Por qué la mayoría de iniciativas GenAI fracasan en hiring
En 2026, la pregunta ya no es "si" una empresa chilena va a invertir en IA generativa, sino "cómo" arma el equipo que sostenga esa inversión. La mayoría de iniciativas GenAI que vemos morir en los primeros 6 meses no fracasan por la tecnología. Fracasan por el orden en que se contrató, por el perfil que se buscó primero o porque nunca hubo un sponsor ejecutivo con autoridad para proteger el presupuesto.
El error patrón es el mismo en banca, retail, salud y minería: el comité ejecutivo aprueba un presupuesto anual, le pide al área de tecnología que "contrate gente de IA", y a los tres meses hay un Data Scientist senior frustrado porque no tiene datos limpios con los que trabajar y un Prompt Engineer junior haciendo demos que nadie quiere validar en producción. El presupuesto se gasta, los resultados son tibios y al cuarto trimestre la iniciativa se recorta.
El problema no es el talento. Es que el hiring se hizo sin un playbook. Este artículo es el playbook que llevamos viendo funcionar en los procesos de reclutamiento de IA que gestionamos para clientes B2B desde 2024: una secuencia de 7 roles contratados en bloques de 30 días, con criterios de seniority verificables, rangos de compensación reales y un orden que protege al equipo de los errores más caros.
"El 80% de las iniciativas GenAI que mueren antes del año uno no mueren por mala tecnología. Mueren porque se contrató el rol equivocado primero, sin sponsor ejecutivo y sin caso de uso definido."
IT Workers · Observación de procesos B2B 2024-2026Los 7 roles del equipo GenAI core (tabla 2026)
Un equipo de IA generativa funcional no es un Data Scientist con acceso a una API. Son siete roles complementarios, cada uno con seniority y responsabilidades distintas. Esta tabla muestra los rangos de compensación bruta mensual que estamos viendo en procesos cerrados en Chile durante 2026, junto con la prioridad de contratación dentro de los primeros 90 días.
| Rol | Función principal | Seniority típica | Rango CLP bruto | Prioridad 90d |
|---|---|---|---|---|
| Head of AI / CAIO | Estrategia GenAI, sponsorship, comité ejecutivo | Director / VP | $7M — $13,5M | Día 60-90 (interino antes) |
| Senior GenAI / ML Engineer | Construye RAG, agentes, fine-tuning y pipelines de inferencia | Senior / Staff | $5M — $9M | Día 10-20 (1ra contratación) |
| Prompt Engineer / LLM Engineer | Diseño de prompts, evals, guardrails y benchmarking | Mid / Senior | $3M — $6M | Día 45-60 |
| ML Ops / LLM Ops Engineer | Despliegue, observabilidad, control de costos de inferencia | Senior | $4M — $7,5M | Día 75-85 |
| Data Engineer (vectorial / RAG) | Pipelines de ingesta, embeddings, vector store, data quality | Mid / Senior | $3M — $6,5M | Día 20-30 (2da) |
| Backend Engineer (AI integration) | Integración al stack productivo, auth, caching, streaming | Mid / Senior | $2,8M — $5,8M | Día 45-60 |
| AI Product Manager | Casos de uso, backlog, métricas, traducción negocio-técnica | Senior | $3,5M — $7,5M | Día 30-45 |
Lectura rápida. Los dos roles con prioridad 1 (Senior GenAI Engineer y Data Engineer) son el núcleo técnico. Sin ellos, no hay equipo. Los roles con prioridad 2 (Prompt Engineer, Backend AI integration y AI Product Manager) entran en el bloque 30-60 para profesionalizar la operación. Los roles con prioridad 3 (Head of AI definitivo y MLOps) cierran el trimestre cuando ya hay casos productivos que liderar y operar.
Nota sobre el Head of AI. En empresas de menos de 1.000 empleados, el Head of AI puede ser un interino durante los primeros 60 a 90 días: el CTO o el VP Engineering actuando como sponsor ejecutivo. El Head of AI o CAIO definitivo se contrata cuando ya hay 1 a 2 casos productivos, presupuesto anual asignado y la iniciativa pesa lo suficiente en la organización como para reportar a comité ejecutivo. Contratarlo antes es pagar un sueldo de director por alguien sin equipo que liderar. Ver también: Contratar VP Engineering y Head of Data en Chile.
