Cómo convertirte en Forward Deployed Engineer en 10 pasos: $785 mil al año (curso completo)

Forward Deployed Engineer pasó de ser una curiosidad de Palantir a el rol más reclutado en IA en doce meses: las ofertas aumentaron un 729%.

Esta es la hoja de ruta en 10 pasos para llegar: qué hace realmente el trabajo, el stack que te consigue el puesto y la ronda de entrevista que elimina al 60% de quienes pasan la prueba de programación.

Sigue mi Substack para recibir lo último en IA:

movez.substack.com

Eso no es el paquete de un científico de investigación. Tampoco es el de un ingeniero sénior en una gran empresa tecnológica.

Es la tarifa vigente para un ingeniero que hace algo que casi nadie optimiza en su carrera: lograr que la IA realmente funcione dentro de una empresa real.

Nadie le está pidiendo a esta persona que entrene un modelo. No necesita un doctorado, ni tiene que vencer a nadie en acertijos de algoritmos.

Necesita entrar a un negocio con sistemas heredados, un departamento de cumplimiento normativo y un equipo de operaciones escéptico, y salir seis semanas después con algo que funcione.

La razón por la que pagan tanto es una estadística. Un estudio del MIT NANDA sobre 300 proyectos empresariales de IA encontró que el 95% generó poco o ningún impacto medible en pérdidas y ganancias.

Los modelos funcionaban bien. Las implementaciones murieron, porque nadie pudo hacer que hablaran con una base de datos heredada, superaran una revisión de cumplimiento o sobrevivieran al ser entregadas al equipo que las heredó.

El nombre se tomó prestado del ámbito militar: forward deployed (despliegue avanzado) significa estacionar unidades especializadas cerca del teatro de operaciones en lugar de dejarlas en el cuartel general.

Palantir creó la versión moderna a principios de la década de 2010 y los llamó Deltas; hasta 2016, la empresa tenía más Deltas que ingenieros de software.

La premisa era que los clientes no necesitaban más funciones del producto. Necesitaban ingenieros que pudieran hacer que el producto funcionara dentro de sus entornos fragmentados, heredados, regulados y políticamente complicados.

Esa premisa fue un nicho durante una década. Luego la IA rompió el SaaS genérico y se convirtió en el centro del juego.

Esto no es una descripción de puesto. Es una estrategia de comercialización — y las personas que la ejecutan son los ingenieros no investigadores mejor pagados de la industria.

01. Aprende qué es realmente el trabajo

Un FDE (Forward Deployed Engineer) es el ingeniero que la empresa envía al cliente. No para una llamada de ventas, ni para una reunión de inicio — durante semanas seguidas, sentado junto a las personas que realmente usarán el producto, aprendiendo su flujo de trabajo con lujo de detalle, y enviando código personalizado que haga funcionar su versión del producto.

El mejor modelo mental no es el de consultor ni el de ingeniero de soluciones. Es el de ingeniero fundador, trabajando en el producto de otro.

No hay un PM en la sala para decidir el alcance, ni un ingeniero sénior a quien escalar la arquitectura, ni un backlog que te diga qué es importante: tú decides qué construir, qué simular y a qué oponerte, en la sala, esa misma semana.

El ritmo típico en las principales empresas de IA es notablemente consistente: un FDE se sienta con un cliente durante cuatro a ocho semanas, entrega algo que funciona, y luego el equipo de ingeniería principal va convirtiendo en producto lo que resultó ser generalizable.

Ese ciclo es el punto estratégico de todo el rol. Estás generando ingresos y, al mismo tiempo, haciendo la investigación de producto de mayor fidelidad de la empresa.

02. Entiende por qué explotó el rol

Ese 95% del inicio es la base de toda esta trayectoria profesional, así que vale la pena entenderlo con precisión.

• Esos proyectos empresariales de IA no fracasaron porque los modelos fueran malos.
• Fracasaron en la integración: sistemas que no podían comunicarse con bases de datos SQL heredadas, no podían manejar la autenticación SAML del cliente, no podían cumplir con los requisitos de residencia de datos y no podían ser mantenidos por el equipo de operaciones que los heredó.

Tres fuerzas apuntaron entonces en la misma dirección a la vez.

