Aprender inteligencia artificial no es lo que piensas. No es un grado de cuatro años ni tampoco ver videos de YouTube. Es un camino de 3-6 meses si tienes base en programación, o de 12-18 si partes de cero. Y la especialidad que elijas marca la diferencia entre conseguir trabajo o quedarte en el hobby.
Aquí va qué busca realmente la gente que quiere aprender IA, qué camino es el tuyo, y cuánto tiempo invertir de verdad.
- Los cuatro perfiles de alguien que quiere estudiar IA
- Ruta 1: Ya programo, quiero machine learning
- Ruta 2: Tengo base técnica pero no programo Python
- Ruta 3: No soy técnico pero quiero trabajar en IA
- Ruta 4: Solo quiero entender, sin trabajar en ello
- Herramientas por ruta
- Los errores que cometen casi todos
- El timing realista
- Preguntas frecuentes
Los cuatro perfiles de alguien que quiere estudiar IA
1. Estoy en programación ya y quiero pivotar: eres desarrollador backend, frontend o mobile. Ya sabes Python, Git, bases de datos. Tienes base de matemática universitaria o la aprendiste por tu cuenta. Tiempo: 3-4 meses de dedicación seria.
2. Tengo base técnica pero no programo: eres matemático, ingeniero, físico, o trabajas en análisis de datos con SQL y Excel. Entiendes matrices y derivadas. Necesitas aprender Python de cero. Tiempo: 6-8 meses.
3. No soy técnico pero quiero trabajar en IA: eres PM, marketero, gestor de proyectos o trabajas en un área no técnica. Tu camino no es aprender machine learning: es entender cómo funciona una IA, dónde se usan, qué problemas resuelven (eso lleva 2-3 meses) y luego especializarte en AI Product Management, prompt engineering o ética de IA.
4. Solo quiero entender qué es esto sin trabajar en ello: perfecto. Con 20-30 horas de video y un blog técnico tienes suficiente para seguir una conversación en una cena. No necesitas aprender a programar.
Ruta 1: Ya programo, quiero machine learning
Meses 1-2: Fundamentos de Python para IA
Si programas pero no has usado Python, empieza con Real Python o Codecademy. Lo que necesitas: NumPy, Pandas, Matplotlib. No es Python general: es Python para datos. 4-6 semanas.
Meses 2-3: Machine Learning desde cero
Aquí es donde separa a quien sabe de quien cree que sabe. Los cursos típicos empiezan mal. Las opciones que funcionan:
- Andrew Ng (Coursera): el curso clásico. Tarda 3 meses si lo haces bien (con los ejercicios). Es matemático, va lento al principio, pero enseña el pensamiento correcto.
- Fast.ai: lo opuesto. Empieza por código funcional, luego enseña la teoría de atrás. Si prefieres aprender haciendo, es tu camino.
- Kaggle Learn: corto, práctico, con datasets reales. Menos profundidad pero mucho más rápido.
Mes 3-4: Especialidad
Después de entender qué es una red neuronal, qué es overfitting y cómo validar un modelo, elige:
- Computer vision: visión por computadora, análisis de imágenes. Demanda media, salarios altos, mucho ruido de hype.
- NLP (procesamiento del lenguaje natural): IA de texto, chatbots, análisis de sentimientos. Demanda altísima ahora, sueldos grandes.
- Reinforcement learning: robots, videojuegos, control autónomo. Menos demanda laboral pero muy solicitado por las big tech.
- MLOps: no es machine learning, es el lado de «cómo llevar un modelo a producción sin que explote». Menos sexy pero sueldo de 80k+ enseguida.
Ruta 2: Tengo base técnica pero no programo Python
Meses 1-2: Aprender Python
Necesitas ser rápido porque ya sabes cómo piensan los programadores. Real Python o Automate the Boring Stuff with Python son suficientes. 6-8 semanas si dedicas 10-15 horas a la semana.
Meses 3-5: Machine Learning desde cero
Mismo que arriba (Ng / Fast.ai / Kaggle). Pero aquí tienes ventaja: tu base matemática es sólida, así que entienderás la teoría rápido.
Meses 6-8: Especialidad + proyectos propios
No hagas un cuarto curso. Coge un dataset de Kaggle o del gobierno de tu país y resuelve un problema real. Eso es lo que cuenta en un CV.
