Quién lo implementa, y el puesto que la industria inventó para hacerlo.

La objeción evidente es que poner gente dentro de cada cliente no escala. El mismo análisis la contesta: lo que no escala es dejarle la implementación a un tercero. El trabajo hecho a la medida de un cliente es el que descubre qué hay que construir para todos, y ese hallazgo regresa al producto. Joe Schmidt, socio de Andreessen Horowitz, lo dijo el 4 de junio de 2025 con una comparación doméstica: las empresas que compran inteligencia artificial necesitan que alguien se las configure.

Palantir lo describió con una imagen que se queda: esos ingenieros abren el camino de terracería por donde el producto tiene que ir, y el equipo de producto lo convierte en carretera. Ocurrió así cuando OpenAI mandó ingenieros a un cliente de centro de contacto: ahí construyeron las pruebas de desempeño, y esas mejoras quedaron disponibles para todos en su interfaz de programación. La distinción más limpia del puesto la da quien dirige uno de estos equipos en Anthropic: lo que lo hace distinto es que construyen sobre una plataforma y nunca escriben software desde cero.

El efecto se ve en los estados financieros. El margen baja al principio y sube después, como ya pasó con dos de las compañías de software empresarial más grandes del mundo: ServiceNow pasó de 63.2% de margen bruto al salir a bolsa a 79% en 2024, y Workday pasó de 54.1% a 75% en el mismo corte. Para una empresa industrial la consecuencia es concreta: lo que llega a la operación no es un experimento hecho a mano, sino producto que ya recorrió otras operaciones, más el trabajo de entender la suya.

El 79% de las vacantes de ingeniero asignado a cliente no dice siquiera a qué industria va a servir el contratado, y 12% son puestos de cero a dos años de experiencia, según Bloomberry sobre 1,000 vacantes en noviembre de 2025. Eso es lo medido. Que eso sea un problema para una empresa industrial ya no es un dato, es una interpretación. El argumento que la sostiene es simple: en este sector el contexto no se aprende sobre la marcha.

El director general de Palantir, la empresa donde nació el puesto, lo dijo en noviembre de 2025 con una crudeza poco común: el conocimiento generalizado sin conocimiento específico deja a cualquiera en muy mala posición. Un ingeniero que ocupó el puesto durante ocho años lo resumió en 2024 de otra forma: la efectividad se correlaciona directamente con la rapidez con que se aprende a hablar el idioma del cliente y a entender cómo funciona realmente su negocio.

Cuánto tarda eso lo cuenta quien lo hizo. Su primer despliegue fue en una armadora aeronáutica europea: se mudó un año a la ciudad de la planta y trabajó cuatro días a la semana en el piso de manufactura. El resultado ayudó a cuadruplicar el ritmo de ensamble de una línea. Ocho años antes, en 2018, una firma global ya lo había diagnosticado: el conocimiento de dominio es con mucho la habilidad más importante. Proyectaron entre dos y cuatro millones de esos perfiles para 2026. Estamos en 2026.

OpenAI publica las vacantes de ingeniero asignado a cliente de su compañía de implementación. Al corte de agosto de 2026 están abiertas en catorce ciudades de Norteamérica, Europa, Asia y Medio Oriente. No hay Ciudad de México, no hay Monterrey, no hay São Paulo, no hay Bogotá.

La conclusión práctica no es que exista discriminación. Es más simple y más útil: nadie va a venir a implementar esto aquí. Si va a existir en la industria mexicana, se tiene que armar aquí, con gente de aquí.

La otra mitad juega a favor. México forma, en proporción, más ingenieros que Estados Unidos y que Brasil: 21.7% de los egresados, contra 6.6% y 9.0%. Conviene corregir de paso una cifra falsa que circula, la de que menos del 8% de los egresados mexicanos estudia ingeniería: la oficial dice 21.7%. Lo que casi no hay son los del otro lado, cerca de mil cien especialistas en inteligencia artificial en todo el país. La consecuencia casi nadie la dice: la ruta corta es enseñarle inteligencia artificial a ingenieros industriales, no enseñarle industria a ingenieros de inteligencia artificial. Hay dos órdenes de magnitud más de los primeros.