué la métrica de exactitud engaña, el marco legal español y europeo que condiciona todo su trabajo, qué herramientas maneja y qué determina su salario.

Respuesta rápida: ¿qué hace un especialista en inteligencia artificial aplicada?

Identifica problemas de negocio que la inteligencia artificial puede resolver mejor que otra alternativa, comprueba la viabilidad técnica y de datos, elige el enfoque (desde reglas simples hasta modelos propios o servicios externos), lo evalúa con métricas adecuadas al problema, lo despliega e integra en los sistemas existentes y lo vigila después, porque los modelos se degradan. En España y la Unión Europea debe además cumplir el Reglamento (UE) 2024/1689: identificar si el sistema entra en las prácticas prohibidas o en la categoría de alto riesgo, aplicar transparencia y supervisión humana, garantizar la alfabetización en IA del personal, y respetar el RGPD en la base de licitud, la minimización y las decisiones automatizadas. En España, la autoridad de referencia es la AESIA.

Qué distingue este perfil de los que se le parecen

Perfil	De qué responde
Especialista en IA aplicada	Que la IA resuelva un problema real de la organización, con resultado medible y cumplimiento normativo
Científico de datos	Modelar y predecir: análisis estadístico, experimentación, modelos a medida
Ingeniero de aprendizaje automático	Que el modelo funcione en producción: entrenamiento, despliegue, rendimiento, coste
Analista de datos	Explicar qué ha pasado y por qué, y recomendar
Ingeniero de datos	Que los datos lleguen y estén disponibles y ordenados
Investigador en IA	Avanzar el estado del arte; publica, no despliega
Responsable de gobernanza de IA	Inventario de sistemas, evaluación de riesgos, cumplimiento del Reglamento de IA

En organizaciones grandes son puestos distintos. En la mayoría de las empresas españolas, el especialista en IA aplicada hace un trozo de casi todos ellos, y su valor está precisamente en cubrir el hueco entre quien entiende el negocio y quien entiende los modelos.

El ciclo de un proyecto de IA aplicada

Identificar el caso de uso

No parte de la tecnología, parte de un problema costoso y repetitivo. Las preguntas que ordenan esta fase:

¿Qué decisión o tarea queremos mejorar, y cuánto cuesta hoy hacerla mal?
¿Con qué frecuencia ocurre? Un problema que aparece dos veces al año no justifica un modelo.
¿Existe un criterio claro de acierto? Si nadie sabe definir qué es una respuesta correcta, no hay nada que entrenar ni que evaluar.
¿Quién usará el resultado y qué hará con él?

Comprobar la viabilidad

Es la fase que evita la mayoría de los proyectos fallidos, y tiene tres preguntas:

¿Hay datos? Suficientes, históricos, con etiquetas si el problema las necesita, y accesibles legalmente.
¿Hay un camino más simple? Muchas veces sí, y es la respuesta correcta.
¿Qué pasa si se equivoca? El coste de un error define cuánta supervisión humana hace falta y si el sistema es de alto riesgo en términos normativos.

Preparar los datos

Igual que en cualquier proyecto de datos, es la fase más larga: extracción, limpieza, etiquetado, tratamiento de desequilibrios entre clases, y separación honesta entre datos de entrenamiento, validación y prueba.

Un error muy común y muy caro: la fuga de información. Ocurre cuando una variable del conjunto de entrenamiento contiene, directa o indirectamente, la respuesta. El modelo parece extraordinario en las pruebas y falla en producción.

Elegir el enfoque

De menos a más complejidad, y conviene recorrerlo en ese orden:

Reglas explícitas. Rápidas, auditables, gratis de explicar.
Modelo estadístico clásico (regresión, árboles, modelos de conjunto). Suele bastar para datos tabulares y sigue siendo la opción más razonable en la mayoría de los casos de empresa.
Aprendizaje profundo propio. Cuando hay imagen, audio, texto largo o series complejas, y datos suficientes.
Servicio externo o modelo preentrenado, adaptado mediante instrucciones o ajuste fino. Rápido de arrancar, con dependencia de proveedor y consideraciones de privacidad.

La regla práctica: empieza por la línea base más simple y demuestra que algo más complejo la supera de forma medible. Sin línea base, no hay forma de justificar la inversión.

Evaluar bien

Aquí se separan los proyectos serios de las demostraciones. Y el punto central: la exactitud engaña.