Secuencia de contratación 30-60-90 días
La diferencia entre un equipo GenAI que entrega su primer caso productivo al día 90 y uno que sigue contratando perfiles al día 180 está en la secuencia. Este es el calendario que vemos funcionar en clientes B2B chilenos: tres bloques de 30 días, cada uno con un objetivo claro y un máximo de 3 contrataciones efectivas.
Día 1 — 30 · Núcleo técnico
Constructor + cimiento de datos
- Día 1-10: definir caso de uso GenAI con ROI medible y nombrar sponsor ejecutivo
- Día 10-20: cierre Senior GenAI Engineer (1ra contratación)
- Día 20-30: cierre Data Engineer con foco vectorial / RAG (2da)
- Output: stack definido, primer prototipo funcional, datos limpios fluyendo
Día 30 — 60 · Especialización
Producto + integración + calidad
- Día 30-45: AI Product Manager aterriza casos y métricas
- Día 45-60: Prompt Engineer y Backend AI integration (en paralelo)
- Pilotaje del primer caso a un grupo acotado de usuarios
- Output: 4 personas core, 1 caso de uso en piloto interno con feedback estructurado
Día 60 — 90 · Escala
Producción + liderazgo definitivo
- Día 60-75: caso productivo con usuarios reales, métricas y guardrails
- Día 75-85: MLOps profesionaliza despliegue, observabilidad y costos
- Día 85-90: segundo Senior GenAI o ML Engineer para abrir caso 2
- Output: 7 personas, 1 caso en producción, plan trimestral con Head of AI definitivo
Día 1-10: definir caso de uso y sponsor antes de contratar a nadie
El hiring no parte con un job description. Parte con un caso de uso GenAI específico (clasificación de tickets, copiloto interno, búsqueda semántica, agente de cobranza, generación de propuestas) y un sponsor ejecutivo nombrado por el comité. Sin esos dos elementos, cualquier contratación llega ciega. El sponsor inicial puede ser el CTO, el VP Engineering o un Head of AI interino. Lo importante es que tenga autoridad para proteger el presupuesto durante 12 meses.
Día 10-20: cerrar al Senior GenAI Engineer (primer constructor)
Esta es la contratación más crítica del trimestre y la que más se equivoca. Buscamos seniority real (5+ años en ingeniería, 18+ meses tocando LLMs en producción, no solo en cuadernos de Colab), capacidad de definir stack y comodidad operando sin Head of AI todavía. El job description debe describir el caso de uso concreto, no listar buzzwords. Si el proceso de hunting arranca en la primera semana, el offer firmado al día 20 es realista.
Día 20-30: cerrar al Data Engineer con foco vectorial y RAG
Con el Senior GenAI Engineer trabajando, queda claro qué datos hay que ingerir y qué vector store usar. El Data Engineer entra a construir los pipelines de embeddings, la capa de almacenamiento vectorial y el data quality que alimenta los modelos. Sin esta pieza, el Senior GenAI Engineer termina haciendo trabajo de ingeniería de datos y la productividad cae a la mitad.
Día 30-45: incorporar AI Product Manager
Con el núcleo técnico funcionando, entra el AI Product Manager. Su rol es traducir señales del negocio a especificación técnica, priorizar el backlog, definir métricas (deflection rate, CSAT, accuracy, costo por inferencia) y proteger al equipo técnico del scope creep. Sin AI PM, los ingenieros terminan respondiendo tickets de gerencias distintas sin criterio de priorización.
Día 45-60: Prompt Engineer y Backend Engineer en paralelo
Cuando el primer prototipo ya muestra valor, entran dos roles complementarios. El Prompt Engineer profesionaliza la capa de prompts, evals y guardrails. El Backend Engineer integra los servicios de IA al stack productivo: autenticación, caching, rate limits, streaming. Ambos se contratan en paralelo porque ya no compiten por la atención del Senior GenAI Engineer.
Día 60-75: piloto a usuarios reales con métricas
Despliegue del primer caso de uso a un grupo acotado (50 a 500 usuarios internos o externos según el caso). El equipo de 5 personas ya armado opera el piloto, recoge feedback estructurado y mide contra los KPIs definidos por el AI Product Manager. Este bloque no contrata: ejecuta. El objetivo es validar que el caso tiene tracción real antes de escalar.
