John McNeill: AI acelerará la contratación en TI por la demanda de infraestructura y arquitectura

La IA no destruirá empleos en tech, sino que los reestructurará. John MacNeill, expresidente de Tesla y jefe de DVx Ventures, cree que conforme los sistemas de IA se escalen, las empresas necesitarán más personas que sepan mantener funcionando infraestructura, redes y arquitectura de productos multicapa.

Demanda de Infraestructura

El argumento principal de MacNeill es sencillo: la IA rápidamente encuentra limitaciones no solo en modelos, sino en la complejidad física y de red alrededor de ellos. Cuantas más empresas lanzan entrenamiento e inferencia, mayor es la demanda de computación, servidores, clusters de GPU, sincronización de nodos y mantenimiento de redes. Esta ya no es una historia sobre un portátil con una API. Se trata de granjas de servidores, donde cada fallo cuesta caro, y la resiliencia del sistema depende de personas que entienden cómo funciona la combinación de hardware, software de red y memoria de alto ancho de banda.

Según MacNeill, esto es especialmente evidente en equipos de infraestructura. Las GPU fallan y deben ser reemplazadas, resincronizadas e integradas nuevamente en clusters que ya están funcionando. En paralelo, crece la demanda de inferencia—ejecución constante de modelos en producción, no solo entrenamiento. Esto significa una larga cola de trabajo para ingenieros: mantenimiento de servidores, configuración de redes, monitoreo, tolerancia a fallos, actualizaciones y control de rendimiento. Para el mercado laboral, esto es expansión, no contracción.

Arquitectura en lugar de Rutina

Para desarrolladores, el panorama es más complejo. MacNeill reconoce que la escritura básica de código se automatiza cada vez más: los agentes ya ayudan con generación de plantillas, QA, verificaciones y despliegue. Pero esto no elimina el rol del ingeniero—simplemente lo desplaza hacia arriba. Cuando un producto se construye a partir de múltiples modelos, índices de búsqueda, reglas, modelos especializados pequeños y grandes LLMs, alguien debe decidir qué capa hace qué y dónde se necesita realmente IA frente a herramientas más baratas.

Este nivel de diseño sigue siendo una tarea humana por ahora. Esencialmente, el valor se desplaza de la zona "escribir una función" a la zona "ensamblar un sistema que funcione". Cuanto más amplia sea la stack, más crítica es la capacidad de desglosar el problema en capas y elegir la herramienta adecuada para cada una. No todas las partes de un producto necesitan resolverse con tokens y modelos grandes: a veces es más eficiente la búsqueda, a veces ML clásico, a veces una combinación de múltiples agentes bajo control del ingeniero.

Sobre este trasfondo, crecerán roles relacionados con:

• diseño de arquitectura IA multicapa
• elección entre búsqueda, ML, modelos pequeños y grandes LLMs
• orquestración de agentes y sincronización de su trabajo
• QA/QC y despliegue de componentes IA en producción
• optimización de costos de inferencia y recursos computacionales

Automatizar al Final

Por separado, MacNeill repite un principio que aprendió de Tesla: automatizar al final—la automatización debe venir al final, no al principio. Recuerda cómo la automatización temprana en producción ralentizó la salida de coches en lugar de acelerarla. El equipo tuvo que volver literalmente al ensamblaje manual en la línea temporal para ver los cuellos de botella del proceso y solo entonces decidir qué automatizar.

La misma lógica, en su opinión, se aplica a proyectos de IA: si cubres un proceso sin refinar con software caro demasiado pronto, el sistema se vuelve rígido, costoso y difícil de cambiar.

"Si el código se escribe antes de que el sistema esté simplificado y

optimizado, cambiarlo se vuelve demasiado difícil."

Esto lleva a una conclusión incómoda pero útil para equipos de tech: no toda tarea requiere una capa de IA cara. A veces la gestión quiere "algo con IA", cuando el problema se resuelve con búsqueda ordinaria, un conjunto de reglas o un pequeño componente de ML. MacNeill aconseja cuestionar tales solicitudes y primero definir el resultado deseado del proceso. Solo entonces tiene sentido elegir herramientas, limpiar datos y construir una cadena de implementación. De lo contrario, las empresas obtienen demostraciones bonitas en lugar de productos sostenibles.

Lo Que Esto Significa

La predicción de MacNeill importa porque desplaza la conversación del eslogan "IA reemplazará a los programadores" a un nivel más fundamentado. Sí, parte de la codificación rutinaria y las operaciones irán a los agentes. Pero cuanto más profundamente se integra la IA en los negocios, más personas se necesitan que sepan diseñar arquitectura, mantener la infraestructura en funcionamiento y distinguir la automatización real de la imitación cara. Para IT, esto no es el fin de las profesiones, sino exigencias crecientes de pensamiento e ingeniería de sistemas.