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

Aquí tienes la traducción al español del texto original, siguiendo todas las pautas indicadas: preservando marcas, formato, términos técnicos, nombres de producto y URLs, y adaptando el lenguaje para que sea natural y nativo.

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

Esta es la hoja de ruta de 10 pasos para conseguirlo: qué es realmente el trabajo, el stack que te abre las puertas y la ronda de entrevista que elimina al 60% de las personas que pasan la prueba de código.

Sigue mi Substack para recibir contenido fresco de IA:

movez.substack.com

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

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

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

Necesita entrar en una empresa 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 paga tanto es una estadística. Un estudio del MIT NANDA sobre 300 proyectos empresariales de IA encontró que el 95% produjo poco o ningún impacto medible en pérdidas y ganancias.

Los modelos funcionaban bien. Los despliegues fracasaron — porque nadie podía hacerlos hablar con una base de datos heredada, pasar una revisión de cumplimiento o sobrevivir al ser entregados al equipo que los heredó.

El nombre está tomado del ámbito militar: forward deployed significa estacionar unidades especializadas cerca del teatro de operaciones en lugar de en el cuartel general.

Palantir construyó la versión moderna a principios de la década de 2010 y los llamó Deltas — y 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 juego completo.

Esto no es una descripción de puesto. Es una estrategia de salida al mercado — 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 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 doloroso detalle y enviando código personalizado que haga funcionar su versión del mismo.

El mejor modelo mental no es el de consultor ni el de ingeniero de soluciones. Es 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 importa — tú decides qué construir, qué simular y a qué oponerte, en la sala, esa misma semana.

El ritmo típico en las mejores empresas de IA es notablemente consistente: un FDE se sienta con un cliente durante cuatro a ocho semanas, envía algo que funciona, y luego la organización de ingeniería central convierte lentamente en producto lo que resultó ser general.

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

02. Entiende por qué el rol explotó

Ese 95% del inicio es la base de toda esta carrera 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 hablar 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 comprarlo y enchufarlo 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 lo que es suficientemente bueno. Vender IA a una Fortune 500 ahora es también vender un proyecto de integración.
• Los laboratorios necesitan desplegar a la velocidad a la 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 cuadrara: con Claude Code y el stack moderno, un FDE fuerte hace lo que hace unos años requería un equipo de tres, que es la única razón por la que enviar a un humano onsite durante seis semanas tiene sentido económicamente.

Fíjate en lo que eso significa para ti. El cuello de botella en IA ya no es la capacidad. Es el despliegue — y el mercado está revalorizándose 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" te ocultará la mayor parte del mercado.

El mismo puesto aparece como Applied AI Engineer (el nombre de 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. 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 nivel. Los datos de Levels fyi sitúan la compensación total media en EE. UU. en torno a los $238.000, con un rango típico de $205.000 a $486.000 y FDEs de nivel staff superando los $630.000. La mediana de Palantir ronda los $215.000.

En los laboratorios de 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 una compensación total que supera regularmente los $500.000.

Una nota 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 mantener seis dominios en su cabeza a la vez y cambiar entre ellos con facilidad. La profundidad en un área vale menos aquí que ser genuinamente sólido en todas ellas.

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

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

Eso es suficiente para empezar. No necesitas ser el mejor ingeniero de 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 sondeará.

Juicio de producto, porque eres el PM en la sala y nadie más decidirá qué construir frente a 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 enviar IA, no a entrenarla

Este es el error más común que separa a los ingenieros de este trabajo: asumen que necesitan ser capaces de entrenar modelos.

No es así. Nadie le pide a un FDE que ajuste nada. Definitivamente necesitas enviarlos, que es un conjunto de habilidades completamente diferente y mucho más aprendible.

La capa nativa de IA está bien definida en este punto. Ingeniería de prompts sólida. Fluidez con las principales APIs de modelos.

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

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

Orienta tu preparación hacia evals y modos de fallo, porque de eso está hecho realmente el despliegue empresarial. Depurar alucinaciones, fallos de recuperación, malas llamadas a herramientas, flujos de trabajo frágiles de varios pasos.

