El FDE despliega IA en producción frente al cliente. No basta con que funcione en un notebook: hay que probarlo, medirlo, defender la arquitectura y ganarse la confianza de quien lo va a usar.

Para quién es este curso

Este curso asume que ya eres ingeniero senior con experiencia en MarTech y en producción, que trabajas con un flujo agéntico (Claude Code, spec-driven) y que dominas lo básico de Python, prompt engineering y las APIs de LLM. No perdemos tiempo en fundamentos. El objetivo es concreto: prepararte para un rol de Forward Deployed Engineer (FDE), Applied AI Engineer o Solutions Architect en Anthropic, OpenAI, Palantir o una startup de IA Series B–D. Las ocho semanas están ordenadas por lo que más te diferencia: empezamos por evals (lo que casi nadie domina) y terminamos en el loop de entrevistas. Cada semana incluye lecturas de las mejores fuentes de la industria, un entregable que se convierte en portafolio, y un examen de 5 preguntas.

Al terminar este curso podrás

  • Construir un sistema de evals (LLM-as-judge + code-graded) y defender por qué las métricas genéricas engañan.
  • Diseñar un pipeline RAG de producción y medir recuperación y generación por separado.
  • Decidir entre workflow y agente, diseñar tools con buena ACI y construir un servidor MCP.
  • Aplicar las palancas de producción — prompt caching, batching, model routing, structured outputs, observabilidad y guardrails — y contar la historia de "recortamos costos 60%".
  • Elegir entre fine-tune, RAG y prompt, y destilar un modelo grande en uno pequeño para una tarea estrecha.
  • Conducir un customer discovery y escribir un design doc de un engagement FDE con modelo de costos y plan por fases.
  • Publicar un artefacto OSS pulido, posicionarte, y pasar el loop de entrevistas FDE con confianza.