• La IA rompió el SaaS genérico — la promesa horizontal de comprar y enchufar sobrevive en categorías maduras, pero no en IA, donde cada empresa tiene datos únicos, flujos de trabajo únicos, restricciones de cumplimiento únicas y su propia definición de "suficientemente bueno". Vender IA a una Fortune 500 ahora es también vender un proyecto de integración.
• Los laboratorios necesitan implementar a la velocidad que avanza la tecnología — una integración de seis meses mata un piloto antes de que aterrice.
• Y las herramientas de IA hicieron que la economía cerrara: con Claude Code y el stack moderno, un solo FDE fuerte hace lo que hace unos años requería un equipo de tres, que es la única razón por la que enviar a una persona al sitio durante seis semanas tiene sentido financiero.

Fíjate en lo que eso significa para ti. El cuello de botella en IA ya no es la capacidad. Es la implementación — y el mercado está revalorizando en consecuencia.

03. Mapea el mercado y elige objetivos

El título es inestable, y eso es lo primero práctico que debes saber: buscar solo "Forward Deployed Engineer" ocultará la mayor parte del mercado.

El mismo puesto aparece como Applied AI Engineer (el nombre que le da Anthropic), Forward Deployed Software Engineer o FDSE (el de Palantir), Solutions Engineer, Deployment Engineer y Founding Engineer (Customer Facing) en startups más pequeñas. Búscalos todos.

El crecimiento no es sutil. Las ofertas de FDE en Indeed pasaron de 643 en abril de 2025 a 5,330 en abril de 2026, un aumento del 729% en doce meses.

A mediados de 2026 había 224 puestos de FDE abiertos en 39 empresas de IA, y eso cuenta solo lo que se publicó oficialmente. Salesforce se comprometió a contratar a mil. EY lanzó una práctica dedicada de FDE en el Reino Unido e Irlanda en abril de 2026, la primera gran consultora en adoptar formalmente el modelo.

La compensación refleja la escasez y se divide claramente por niveles. Datos de Levels.fyi sitúan la compensación total promedio en EE. UU. en alrededor de $238,000, con un rango típico de $205,000 a $486,000, y los FDE de nivel sénior superan los $630,000. La mediana de Palantir ronda los $215,000.

En los laboratorios frontera es un mercado completamente diferente: los FDE sénior en Anthropic y OpenAI superan los $785,000, con los Applied AI Engineers de Anthropic por encima de los $300,000 de base en niveles sénior y la compensación total superando regularmente los $500,000.

Un detalle de planificación que vale la pena tener desde el principio: Anthropic normalmente no negocia las ofertas.

04. Desarrolla amplitud en ingeniería

Esta es la parte contraintuitiva, y es donde los ingenieros que vienen de una trayectoria especializada se equivocan.

Los FDE más fuertes no son los ingenieros más profundos que tiene su empresa.

Son los que pueden manejar seis dominios a la vez en su cabeza y cambiar entre ellos con facilidad. La profundidad en un área vale menos aquí que ser genuinamente sólido en todo.

Concretamente, el piso mínimo se ve así. Python y TypeScript cubren la mayor parte del terreno que tocarás. Una nube: AWS, GCP o Azure, elige la que realmente usen tus clientes objetivo.

Una base de datos que conozcas bien y puedas depurar bajo presión, y un framework de frontend con el que puedas armar una interfaz funcional.

Eso es suficiente para empezar. No necesitas ser el mejor ingeniero en la sala; necesitas ser la única persona en la sala que pueda hacerlo todo.

Dos capas más blandas importan tanto como las técnicas, y son lo que la entrevista realmente evaluará.

Criterio de producto, porque tú eres el PM en la sala y nadie más decidirá qué construir versus qué simular.

Y visión de negocio: alguien preguntará cuál es el ROI de esto, y necesitarán la respuesta para defender el proyecto ante su propia dirección.

Enmarcar tu trabajo en dólares y horas ahorradas es una habilidad real y aprendible que la mayoría de los ingenieros nunca practican.

05. Aprende a implementar IA, no a entrenarla

Este es el error más común que separa a los ingenieros de este puesto: asumen que necesitan poder entrenar modelos.

No es así. Nadie le pide a un FDE que ajuste un modelo. Pero sí necesitas implementarlos, que es un conjunto de habilidades completamente diferente y mucho más aprendible.

La capa nativa de IA ya está bien definida. Ingeniería de prompts sólida. Fluidez con las principales API de modelos.

