Marco de Competencias del AI Solution Architect + Benchmark Externo
Contrasta este plan de 26 semanas contra los marcos de referencia más reputados para el rol (Azure Well-Architected for AI, ruta oficial de Solution Architect de Microsoft, AWS Generative AI, Google Cloud ML Engineer, el libro AI Engineering de Chip Huyen, DeepLearning.AI y roadmap.sh). Sirve para: (1) confirmar que el plan cubre lo que el mercado espera, (2) hacer transparentes los gaps y cómo cerrarlos, y (3) auto-evaluar tu nivel por competencia. Todos los enlaces externos están verificados.
Un AI Solution Architect no es "alguien que sabe de IA": es quien traduce una necesidad de negocio en un sistema de IA diseñado, evaluado, seguro, operado en producción y con costo controlado. Esta página define esas competencias y las ancla a fuentes externas confiables.
🧭 Modelo de competencias (10 competencias del rol)
Cada competencia indica dónde la construye este plan y qué fuente reputada la valida. La columna Estado marca si el plan la desarrolla a fondo (🟢) o la introduce y conviene profundizar con un recurso externo (🟡).
| # | Competencia | Dónde en el plan | Fuente externa de referencia | Estado |
|---|---|---|---|---|
| 1 | Encuadre de negocio y requisitos (traducir problema → caso de uso, KPIs) | Fase 4 (value realization, KPI tree) | MS Cloud Adoption Framework — AI | 🟢 |
| 2 | Datos y grounding (ingesta, calidad, chunking, gobierno del dato) | Fase 2 (W5-8, W9) | AWS Generative AI | 🟢 |
| 3 | Selección de modelo / LLM (modelo vs. RAG vs. fine-tuning, costo/latencia) | Fase 2 (W9-11) | Chip Huyen — AI Engineering | 🟢 |
| 4 | Diseño RAG (embeddings, vector store, retrieval híbrido, reranking, citas) | Fase 2 (W9-10) | DeepLearning.AI — cursos | 🟢 |
| 5 | Orquestación de agentes (tool calling, memoria, multi-agente, trazas) | Fase 2 (W11) | roadmap.sh — AI Engineer | 🟢 |
| 6 | Evaluación y calidad (groundedness, relevance, LLM-as-judge, regresión) | Fase 2 (W10, W12) | Chip Huyen — AI Engineering | 🟢 |
| 7 | Seguridad y Responsible AI (threat model, guardrails, gobernanza) | Fase 3 (W13-16) · SC-500 | OWASP LLM Top 10 · NIST AI RMF | 🟢 |
| 8 | Arquitectura Well-Architected (5 pilares aplicados a IA) | Fase 3 (W14, AZ-305, ADR) | Azure Well-Architected for AI | 🟢 |
| 9 | LLMOps / operación en producción (CI/CD, serving, monitoreo, drift) | Fase 3 (introducido) · rúbrica capstone | Google Cloud ML Engineer | 🟡 |
| 10 | Costo / FinOps de IA (economía de tokens, right-sizing de inferencia) | Fase 3-4 (transversal) | Azure Well-Architected for AI — costo | 🟡 |
Los estados 🟡 (competencias 9 y 10) son áreas de profundización deliberada: el plan las introduce en contexto, pero para roles senior conviene reforzarlas con el recurso externo indicado. No son omisiones — son el siguiente nivel de madurez.
🏛️ Azure Well-Architected for AI: los 5 pilares aplicados
El marco de arquitectura más autoritativo para cargas de IA en Azure es el Well-Architected Framework for AI. Un AI Solution Architect debe poder razonar cada pilar sobre su propio sistema:
| Pilar WAF | Pregunta clave para un sistema de IA | Dónde lo trabaja el plan |
|---|---|---|
| Fiabilidad | ¿Qué pasa cuando el modelo alucina, se degrada o el proveedor falla? Fallbacks, reintentos, evaluación continua. | Fase 2 (eval) + Fase 3 |
| Seguridad | Prompt injection, fuga de datos, control de acceso al modelo y a los datos de grounding. | Fase 3 (threat model, SC-500) |
| Optimización de costos | Economía de tokens, caching, elección de modelo por tarea, right-sizing de inferencia. | Competencia 10 (profundizar) |
| Excelencia operativa | LLMOps: despliegue, versionado de prompts/modelos, monitoreo de calidad y drift. | Competencia 9 (profundizar) |
| Eficiencia del rendimiento | Latencia de retrieval y generación, throughput, escalado bajo carga. | Fase 2 (agentes/trazas) + Fase 3 |
Entregable sugerido (refuerzo): para tu capstone, escribe una revisión WAF de una página que responda las 5 preguntas sobre tu sistema. Es exactamente el artefacto que un arquitecto senior produce y que distingue tu portafolio.
