Forward Deployed Engineer vs AI Engineer: cuál elegir
Buscas roles de AI y aparecen dos títulos que parecen el mismo trabajo: AI Engineer y Forward Deployed Engineer (FDE). Stack similar, mismas palabras clave, a veces la misma empresa contratando. La pregunta de Forward Deployed Engineer vs AI Engineer no tiene una respuesta única, pero sí criterios claros para decidir. Aquí los ordenamos, con ejemplos reales.
Forward Deployed Engineer vs AI Engineer: la diferencia
Un Forward Deployed Engineer es, según la definición que usa The Pragmatic Engineer, un software engineer que alterna entre trabajar embebido con el equipo de un cliente y trabajar con el equipo de producto de su propia empresa. Su pregunta de fondo es otra: ¿el cliente consiguió el resultado que necesitaba?
Un AI Engineer construye y opera sistemas de AI en producción sobre modelos que ya existen. Diseña el contexto que recibe el modelo, lo conecta con datos propios (RAG), orquesta agentes, mide con evals si todo funciona y lo despliega. Su pregunta de fondo es: ¿este sistema responde bien, de forma confiable, todos los días?
La diferencia, entonces, no está en el stack sino en el contexto en que trabajas. The New Stack lo resume así: lo que separa a un AI engineer de un FDE es el contexto del cliente, y la única forma de conseguirlo es entregarle algo a un cliente real.
Por qué el FDE aparece ahora en tantas ofertas
El rol nació en Palantir a comienzos de la década de 2010, donde se lo llamaba «Delta». Hasta alrededor de 2016, la empresa tenía más FDEs que software engineers tradicionales. La lógica era simple: un developer tradicional construye una capacidad que usan muchos clientes; un Delta arma muchas capacidades para un solo cliente.
La demanda lo está poniendo en primer plano. En un estudio de Christian & Timbers reportado por TechCrunch, basado en entrevistas a más de 250 ejecutivos de 180 empresas, la proporción que planeaba contratar FDEs pasó de entre 5% y 10% a comienzos de 2026 a 70% a fines del segundo trimestre. Y en mayo, según The New Stack, OpenAI lanzó una compañía de despliegue con más de USD 4.000 millones de respaldo mientras Google Cloud abría 59 posiciones de FDE en una sola semana.
¿Por qué ahora? El motivo que más se repite es la brecha entre prototipo y producción. El informe State of AI in Business 2025 de MIT NANDA, que cita The New Stack, encontró que el 95% de los pilotos de AI generativa en empresas no mostraba impacto medible en el negocio. No es que los modelos sean malos: los modelos no se despliegan solos. El FDE es quien cierra esa distancia dentro del entorno del cliente, y por eso la firma de inversión a16z llegó a calificar el rol como el trabajo más candente de tech.
Día a día: dónde trabajas, con quién hablas y qué entregas
Criterio | Forward Deployed Engineer | AI Engineer |
|---|---|---|
Dónde trabaja | Embebido con el equipo del cliente. Palantir espera cerca de 25% del tiempo on-site; Commure estima hasta 50% | Normalmente dentro de un equipo de producto o ingeniería |
Con quién habla | Usuarios finales, stakeholders de negocio, ventas y producto | Principalmente con otros engineers, producto y datos |
Qué entrega | Una solución a medida para el problema de un cliente | Un sistema de AI en producción |
Cómo se mide el éxito | Impacto en la meta del cliente | Que el sistema funcione: calidad medida con evals, costos y estabilidad |
Nivel de ambigüedad | Alto: lo que el cliente describe suele no coincidir con la realidad de sus datos | Variable; el problema suele llegar más delimitado |
Relación con el producto | Contribuye al producto de su empresa cuando falta una capacidad | Construye el producto o su núcleo |
Un caso real ayuda a ver la diferencia. Según The Pragmatic Engineer, un FDE de OpenAI trabajó con John Deere para escalar intervenciones personalizadas a agricultores, que hasta entonces se hacían con llamadas telefónicas manuales. El FDE viajó a Iowa, trabajó directamente con los agricultores y la integración quedó lista a tiempo para la siguiente temporada de siembra. Los proyectos de ese equipo siguen tres fases: scoping en el sitio del cliente, validación con evals y entrega.
Ahora el lado AI Engineer. Imagina un asistente interno que responde preguntas con los documentos de una empresa. Tu semana tiene otra forma: decidir cómo partir y recuperar esos documentos, armar el set de evals que detecta alucinaciones, desplegar la API y monitorear costos. No hace falta viajar a Iowa, pero sí responder por que el sistema funcione cuando nadie lo está mirando.