• Patrones RAG — y específicamente, saber cuándo la recuperación es la respuesta incorrecta.
• Salidas estructuradas, porque los sistemas de producción necesitan formas validadas, no prosa.
• Disciplina básica de evaluaciones, que es la capa que separa a quienes hacen demostraciones de quienes implementan.

Y al menos un framework de agentes en el que hayas construido algo real.

Orienta tu preparación hacia evaluaciones y modos de fallo, porque de eso está hecha realmente la implementación empresarial. Depurar alucinaciones, fallos de recuperación, malas llamadas a herramientas, flujos de trabajo frágiles de varios pasos.

Saber razonar sobre latencia, costo, confiabilidad y seguridad como compensaciones, no como casillas de verificación.

1# Evalúa del 1 al 5. Cualquier cosa por debajo de 3 es tu próximo mes de trabajo.
2
3## Amplitud en ingeniería          # sólido, no de élite
4[ ] Python // backend, scripts, datos
5[ ] TypeScript // integraciones + un frontend utilizable
6[ ] Una nube, haber implementado algo real en ella
7[ ] Una base de datos, poder depurarla bajo presión
8[ ] Poder montar una UI funcional en un día
9
10## Nativo de IA                     # implementa, no entrenes
11[ ] Ingeniería de prompts más allá de prueba y error
12[ ] APIs de modelos: streaming, uso de herramientas, presupuestos de tokens
13[ ] RAG // y saber cuándo la recuperación es la respuesta INCORRECTA
14[ ] Salidas estructuradas + validación de esquemas
15[ ] Evaluaciones // la capa que separa demo de producción
16[ ] Un framework de agentes, algo realmente construido
17
18## La mitad que nadie practica
19[ ] Dirigí un taller con un interesado no técnico
20[ ] Dije "no deberíamos construir eso" a un cliente que paga
21[ ] Expresé mi trabajo en dólares u horas ahorradas
22[ ] Aprendí una industria desconocida lo suficientemente bien como para implementar en ella

Cualquiera puede hacer que una demo funcione; todo el valor de un FDE está en ser la persona que sabe por qué la demo no sobrevivirá al contacto con una empresa real, y qué hacer al respecto.

06. Construye los tres artefactos que compran las empresas

Aquí es donde una hoja de ruta genérica de "aprende IA" deja de ser útil y los detalles empiezan a importar.

Las propias ofertas de FDE de Anthropic describen los entregables claramente: te integras con clientes estratégicos para construir aplicaciones de producción con Claude, y entregas servidores MCP, subagentes y habilidades de agente.

Esos tres artefactos son la unidad concreta de trabajo.

• Los servidores MCP son la capa de integración: lo que conecta a Claude con los sistemas reales del cliente: su sistema de tickets, su almacén de datos, su API interna que no tiene documentación y solo una persona la entiende.
• Las habilidades de agente codifican el flujo de trabajo específico del cliente y el conocimiento institucional, para que Claude siga su proceso en lugar de uno genérico.
• Los subagentes manejan el trabajo que de otro modo reventaría una ventana de contexto en una tarea de larga duración.

Construye uno de cada uno, contra un sistema real, y tendrás algo que casi ningún candidato tiene: un portafolio exactamente de los artefactos que produce el puesto.

1# El artefacto que un FDE realmente entrega: Claude, conectado a un sistema
2# que nadie diseñó para ello. API heredada, sin documentación, un tipo que la conoce.
3
4from mcp.server.fastmcp import FastMCP
5
6mcp = FastMCP("warehouse-ops")
7
8@mcp.tool()
9def find_stalled_shipments(hours_stalled: int = 24) -> list[dict]:
10    """Envíos sin evento de escaneo en N horas. Úsalo cuando operaciones pregunte
11    qué está atascado, o antes de una revisión de escalamiento de cliente."""
12    # El trabajo real: su esquema heredado, su peculiaridad de zona horaria,
13    # su columna de borrado lógico que nadie documentó.
14    return query(STALLED_SQL, hours_stalled)
15
16@mcp.tool()
17def reroute(shipment_id: str, hub: str, reason: str) -> dict:
18    """Redirigir un envío. Escribe una fila de auditoría — el cumplimiento
19    requiere una cadena de motivo en cada intervención manual."""
20    return post_with_audit(shipment_id, hub, reason)
21
22# Nota lo que hace que esto sea un artefacto de FDE y no una demo:
23#   - los docstrings dicen CUÁNDO usar la herramienta, no solo qué hace
24#   - la fila de auditoría existe porque su equipo de cumplimiento lo exige
25#   - las peculiaridades del esquema se manejan aquí, no se dejan para el modelo

Un servidor MCP que envuelve una API genuinamente desordenada es una señal de contratación más fuerte que cualquier certificado, porque demuestra lo que no pueden probar de otro modo: que puedes hacer que un modelo de frontera sea útil dentro de un sistema que nadie diseñó para ello.

