Diferencias entre un Engineering Manager tradicional y un AI/ML Engineering Manager

El rol del Engineering Manager (EM) ha evolucionado rápidamente con la adopción masiva de la inteligencia artificial y el aprendizaje automático. Aunque la gestión de personas, el desarrollo de talento y la alineación con los objetivos de negocio siguen siendo la base de ambas posiciones, la naturaleza técnica y operativa de los proyectos marca diferencias fundamentales entre un EM tradicional y un AI/ML Engineering Manager.

---

1. Paradigma del software: Determinista vs. Probabilístico

La diferencia principal radica en la naturaleza del producto que lideran:

• EM Tradicional: Gestiona desarrollo de software determinista. Dado un conjunto de entradas y una lógica de código definida, el resultado esperado es predecible. La resolución de errores pasa por corregir la lógica del código o los flujos de datos.
• AI/ML EM: Gestiona sistemas probabilísticos. El comportamiento del sistema depende de los datos, los modelos y la probabilidad. Un sistema puede fallar no por un error en el código, sino por sesgos en los datos de entrenamiento, alucinaciones en modelos de lenguaje o degradación del modelo con el tiempo (data drift).

2. Planificación y gestión de la incertidumbre

El ciclo de vida de los proyectos cambia radicalmente la forma de estimar plazos y entregables:

• EM Tradicional: Utiliza metodologías ágiles (Scrum, Kanban) con estimaciones basadas en tareas y funcionalidades claras. El riesgo suele estar ligado a la complejidad técnica o a la integración.
• AI/ML EM: Debe incorporar una fase de investigación y experimentación donde el éxito inicial no está garantizado. Su rol implica gestionar las expectativas de los ejecutivos (*stakeholders*) y establecer métricas de éxito del negocio frente a métricas de precisión técnica (como *Accuracy*, *F1-Score* o calidad de respuesta en RAG).

3. Arquitectura, infraestructura y costos (AI FinOps)

La gestión técnica y de presupuesto requiere un enfoque muy distinto:

• EM Tradicional: Se enfoca en arquitecturas web/cloud estándar, microservicios, bases de datos relacionales o NoSQL, y escalabilidad en función del tráfico de usuarios.
• AI/ML EM: Supervisa infraestructura especializada (GPUs, clusters de entrenamiento, bases de datos vectoriales) y flujos de datos complejos. Además, debe dominar la optimización de costos (AI FinOps), decidiendo cuándo utilizar modelos propietarios mediante API o alojar modelos de código abierto (*open-source*) en infraestructura propia.

4. MLOps y monitoreo continuo

El concepto de "listo para producción" se redefine:

• EM Tradicional: Una vez que el código se prueba y se despliega mediante CI/CD, el sistema suele ser estable a menos que cambien los requerimientos o el volumen de usuarios.
• AI/ML EM: Requiere implementar prácticas de MLOps / LLMOps. Un modelo desplegado en producción comienza a degradarse desde el primer día. El manager debe asegurar marcos de evaluación continua (*Evals*), monitoreo de respuestas, prevención de *prompt injection* y alineación con normativas de seguridad y privacidad de datos.

---

Tabla comparativa rápida

Aspecto	Engineering Manager Tradicional	AI/ML Engineering Manager
Lógica del sistema	Determinista (Código / Reglas)	Probabilística (Modelos / Datos)
Ciclo de desarrollo	Construcción e Integración directa	Experimentación, Entrenamiento y Evaluación
Operaciones	DevOps / CI/CD tradicional	MLOps / LLMOps / Gobernanza de modelos
Métricas clave	Uptime, Latencia, Cobertura de tests	Precisión del modelo, Costo por token, Drift

Conclusión

Un AI/ML Engineering Manager no necesita ser un investigador de doctorado, pero sí debe actuar como el puente entre la incertidumbre científica del aprendizaje automático y las necesidades pragmáticas del negocio. Quienes logren combinar la excelencia en liderazgo con una sólida comprensión del ciclo de vida de la IA serán los perfiles más codiciados de la industria.