🔁 Cross-walk multiplataforma (portabilidad del skill)
Este plan es Microsoft-first por diseño (AI-103, AZ-305, SC-500 dan estructura y credencial). Pero las competencias son transferibles: si una vacante pide AWS o GCP, tu conocimiento se traduce directamente. Usa esta tabla para hablar el idioma de cualquier empleador.
| Concepto | Microsoft (Azure) | AWS | Google Cloud |
|---|---|---|---|
| Plataforma de modelos / agentes | Azure AI Foundry + Agent Service | Amazon Bedrock + Bedrock Agents | Vertex AI + Agent Builder |
| Búsqueda vectorial / RAG | Azure AI Search | Amazon Kendra / OpenSearch | Vertex AI Search |
| Evaluación de modelos | Azure AI Evaluation SDK | Bedrock Evaluations | Vertex AI Evaluation |
| Seguridad de contenido | Azure AI Content Safety | Bedrock Guardrails | Vertex AI Safety filters |
| Credencial de arquitectura | AZ-305 | AWS Solutions Architect | Professional Cloud Architect |
| Credencial de IA/ML | AI-103 | AWS ML / GenAI | Professional ML Engineer |
Rutas oficiales externas (verificadas): AWS Skill Builder · Google Cloud ML Engineer · MS Solution Architect career path.
📊 Autoevaluación (baseline y seguimiento)
Los programas best-in-class empiezan con una línea base. Puntúa cada competencia del 1 al 5 hoy, y repite al cerrar cada checkpoint (CP1-CP5). El objetivo no es el 5 en todo, sino mover el número con evidencia.
| Nivel | Significado |
|---|---|
| 1 | No lo he tocado |
| 2 | Entiendo la teoría, no lo he construido |
| 3 | Lo construí una vez guiado (tutorial) |
| 4 | Lo construí de forma independiente, con evidencia (repo + eval) |
| 5 | Puedo diseñarlo, defender trade-offs y enseñarlo a otro |
Regla de portafolio: una competencia solo cuenta como "lista para contratación" a partir de nivel 4 (evidencia reproducible). El nivel 3 es un tutorial; el mercado compra el 4-5. Alinea esto con la rúbrica del capstone.
📚 Fuentes externas de referencia (reputadas y verificadas)
| Fuente | Tipo | Refuerza en este plan |
|---|---|---|
| Azure Well-Architected for AI | Framework (Microsoft) | Competencias 8, 9, 10 |
| MS — Ruta de Solution Architect | Ruta de carrera oficial | Estructura general del rol |
| MS Cloud Adoption Framework — AI | Framework (Microsoft) | Competencia 1 |
| AWS — Generative AI | Ruta oficial (AWS) | Competencias 2-6 (multiplataforma) |
| Google Cloud — ML Engineer | Certificación oficial (Google) | Competencias 9, cross-walk |
| Chip Huyen — AI Engineering (O'Reilly, 2025) | Libro de referencia | Competencias 3, 6, 9 |
| DeepLearning.AI — Cursos | Cursos (Andrew Ng) | Competencias 4, 5 |
| roadmap.sh — AI Engineer | Roadmap comunitario | Visión general de skills |
🔗 Cómo usar esta página
- Antes de empezar: haz la autoevaluación como baseline y anota tus 3 competencias más débiles.
- Durante el plan: en cada checkpoint, re-puntúa y verifica que subiste al menos una competencia a nivel 4.
- Para las 🟡 (LLMOps, costo): dedica una sesión de la Fase 3 o 4 al recurso externo indicado y añade el artefacto (revisión WAF, dashboard de costo) a tu portafolio.
- En entrevistas: usa el cross-walk para responder "¿tienes experiencia en AWS/GCP?" con "mi arquitectura es transferible; aquí está el equivalente".