07. Domina Claude Code como tu multiplicador

Recuerda la tercera fuerza del Paso 2, la subestimada. Las herramientas de IA hicieron que los FDE fueran dramáticamente más productivos, y eso es lo que hizo que el rol fuera económicamente viable a escala.

Un solo FDE fuerte ahora hace el trabajo que requería un equipo de tres hace unos años. Enviar a una sola persona al sitio durante seis semanas solo tiene sentido financiero gracias a ese multiplicador.

Por lo tanto, las herramientas no son un lujo adicional al trabajo; son parte de la base del caso de negocio para tu puesto.

En la práctica, eso significa que la fluidez con Claude Code es parte del stack de habilidades, no algo adjunto.

Los puntos de apalancamiento específicos se corresponden directamente con el trabajo del FDE: integrarse rápidamente en un código base desconocido cuando llegas a un nuevo cliente, escribir el pegamento de integración que constituye la mayor parte de tu producción, y delegar investigación a subagentes para que una tarea larga de implementación no colapse bajo su propio contexto.

También hay una razón de señal de contratación para volverse bueno en esto, y es inusualmente directa. En la pantalla de caso de uso técnico de Anthropic, es posible que te den acceso a Claude y te pidan que resuelvas el problema con él — deliberadamente, porque refleja el trabajo real.

La forma en que manejas el modelo es parte de lo que se evalúa. Practicar eso es prepararse para la entrevista y hacer el trabajo al mismo tiempo.

1› Usa un subagente para mapear cómo fluyen los pedidos desde la recepción hasta el
2cumplimiento en este repositorio. Necesito el modelo de datos, los puntos de integración y
3cualquier lugar donde el estado se pueda escribir dos veces. Escríbelo en notes/orders.md.
4
5● Generando subagente de investigación · ventana de contexto separada
6● Leídos 23 archivos · 41.2k tokens — ninguno en tu ventana
7
8✓  Resumen de 680 tokens devuelto → notes/orders.md Encontrado: la recepción escribe en `orders` Y `legacy_orders`. El trabajo de
9conciliación se ejecuta todas las noches. Cualquier cosa que falle entre las 18:00 y el trabajo de las 02:00 es invisible para operaciones.
10
11 › Ese vacío es la queja real del cliente. Redacta la herramienta MCP
12que muestre esos pedidos en tránsito, luego repasamos con operaciones.
13día 2. el proveedor anterior tardó seis semanas en encontrar esto.

08. Implementa una implementación real para un usuario real

Cada oferta de trabajo de FDE filtra la misma frase de alguna forma: sistemas de IA implementados en producción. No estudiados, no prototipados: implementados, para alguien que dependía de ello.

Ese es el muro con el que se topan la mayoría de los candidatos, y es lo único en esta lista que no puedes superar solo leyendo.

Así que fabrica la experiencia deliberadamente. Encuentra un flujo de trabajo real que pertenezca a alguien que no seas tú — un pequeño negocio, una organización sin fines de lucro, un equipo dentro de tu empresa actual, el proceso de operaciones de un amigo.

Siéntate con ellos. Obsérvalos trabajar. Construye la herramienta que elimine la peor parte de su semana, impleméntala donde realmente la usen, y luego quédate el tiempo suficiente para arreglar lo que se rompa.

Esa última parte no es opcional: todo el trabajo es lo que sucede después de la demo.

Luego escríbelo como lo reportaría un FDE, porque el informe es la mitad del artefacto. No "construí un chatbot RAG con LangChain".

En su lugar: cuánto costaba su flujo de trabajo antes en horas, qué restricciones no pudiste cambiar, qué elegiste deliberadamente no construir, qué se rompió en la segunda semana, y cuánto les cuesta ahora.