Si el 2 % de las transacciones son fraudulentas, un modelo que diga «no hay fraude» siempre acierta el 98 % de las veces y es completamente inútil. Las métricas que importan según el problema:

Problema	Qué mirar
Clasificación con clases desequilibradas	Precisión y exhaustividad, curvas de precisión-exhaustividad, matriz de confusión
Cuando un falso negativo es grave (diagnóstico, fraude, seguridad)	Prioriza la exhaustividad y acepta más falsos positivos
Cuando un falso positivo es costoso (bloquear un cliente legítimo)	Prioriza la precisión
Regresión y previsión	Error absoluto medio y porcentual, comparado con una previsión ingenua
Sistemas generativos	Evaluación con criterios definidos, revisión humana por muestreo, pruebas adversarias
Todos	Equidad: comprueba el rendimiento por subgrupos, no solo el agregado

Esa última línea es obligación, no buena práctica: un modelo con un 90 % de acierto global puede tener un 60 % en un subgrupo concreto, y eso puede ser discriminación.

Desplegar e integrar

Un modelo que vive en un cuaderno de notas no aporta nada. Aquí entran la integración con los sistemas existentes, el rendimiento y el coste por consulta, la trazabilidad de qué versión decidió qué, y el diseño de la supervisión humana: quién revisa, en qué casos y cómo puede revertir una decisión.

Vigilar después

Los modelos se degradan porque la realidad cambia. Hay que vigilar la deriva de los datos y la del rendimiento, mantener un mecanismo de reentrenamiento y documentar los incidentes. Un sistema desplegado y olvidado es un riesgo, no un activo.

Cuándo la respuesta correcta es no usar IA

Esta sección es la que más valor aporta a una empresa y la que menos se escribe. Descarta el proyecto, o busca otra vía, cuando:

No hay datos suficientes o son de mala calidad. Ningún modelo compensa eso.
El problema se resuelve con reglas. Si son cinco condiciones conocidas, escribe las cinco condiciones.
No existe criterio de acierto. Sin definición de respuesta correcta no hay evaluación posible.
Un error es inaceptable y no hay supervisión viable. Si nadie puede revisar las decisiones a tiempo, el sistema no debe decidir solo.
El caso de uso entra en las prácticas prohibidas del Reglamento (UE) 2024/1689. Entonces no es una decisión de negocio: no se puede hacer.
El coste de explicar la decisión es alto y el modelo no es explicable. En crédito, empleo o seguros esto es determinante.
El volumen no lo justifica. Automatizar una tarea que ocurre diez veces al mes rara vez se amortiza.

Decir esto a tiempo, con argumentos, es lo que distingue a un especialista de un entusiasta.

El marco legal: la mitad del puesto en 2026

El Reglamento (UE) 2024/1689 de inteligencia artificial

Es la norma que estructura el trabajo. Clasifica los sistemas por riesgo y sus obligaciones se aplican de forma escalonada, así que conviene comprobar el calendario vigente antes de planificar:

Prácticas prohibidas (artículo 5). Entre ellas, la puntuación social, ciertos usos de reconocimiento de emociones en el trabajo y en la educación, la extracción indiscriminada de imágenes faciales para crear bases de datos biométricas y determinadas técnicas manipulativas. No son de riesgo: están vetadas.
Sistemas de alto riesgo (anexo III). Incluyen usos en empleo y gestión de trabajadores (selección, evaluación, decisiones de promoción o despido), educación, acceso a servicios esenciales, evaluación de solvencia y seguros de vida y salud, entre otros. Conllevan obligaciones de gestión de riesgos, calidad de datos, documentación técnica, registro de actividad, supervisión humana, precisión y robustez.
Obligaciones de transparencia (artículo 50). Informar a las personas cuando interactúan con un sistema de IA, y marcar los contenidos sintéticos.
Modelos de uso general. Obligaciones propias para quien los desarrolla y, en cascada, para quien los integra.
Alfabetización en IA (artículo 4). Tanto proveedores como responsables del despliegue deben garantizar un nivel suficiente de conocimiento en el personal que maneja estos sistemas. Es decir: formar al equipo es una obligación legal, no una iniciativa de recursos humanos.

Quién supervisa esto en España

La AESIA (Agencia Española de Supervisión de la Inteligencia Artificial), creada por el Real Decreto 729/2023 y con sede en A Coruña, es la autoridad española de referencia en esta materia. España fue el primer Estado miembro en crear un organismo específico.
España puso en marcha además un entorno controlado de pruebas (Real Decreto 817/2023) para ensayar el cumplimiento de los requisitos aplicables a sistemas de IA, una figura útil para proyectos en fase piloto.
En materia de datos personales, la autoridad sigue siendo la Agencia Española de Protección de Datos.

