El mapa
Las columnas indican cuánta programación o integración técnica puede implicar el trabajo; las filas, cuánto análisis lingüístico suele requerir. La ubicación es una orientación editorial, no una medida de dificultad, prestigio o demanda.
Míralo
Técnica y lenguaje en cada perfil
técnica ●●
técnica ●●●
técnica ●●●●
técnica ●●●●●
- Los puntos violeta indican el peso de lo lingüístico.
Los perfiles
Ordenados aproximadamente de menor a mayor peso técnico. En un puesto real varias áreas pueden combinarse y el título profesional puede ser distinto.
Anotación y curación de datos
Crear los datos de referencia con los que se entrenan y evalúan los modelos.
- Base lingüística
- Morfología, sintaxis, semántica, pragmática y atención al detalle.
- Conocimientos que pide
- Guías de anotación, medida del acuerdo entre anotadores y control de calidad.
Qué produce: Conjuntos de datos etiquetados y, sobre todo, la guía de anotación que los sostiene: definición de cada etiqueta, criterios para los casos ambiguos y medidas de acuerdo entre anotadores. Un modelo entrenado con etiquetas incoherentes aprende la incoherencia.
Más sobre este perfil
Etiquetar entidades, categorías, sentimiento o relaciones siguiendo una guía, y sobre todo escribir y mejorar esa guía. La calidad de cualquier sistema depende de la calidad y la coherencia de este trabajo.
Herramientas habituales: Label Studio, INCEpTION, doccano, una hoja de cálculo.
Relacionado: Clasificación de textos, Traducción automática, Gestión de datos y corpus, Anotación y minería de textos.
Localización y traducción automática
Traducir y adaptar contenidos trabajando con la máquina, no contra ella.
- Base lingüística
- Traducción, variación, terminología, registro y adecuación cultural.
- Conocimientos que pide
- Posedición sistemática, métricas de traducción automática y memorias de traducción.
Qué produce: Textos traducidos o poseditados, glosarios y memorias de traducción mantenidos, e informes que comparan motores con tipologías de errores (terminología, registro, calcos, ambigüedad). En muchos proyectos, la decisión de qué contenido pasa por máquina y cuál no.
Más sobre este perfil
Decidir qué se traduce con motor y posedición, qué exige traducción humana completa y qué convenciones locales (fechas, monedas, registro, referencias) hay que ajustar. Evaluar motores y mantener glosarios.
Herramientas habituales: DeepL, Trados o memoQ, glosarios, COMET.
Relacionado: Traducción automática, Gestión de datos y corpus, Evaluación y calidad.
Diseño conversacional
Diseñar cómo habla un asistente: qué dice, cómo lo dice y qué hace cuando no entiende.
- Base lingüística
- Pragmática, actos de habla, cortesía, coherencia y redacción.
- Conocimientos que pide
- Experiencia de usuario, pruebas con personas, instrucciones para modelos y análisis de conversaciones reales.
Qué produce: Flujos de diálogo con sus variantes de respuesta, guías de tono y personalidad del asistente, y el diseño de lo que ocurre cuando la persona se sale del guion: malentendidos, peticiones ambiguas, cambios de tema. Es la parte que más diferencia un asistente útil de uno frustrante.
Más sobre este perfil
Crear flujos de diálogo útiles, coherentes y evaluables. Se trabaja con tono, actos de habla, intención y reparación para que un asistente no solo responda, sino que sostenga una conversación adecuada.
Herramientas habituales: Figma o Miro, Voiceflow, un asistente conversacional para prototipar.
Relacionado: Pregunta-respuesta, Generación de texto, Diseño conversacional, Prototipado y UX.
Diseño de instrucciones y contexto
Escribir, probar y mantener las instrucciones con las que trabaja un modelo de lenguaje.
- Base lingüística
- Redacción precisa, registro, análisis de la ambigüedad y lectura crítica de lo generado.
