Tres capas de conocimiento
El trabajo con lenguaje e IA combina tres tipos de conocimiento, que se adquieren por vías distintas y a ritmos distintos.
- Conceptual. Qué tareas existen (clasificar, traducir, extraer información, generar texto), cómo funciona por dentro un modelo de lenguaje y qué tipo de error importa en cada caso. Es la capa que cubren las rutas de Aprende y los manuales de referencia, como el de Jurafsky y Martin.
- Metodológica. Cómo se construye un corpus, cómo se diseña una guía de anotación, cómo se mide el acuerdo entre anotadores y cómo se evalúa un sistema. Buena parte de esta capa procede de la lingüística de corpus y de la lingüística experimental, y no exige programar.
- Técnica. Programación (casi siempre Python), manejo de datos y uso de librerías y modelos. Es la capa que más separa unos puestos de otros: algunos la piden a fondo y otros apenas la usan.
Quien viene de las humanidades suele tener ventaja en la primera mitad de la capa conceptual y en buena parte de la metodológica, y su principal hueco está en la técnica. Lo contrario ocurre con quien viene de la informática. Por eso los equipos mixtos son habituales y por eso no existe un orden único: el que conviene depende de la base de partida y del tipo de trabajo. Los perfiles profesionales describen cuánto pesa cada capa en cada uno.
Qué formación existe
- Grados. En España hay muy pocos grados específicos de lingüística computacional. La materia aparece como asignatura optativa en grados de lingüística, traducción o filología, y como itinerario en algunos grados de informática.
- Másteres universitarios. Es la vía de especialización más común. Existen másteres de tecnologías del lenguaje, de lingüística computacional, de procesamiento del lenguaje natural y de humanidades digitales, con perfiles muy distintos: unos parten de las letras y nivelan la parte técnica; otros dan por supuesta la programación.
- Cursos en línea. Plataformas como Coursera o los cursos gratuitos de Hugging Face cubren bien la capa técnica y parte de la conceptual. Suelen estar en inglés y rara vez tratan la metodología lingüística con profundidad.
- Formación autodidacta. Manuales, documentación de librerías y comunidades en línea. Es la vía más flexible y la que más disciplina exige, porque nadie señala qué falta ni corrige los errores de método.
Las herramientas, cursos y lecturas de referencia están reunidos en Herramientas y Para profundizar.
Qué distingue a un máster
Los programas cambian cada curso y el nombre de un máster dice poco de su contenido. Las diferencias reales están en otros aspectos:
- Peso práctico: cuánto tiempo se dedica a trabajar con datos y modelos frente a la exposición teórica, y si hay un proyecto final con criterios de evaluación claros.
- Punto de partida: si ofrece nivelación técnica para quien viene de humanidades o asume conocimientos previos de programación.
- Profesorado: qué parte del claustro investiga o trabaja activamente en el área, y qué parte procede de disciplinas cercanas.
- Prácticas: con qué organizaciones colabora y qué tareas realizan allí los estudiantes; los datos de inserción laboral solo son útiles si se explica cómo se obtuvieron.
- Actualización: las herramientas del área cambian rápido, y un plan docente que no se ha revisado en tres años probablemente enseña flujos de trabajo ya sustituidos.
- Carácter oficial: un máster oficial habilita para el doctorado y es reconocido en el sistema público; un título propio no. Los oficiales figuran en el Registro de Universidades, Centros y Títulos (RUCT).
Qué acreditan los certificados
Un certificado acredita que alguien completó un temario y superó una evaluación, no que sepa resolver un problema real. Su valor depende de quién lo emite, de cómo evalúa y del puesto. Los certificados de proveedores de nube (AWS, Google Cloud, Azure) son pertinentes en trabajos de infraestructura y despliegue, pero dicen poco sobre la capacidad de analizar lenguaje, diseñar una anotación o evaluar un sistema.
Por qué pesa el trabajo demostrable
En un área tan reciente y cambiante, los títulos no siguen el ritmo de las herramientas. Por eso los procesos de selección suelen dar mucho peso al trabajo que se puede examinar: una guía de anotación, un informe de evaluación, un análisis reproducible o un prototipo documentado. Lo que se valora en ellos no es la complejidad, sino la claridad con la que se explica la pregunta, las decisiones tomadas y los límites del resultado.
Esa misma lógica explica por qué la formación lingüística es útil y no basta por sí sola: aporta criterio para juzgar los resultados, pero el criterio solo se ve cuando se aplica a un sistema concreto.