Saber razonar sobre latencia, coste, fiabilidad y seguridad como compensaciones, no como casillas de verificación.

1# Puntúa del 1 al 5. Cualquier cosa por debajo de 3 es tu próximo mes de trabajo.
2
3## Amplitud de ingeniería          # sólido, no de élite
4[ ] Python // backend, scripts, datos
5[ ] TypeScript // integraciones + un frontend utilizable
6[ ] Una nube, haber desplegado algo real en ella
7[ ] Una base de datos, poder depurarla bajo presión
8[ ] Poder montar una interfaz funcional en un día
9
10## Nativo de IA                     # envía, no entrenes
11[ ] Ingeniería de prompts más allá de prueba y error
12[ ] APIs de modelo: streaming, uso de herramientas, presupuestos de tokens
13[ ] RAG // y saber cuándo la recuperación es la RESPUESTA EQUIVOCADA
14[ ] Salidas estructuradas + validación de esquemas
15[ ] Evals // la capa que separa la demo de la producción
16[ ] Un framework de agentes, algo realmente construido
17
18## La mitad que nadie practica
19[ ] Dirigiste un taller con una parte interesada no técnica
20[ ] Dijiste "no deberíamos construir eso" a un cliente que paga
21[ ] Expresaste tu trabajo en dólares u horas ahorradas
22[ ] Aprendiste una industria desconocida lo suficiente como para enviar en ella
236
24Construye el stack

Cualquiera puede hacer que una demo funcione; todo el valor de un FDE es 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 envías 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, su API interna que no tiene documentación y que una sola persona 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 trabajo.

1# El artefacto que un FDE realmente envía: Claude, conectado a un sistema
2# que nadie diseñó para ello. API heredada, sin documentación, un tipo que la entiende.
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 suave 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 — cumplimiento
19    requiere una cadena de motivo en cada intervención manual."""
20    return post_with_audit(shipment_id, hub, reason)
21
22# Nota sobre 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 requiere
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 otra manera: 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 FDE fuerte ahora hace el trabajo que hace unos años requería un equipo de tres. Enviar a un solo humano onsite durante seis semanas solo tiene sentido económico 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 adyacente.

Los puntos de apalancamiento específicos se corresponden directamente con el trabajo de FDE: ponerte al día rápidamente en una base de código desconocida cuando llegas a un nuevo cliente, escribir el pegamento de integración que constituye la mayor parte de tu producción, y delegar la investigación a subagentes para que una tarea de despliegue larga 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 prueba técnica de caso de uso 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.

Cómo 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 cumplimiento
2en este repositorio. Necesito el modelo de datos, los puntos de integración y cualquier lugar
3donde el estado pueda escribirse dos veces. Escríbelo en notes/orders.md.
4
5● Generando subagente de investigación · ventana de contexto separada
6● Leídos 23 archivos · 41.2k tokens — nada de eso en tu ventana
7
8✓  Devuelto resumen de 680 tokens → notes/orders.md Encontrado: la recepción escribe en `orders` Y `legacy_orders`. El trabajo de conciliación se ejecuta
9por la noche. 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 guiamos a operaciones a través de ello.
13día 2. el proveedor anterior tardó seis semanas en encontrar esto.

08. Entrega un despliegue real para un usuario real

Cada oferta de trabajo de FDE busca la misma frase de alguna forma: sistemas de IA enviados a producción. No estudiados, no prototipados — enviados a alguien que dependía de ello.

Ese es el muro con el que se topan la mayoría de los candidatos, y es la única cosa 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 — una pequeña empresa, una organización sin fines de lucro, un equipo dentro de tu empresa actual, el proceso de operaciones de un amigo.

Siéntate con ellos. Mira cómo trabajan. Construye la cosa que elimine la peor parte de su semana, desplegarla 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 haría 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 fontanería con 14 furgonetas
2// Estructura esto como un análisis post-mortem de FDE, no como un README de proyecto.
3
4## El flujo de trabajo antes
5El despachador pasaba ~2.5h/día leyendo notas de trabajo y reasignando furgonetas.
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 de los clientes.
12
13## Lo que deliberadamente NO construí
14Reasignación automática. No confiaban en ella y la habrían desactivado
15en la primera semana. Sugerencia + aprobación con un toque en su lugar.
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 de furgonetas inconsistentes ("grande azul" vs "V-3").
20Arreglado con una tabla de alias que la despachadora edita ella misma.
21// Esta es la parte que separa lo enviado de lo demostrado.
22
23## Después
24~40 min/día. Funcionó durante 5 meses. Ella todavía lo usa. El dueño añadió 2 furgonetas.