- Conocimientos que pide
- Métodos de evaluación, conjuntos de casos de prueba y lo básico de cómo se conecta un modelo con datos y herramientas.
Qué produce: Instrucciones de sistema versionadas, conjuntos de casos de prueba y registros de qué cambió entre versiones y por qué. También decisiones sobre qué información de contexto recibe el modelo en cada momento, que a menudo pesan más que la redacción de la instrucción.
Más sobre este perfil
Tratar el prompt como una especificación: se redacta, se versiona, se prueba contra casos reales y se evalúa con criterios definidos. Incluye decidir qué información de contexto recibe el modelo en cada momento.
Herramientas habituales: Asistentes conversacionales, una hoja de casos de prueba, GitHub.
Relacionado: Generación de texto, Pregunta-respuesta, Ingeniería de prompts, Evaluación y calidad.
Consultoría en tecnologías del lenguaje
Decidir con una organización si un problema se resuelve con IA, con qué coste y con qué límites.
- Base lingüística
- Comunicación clara, análisis de textos y procesos, capacidad de explicar lo complicado.
- Conocimientos que pide
- Costes y límites reales de cada tecnología, gestión de proyectos y algo de negocio.
Qué produce: Diagnósticos de viabilidad, estimaciones de coste y alcance, y documentos de requisitos que un equipo técnico puede ejecutar. Con frecuencia, también la recomendación de no usar IA para un problema que se resuelve mejor de otra forma.
Más sobre este perfil
Evaluar la viabilidad técnica y económica, definir un alcance realista y traducir necesidades a requisitos que un equipo técnico pueda ejecutar. La honestidad sobre lo que no va a funcionar es lo que da credibilidad.
Herramientas habituales: Asistentes conversacionales para prototipar, una herramienta de presentaciones.
Relacionado: Clasificación de textos, Generación de texto, Visualización y comunicación, Prototipado y UX.
Evaluación, ética y sesgos
Auditar qué hace un sistema con distintos grupos de hablantes y documentarlo.
- Base lingüística
- Variación, sociolingüística, análisis del discurso y sensibilidad a cómo nombra el lenguaje a cada grupo.
- Conocimientos que pide
- Métricas de equidad, estadística básica y el marco normativo europeo sobre IA.
Qué produce: Informes de auditoría que comparan el comportamiento de un sistema entre grupos de hablantes, fichas que documentan modelos y conjuntos de datos, y análisis de riesgos que sirven para cumplir la normativa europea sobre IA.
Más sobre este perfil
Identificar y medir sesgos de género, origen, edad o variedad lingüística, y producir resultados verificables: métricas, informes de auditoría y documentación de modelos y datos que sirva también para cumplir la normativa.
Herramientas habituales: Hojas de cálculo, Python básico, modelos de Hugging Face.
Relacionado: Clasificación de textos, Hacia dónde va, Evaluación y calidad, Gestión de datos y corpus.
Arquitectura del conocimiento
Organizar el conocimiento de un dominio en conceptos y relaciones que una máquina pueda usar.
- Base lingüística
- Semántica léxica, relaciones entre conceptos (hiponimia, meronimia), lexicografía y terminología.
- Conocimientos que pide
- Lenguajes de ontologías (OWL, RDF) y cómo se conectan con buscadores y modelos.
Qué produce: Ontologías, taxonomías y vocabularios controlados de un dominio, con la jerarquía de conceptos, sus relaciones y las decisiones de modelado documentadas. Alimentan buscadores internos, catálogos y asistentes que necesitan relaciones explícitas y comprobables.
Más sobre este perfil
Diseñar ontologías, taxonomías y grafos de conocimiento. Esa estructura permite que un sistema trabaje con relaciones explícitas y comprobables, y alimenta los buscadores y asistentes de muchas organizaciones.
Herramientas habituales: Protégé, WebVOWL, una hoja de cálculo.
Relacionado: Pregunta-respuesta, Gestión de datos y corpus.
Análisis de datos lingüísticos
Analizar grandes volúmenes de texto para responder preguntas concretas.
