Si aprendiste machine learning antes de la explosión de los modelos de lenguaje, tu base sigue siendo valiosa, pero tu stack necesita una actualización. La IA generativa no reemplaza al ML clásico: lo extiende. Esta guía mapea qué cambió, qué habilidades podés reutilizar y qué tenés que aprender nuevo, con un plan concreto de 30 días para ponerte al día.

El ML engineer que dominaba scikit-learn, feature engineering y modelos supervisados construyó exactamente las bases que hoy hacen falta. La diferencia es que el centro de gravedad se movió: de entrenar modelos propios a orquestar modelos pre-entrenados enormes.

Qué cambió con la IA generativa

El cambio más profundo es el paradigma. En el ML clásico, el flujo típico era: conseguir datos etiquetados, extraer features, entrenar un modelo, evaluarlo y desplegarlo. Con la IA generativa, muchas tareas se resuelven sin entrenar nada: tomás un modelo de lenguaje ya entrenado y lo guiás con instrucciones (prompting) o lo conectás a tus datos (RAG).

Esto no significa que el entrenamiento haya desaparecido, sino que se volvió una opción entre varias. Para gran parte de los casos de uso empresariales, un buen prompt o una arquitectura de recuperación de información resuelven el problema más rápido y barato que entrenar un modelo desde cero.

Qué skills podés reutilizar

La buena noticia: tu experiencia previa es una ventaja, no un lastre. Varias habilidades se transfieren directamente:

• Evaluación de modelos: saber medir calidad, detectar sesgos y armar métricas es hoy más importante que nunca, porque los outputs generativos son difíciles de evaluar.

• Manejo de datos: limpiar, estructurar y versionar datos sigue siendo la base de cualquier sistema de RAG o fine-tuning.

• Deployment y MLOps: poner modelos en producción, monitorearlos y versionarlos aplica igual a los sistemas generativos.

• Pensamiento experimental: la mentalidad de probar hipótesis y medir resultados es transversal.

Qué tenés que aprender nuevo

El territorio nuevo se concentra en cuatro áreas:

• Prompting avanzado: diseñar instrucciones efectivas es una habilidad en sí misma, con técnicas propias.

• RAG (Retrieval-Augmented Generation): conectar modelos a bases de conocimiento propias mediante embeddings y bases vectoriales.

• Fine-tuning moderno: ajustar modelos con técnicas eficientes cuando el prompting no alcanza.

• Agentes: sistemas que planifican y ejecutan tareas de varios pasos usando herramientas externas.

Este movimiento de "reemplazar herramientas por flujos con IA" ya está pasando en la práctica. Un buen ejemplo es cómo un flujo de trabajo con IA puede reemplazar varias herramientas de productividad sin programar: la lógica de composición es la misma que vas a aplicar en proyectos técnicos.

Plan de 30 días para ponerte al día

Un roadmap realista para hacer la transición sin abandonar tu trabajo:

• Semana 1 — Fundamentos: entendé cómo funcionan los LLMs por dentro y practicá prompting con un caso real de tu trabajo.

• Semana 2 — RAG: armá un sistema que responda preguntas sobre tus propios documentos usando embeddings y una base vectorial.

• Semana 3 — Automatización y agentes: construí un agente simple que use herramientas externas (una API, una base de datos, una planilla).

• Semana 4 — Proyecto integrador: combiná todo en un caso de uso que puedas documentar y sumar a tu portfolio.

La adopción empresarial de estas capacidades sigue creciendo, como documenta McKinsey en su reporte sobre el estado de la IA, lo que se traduce en demanda concreta de perfiles que sepan combinar ML clásico con IA generativa. Medios como The Verge cubren casi a diario la velocidad de estos cambios.

Cursos recomendados de Coderhouse

Para hacer la transición con estructura y proyectos, estas opciones cubren distintos niveles:

• Introducción a la Inteligencia Artificial: para reordenar los fundamentos desde la mirada generativa.

• AI Engineering: para profundizar en RAG, fine-tuning y despliegue de sistemas generativos.

• AI Agents: para dominar el diseño de agentes autónomos, el territorio más nuevo del campo.

Empezá hoy: tomá un modelo que ya hayas construido y pensá cómo resolverías el mismo problema con un LLM. Ese ejercicio te muestra en concreto qué cambió y qué te falta aprender.

Preguntas frecuentes

¿El machine learning clásico quedó obsoleto?

No. Para muchos problemas (predicción numérica, clasificación estructurada, series de tiempo) el ML clásico sigue siendo la mejor herramienta. La IA generativa amplía el abanico, no lo reemplaza. Lo ideal es dominar ambos y saber cuándo usar cada uno.

¿Necesito aprender a entrenar modelos de lenguaje desde cero?

Casi nunca. Entrenar un LLM desde cero requiere recursos que solo tienen grandes empresas. Lo que sí necesitás es saber usar modelos pre-entrenados mediante prompting, RAG y, cuando hace falta, fine-tuning eficiente.

¿Qué es RAG y por qué es tan importante?

RAG (generación aumentada por recuperación) conecta un modelo de lenguaje con tus propios datos, para que responda con información precisa y actualizada en lugar de inventar. Es la técnica más usada para llevar IA generativa a casos empresariales reales.

¿Cuánto tiempo lleva hacer la transición?

Con una base de ML previa, un plan enfocado de 30 días te da los fundamentos y un primer proyecto. Dominar el campo lleva más, pero en un mes podés estar construyendo sistemas generativos funcionales y actualizando tu perfil profesional.