Ingeniero de IA Aplicada

• Más de 4 años de experiencia en software, ciencia de datos o ingeniería de machine learning, incluyendo más de 1 año construyendo agentes impulsados por LLM en producción: uso de herramientas y llamada a funciones (function calling), salidas estructuradas, recuperación y memoria, y orquestación de múltiples pasos con frameworks como LangGraph o el Anthropic Agent SDK.

• Has implementado un sistema RAG en producción y puedes hablar concretamente sobre grounding, chunking y calidad de recuperación, control de alucinaciones y cuándo negarse a responder.

• Tratas los agentes orientados al cliente como una superficie de ataque: puedes explicar cómo defenderías contra la inyección de prompts, el abuso de llamadas a herramientas y la filtración de datos a través de las salidas del modelo.

• Responsabilidad del ciclo de vida de ML en producción: ingeniería de características, entrenamiento, servicio, monitorización y reentrenamiento. La experiencia en detección de fraude, riesgo o abuso es una señal fuerte: clases desequilibradas, usuarios adversarios y decisiones con costes asimétricos.

• Rigor estadístico: diseño de experimentos, holdouts y grupos de control, medición de incremento y calibración de puntuaciones; puedes defender la elección de un umbral ante un oficial de cumplimiento con la misma comodidad que ante un ingeniero.

• Disciplina de evaluación para sistemas no deterministas: has construido entornos de evaluación y suites de regresión y has detectado la deriva de calidad antes que tus usuarios.

• Python sólido para servicios de producción, comodidad en TypeScript para las superficies de revisión y aprobación que entregarás, y sólidas habilidades de SQL en bases de datos analíticas columnares (preferiblemente ClickHouse).

• Capacidad para llevar tu propio trabajo a una superficie lista para los stakeholders: colas de revisión, interfaces de aprobación, dashboards y aplicaciones internas ligeras, utilizando un framework de front-end o herramientas como Streamlit. No esperas a que otro equipo haga visible tu trabajo.

• Experiencia diseñando sistemas donde las salidas del modelo alimentan una ejecución determinista, manteniendo ese límite limpio (los modelos puntúan, sugieren y redactan; la lógica gobernada decide), con observabilidad y trazabilidad de LLM (Langfuse, LangSmith o similares) y responsabilidad sobre lo que entregas, incluyendo cuando falla.

• Experiencia en iGaming u otros entornos de alta confianza e intensivos en transacciones donde la seguridad, la prevención de fraude, la auditabilidad, la trazabilidad, la integridad de los datos y los controles operativos robustos son requisitos de ingeniería fundamentales.

• Experiencia en integración de helpdesk o plataformas de CS (Intercom, Zendesk o similares): webhooks, APIs de conversación, asistencia a agentes o automatización completa.

• Exposición a flujos de transacciones nativos de blockchain o cripto, incluyendo datos on-chain, clustering de wallets o liquidación con stablecoins.

• Experiencia con optimización restringida, bandits o aprendizaje por refuerzo aplicado dentro de restricciones de negocio estrictas (presupuestos, límites, listas de exclusión).

• Experiencia con motores de reglas o sistemas de gestión de decisiones, y desarrollo de aplicaciones para Slack.

• Experiencia en sistemas orientados a eventos y streaming: consumidores de Kafka o MSK, procesamiento idempotente y gestión de fallos.

Block Labs es un estudio tecnológico de primer nivel que opera en la vanguardia de Web3, Inteligencia Artificial e iGaming. No nos limitamos a lanzar funcionalidades; diseñamos plataformas de grado de producción a gran escala que impulsan la próxima generación de productos digitales.

Somos un colectivo de ingenieros senior, estrategas de producto y constructores que se niegan a comprometer la arquitectura. Ya sea diseñando sistemas de IA multiagente autónomos, construyendo infraestructura financiera descentralizada o arquitecturando plataformas de iGaming de alta frecuencia, nuestro estándar es la excelencia.