RGPD: lo que afecta a cada proyecto

Base de licitud (artículo 6) para tratar los datos, tanto en entrenamiento como en explotación.
Minimización y limitación de la finalidad (artículo 5). Datos recogidos para una cosa no valen automáticamente para entrenar un modelo de otra.
Categorías especiales (artículo 9). Salud, biometría, origen, creencias: protección reforzada.
Decisiones automatizadas (artículo 22). Derecho a no ser objeto de decisiones basadas únicamente en tratamiento automatizado con efectos significativos, y a obtener intervención humana, explicación e impugnación.
Evaluación de impacto (artículo 35). Prácticamente obligatoria en perfilados a gran escala.
Protección desde el diseño (artículo 25). Se decide al arrancar el proyecto, no al entregarlo.

La obligación laboral que casi nadie conoce

Si el sistema afecta a decisiones sobre personas trabajadoras, hay una norma española muy concreta: el artículo 64.4.d) del Estatuto de los Trabajadores, introducido por la Ley 12/2021, reconoce al comité de empresa el derecho a ser informado de los parámetros, reglas e instrucciones en que se basan los algoritmos o sistemas de inteligencia artificial que afecten a la toma de decisiones sobre condiciones de trabajo, acceso y mantenimiento del empleo, incluida la elaboración de perfiles.

Traducción práctica: si vas a implantar un sistema que cribe candidaturas, asigne turnos o evalúe rendimiento, la representación de los trabajadores tiene derecho a saber cómo funciona. Ignorarlo convierte un proyecto técnico en un conflicto laboral.

Datos de entrenamiento y derechos de autor

Si entrenas o ajustas modelos con contenido de terceros, entra en juego la normativa de propiedad intelectual: las excepciones de minería de textos y datos incorporadas al texto refundido de la Ley de Propiedad Intelectual tras la transposición de la Directiva (UE) 2019/790 tienen límites, incluida la posibilidad de que el titular se reserve los derechos. Conviene documentar el origen y la licencia de todos los datos usados.

Normativa sectorial

Sanidad. Un software con finalidad médica puede ser un producto sanitario sujeto al Reglamento (UE) 2017/745, con su propio régimen de certificación.
Financiero. DORA, requisitos supervisores sobre modelos y sobre evaluación de solvencia.
Sector público. Esquema Nacional de Seguridad y obligaciones de transparencia administrativa.

Herramientas, por categoría

Categoría	Para qué	Ejemplos habituales
Lenguaje y análisis	Base de todo el trabajo	Python (pandas, NumPy), SQL, R
Aprendizaje automático clásico	Datos tabulares, el caso más frecuente en empresa	scikit-learn, XGBoost, LightGBM
Aprendizaje profundo	Imagen, audio, texto, series complejas	PyTorch, TensorFlow
Modelos de lenguaje y generativos	Texto, clasificación semántica, asistentes	Bibliotecas de código abierto, APIs de proveedores, modelos alojables
Búsqueda semántica y recuperación	Responder con documentación propia	Bases de datos vectoriales, marcos de orquestación
Seguimiento de experimentos	Reproducibilidad y comparación	MLflow, Weights & Biases, DVC
Despliegue y operación	Llevarlo a producción y mantenerlo	Contenedores, servicios gestionados en la nube, canalizaciones
Vigilancia de modelos	Detectar deriva y caídas de rendimiento	Evidently, herramientas propias
Explicabilidad y equidad	Justificar decisiones y auditar sesgos	SHAP, LIME, herramientas de evaluación por subgrupos
Gobernanza	Inventario de sistemas, documentación, riesgos	Registro propio, plantillas de documentación técnica

Sobre la última fila: en 2026, el inventario de sistemas de IA y su documentación han dejado de ser burocracia. Es lo primero que pide una auditoría y lo primero que falta en casi todas las organizaciones.

Habilidades del perfil

Técnicas

Python y SQL, a nivel sólido.
Estadística y diseño experimental: intervalos, significación, pruebas A/B, sesgos de muestreo.
Aprendizaje automático: qué familia de modelos para qué problema, y por qué.
Ingeniería de datos básica: canalizaciones, calidad, versionado de conjuntos de datos.
Puesta en producción: contenedores, servicios, coste por consulta, latencia.
Evaluación: la competencia más infravalorada y la que separa a un profesional de alguien que enseña demostraciones.

