En KA Resources buscamos un/a cualificado con inglés avanzado que lidere el diseño y la implantación de sistemas completos de IA agéntica (Agentic AI), siendo responsable de toda la arquitectura, desde la gestión del conocimiento hasta el razonamiento cognitivo y la ejecución autónoma.
Modalidad remoto.
Horario de oficina habitual.
Formar parte de un gran equipo con proyección de carrera y ambiciosos objetivos.
Salario: *k b/a
La persona seleccionada será responsable de construir una arquitectura de IA multicapa en la que los agentes sean capaces de:
Comprender el contexto empresarial (capa de conocimiento).
Razonar y planificar (capa cognitiva).
Ejecutar acciones de forma autónoma (capa agéntica).
Mejorar continuamente mediante mecanismos de retroalimentación y medición del rendimiento.
No buscamos desarrollar funcionalidades aisladas de IA, sino diseñar un auténtico sistema operativo de IA para la empresa.
Responsabilidades principales
Diseñar y poner en producción toda la arquitectura de IA agéntica.
Construir componentes y capas reutilizables para soluciones de IA.
Habilitar flujos de trabajo empresariales autónomos, escalables, gobernados y de alto rendimiento.
1. Gestión del conocimiento y capa semántica.
Definir la estrategia de ingestión, organización y estructuración del conocimiento empresarial.
Diseñar pipelines para integrar:
Datos estructurados y no estructurados.
Documentación, APIs y flujos de datos en tiempo real.
Establecer:
Modelos de metadatos.
Arquitectura para el consumo de ontologías y modelos semánticos.
Garantizar que el conocimiento sea contextual, consumible por la IA y se mantenga actualizado de forma continua.
Objetivo:




construir una base de conocimiento empresarial dinámica, fiable y preparada para la IA.
Agentes.
Herramientas y APIs.
Capacidades y habilidades.
Facilitar la reutilización y descubrimiento de:
Flujos de trabajo.
Modelos de IA.
Construir un sistema donde los agentes puedan descubrir e invocar otros agentes y herramientas.
Objetivo:
crear una capa de capacidades de IA componible y autoservicio.
3. Marco de toma de decisiones
Inteligencia generativa
Orquestación de modelos LLM para:
Generación de contenido.
Creación de hipótesis.
Razonamiento en lenguaje natural.
Gestionar estrategias multimodelo optimizando:
Rendimiento.
Inteligencia lógica y determinista
Motores de reglas.
Razonamiento matemático.
Lógica de procesos.
Integración con modelos de IA y Machine Learning.
Cumplimiento normativo.
Calidad y precisión de los modelos.
Desarrollar sistemas híbridos que combinen:
Capacidades de razonamiento de los LLM.
Objetivo:
equilibrar creatividad y fiabilidad en la toma de decisiones basada en IA.
4. Capa agéntica (diseño de sistemas autónomos)
Diseñar arquitecturas de:
Sistemas monoagente y multiagente.
Modelos jerárquicos y colaborativos.
Bucles de ejecución.
Descomposición y coordinación de tareas.
Permitir que los agentes:
Ejecuten acciones sobre sistemas corporativos.




Aprendan continuamente mediante mecanismos de feedback.
Objetivo:
desarrollar flujos de trabajo autónomos preparados para entornos de producción.
5. Capa de integración agéntica
Diseñar la integración con:
Sistemas de RR. HH.
Plataformas de datos y APIs.
Construir marcos seguros para que los agentes puedan:
Orquestar APIs.
Operar mediante arquitecturas dirigidas por eventos.
Ejecutar transacciones reales de negocio.
Objetivo:
transformar la IA desde la generación de conocimiento hasta la ejecución de acciones.
6. Data Mesh y arquitectura distribuida de datos
Alinear la arquitectura de IA con principios de Data Mesh.
Garantizar:
Propiedad distribuida de los datos por dominio.
Descubrimiento de datos.
Objetivo:
proporcionar una base de datos escalable y alineada con el negocio para soportar la IA.
7. Gobierno, seguridad y control
Definir el marco de gobierno para:
Toma de decisiones autónoma.
Acceso y privacidad de los datos.
Control de acceso basado en roles para agentes.
Mecanismos Human-in-the-Loop.
Auditoría.
Explicabilidad de los modelos.
Garantizar el cumplimiento de los estándares regulatorios y corporativos.
Objetivo:
desarrollar sistemas de IA fiables, seguros y controlables.
8. Rendimiento, FinOps, observabilidad y optimización
Definir y monitorizar indicadores como:
Tasa de éxito de las tareas.
Nivel de autonomía de los agentes.
Coste por ejecución.
Latencia.
Capacidad de procesamiento.
Construir herramientas de observabilidad para analizar:
Comportamiento de los agentes.
Modos de fallo.
Optimizar el rendimiento mediante:
Bucles de retroalimentación.
Objetivo:
garantizar

📌 Arquitecto/A De Sistemas Autónomos E Ingeniería De Ia Agéntica (Málaga)
🏢 Ka Resources Recruitment
📍 Málaga