Día 75-85: MLOps o LLMOps para escalar a producción
Cuando ya hay un caso en producción acotada, entra el MLOps Engineer a profesionalizar la operación: pipelines de evaluación continua, observabilidad de modelos, control de costos de API, versionamiento. Contratarlo antes es pagar un sueldo senior por alguien sin nada que operar.
Día 85-90: segundo Senior GenAI Engineer y revisión trimestral
Con la operación estable, entra un segundo Senior GenAI o ML Engineer para abrir el caso de uso número 2 en paralelo. En la misma semana, el comité ejecutivo revisa la iniciativa, valida el presupuesto del siguiente trimestre y decide si contrata al Head of AI definitivo o continúa con el sponsor interino otros 90 días.
3 modelos de armado: in-house, híbrido, partner
No todas las empresas chilenas necesitan armar el equipo completo in-house desde el día uno. Existen tres modelos válidos según el horizonte de la inversión y la criticidad estratégica de la IA generativa para el negocio.
In-house puro
7 roles core · $32M — $52M CLP/mes
Todo el equipo en planilla, reportando al sponsor ejecutivo. Aplica cuando la IA generativa es estratégica a 3+ años, el negocio depende de iteración rápida sobre datos propios y la propiedad intelectual de los modelos tiene valor competitivo.
Pros: conocimiento queda dentro, iteración rápida, ventaja competitiva sostenible.
Contras: mayor inversión inicial, hiring de 6 meses, riesgo de rotación si no hay sponsorship.
Híbrido (1-2 senior + contractors)
Core in-house + spike capacity · $18M — $30M CLP/mes
1 a 2 perfiles senior in-house (Senior GenAI Engineer y AI Product Manager) más contractors o staff augmentation para roles que aún no se justifican full-time (MLOps, Prompt Engineer, Backend AI). Aplica para la mayoría de scale-ups chilenas y corporativos que están entrando a GenAI por primera vez.
Pros: control estratégico in-house, flexibilidad de capacidad, menor riesgo financiero.
Contras: coordinación más compleja, dependencia parcial de proveedores, riesgo de fuga de conocimiento si los contractors se van.
Partner externo 100%
Proyecto cerrado · $25M — $80M CLP/proyecto
Una consultora externa construye el caso de uso, lo entrega y se va. Aplica solo para pruebas de concepto cortas (3 a 6 meses) o cuando la empresa todavía no decidió si GenAI será estratégica. No construye capacidad interna. Cuando termina el contrato, el conocimiento se va con el consultor.
Pros: arranque inmediato, sin riesgo de hiring, alcance acotado.
Contras: sin transferencia real, costo por proyecto alto, dependencia total del proveedor, sin capacidad para iterar después.
"Cuando la IA generativa es estratégica a 3 años, in-house o híbrido son los únicos modelos que construyen capacidad. El partner 100% sirve para pilotos, no para sostener una iniciativa."
Pablo Herrera · IT WorkersCompensación CLP 2026 y equity
Los rangos de la tabla anterior son brutos mensuales en pesos chilenos para perfiles en Santiago de Chile. El costo empresa real (con leyes sociales, beneficios, herramientas y seguro complementario) es aproximadamente 30% mayor. A nivel de equity, los paquetes que vemos competitivos en 2026 dependen del tipo de empresa:
- Startups Serie A — Serie B: equity es la pieza clave para retener Senior GenAI Engineer y Head of AI. Paquetes típicos: 0,1% a 0,5% para Senior GenAI Engineer, 0,5% a 1,5% para Head of AI definitivo. Vesting estándar 4 años, cliff 12 meses.
- Scale-ups Serie C+: mezcla de equity (RSUs o stock options) más bono variable atado a KPIs de la iniciativa GenAI. El equity típico baja a 0,05% a 0,2% para Senior y 0,2% a 0,8% para Head of AI.
- Corporativos sin equity: se compensa con bono variable trimestral o anual atado a métricas de la iniciativa (deflection rate, ahorro operacional, NPS del producto GenAI). Los bonos competitivos están entre 15% y 30% del bruto anual para Senior y entre 30% y 60% para Head of AI.
Para más detalle de compensación cruzado contra otros roles tech del mercado chileno, ver la guía salarial tech 2026 con +80 cargos y la página específica de sueldo AI Engineer Chile 2026. También se cubre la dinámica de retención senior en el artículo de equity y stock options en startups tech.