Nos movemos rápido, pero construimos a largo plazo. Si buscas trabajar junto a un equipo que valora la profunda experiencia técnica, el diseño de sistemas reflexivo y la propiedad del producto, Block Labs es tu lugar.

Estamos invirtiendo en agentes de IA gobernados que trabajan directamente con nuestros clientes y equipos internos. Data & Intelligence se sitúa ahora en el centro de varios productos que estamos desarrollando, y la plataforma que hemos construido está lista para albergar una inteligencia más avanzada: toma de decisiones en tiempo real, modelado predictivo y agentes de IA gobernados.

Este rol refleja ese cambio. Nuestro motor de decisiones está gobernado por un registro de decisiones formal: más de 100 decisiones en 15 módulos de la plataforma, que abarcan controles de riesgo en tiempo real, orquestación de recompensas y compromiso, enrutamiento de pagos, alertas de tesorería e intervenciones de juego responsable. Los humanos establecen objetivos, presupuestos y controles de aprobación; los modelos de IA y ML redactan, puntúan, simulan y optimizan dentro de ellos; el motor ejecuta de forma determinista dentro de los límites aprobados y lo registra todo. Como AI Engineer en el equipo de Intelligence, eres el ingeniero de producto de la plataforma de datos y agentes. Construyes agentes de producción que responden a preguntas de negocio reales y, a medida que ganan autonomía, actúan con clientes reales y dinero real: fundamentados, auditables, protegidos contra entradas adversarias y controlados por aprobación humana cuando el riesgo lo exige. Y construyes la inteligencia debajo y alrededor de ellos: los modelos y análisis que impulsan las decisiones, y los dashboards donde la empresa ve y dirige todo, en una plataforma donde una decisión errónea puede mover dinero y cada decisión debe ser reconstruible.

Tu primer entregable es un agente de análisis BI SQL de producción: un agente nativo de Slack que responde preguntas de negocio con SQL gobernado sobre el almacén analítico, con consultas validadas, resultados verificados y evidencia citada detrás de cada número. A partir de ahí, el rol equilibra cuatro disciplinas en medidas aproximadamente iguales: agentes de IA, machine learning, ciencia de datos y los dashboards y superficies que los exponen.

• Construir y ser responsable de agentes analistas de extremo a extremo: agentes nativos de Slack que traducen preguntas de negocio en lenguaje natural a SQL gobernado sobre el almacén analítico, responden preguntas ejecutivas de P&L, publican informes diarios de estado y explican los movimientos de las métricas con análisis de causa raíz respaldados por datos; protegidos por validación de SQL y esquemas, comprobaciones de coherencia de resultados y contrastes de métricas diarias con las vistas de informes canónicas.

• Extenderse hacia agentes orientados al cliente: triaje y enrutamiento de intención, respuestas fundamentadas en recuperación (RAG) sobre bases de conocimiento versionadas con fallos estrictos de abortar y escalar, máquinas de estado conversacionales de múltiples turnos, voz de marca localizada y lógica de escalada; integrados con nuestras plataformas de helpdesk y CRM (ingesta de webhooks, gestión del ciclo de vida de la sesión, etiquetado de metadatos de intención, tickets de escalada automatizados con contexto de herramientas preempaquetado).

• Construir la capa de herramientas estratificada por riesgo entre los agentes y las APIs de back-office: herramientas de recopilación de contexto de solo lectura, validación basada en la información antes de cualquier acción, flujos de trabajo de confirmación de múltiples turnos y un interruptor por herramienta que mueve las mutaciones de bajo riesgo desde la aprobación del responsable hasta la ejecución totalmente autónoma a medida que se acumula la evidencia. Blindar los agentes contra entradas adversarias: filtrado de inyección de prompts, congelación de umbrales de confianza en intenciones sensibles, rutas de escalada de seguridad silenciosas y defensas contra el uso indebido de herramientas y la filtración de datos.

