La contractació d'enginyers d'intel·ligència artificial ha canviat radicalment en els últims anys. Si el 2022 n'hi havia prou amb veure projectes a Kaggle o domini de PyTorch, el 2026 aquests indicadors ja no prediuen qui serà capaç de posar un sistema d'IA en producció sense cremar pressupost. L' experiència acumulada en cents de projectes revela que el veritable filtre no està en el coneixement teòric, sinó en la capacitat de portar solucions a entorns reals, amb costos controlats i mètriques sòlides. Aquest article proposa un marc d'avaluació de set punts, allunyat dels tests d'algoritmes, i pensat per identificar l'enginyer que realment necessita la teva empresa.
Primer, és crucial distingir els perfils. Solem agrupar sota el mateix terme 'enginyer d'IA' a tres rols molt diferents. L'enginyer de recerca i ML s'enfoca a entrenar i ajustar models; només és necessari si el model en si és el producte. L' enginyer d' aplicacions d' IA connecta models fundacionals amb productes reals: implementa RAG, agents, eines i avaluacions. Aquest és el perfil que la majoria de les empreses necessiten el 2026. I l'enginyer de producte AI-first construeix el producte complet amb IA integrada, a més d'usar IA per accelerar el seu propi desenvolupament. És el més escàs i de més impacte. Publicar una descripció de lloc per a investigador i esperar que aquesta persona desplegui un agent de suport és l' error número u. Cal contractar segons el nivell de treball real.
El primer punt del marc és l' experiència en desplegament en producció. Demana al candidat que descrigui un sistema que hagi posat davant usuaris reals, i que compti què va fallar a les dues del matí. Les demostracions només mostren el camí feliç; la producció real implica milers d'entrades estranyes sota un sostre de costos. Qualsevol pot crear un demo, però pocs saben mantenir-lo funcionant.
El segon punt és la consciència de costos. Pregunta com reduiria a la meitat la factura d'inferència. Una resposta sòlida esmenta enrutament de models, caixet de respostes i disciplina en els prompts. Si el cost mai apareix en la conversa, la persona mai ha operat a escala.
El tercer punt, i el millor predictor individual, és el disseny de sistemes d' avaluació. Pregunta com sabria si un canvi en el prompt va millorar realment el sistema. La resposta correcta és un conjunt de prova daurat amb parells reals d' entrada i sortida. Si no hi ha això, la persona ha estat improvisant, i això no permet llançar una segona versió.
El quart punt abasta la presa de decisions arquitectòniques: quan usar fine-tuning, quan RAG, quan només prompting; quan n'hi ha prou amb el sobre Postgres i quan es necessita una base de dades vectorial dedicada. Els bons enginyers trien primer l'opció avorrida i barata.
El cinquè punt és l' experiència amb sistemes d' agents. Han construït alguna cosa amb espai d'accions acotat, límits màxims de trucades i disjuntors? Els bucles d'agent sense control converteixen un demo de 40 dòlars en una factura de 4.000.
El sisè punt aborda la seguretat i la privacitat: injecció de prompts, fuga de dades a través del context, validació de sortides. Si el candidat mai ha considerat que un usuari pugui pegar 'ignora instruccions anteriors', hi ha una bretxa perillosa.
El setè punt és la metodologia AI-first: ¿fan servir IA per construir? Generació de codi, revisió automàtica, creació de tests. La diferència de velocitat 10x o 20x el 2026 prové més del flux de treball que de l'habilitat tècnica bruta.
Per a l'entrevista, oblida el LeetCode. Planteja un problema acotat i realista: 'Dissenya un agent de triatge de suport per a aquest producte'. Observa com raona en veu alta sobre avaluacions, costos i modes de fallada. El pensament és el senyal.
Decidir entre construir internament, externalitzar o associar-se depèn del context. Construeix internament només si la IA és el teu producte central, ja tens talent sènior en ML i el teu cicle d'iteració és inferior a 48 hores. En cas contrari, l' opció realista per a un primer desplegament en producció és un soci que lliuri en setmanes i transfereixi el coneixement a un únic sènior que supervisi la construcció, de manera que la teva empresa domini l' arquitectura en finalitzar el compromís.
En Q2BSTUDIO entenem aquesta complexitat. Ajudem les empreses a dissenyar i implementar solucions d'intel·ligència artificial per a empreses que realment funcionen en producció, amb aplicacions a mesura que integren agents IA, optimitzen costos d'inferència i garanteixen seguretat des del disseny. Els nostres serveis abasten des de l'arquitectura cloud en AWS i Azure fins a la implementació de quadres de comandament amb Power BI, passant per ciberseguretat i pentesting. No només avaluem talent; construïm equips i sistemes que escalen.
En definitiva, avaluar un enginyer d'IA el 2026 exigeix mirar més enllà dels frameworks i els cursos. Cerca evals, consciència de costos i cicatrius de producció. Aquesta combinació val més que qualsevol nom de tecnologia en un currículum.
.jpg)
.jpg)