Casos de uso por industria y roles a priorizar
El equipo de 7 roles core es el patrón general, pero las industrias chilenas tienen prioridades distintas según el tipo de caso de uso GenAI que mejor encaja en su modelo de negocio. Estos son los cinco verticales donde estamos viendo más velocidad en 2026.
Banca y servicios financieros
Sector A · alta regulaciónCasos principales: asistente interno para ejecutivos comerciales, agente de cobranza temprana, copiloto de cumplimiento normativo, búsqueda semántica de políticas internas.
Roles a priorizar: Senior GenAI Engineer con experiencia en data sensible, Data Engineer con foco vectorial, MLOps con cultura de auditoría. AI Product Manager con background financiero. Ver: IA en banca Chile.
Retail con e-commerce relevante
Sector B · volumen altoCasos principales: search semántico en catálogo, recomendador conversacional, generación masiva de descripciones de producto, copiloto para customer service de alta rotación.
Roles a priorizar: Senior GenAI Engineer con foco en latencia y escala, 2 Backend Engineers AI integration, AI Product Manager con KPIs de conversión. Prompt Engineer crítico para tono de marca.
Salud privada con volumen de pacientes
Sector C · data sensibleCasos principales: transcripción y resumen clínico, asistente de codificación CIE-10, copiloto de agendamiento, generación de cartas de derivación.
Roles a priorizar: Senior GenAI Engineer con experiencia en privacidad y data anonimization. Data Engineer con foco en data quality clínica. Prompt Engineer crítico para evals médicas. MLOps con cultura de versionamiento.
Minería y operaciones industriales
Sector D · data operacionalCasos principales: copiloto de mantención predictiva, asistente para operadores de planta, búsqueda en documentación técnica, generación automatizada de reportes de turno.
Roles a priorizar: Senior GenAI Engineer con dominio industrial, Data Engineer con foco en data histórica y sensores, AI Product Manager con background operacional. MLOps con foco en disponibilidad. Ver: IA en minería Chile.
Fintech B2C
Sector E · iteración rápidaCasos principales: asistente financiero personal, agente de educación financiera, generación de propuestas personalizadas, antifraude conversacional. El usuario final espera latencia baja y costos de inferencia controlados.
Roles a priorizar: Senior GenAI Engineer con foco en latencia, MLOps temprano (día 60), Prompt Engineer senior para evals continuas, AI Product Manager con KPIs de retención y CSAT.
Errores típicos en hiring GenAI 2026
Estos son los seis errores que vemos repetir con más frecuencia en procesos B2B chilenos. Cada uno cuesta entre 2 y 4 meses de calendario y, en los casos más graves, mata la iniciativa antes del año uno.
1. Contratar al Head of AI antes de tener un equipo que liderar
Un director senior recién contratado pasa los primeros 60 días sin equipo, sin caso productivo y sin presupuesto operativo definido. A los 90 días ya quiere irse. El Head of AI definitivo se contrata después de tener 1 a 2 casos productivos, no antes.
2. Buscar el perfil unicornio que haga todo el trabajo de 4 roles
"Buscamos AI Engineer que haga prompt engineering, MLOps, data engineering y product management." Ese perfil no existe a sueldos razonables. Y cuando existe, tiene 5 ofertas encima de la mesa. Mejor contratar dos especialistas en el mismo plazo. Cubierto en detalle en el artículo de cómo armar equipo de IA.
3. Contratar Prompt Engineers junior sin Senior GenAI Engineer arriba
El Prompt Engineer junior optimiza la capa de prompts, pero no diseña el sistema. Si no hay Senior GenAI Engineer construyendo la arquitectura, el Prompt Engineer termina haciendo demos que nadie integra a producción. Frustración garantizada en 6 meses.
4. Saltar el AI Product Manager y delegar priorización al CTO
El CTO no tiene ancho de banda para priorizar el backlog GenAI día a día. Sin AI Product Manager, los ingenieros responden tickets de gerencias distintas sin criterio, el scope crece y el caso de uso original se diluye.
5. Contratar MLOps antes de tener modelos en producción
Un MLOps senior cuesta entre $4M y $7,5M brutos mensuales. Contratarlo en el día uno significa pagar un sueldo alto durante 60 días por alguien que no tiene nada que operar. Entra recién al día 75-85, cuando ya hay caso productivo.