• Construir agentes escalando la escalera de la autonomía utilizando LangGraph, el Anthropic Agent SDK / Model Context Protocol (MCP), o frameworks de orquestación equivalentes. Diseñar el bucle de retroalimentación cerrado (captura de correcciones, memoria semántica y de consultas probadas), el registro de auditoría de decisiones y los entornos de evaluación, incluyendo suites de regresión que demuestren que las nuevas herramientas o intenciones no introducen degradación en las rutas existentes.

• Construir y poner en producción los modelos detrás de las señales de decisión de la plataforma: modelos de churn, lifetime value y sensibilidad a bonos para el engagement; puntuaciones de riesgo de jugador compuesto a través de señales de identidad, pago, juego, bonos y red; detección de colusión, juego de bots y multi-cuentas; y detección de anomalías para tesorería y pagos.

• Entregar modelos como señales gobernadas, no como notebooks: contratos versionados y con SLA con el motor de decisiones y tus agentes, con monitorización de frescura, deriva y calibración, y rutas de reentrenamiento automatizadas, servidos en niveles de tiempo real (Kafka/MSK), casi tiempo real y batch (ClickHouse).

• Ser responsable de la puntuación de riesgo de retirada multivectorial: puntuaciones por vector con justificación y confianza citadas, agregación consciente de la evidencia y re-puntuación automática cuando llega evidencia tardía.

• Codificar reglas de negocio con los propietarios de dominio y mantener la política auditable: traducir la política en reglas deterministas y configurables; simular y realizar backtesting de cada cambio de regla o umbral con datos históricos antes de su activación; diseñar grupos de control y holdouts para medir el incremento real; y realizar los análisis profundos que alimentan tanto a tus agentes como al equipo ejecutivo.

• Construir las superficies de supervisión y aprobación para tus agentes: colas de revisión con tarjetas de propuesta de acción de un solo clic para mutaciones de alto riesgo, reproducción de sesiones buscables que expongan prompts, salidas del modelo, cadenas de razonamiento y llamadas a herramientas, y un módulo de calificación estructurado cuyo resultado alimente los conjuntos de datos de evaluación y ajuste fino (fine-tuning).

• Diseñar y entregar los dashboards a través de los cuales el negocio consume tu trabajo: vistas de auditoría de decisiones, dashboards de rendimiento de agentes (tasa de corrección, tasa de fallo, volumen de decisiones por regla y vector), colas de revisión de riesgo y vistas de KPI construidas con el equipo de BI, moviendo el dashboarding hacia la detección y explicación de anomalías asistida por IA.

• Totalmente remoto con comunicación priorizando la asincronía. Se prefiere coincidencia con la zona horaria de la UE.

• Equipo de Intelligence pequeño y de alta autonomía dentro de la función de Data. Reportarás al Head of Data y coordinarás con los equipos de AI, BI e Infraestructura y, para los agentes orientados al cliente, con el Head of CS y los squads de producto cuyas plataformas sirven tus agentes.

• Las decisiones de arquitectura se documentan y se debaten. Participarás en revisiones de diseño y serás responsable de las decisiones de tu dominio.

• La autonomía se gana con evidencia. Los modelos y agentes comienzan en modo de solo propuesta con control humano y se gradúan nivel a nivel, respaldados por simulaciones y datos de resultados.

• Construimos para escala multi-tenant desde el primer día. Lo que entregues para un operador debe poder absorber al siguiente sin esfuerzo de ingeniería adicional.

¿Qué tipo de cultura puedo esperar?
Madura, orientada a la misión y con poco ego. Valoramos la claridad sobre el ruido, los resultados sobre la teatralidad y el ritmo sin caos. Si eres una de las mentes más brillantes en tu disciplina y quieres construir junto a otros expertos, te sentirás como en casa aquí.