El panorama de los expertos en inteligencia artificial se ha reconfigurado desde la explosión de los modelos de fundación. Los perfiles que importan en 2026 no son solo investigadores que publican en conferencias académicas: observamos un núcleo híbrido donde se cruzan fundadores de startups, mantenedores de infraestructuras de código abierto y especialistas en ética algorítmica. Identificar a quién seguir exige entender estas líneas de fractura.
Modelos de fundación y LLM engineering: los perfiles técnicos a seguir
El dominio de las arquitecturas de modelos de lenguaje distingue hoy a los expertos que avanzan en el campo de aquellos que solo lo comentan. En Europa, tres nombres aparecen sistemáticamente en los análisis estructurados de 2026: Arthur Mensch, Guillaume Lample y Timothée Lacroix, cofundadores de Mistral AI.
Su trabajo se centra en la ingeniería de LLM, desde el preentrenamiento hasta el despliegue en producción. Este trío encarna una experiencia rara que combina investigación fundamental (publicaciones sobre mecanismos de atención, el mixture-of-experts) y escalado industrial.
Seguir estos perfiles permite comprender los verdaderos arbitrajes técnicos: elección de tokenización, estrategias de cuantificación, compromisos entre tamaño del modelo y latencia de inferencia. Temas que la mayoría de las listas de público general no abordan, pero que determinan el valor operativo de un sistema de IA en la empresa. Para situar estas figuras en un panorama más amplio, un recurso recopila los mejores expertos en inteligencia artificial según varios criterios de selección.
Código abierto y plataformas de IA: la influencia a través de la infraestructura
La infraestructura de código abierto está moldeando más el sector que la investigación cerrada. Thomas Wolf y Clément Delangue, respectivamente CSO y CEO de Hugging Face, se han convertido en referencias mundiales no por sus publicaciones académicas, sino por la plataforma que mantienen.
Hugging Face alberga decenas de miles de modelos, datasets y espacios de demostración. Cuando un profesional de IA busca un modelo preentrenado o un pipeline de fine-tuning, casi sistemáticamente pasa por esta infraestructura. Wolf y Delangue orientan de facto las prácticas de desarrollo de toda la comunidad.
Recomendamos seguir sus posiciones sobre la gobernanza de modelos abiertos, un tema que enfrenta a los defensores del acceso libre y a los reguladores europeos. Su lectura es complementaria a la de los fundadores de Mistral AI: los primeros construyen la capa de distribución, los segundos la capa de modelo.
Criterios para evaluar a un experto en código abierto
- Contribuciones directas al código o a la documentación de proyectos de alta adopción (commits verificables, no solo conferencias)
- Posicionamiento claro sobre las licencias de modelos (Apache 2.0, RAIL, copyleft) y sus implicaciones para las empresas
- Capacidad para explicar las limitaciones técnicas de las herramientas que promueven, no solo sus ventajas
IA para la ciencia y aprendizaje automático aplicado: un ángulo subestimado
Las listas de expertos se centran en la IA generativa de consumo. Observamos que los avances más significativos a menudo provienen de la IA aplicada a las ciencias. Max Welling (CuspAI) trabaja en IA para el descubrimiento de nuevos materiales. Christopher Bishop dirige el programa AI4Science en Microsoft.
Estos perfiles interesan directamente a los profesionales que despliegan sistemas de datos en la industria, la farmacia o la energía. Su experiencia en aprendizaje automático va más allá del procesamiento del lenguaje natural para abarcar modelos generativos aplicados a la simulación molecular o a la optimización de procesos industriales.
Jürgen Schmidhuber, a menudo citado por sus trabajos históricos sobre redes neuronales recurrentes (LSTM), sigue siendo una voz técnica de referencia. Su aporte no se mide en seguidores en redes sociales, sino en citas académicas y patentes que aún estructuran las arquitecturas actuales.
Expertos en IA francófonos: formación y divulgación profesional
El mercado francés tiene sus propias figuras, orientadas hacia la formación en habilidades de IA y la integración en empresas. Alexandre Kantjas (9x) ofrece una experiencia avanzada en el despliegue estratégico de modelos, con un enfoque operativo destinado a los tomadores de decisiones técnicas.
Julien Simon produce contenidos pedagógicos estructurados sobre machine learning y modelos de lenguaje, accesibles en YouTube. Su particularidad: descompone los conceptos de aprendizaje profundo sin sacrificar la rigurosidad técnica, lo que lo convierte en un recurso útil para los equipos de datos que están mejorando sus habilidades.
Lo que distingue a un experto accionable de un comentarista
- Producción regular de contenido técnico verificable (tutoriales, notebooks, benchmarks reproducibles)
- Experiencia documentada en el despliegue de proyectos de IA en producción, no solo en prototipado
- Capacidad para contextualizar las herramientas en relación con las restricciones del negocio (costo de inferencia, cumplimiento de RGPD, mantenimiento de modelos)
- Transparencia sobre los fracasos y limitaciones encontradas durante proyectos reales
Esta cuadrícula permite filtrar los perfiles que aportan una verdadera experiencia de aquellos que solo retransmiten anuncios de productos sin un análisis crítico.
Ética y regulación de la IA: voces que no se deben ignorar
La ONU lanzó en 2026 un panel científico dedicado a la IA, señal de que la regulación ahora estructura el debate tanto como la técnica. Los expertos en ética algorítmica ya no están relegados a los márgenes del sector.
Seguir los trabajos de este panel y de los investigadores que contribuyen a él proporciona acceso a una lectura complementaria de los desafíos: sesgos en los datos de entrenamiento, impacto ambiental de las infraestructuras de cálculo, cuestiones de soberanía sobre los modelos de fundación. Para las empresas que despliegan sistemas de IA a gran escala, estas dimensiones condicionan directamente la viabilidad regulatoria de sus proyectos.
Los expertos más relevantes a seguir en 2026 comparten un rasgo común: producen artefactos verificables (código, modelos, informes técnicos) en lugar de opiniones. Construir su vigilancia en torno a esta distinción sigue siendo el filtro más confiable para desarrollar una cultura de IA sólida y operativa.