Preguntas de entrevista para AI Engineer (2026)
El rol de AI engineer es más nuevo y menos estandarizado que el de software o data science, por lo que las entrevistas varían mucho — pero un proceso de 2026 suele explorar fundamentos de LLM, retrieval-augmented generation (RAG), prompt y context engineering, evaluación, y el trabajo de ingeniería para lanzar funciones de IA de forma confiable. Muchos procesos también mantienen una ronda de coding clásica, así que no descuides las estructuras de datos.
Los entrevistadores buscan a alguien que entienda tanto los modelos como la ingeniería a su alrededor: cómo funcionan los transformers y la atención a nivel conceptual, cómo anclar un modelo con retrieval, cómo evaluar sistemas no deterministas, y cómo controlar latencia y costo en producción. Decir vagamente 'solo llamamos a la API' es una forma rápida de fallar.
Como el campo avanza rápido, demostrar que razonas desde primeros principios — y que lanzas y mides, no solo prototipas — importa más que recitar los benchmarks de ayer.
Preguntas de entrevista para AI Engineer y cómo responderlas
1. Explica cómo funciona la atención en un transformer, a alto nivel.
Enfoque: Describe query/key/value, la atención por producto escalado, y por qué la self-attention permite que cada token atienda a cualquier otro — capturando dependencias de largo alcance que a las RNN les cuesta manejar. Menciona el rol de la atención multi-cabeza y el costo cuadrático.
2. ¿Cómo diseñarías un sistema RAG para la base de conocimiento de una empresa?
Enfoque: Recorre el pipeline: estrategia de chunking, elección del modelo de embeddings, un vector store, retrieval (top-k, híbrido con keyword), reranking, y ensamblaje del prompt. Discute el overlap de chunks, la actualización de datos obsoletos, y la citación de fuentes.
3. ¿Cómo reduces las hallucinations en una aplicación LLM?
Enfoque: Ancla con retrieval, restringe con salidas estructuradas, reduce la temperatura para tareas factuales, añade requisitos de citación, y verifica con una segunda pasada o reglas. Enfatiza la evaluación: no puedes reducir lo que no mides.
4. ¿Cómo evaluarías una función LLM no determinista?
Enfoque: Construye un conjunto de evaluación etiquetado, usa puntuación basada en rúbricas o LLM-as-judge, sigue la regresión ante cambios de prompt/modelo, y combina evals offline con métricas online. Menciona el costo y el sesgo de LLM-as-judge.
5. ¿Cuándo harías fine-tuning frente a RAG frente a prompt engineering?
Enfoque: Prompt engineering primero (más barato, más rápido). RAG para conocimiento/actualidad. Fine-tuning para comportamiento, formato, o estilo de dominio que el prompting no puede lograr de forma confiable. Muchas veces se combinan; justifica por costo, latencia y mantenibilidad.
6. ¿Cómo controlas la latencia y el costo en un producto LLM?
Enfoque: Selección de modelo según la tarea (modelos pequeños para turnos fáciles), recorte de prompt/contexto, caching, streaming para latencia percibida, batching, y enrutamiento. Cuantifica: un contexto más pequeño y un modelo más barato pueden reducir el costo en un orden de magnitud.
7. ¿Cuáles son las compensaciones de ejecutar un modelo localmente frente a vía una API en la nube?
Enfoque: Local: privacidad, sin costo por token, offline, pero limitado por el hardware y el tamaño del modelo. Nube: modelos de primer nivel y escala, pero costo, latencia, y datos saliendo de tu dispositivo. Vincúlalo al caso de uso — exactamente la compensación en torno a la que está construida Natively.
8. ¿Cómo elegirías un modelo de embeddings para retrieval?
Enfoque: Haz coincidir el dominio y el idioma, revisa benchmarks estilo MTEB, pondera el tamaño de dimensión frente al almacenamiento/latencia, y valida con TUS datos mediante una evaluación de retrieval. No confíes en un leaderboard por encima de una prueba específica del dominio.
9. Implementa una búsqueda semántica simple sobre un conjunto de documentos.
Enfoque: Embebe los documentos y la consulta, almacena los vectores, calcula la similitud coseno (o usa un índice vectorial como sqlite-vec/FAISS), devuelve el top-k. Discute la normalización y la compensación velocidad/precisión del vecino más cercano aproximado.
10. Cuéntame sobre una función de IA que lanzaste y cómo mediste su éxito.
Enfoque: Usa STAR. Enfatiza la metodología de evaluación y la métrica de producción, no solo la demo. Se busca a AI engineers que lanzan y miden — en lugar de prototipar sin fin.
Obtén ayuda en tiempo real en tu entrevista de AI engineer
Natively es en sí misma una aplicación de IA local-first — LLMs on-device, RAG local con sqlite-vec, y una arquitectura bring-your-own-key. En una entrevista de AI engineering en vivo puede transcribir la pregunta y mostrar una definición precisa o una compensación en tiempo real, en tu dispositivo.