6. No definir caso de uso antes de abrir vacantes
"Necesitamos contratar gente de IA" no es un caso de uso. Sin un caso concreto con ROI medible (clasificación de tickets, copiloto interno, búsqueda semántica), cualquier hiring llega ciego. El sponsor ejecutivo y el caso de uso son prerrequisitos al primer job description.
Stack técnico recomendado (opciones, sin partido)
El stack técnico no debe definirlo el hiring manager antes de tener al Senior GenAI Engineer. Forma parte del entregable del primer constructor durante los días 10-30. Dicho eso, estas son las opciones que estamos viendo competir en 2026, sin tomar partido por ningún proveedor específico.
- Modelos de lenguaje: existen modelos frontier de pago por API (varios proveedores comerciales), modelos open-weight para self-hosting (LLaMA, Mistral, Qwen, DeepSeek) y modelos chilenos o regionales en desarrollo. La elección depende de privacidad, costo por inferencia y latencia requerida.
- Frameworks de orquestación: opciones populares incluyen LangChain, LlamaIndex, Haystack y stacks custom en Python o TypeScript. Los equipos senior tienden a custom; los equipos en arranque parten con framework establecido y migran si escalan.
- Vector stores: Pinecone, Weaviate, Qdrant, Milvus, pgvector sobre PostgreSQL. Para volumen bajo, pgvector es suficiente; para alta concurrencia se justifica un vector store dedicado.
- Observabilidad y evals: herramientas como LangSmith, Langfuse, Weights and Biases o instrumentación custom. Tener observabilidad desde el día 1 es obligatorio; entrar a producción sin observabilidad es ciego.
- Cloud: AWS, Google Cloud y Azure tienen ofertas competitivas. La elección suele venir dada por el stack preexistente de la empresa, no por la iniciativa GenAI.
Para una visión más amplia del tipo de perfiles que están entrando al mercado tech chileno, ver el artículo de IA generativa: perfiles tech para implementarla en Chile y la guía de perfiles de IA imposibles de contratar en 2026.
KPIs del primer cuarto: qué medir
Una iniciativa GenAI sin métricas claras al día 30 es una iniciativa que se va a recortar en el cuarto trimestre. Estos son los KPIs que vemos funcionar para defender el presupuesto ante comité ejecutivo:
- Tiempo a primer prototipo funcional: objetivo <30 días desde el día uno. Demuestra que el Senior GenAI Engineer está entregando.
- Tiempo a primer caso piloto con usuarios reales: objetivo 60-75 días. Demuestra que el equipo entero ya opera de forma coordinada.
- Métricas por caso de uso: deflection rate para asistentes, accuracy para clasificación, CSAT para experiencia conversacional, tasa de adopción para copilotos internos.
- Costo por inferencia: medido en CLP o USD por interacción exitosa. Sin este KPI, la iniciativa GenAI se puede volver insostenible cuando escala.
- Time-to-resolution para incidentes: medido desde el día 75. Demuestra que MLOps está aportando valor real, no solo automatización superficial.
- Tasa de retención del equipo: 0% de rotación voluntaria en los primeros 6 meses es un KPI subestimado. Una salida en el primer trimestre cuesta entre 2 y 4 meses de calendario y entre $15M y $30M CLP en hiring, onboarding y curva de aprendizaje perdida.
Perspectiva de costo total. Un equipo GenAI completo de 7 personas con costo bruto mensual de $35M CLP cuesta aproximadamente $45M CLP/mes a la empresa (costo empresa con leyes sociales). En un año son $540M CLP de inversión directa. Para que esa inversión tenga sentido, los casos productivos al día 365 deben generar más de $700M CLP en valor anual medible (ahorro operacional, mayor conversión, deflection de tickets o expansión de revenue). Sin caso de uso con ROI verificable, el equipo no sobrevive a la siguiente revisión presupuestaria.
"Un equipo de IA generativa sin KPIs medibles al día 30 no es un equipo. Es un centro de costo esperando ser recortado en el cuarto trimestre."
IT Workers · Playbook Hiring GenAI 2026Preguntas frecuentes sobre armar un equipo de IA generativa
¿Se puede armar un equipo de IA generativa funcional en 90 días?