Ruta 3: No soy técnico pero quiero trabajar en IA
Meses 1-2: Entender qué es la IA de verdad
No hagas un curso de machine learning. Tu camino es: AI 101 de Kaggle o intro a IA de MIT OpenCourseWare. 30-40 horas para entender qué son los modelos, cómo se entrenan, qué fallan.
Meses 2-3: Especialidad no técnica
Prompt engineering: si quieres trabajar con LLMs (ChatGPT, Claude), DeepLearning.AI tiene un minicurso gratis que vale. Los salarios empiezan en 60-80k si sabes vender.
AI Product Management: si vienes de producto o gestión, el Reforge PM for AI o el Maven AI course for PMs te dan el idioma. Salarios: 120k+ en big tech.
Data storytelling y ética de IA: si tu fuerza es la comunicación, ese es tu nicho. Menos demanda pero diferencial claro.
Ruta 4: Solo quiero entender, sin trabajar en ello
2-3 meses, 1 hora a la semana:
- Crash Course IA (YouTube): 10 videos, 15 minutos cada uno. Gratis. Explica bien sin fórmulas.
- «Superintelligence» o «The Alignment Problem» (libros): si quieres saber qué piensan los expertos sobre el futuro de la IA.
- Podcasts: The AI Podcast de NVIDIA o Gradient Descent. Pasivos. Mientras desayunas ya estás aprendiendo.
Herramientas por ruta
| Ruta | Python | ML Fundamentals | Especialidad | Tiempo total |
|---|---|---|---|---|
| Programador pivotando | Ya lo tienes | Andrew Ng o Fast.ai | Kaggle competitions | 3-4 meses |
| Técnico sin código | Real Python | Andrew Ng | Proyectos propios | 6-8 meses |
| No técnico, quiero trabajar | No | Kaggle Learn (short) | PM for AI / Prompt Eng | 3-6 meses |
| Solo curiosidad | No | Crash Course (YouTube) | Podcasts / Libros | 2-3 meses |
Los errores que cometen casi todos
1. Empezar por «aprender deep learning» sin saber qué es un modelo: es como querer hacer un giro en 180 sin saber conducir. Las redes neuronales son lo último, no lo primero. Empieza por regresión lineal, árboles de decisión, validación cruzada.
2. Ver 50 cursos y no terminar ninguno: elige uno. Uno. Termínalo todo. Luego ve al siguiente. Mejor terminar un curso malo que abandonar 5 buenos.
3. No hacer proyectos propios: el CV de alguien que hizo 5 cursos es débil. El CV de alguien que hizo un proyecto que soluciona un problema real es fuerte. En mes 3 ya deberías estar en un proyecto.
4. Esperar a «estar listo»: nadie se siente listo. A los 3 meses de aprender Python empiezas con machine learning aunque te sientas como un imposttor. Es normal.
5. Pensar que todo es machine learning: hay empresas que necesitan «IA» y lo que necesitan es alguien que automatice un proceso con Python. Hay otras que necesitan saber si una IA es ética. La demanda más grande no es científica, es operacional.
El timing realista
Si estudias 10-15 horas a la semana: 6-8 meses desde cero hasta tener un portfolio decente y poder sonar creíble en una entrevista.
Si estudias 25-30 horas a la semana (casi un trabajo a tiempo parcial): 3-4 meses.
Si dedicas menos de 5 horas a la semana: 12-18 meses. Funcionará, pero es lentísimo y la mayoría abandona por el camino.
Preguntas frecuentes
¿Necesito una carrera universitaria?
No. 90 % de los jobs en IA no se lo preguntarán si tienes proyectos y portfolio. El 10 % (investigación en universidades de élite, empresas muy grandes) sí importa.
¿Con qué lenguaje empiezo?
Python. No hay discusión. Toda la industria usa Python. R es para estadísticos viejos. Julia es el futuro que nunca llega. Usa Python.
¿ Qué especialidad me dará más dinero?
MLOps en producción. Menos glamour, más demanda. Computer vision es más cool pero hay 500 personas por puesto. MLOps: 3.
¿Vale la pena hacer un máster en IA?
Depende. Si vienes de humanidades y necesitas credencial, sí. Si eres ingeniero con experiencia, no: cuatro meses autodidacta + proyectos + entrevistas son más rápido y más barato.
¿Qué me pide Google / Meta / OpenAI para trabajar en IA?
Lo mismo que cualquiera: que hayas resuelto un problema real con modelos de IA. Portfolio > titulaciones. Sueldo de entrada: 140-180k si pasas las entrevistas técnicas.