De negocio y gobernanza

Traducir un problema difuso en un objetivo medible.
Estimar valor esperado frente a coste de desarrollo y mantenimiento.
Conocer el Reglamento de IA y el RGPD lo suficiente para clasificar un sistema y saber cuándo llamar a asesoría jurídica.
Documentar. La documentación técnica ya es un requisito normativo para los sistemas de alto riesgo.

Humanas

Explicar sin humo. Decir «este modelo acierta siete de cada diez veces y estos son los casos en que falla» genera más confianza que cualquier demostración brillante.
Resistir la presión del entusiasmo. Buena parte del trabajo consiste en frenar proyectos que no se sostienen.
Criterio ético. No todo lo técnicamente posible es aceptable, y este perfil suele ser el único que está en posición de advertirlo.

Quién contrata en España

Sector	Casos de uso más frecuentes
Banca, seguros y medios de pago	Fraude, riesgo de crédito, atención automatizada, cumplimiento
Retail y comercio electrónico	Recomendación, previsión de demanda, precios, gestión de devoluciones
Industria y energía	Mantenimiento predictivo, control de calidad por visión, optimización de consumo
Logística y transporte	Previsión, rutas, gestión de flota
Salud y biotecnología	Apoyo al diagnóstico, gestión de recursos, investigación. Con régimen regulatorio propio
Telecomunicaciones	Rotación de clientes, redes, atención al cliente
Turismo y hostelería	Precio dinámico, ocupación, previsión de estacionalidad. Peso muy relevante en España
Consultoría y tecnología	Proyectos para terceros. La entrada más frecuente al sector
Sector público	Tramitación, detección de fraude, atención ciudadana, con obligaciones reforzadas de transparencia
Legal, seguros y servicios profesionales	Análisis documental y búsqueda semántica sobre documentación propia

Formación y rutas de entrada

Titulaciones frecuentes: informática, matemáticas, estadística, física, telecomunicaciones, ingeniería industrial, y cada vez más los grados y másteres específicos en ciencia de datos e inteligencia artificial que ofrecen las universidades españolas. Ninguna es obligatoria.

Rutas reales de entrada:

Desde análisis de datos → el camino más corto. Ya tienes SQL, estadística y contexto de negocio.
Desde desarrollo de software → ventaja en puesta en producción; hay que construir la parte estadística.
Desde un sector concreto (sanidad, banca, industria) → el conocimiento de dominio es muy valioso y escaso; la parte técnica se aprende.
Desde investigación → hay que aprender a renunciar a la solución óptima por la que se puede mantener.

Formación complementaria y vías públicas:

Cursos de especialización de FP en inteligencia artificial y big data, y ciclos superiores de informática.
Posgrados universitarios en IA y ciencia de datos.
Certificados profesionales del sistema de Formación Profesional (Ley Orgánica 3/2022) y acreditación de competencias adquiridas por experiencia laboral.
Cursos gratuitos de los servicios autonómicos de empleo y oferta de Fundae.
Certificaciones de nube en IA y aprendizaje automático, del proveedor que use tu sector.
Materiales de la AESIA, la AEPD y la Comisión Europea sobre el Reglamento de IA: es el conocimiento que más diferencia ahora mismo en una entrevista y el que menos gente tiene.

Lo que más convence: un proyecto propio completo, con datos reales, línea base incluida, métricas honestas, análisis por subgrupos y una conclusión sobre si merecía la pena. Y si el proyecto concluye que no merecía la pena, mejor: demuestra criterio.

Salario: qué lo determina y cómo verificarlo

Las cifras que circulan para este perfil son especialmente poco fiables, porque mezclan investigación, ingeniería y análisis bajo la misma etiqueta. Lo que mueve la banda en España:

Factor	Efecto
Qué haces realmente	Analizar, modelar, poner en producción o gobernar sistemas son bandas distintas
Responsabilidad sobre producción	Sostener un sistema en funcionamiento paga más que construir pruebas de concepto
Sector	Banca, seguros, energía y tecnología por encima de retail, turismo o educación
Tamaño de la empresa	Una de las variables con más peso
Provincia	Madrid y Barcelona concentran las bandas más altas
Conocimiento de dominio regulado	Sanidad, finanzas y sector público lo pagan
Inglés de trabajo	Abre centros de servicios internacionales y equipos distribuidos

Cómo calcular tu banda real: tablas del convenio colectivo aplicable en el registro público de convenios (REGCON), Encuesta Anual de Estructura Salarial del INE, estadísticas de mercado de trabajo de la Agencia Tributaria y las ofertas publicadas ahora mismo para tu perfil y provincia.