- Base lingüística
- Análisis de corpus, categorías lingüísticas y lectura crítica de patrones.
- Conocimientos que pide
- Estadística aplicada, visualización, SQL y trabajo reproducible.
Qué produce: Análisis reproducibles de grandes volúmenes de texto, cuadros de mando e informes que responden preguntas concretas: de qué se queja la clientela, cómo cambia un tema en el tiempo, qué grupos usan qué expresiones. El resultado útil es la conclusión matizada, no la tabla de frecuencias.
Más sobre este perfil
Estudiar reseñas, conversaciones o documentos internos con estadística y programación: qué se dice, quién lo dice, cómo cambia con el tiempo y qué decisiones apoya. El valor diferencial es el criterio: saber que una frecuencia alta no implica relevancia y que la ironía rompe los análisis ingenuos.
Herramientas habituales: Python, pandas, Jupyter o Colab, una herramienta de gráficos.
Relacionado: Clasificación de textos, Visualización y comunicación, Anotación y minería de textos.
Investigación en lingüística computacional
Producir conocimiento contrastable sobre qué aprenden los modelos y cómo evaluarlos.
- Base lingüística
- Formulación de hipótesis, teoría lingüística y lectura académica.
- Conocimientos que pide
- Programación experimental, estadística y diseño de evaluaciones.
Qué produce: Artículos, conjuntos de prueba y experimentos replicables sobre qué capturan los modelos y cómo evaluarlos. En lingüística computacional, buena parte del trabajo consiste en diseñar evaluaciones que midan lo que dicen medir.
Más sobre este perfil
Formular preguntas sobre cómo representar fenómenos lingüísticos, qué capturan realmente los modelos y cómo deben evaluarse. Combina teoría lingüística, programación y diseño experimental.
Herramientas habituales: Python, Hugging Face, LaTeX, Zotero.
Relacionado: Hacia dónde va, Pregunta-respuesta, Evaluación y calidad, Frameworks y librerías.
Ingeniería de PLN
Construir y mantener sistemas que procesan texto o voz en condiciones reales.
- Base lingüística
- Criterio para detectar errores lingüísticos, ambigüedad y problemas en los datos.
- Conocimientos que pide
- Programación en serio, servicios web, evaluación automática y despliegue.
Qué produce: Sistemas en funcionamiento: canalizaciones de datos, modelos ajustados o conectados a un producto, evaluaciones automáticas y la vigilancia de su rendimiento una vez desplegados. También la documentación de qué errores comete el sistema y por qué.
Más sobre este perfil
Convertir tareas lingüísticas en sistemas que funcionan: preparar datos, ajustar o conectar modelos, integrarlos en un producto, evaluarlos y vigilarlos una vez en marcha. Es el perfil más técnico, y el que más agradece a alguien que sepa leer los errores.
Herramientas habituales: Python, spaCy, Hugging Face, Git.
Relacionado: Clasificación de textos, Generación de texto, Pregunta-respuesta, Frameworks y librerías, Ingeniería de prompts, Evaluación y calidad.
Cómo cambian estos trabajos
Los modelos de lenguaje generales han desplazado parte del trabajo técnico: tareas que antes exigían entrenar un clasificador propio hoy se resuelven, a menudo, con un modelo existente y unas instrucciones bien redactadas. Eso no ha eliminado el trabajo lingüístico, sino que lo ha movido de sitio. Se anota menos para entrenar y más para evaluar; se escriben menos reglas y más especificaciones; y crece la necesidad de alguien que sepa decir con precisión en qué falla un sistema y con quién.
También cambian los nombres. «Ingeniería de prompts» se usa cada vez menos como puesto independiente y se integra en diseño de producto, evaluación o ingeniería. La anotación masiva se automatiza en parte, mientras que la redacción de guías, la revisión de casos difíciles y la auditoría de sesgos ganan peso. Las fichas describen funciones, que duran más que los títulos.