Sí, si se contrata en secuencia y con hunting activo desde el día uno. El equipo mínimo viable son 4 personas (Senior GenAI Engineer, Data Engineer, AI Product Manager y un Backend o Prompt Engineer). En 90 días alcanza para tener el primer caso de uso productivo con métricas medibles. El Head of AI o CAIO definitivo y el MLOps suelen entrar entre el día 60 y 90.
¿Cuál es el primer rol que debo contratar para una iniciativa GenAI?
El primer rol efectivo es un Senior GenAI Engineer con experiencia real en LLMs, RAG y orquestación. El Head of AI puede ser un interino (CTO o VP Engineering actuando como sponsor) durante los primeros 60 días, pero sin un constructor senior desde el día uno la iniciativa no genera valor visible y el sponsorship se diluye.
¿Cuánto cuesta un equipo de IA generativa en Chile en 2026?
Un equipo mínimo viable de 4 personas cuesta entre $17M y $28M CLP brutos mensuales. El equipo completo de 7 roles core ronda los $32M a $52M CLP mensuales. El costo empresa real es aproximadamente 30% mayor por leyes sociales, beneficios y herramientas.
¿Necesito un Head of AI o CAIO desde el día uno?
No. Para la mayoría de empresas chilenas con menos de 1.000 empleados, conviene que el sponsor inicial sea el CTO o VP Engineering actuando como Head of AI interino durante los primeros 90 días. El Head of AI definitivo se contrata cuando la iniciativa ya tiene 1 o 2 casos productivos y peso suficiente para reportar a comité ejecutivo.
¿Cuál es la diferencia entre un Prompt Engineer y un Senior GenAI Engineer?
El Senior GenAI Engineer construye sistemas: arquitectura RAG, orquestación de agentes, fine-tuning, pipelines de inferencia. El Prompt Engineer o LLM Engineer se enfoca en la capa de prompts, evaluaciones, benchmarking y guardrails. Son perfiles complementarios. El primero es seniority de ingeniería full-stack ML; el segundo es más cercano a un ingeniero aplicado con foco en calidad de outputs.
¿Conviene equipo in-house, híbrido o partner externo?
Depende del horizonte. Si la IA es estratégica a 3 años, el modelo correcto es in-house puro o híbrido (1 a 2 senior in-house más contractors especializados para picos). Un partner externo 100% sirve para pruebas de concepto cortas pero no construye capacidad interna.
¿Qué errores son los más caros en hiring GenAI 2026?
Los tres más caros son: contratar un Head of AI senior antes de tener un equipo que liderar, buscar un perfil unicornio que haga todo el trabajo de 4 roles distintos, y contratar Prompt Engineers de bajo seniority sin un Senior GenAI Engineer que diseñe el sistema. Los tres terminan en frustración del candidato, rotación temprana y pérdida de 2 a 4 meses de calendario.
¿Equity es relevante para perfiles GenAI senior en Chile?
En startups y scale-ups sí. Los perfiles GenAI senior reciben ofertas internacionales con paquetes de equity competitivos. Para retener talento senior chileno, un paquete típico incluye 0,1% a 0,5% para Senior GenAI Engineer y 0,5% a 1,5% para Head of AI definitivo, con vesting de 4 años y cliff de 12 meses. En corporativos sin equity, se compensa con bono variable atado a KPIs.
¿Qué industrias chilenas necesitan equipo GenAI propio en 2026?
Banca, retail con e-commerce relevante, salud privada con volumen de pacientes, minería con operaciones de datos y fintech B2C son las cinco industrias donde la iniciativa GenAI ya pasó la fase de piloto y necesita equipo interno. En el resto, todavía conviene partir con modelo híbrido o partner externo y reevaluar al cuarto trimestre.
¿Cuánto tarda IT Workers en entregar shortlist para un Senior GenAI Engineer?
Entre 4 y 5 días hábiles desde el briefing con el hiring manager. La shortlist incluye 3 a 5 perfiles evaluados técnicamente con seniority verificada, expectativa salarial alineada y disponibilidad real. El fee se paga solo al contratar (no hay retainer) y la garantía es de 90 días por reemplazo sin costo.
¿Lanzas GenAI en 2026? Hablemos en 24 horas.
IT Workers es la firma de headhunting tech especializada en armar equipos de IA generativa para empresas en Chile. Shortlist de Senior GenAI Engineer en 4 a 5 días hábiles. Fee solo al contratar. Garantía de reemplazo 90 días.
Hablar con un consultor