Una aclaración para no caer en el mito: el FDE no es un consultor que escribe código. Un FDE de Palantir cuenta que aplica las mismas prácticas rigurosas de ingeniería (code reviews, monitoreo de producción) y que las soluciones que arma en campo a veces terminan como mejoras del producto para todos los clientes.
Las skills que comparten y las que solo pide el FDE
La buena noticia: gran parte del stack es común. Los requisitos que Google publica para sus FDEs, según The New Stack, piden experiencia con arquitecturas RAG, bases de datos vectoriales, fine-tuning de modelos y despliegue de AI en producción sobre cloud. Aaron Levie, CEO de Box, agrega fluidez con agentes de código, MCP y CLIs. Eso es, casi punto por punto, el territorio de un AI Engineer:
- Construir con LLMs y context engineering: prompting, structured outputs y seguridad.
- RAG y bases vectoriales: conectar el modelo a tus datos con recuperación confiable.
- Agentes y orquestación: sistemas que deciden, usan herramientas y se coordinan (LangGraph, MCP).
- Evals: medir y testear todo lo que construyes. Hasta los FDEs de OpenAI arman evals con los usuarios antes de entregar.
- Producción: del notebook a una API desplegada, con monitoreo y control de costos.
Lo que solo pide el FDE, por encima de esa base, es de otra naturaleza, el diferencial no está en sumar otra herramienta técnica, sino en aprender a hacerse cargo del problema de punta a punta:
- Discovery y scoping: sentarte con el cliente, mapear sus procesos, entender qué necesita realmente y definir un alcance concreto con criterios de éxito medibles.
- Traducir ambigüedad en soluciones: convertir un problema de negocio que todavía no está bien definido en una solución que se pueda prototipar, construir y llevar a producción.
- Prototipar y validar rápido: construir POCs, mostrar avances en demos y usar el feedback del cliente para iterar antes de escalar la solución.
- Comunicación ejecutiva: explicar decisiones técnicas en términos de negocio, mostrar valor y comunicarte con los distintos stakeholders del engagement.
- Delivery e integración: no alcanza con que el prototipo funcione; hay que conectarlo con sistemas existentes, resolver seguridad y compliance y dejarlo listo para producción.
- Criterio de negocio: medir el impacto de la solución, entender su ROI y saber cuándo una POC está lista para convertirse en un producto o contrato.
Cómo elegir entre FDE y AI Engineer: cinco preguntas
No existe una única respuesta correcta. Pero estas cinco preguntas pueden ayudarte a identificar qué perfil se ajusta mejor a tu experiencia y a lo que quieres hacer:
- ¿Quieres trabajar principalmente sobre sistemas de IA o sobre problemas de clientes?
El AI Engineer se concentra en construir sistemas con LLMs, RAG, agentes y otras tecnologías de IA. El FDE suma a esa base el trabajo directo con clientes: discovery, scoping, delivery y medición de impacto. - ¿Cuánto de tu trabajo quieres dedicar a entender y definir problemas de negocio?
En FDE, identificar el problema forma parte del trabajo. Implica entrevistar stakeholders, mapear procesos y definir criterios de éxito antes de construir la solución. - ¿Quieres ser responsable de llevar una solución desde el prototipo hasta producción?
Ambos perfiles pueden construir soluciones de IA, pero el FDE tiene además la responsabilidad de conectar el POC con sistemas existentes, resolver cuestiones de seguridad y compliance y llevarlo a producción. - ¿Tu trabajo ideal incluye interacción frecuente con clientes y stakeholders?
Si buscas un rol con comunicación ejecutiva, demos, definición de alcance y conversaciones sobre valor y ROI, el FDE agrega una capa consultiva y de delivery sobre la base técnica. - ¿Ya tienes experiencia construyendo con IA y quieres sumar una capa consultiva?
FDE no está planteado como un perfil de entrada: está dirigido a personas que ya construyen con LLMs y quieren pasar de ejecutar requerimientos a hacerse responsables del problema completo. La especialización requiere AI Engineering aprobada o superar un challenge técnico.
En síntesis: si tu objetivo es profundizar en la construcción de sistemas de IA, AI Engineering es la base. Si ya tienes esa base y quieres sumar cliente + discovery + scoping + delivery + impacto de negocio, FDE es la especialización que agrega esa capa.
Si ya programas hace 3 años o más y quieres pasar de usar AI a diseñar, evaluar y poner en producción sistemas que funcionan de verdad, conoce la carrera de AI Engineering de Henry. Y si lo que te atrae es el trabajo embebido con clientes, descubrí más sobre la carrera Forward Deployed Engineer.