1# Triaje de despacho para una empresa de plomería con 14 camionetas
2// Estructura esto como un informe post-mortem de FDE, no como un README de proyecto.
3
4## El flujo de trabajo antes
5El despachador dedicaba ~2.5 h/día leyendo notas de trabajo y reasignando camionetas.
6Dos personas renunciaron por ello en un año. Nadie lo había cronometrado nunca.
7
8## Restricciones que no pude cambiar
9- Los datos de programación viven en una herramienta alojada con una API de solo lectura.
10- El despachador no usará una nueva aplicación. Tenía que vivir en SMS.
11- El dueño no aprobaría nada que tocara los datos de pago del cliente.
12
13## Lo que deliberadamente NO construí
14Reasignación automática. No confiaban en ella y la habrían desactivado en la primera semana.
15En su lugar, sugerencia + aprobación con un toque.
16// Tener razón en esto importó más que la elección del modelo.
17
18## Lo que se rompió en la segunda semana
19Las notas de trabajo tenían apodos inconsistentes para las camionetas ("azul grande" vs "V-3").
20Lo solucioné con una tabla de alias que el despachador edita ella misma.
21// Esta es la parte que separa lo implementado de lo demostrado.
22
23## Después
24~40 min/día. Funcionó 5 meses. Ella todavía lo usa. El dueño agregó 2 camionetas.

Ese documento es tu entrevista. Cada gerente de contratación que lo lea aprenderá más sobre ti de lo que cualquier línea de currículum podría contarles.

09. Aprende descubrimiento de clientes

Este es el paso que debes leer dos veces. El ciclo de entrevista de Applied AI Engineer de Anthropic incluye una ronda de conversación con el cliente, y tiene un peso oculto: filtra aproximadamente al 60% de los candidatos que ya aprobaron las etapas de programación.

Ingenieros fuertes, eliminados en la ronda para la que no se prepararon. Mientras tanto, el 73% de los FDE de laboratorios frontera reportan que realizar conversaciones de descubrimiento fue la habilidad para la que menos preparados estaban al venir de un trasfondo tradicional de software.

El modo de fallo es predecible y casi universal: el candidato escucha un problema del cliente y empieza a resolverlo. Propone una arquitectura. Algunos abren un editor.

• Los candidatos que avanzan hacen lo contrario — manejan la ronda como una entrevista de investigación. Preguntan sobre los criterios de evaluación actuales del comprador.
• Preguntan sobre implementaciones de IA fallidas anteriores, que es donde están enterradas todas las restricciones reales. Preguntan qué es lo que genuinamente no puede cambiar: cumplimiento, latencia, residencia de datos.
• Preguntan qué flujo de trabajo específico reemplazaría esto y quién pierde trabajo si tiene éxito. Toman notas. Reflejan lo que escucharon. No escriben código.

Anthropic filtra explícitamente por esto porque los acuerdos empresariales de Claude no se cierran solo con profundidad técnica. Es una habilidad aprendible — y puedes practicarla en las mismas sesiones del Paso 8.

1# Maneja la ronda como un investigador. Resolver demasiado pronto es la señal.
2
3## Saca a la luz las restricciones reales
4- ¿Qué han intentado ya aquí, y por qué se detuvo?
5  // las implementaciones fallidas esconden todas las restricciones que importan
6- ¿Qué no puede cambiar sin importar lo que construyamos?
7  // cumplimiento, latencia, residencia de datos, el contrato sindical
8- ¿Quién tiene que aprobar esto, y a qué se opondrán?
9
10## Encuentra el flujo de trabajo real
11- Guíame por la última vez que esto salió mal.
12- ¿Quién hace esto hoy, y cuánto les cuesta por semana?
13- ¿Qué pasa río abajo si nos equivocamos a las 3 a.m.?
14
15## Define "suficientemente bueno" — el de ellos, no el tuyo
16- ¿Qué precisión haría que desactivaras esto?
17- ¿Cómo sabrás en 90 días si esto funcionó?
18- ¿Qué hará en su lugar la persona que hace esto hoy, después?
19
20## Cierra el ciclo
21- Refleja lo que escuchaste. Haz que lo corrijan.
22- Nombra lo que NO construirías, y por qué.
23// Decir "no deberíamos construir eso" es una señal de seniority, no una evasiva.

Cada vez que te sientas con la persona cuyo flujo de trabajo estás arreglando, estás ensayando esta ronda.

10. Recorre el ciclo de entrevista

El ciclo es inusualmente consistente en las principales empresas, y está diseñado para filtrar en ambas direcciones a la vez: contra ingenieros puramente algorítmicos que no pueden comunicarse, y contra consultores fluidos que no saben programar.

