Qué mirar antes de contratar un perfil de datos o IA: guía para empresas no técnicas

El problema de contratar lo que no entiendes del todo

Cada vez más PYMEs tech en España quieren incorporar talento en datos o inteligencia artificial. La presión viene de todos los lados: los inversores preguntan por la estrategia de datos, los competidores anuncian proyectos de IA, y hay una sensación generalizada de que quien no se mueva ahora se queda atrás.

El resultado es que muchas empresas abren procesos de selección para perfiles de datos sin tener claro qué perfil necesitan, qué deberían evaluar en una entrevista ni cómo saber si un candidato es bueno o está vendiendo humo.

Esta guía está escrita para directores de empresa, COOs y responsables de contratación que no tienen formación técnica pero necesitan tomar una buena decisión.

Primero lo primero: estos perfiles no son intercambiables

El error más común es tratar "perfil de datos" como una categoría homogénea. No lo es. Contratar un data analyst cuando necesitas un data engineer, o un ML engineer cuando lo que necesitas es alguien que estructure tus datos primero, es un error caro.

Data Analyst

Qué hace: Trabaja con datos que ya existen para extraer conclusiones, construir dashboards y responder preguntas de negocio. Herramientas habituales: SQL, Excel avanzado, Power BI, Tableau, Python básico.

Cuándo lo necesitas: Tienes datos pero no los estás usando bien. Quieres visibilidad sobre métricas de negocio. Necesitas informes y análisis recurrentes.

Cuándo no lo necesitas todavía: Si tus datos están desorganizados, duplicados o dispersos en distintos sistemas sin integrar. Un analyst sin datos limpios no puede hacer su trabajo.

Data Engineer

Qué hace: Construye y mantiene la infraestructura de datos: pipelines, bases de datos, sistemas de integración. Es el perfil que hace posible que otros puedan trabajar con datos de forma fiable. Herramientas habituales: Python, Spark, Airflow, SQL avanzado, servicios de cloud como AWS o GCP.

Cuándo lo necesitas: Tus datos están en varios sistemas y no están integrados. Los informes se hacen manualmente cada semana copiando y pegando. Estás creciendo y la infraestructura de datos no escala.

Cuándo no lo necesitas todavía: Si tienes menos de dos o tres fuentes de datos y el volumen es pequeño. En ese caso, un analyst con buenas habilidades en SQL puede cubrir esa necesidad de forma temporal.

Machine Learning Engineer / AI Engineer

Qué hace: Diseña, entrena y despliega modelos de machine learning o sistemas de IA. Es el perfil más técnico y especializado de los tres. Herramientas habituales: Python, TensorFlow o PyTorch, MLflow, conocimientos de estadística y álgebra lineal.

Cuándo lo necesitas: Tienes un problema concreto que los modelos predictivos o de IA pueden resolver y ya tienes datos suficientes para entrenarlos. Has validado que la solución tiene impacto de negocio medible.

Cuándo no lo necesitas todavía: Si no tienes datos estructurados y limpios, un ML engineer no puede hacer nada útil. La IA requiere datos de calidad como prerequisito. Contratar este perfil sin esa base es quemar presupuesto.

Qué preguntar en una entrevista si no eres técnico

No necesitas saber programar para evaluar si un candidato de datos es bueno. Estas preguntas te ayudan a entender si la persona piensa bien, comunica con claridad y tiene experiencia real:

"Cuéntame un proyecto de datos en el que hayas tenido impacto medible en el negocio."

Lo que buscas: que sea capaz de conectar su trabajo técnico con un resultado concreto. Si solo te habla de tecnologías y frameworks sin mencionar qué problema resolvió o qué mejoró, es una señal de alerta.

"¿Cómo explicarías este proyecto a alguien sin conocimientos técnicos?"

Lo que buscas: capacidad de comunicación. En una PYME, los perfiles de datos trabajan con personas de negocio constantemente. Alguien que no sabe explicar lo que hace sin jerga técnica va a generar fricción.

"¿Cuál ha sido el mayor error que has cometido en un proyecto de datos y cómo lo resolviste?"

Lo que buscas: honestidad, madurez y capacidad de aprendizaje. Los buenos profesionales de datos saben que los errores en pipelines o modelos son parte del trabajo. Quien dice que nunca ha cometido errores relevantes probablemente no tiene experiencia real o no es honesto.

"¿Qué harías en las primeras cuatro semanas en esta posición?"

Lo que buscas: que pregunte antes de responder. Un buen perfil de datos entiende que necesita contexto antes de proponer soluciones. Si te da una respuesta genérica sin preguntar nada sobre tu situación actual, desconfía.

Señales de alerta en candidatos de datos e IA

Habla de tecnología sin hablar de negocio. Un candidato que en toda la entrevista solo menciona herramientas, frameworks y arquitecturas sin conectarlas con problemas reales probablemente tenga más interés en la tecnología que en tu empresa.

Promete resultados de IA antes de ver tus datos. Si alguien te dice en la primera conversación que con sus modelos puedes aumentar ventas un 30% o reducir costes a la mitad sin haber visto un solo dato tuyo, está sobrevendiendo. Los proyectos de IA bien hechos empiezan con una auditoría de datos, no con promesas.

No hace preguntas sobre el estado actual de tus datos. Cualquier buen perfil de datos debería querer saber cómo están estructurados tus datos antes de comprometerse a nada. Si no pregunta, o no sabe qué preguntar, es un indicador de poca experiencia.

CV con muchas tecnologías pero proyectos vagos. En el mundo de los datos, los CVs con quince herramientas y cero proyectos descritos con resultados concretos son habituales. Lo que importa no es saber usar veinte herramientas sino haber resuelto problemas reales con algunas de ellas.

Cómo una consultora especializada reduce el riesgo

Evaluar perfiles técnicos de datos sin tener conocimientos técnicos es difícil. El riesgo de contratar a alguien que parece convincente en la entrevista pero no tiene la experiencia real que dice tener es alto, y el coste de ese error en un área tan estratégica como los datos puede ser significativo.

Una consultora especializada en perfiles tech como Artema hace la validación técnica antes de presentarte al candidato: comprueba proyectos reales, contrasta referencias en el sector y filtra los perfiles que saben vender bien pero no tienen el fondo que el puesto requiere. Lo que llega a la entrevista contigo ya ha pasado por ese filtro.

Preguntas frecuentes

¿Necesito un data engineer antes que un data analyst?

Depende del estado de tus datos. Si tienes datos dispersos en distintos sistemas sin integrar, sí: necesitas infraestructura antes que análisis. Si tienes datos en un solo sistema razonablemente organizado, un analyst puede empezar a aportar valor de inmediato.

¿Puede una sola persona cubrir todos estos roles?

En empresas pequeñas es habitual buscar un perfil híbrido que haga análisis y algo de ingeniería. Funciona hasta cierto punto, pero ten en cuenta que esos perfiles son escasos y su coste refleja la amplitud de lo que se les pide. A medida que la empresa crece, los roles se especializan.

¿Qué salario tiene un data engineer o ML engineer en España en 2026?

Un data engineer con tres a cinco años de experiencia en España cobra entre 45.000 y 65.000 € brutos anuales. Un ML engineer o AI engineer sénior puede superar los 70.000–80.000 € en empresas con proyectos de IA activos. Los perfiles con experiencia en LLMs o sistemas de IA generativa tienen una prima adicional en el mercado actual.

¿Estás buscando un perfil de datos o IA y no tienes claro qué necesitas exactamente? En Artema podemos ayudarte a definir el perfil antes de empezar el proceso, para que no pierdas tiempo entrevistando a candidatos que no encajan.