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 para leer dos veces. El proceso 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 superaron las etapas de codificación.

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

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 despliegues de IA fallidos anteriores, que es donde están enterradas todas las restricciones reales. Preguntan qué no puede cambiar genuinamente: 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 esto porque los acuerdos empresariales de Claude no se cierran solo con profundidad técnica. Es una habilidad aprendible — y puedes practicarla exactamente 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  // los despliegues fallidos ocultan 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 la última vez que esto salió mal.
12- ¿Quién hace esto hoy, y cuánto les cuesta por semana?
13- ¿Qué pasa aguas abajo si nos equivocamos a las 3am?
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 hace la persona que hace esto hoy en su lugar, 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 senior, no una evasiva.

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

10. Ejecuta el proceso de entrevista

El proceso es inusualmente consistente en las mejores empresas, y está diseñado para filtrar en ambas direcciones a la vez — contra los ingenieros puramente algorítmicos que no pueden comunicarse, y contra los consultores hábiles que no pueden programar.

Espera aproximadamente cinco etapas:

• Una entrevista de reclutador sobre motivación, antecedentes y ajuste de nivel.
• Una prueba técnica de caso de uso — en Anthropic, un escenario práctico sobre el despliegue de Claude con herramientas MCP, donde planificas y ejecutas una tarea de larga duración y razonas sobre fiabilidad, gestión de la ventana de contexto y consistencia en producción.
• Una ronda de codificación 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 agregadas a mitad del ejercicio para ver si refactorizas limpiamente.
• Una ronda con el gerente de contratación sobre proyectos pasados y razonamiento con el cliente. Luego un panel final sobre diseño de soluciones y valores. Dos notas de preparación que la gente se salta.
• La alineación con la misión se evalúa seriamente en Anthropic — lee los Core Views on AI Safety, la Responsible Scaling Policy y los trabajos recientes 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 desplegarías un modelo, y por qué, es parte del listón.

Seis puntos de partida — encuentra el tuyo

• Añade 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. Añade prompting, APIs de modelo, salidas estructuradas y evals, luego envía un servidor MCP contra un sistema interno desordenado.
• Deja de entrenar, empieza a aterrizar. Estás sobrecualificado en modelado y subcualificado en todo lo demás. El trabajo es integración, restricciones y partes interesadas. Construye deliberadamente algo aburrido que sobreviva a una revisión de cumplimiento y a una transición de operaciones.
• Ve a donde están los despliegues. Los roles de FDE en laboratorios de frontera rara vez son de nivel inicial. Apunta un anillo más afuera — las startups y consultoras que despliegan IA en empresas — donde harás el mismo trabajo con menos barreras de entrada, y luego subirás en dos años.
• Cierra la brecha de codificación, rápido. Ya tienes la mitad que elimina al 60% de los solicitantes. Ahora supera la ronda de codificación: 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 partes interesadas ya son tuyos. El proceso está explícitamente diseñado para filtrar a los que hablan bien pero no saben programar — así que toda tu preparación es un sistema enviado, mantenido y documentado públicamente.
• Puede que ya estés haciendo este trabajo. Los ingenieros de plataforma interna que se sientan con las 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 en 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 paga como lo hace. Amplitud de ingeniería sobre profundidad. J

uicio sin ningún PM en quien apoyarse. La paciencia para sentarse en la realidad desordenada de otra persona el tiempo suficiente para entenderla antes de escribir una línea.

La mayoría de los ingenieros seguirán optimizando para los roles que existían en 2020. Los que aprendan a desplegar serán dueños de la década — porque cada modelo que se envíe de aquí en adelante aún tiene que sobrevivir al contacto con una empresa real.