Espera aproximadamente cinco etapas:

• Una entrevista de reclutador sobre motivación, antecedentes y ajuste de nivel.
• Una pantalla de caso de uso técnico — en Anthropic, un escenario práctico en torno a la implementación de Claude con herramientas MCP, donde planificas y ejecutas una tarea de larga duración y razonas sobre confiabilidad, gestión de la ventana de contexto y consistencia en producción.
• Una ronda de programación que es práctica en lugar de LeetCode: un limitador de tasa, procesamiento de datos en streaming, una cola de trabajos distribuida, un asignador de presupuesto de tokens, un orquestador de uso de herramientas estructurado — a menudo con nuevas restricciones del cliente añadidas a mitad del ejercicio para ver si refactorizas limpiamente.
• Una ronda con el gerente de contratación sobre proyectos anteriores y razonamiento con el cliente. Luego un panel final sobre diseño de soluciones y valores.Dos notas de preparación que la gente omite.
• La alineación con la misión se evalúa seriamente en Anthropic — lee las Visiones Centrales sobre Seguridad en IA, la Política de Escalado Responsable y el trabajo reciente de interpretabilidad antes de postularte; el entusiasmo genérico no pasa.

Y sus ofertas piden "juicio calibrado sobre los riesgos del modelo", que es el punto que elimina silenciosamente a candidatos por lo demás fuertes. Ser capaz de decir claramente dónde no implementarías un modelo, y por qué, es parte del estándar.

Seis puntos de partida — encuentra el tuyo

• Agrega la capa de IA, mantén el rigor. Tus instintos de producción son la mitad escasa — la mayoría de los candidatos nativos de IA nunca han ejecutado nada real. Agrega prompting, APIs de modelos, salidas estructuradas y evaluaciones, luego implementa un servidor MCP contra un sistema interno desordenado.
• Deja de entrenar, empieza a aterrizar. Estás sobrecalificado en modelado y subcalificado en todo lo demás. El trabajo es integración, restricciones e interesados. Construye deliberadamente algo aburrido que sobreviva una revisión de cumplimiento y una transferencia a operaciones.
• Ve a donde están las implementaciones. Los roles de FDE en laboratorios frontera rara vez son de nivel inicial. Apunta un anillo más afuera — las startups y consultoras que implementan IA en empresas — donde harás el mismo trabajo con menos barreras de entrada, y luego asciendes en dos años.
• Cierra la brecha de programación, rápido. Ya tienes la mitad que elimina al 60% de los solicitantes. Ahora supera la ronda de programación: ejercicios prácticos, no LeetCode — limitadores de tasa, streaming, colas de trabajos, orquestadores de uso de herramientas, escritos limpiamente bajo restricciones cambiantes.
• Demuestra que realmente puedes construir. El descubrimiento y la gestión de interesados ya son tuyos. El ciclo está diseñado explícitamente para filtrar a los que hablan bien pero no saben programar — así que toda tu preparación es un sistema implementado, mantenido y documentado públicamente.
• Puede que ya estés haciendo este trabajo. Los ingenieros de plataforma interna que trabajan con unidades de negocio están ejecutando el movimiento de FDE bajo un título diferente. Reescribe tu experiencia en el lenguaje del rol — flujos de trabajo cambiados, horas ahorradas, restricciones navegadas — y eres un candidato viable hoy.

Conclusión:

Lo escaso nunca fue el modelo. Es la persona que puede aterrizarlo.

La capacidad dejó de ser el cuello de botella en algún momento de los últimos dos años.

Lo que ahora escasea es el ingeniero que puede entrar a una empresa con sistemas heredados, un departamento de cumplimiento y un equipo de operaciones escéptico — y salir seis semanas después con algo que realmente funcione.

Esa es una combinación extraña de habilidades, que es exactamente por qué pagan como lo hacen. Amplitud en ingeniería sobre profundidad. Juicio sin un PM en quien apoyarse. La paciencia para sentarse en la realidad desordenada de otro el tiempo suficiente para entenderla antes de escribir una línea de código.

La mayoría de los ingenieros seguirán optimizando para los roles que existían en 2020. Quienes aprendan a implementar se adueñarán de la década — porque cada modelo que se entregue de aquí en adelante aún tiene que sobrevivir al contacto con una empresa real.