Como suelo absoluto, el SMI de 2026 está fijado en 1.221 euros al mes en catorce pagas (17.094 euros anuales) por el Real Decreto 126/2026. Y la Directiva (UE) 2023/970 de transparencia retributiva, cuyo plazo de transposición venció el 7 de junio de 2026, apunta a que conozcas la banda del puesto antes de la entrevista.

Errores comunes

Empezar por la tecnología y buscar después el problema. Es el origen de la mayoría de los proyectos que se abandonan.
No construir una línea base simple. Sin ella no puedes demostrar que el modelo aporta algo.
Usar la exactitud como métrica única, sobre todo con clases desequilibradas.
Fuga de información en el conjunto de entrenamiento: resultados espectaculares que no se reproducen.
No medir el rendimiento por subgrupos. Un agregado bueno puede esconder discriminación.
Desplegar sin vigilancia. Los modelos se degradan y nadie se entera hasta que hay una queja.
Saltarse la clasificación de riesgo del Reglamento de IA y descubrirla al final del proyecto.
Implantar un sistema que afecta al empleo sin informar a la representación de los trabajadores, como exige el artículo 64.4.d) del Estatuto.
No documentar el origen ni la licencia de los datos de entrenamiento.
Prometer automatización total. Casi todos los casos de uso que funcionan mantienen supervisión humana en los casos dudosos.

Preguntas frecuentes

¿Qué estudios se necesitan para trabajar en inteligencia artificial aplicada?

No hay una titulación obligatoria. Son frecuentes informática, matemáticas, estadística, física, telecomunicaciones e ingeniería, además de los grados y másteres específicos en ciencia de datos e IA. Se llega también desde el análisis de datos, desde el desarrollo de software o desde un sector concreto aportando conocimiento de dominio.

¿En qué se diferencia de un científico de datos?

El científico de datos se centra en modelar y predecir con rigor estadístico. El especialista en IA aplicada responde de que la solución resuelva un problema real de la organización, funcione en producción, se mantenga en el tiempo y cumpla la normativa. Hay solapamiento, pero el segundo tiene una mitad de gobernanza que el primero no suele asumir.

¿Qué obligaciones impone el Reglamento europeo de inteligencia artificial?

Depende de la categoría del sistema. Hay prácticas directamente prohibidas (artículo 5); los sistemas de alto riesgo del anexo III entre ellos los usos en empleo, educación y acceso a servicios esenciales conllevan gestión de riesgos, calidad de datos, documentación, registro de actividad, supervisión humana y robustez; y hay obligaciones de transparencia para los sistemas que interactúan con personas o generan contenido sintético. Además, el artículo 4 exige garantizar la alfabetización en IA del personal implicado. Su calendario es escalonado, así que conviene verificar el estado vigente.

¿Quién supervisa la inteligencia artificial en España?

La AESIA, Agencia Española de Supervisión de la Inteligencia Artificial, creada por el Real Decreto 729/2023 y con sede en A Coruña. En materia de datos personales, la autoridad competente sigue siendo la Agencia Española de Protección de Datos. España cuenta además con un entorno controlado de pruebas establecido por el Real Decreto 817/2023.

¿Puede una empresa usar IA para seleccionar personal?

Con condiciones. Esos usos están clasificados como de alto riesgo en el Reglamento (UE) 2024/1689, por lo que exigen supervisión humana, calidad de datos y documentación. Además, el artículo 22 del RGPD reconoce el derecho a no ser objeto de decisiones basadas únicamente en tratamiento automatizado, y el artículo 64.4.d) del Estatuto de los Trabajadores obliga a informar al comité de empresa de los parámetros y reglas del algoritmo.

¿Cuándo no conviene usar inteligencia artificial?

Cuando no hay datos suficientes o son de mala calidad, cuando el problema se resuelve con reglas conocidas, cuando no existe un criterio claro de acierto, cuando un error es inaceptable y no hay supervisión viable, cuando el volumen no justifica la inversión o cuando el caso de uso entra en las prácticas prohibidas del Reglamento europeo.

TRABAJOS RECIENTES: