Un estudiante nos escribió en marzo: llevaba 14 meses "aprendiendo IA". Tres MOOCs de Coursera completos, dos libros de fast.ai, media serie de 3Blue1Brown, 87 tutoriales guardados. Cero líneas de código para un problema propio. Cero proyectos desplegados. Le preguntamos qué quería estar haciendo en seis meses y dijo: "no sé, algo con IA".
Ese patrón se repite en cohort tras cohort en Cursalo. La gente no se traba porque le falten recursos —en 2026 hay más material gratis del que cualquier persona consume en cinco años—. Se traba porque no diseñó un roadmap propio antes de empezar. Confundió consumir cursos con aprender, y consumir cursos termina siendo un hobby caro en tiempo.
Por qué un roadmap propio es no negociable en 2026
El campo se mueve rápido. Hace dos años la conversación giraba en fine-tuning con LoRA; hoy el debate está en MCP (Model Context Protocol), agentes con LangGraph y evaluación con DSPy. Un roadmap copiado de un blog de 2024 te lleva a estudiar herramientas que ya no son las que las empresas pagan.
La otra razón es más sutil. Cuando vos diseñás el roadmap, tomás decisiones explícitas: qué dejás afuera, qué profundizás, cuándo cambiás. Cuando seguís el de otro, tu cerebro nunca termina de asumir el control, y por eso se siente como obligación, no como progreso.
El framework Cursalo: 5 pasos para diseñar tu roadmap
Probamos este framework con 60+ estudiantes en cohorts de enero a abril 2026. Los que lo siguieron de punta a punta llegaron a un proyecto desplegado en promedio en 11 semanas. Los que lo saltearon o lo modificaron a la mitad, en su mayoría no llegaron.
1. Diagnóstico (1-2 horas, una sola vez)
Antes de mirar un solo curso, escribí en un documento:
- Qué sabés hoy: lenguajes, matemática hasta dónde, herramientas que ya usás.
- Cuánto tiempo real tenés por semana (no el ideal, el real).
- Qué tipo de problema te interesa: ¿automatizar tareas? ¿Construir productos con LLMs? ¿Investigar arquitecturas? ¿Vender servicios?
- Qué te aburre. Si odiás la matemática, no arranques con tres meses de álgebra lineal: vas a abandonar.
Se hace una vez y se relee cada cuatro semanas para ajustar.
2. Objetivo concreto (1 hora)
"Aprender IA" no es un objetivo. "Tener un agente que responda emails de clientes, desplegado en producción en 16 semanas" sí. Un buen objetivo cumple tres reglas:
- Verificable: alguien externo puede mirar el resultado y decir "lo hizo" o "no".
- Con fecha: sin fecha, el roadmap se estira hasta llenar el tiempo disponible.
- Honesto con tu nivel: si nunca tocaste Python, "publicar en NeurIPS" en seis meses no es honesto.
3. Ruta (2-3 horas)
Acá se pierde más gente. Regla: tres a cinco bloques máximo, no quince. Cada bloque dura dos a seis semanas. Para cada uno definís:
- Qué aprendés (1-2 conceptos).
- Recurso principal (uno solo; los demás son apoyo).
- Entregable que demuestra que aprendiste.
Si no podés definir un entregable concreto, el bloque no va. "Repasar matemática" no es entregable. "Implementar un perceptrón multicapa en NumPy que resuelva XOR" sí.
4. Micro-hitos semanales (15 minutos por semana)
Cada domingo elegís un hito para la semana. Uno solo, escrito visible. La regla: el hito produce un artefacto, no consume material. "Terminar el módulo 3 de Andrew Ng" es consumo. "Entrenar un clasificador de spam con scikit-learn y subirlo a GitHub con README" es producción.
5. Revisión (45 minutos cada 4 semanas)
Frenás todo y revisás:
- ¿Cuántos hitos completé? Si fueron menos del 60%, el problema es de diseño, no de fuerza de voluntad.
- ¿El objetivo sigue teniendo sentido? Cambialo solo acá, no en medio de una semana frustrante.
- ¿Qué herramienta nueva apareció que cambia mi ruta? (Así entró MCP en los roadmaps de la cohort de febrero.)
Plantilla editable (copiá y pegá)
Esta es la tabla que les damos a los estudiantes. Copiala a tu Notion, Google Docs o lo que uses, y completala antes de empezar cualquier curso.
## Mi Roadmap de IA — [tu nombre], [fecha de inicio]
**Objetivo final**: [descripción específica + fecha]
**Tiempo semanal disponible**: [horas reales]
**Por qué este objetivo**: [2-3 oraciones honestas]
### Bloque 1: [nombre] — Semanas 1 a [X]
- Qué aprendo: [1-2 conceptos]
- Recurso principal: [uno]
- Entregable: [artefacto verificable]
- Recursos de apoyo: [máximo 2]
### Bloque 2: [nombre] — Semanas [X+1] a [Y]
- Qué aprendo:
- Recurso principal:
- Entregable:
- Recursos de apoyo:
### Bloque 3: [nombre] — Semanas [Y+1] a [Z]
- Qué aprendo:
- Recurso principal:
- Entregable:
- Recursos de apoyo:
### Proyecto integrador — Semanas [Z+1] a [final]
- Descripción:
- Tecnologías:
- Criterio de éxito:
- Cómo lo voy a mostrar (link, demo, video):
### Revisiones programadas
- Semana 4: [fecha]
- Semana 8: [fecha]
- Semana 12: [fecha]
Si te cuesta llenarla, no es la plantilla: te falta el diagnóstico o el objetivo. Volvé al paso 1.
Cuatro roadmaps reales por perfil
Cuatro roadmaps reales armados con estudiantes de la cohort enero-abril 2026. Nombres cambiados, detalles intactos.
Perfil 1: Profesional sin código que quiere automatizar su trabajo
Quién: contadora pública, 38 años, estudio mediano. No programa. Usa Excel todo el día y odia cargar facturas y generar reportes.
Objetivo (16 semanas): tres automatizaciones funcionando, una con un agente que lea PDFs de facturas y arme resumen mensual.
Ruta:
- Semanas 1-3: prompting con Generative AI for Everyone de Andrew Ng. Entregable: librería personal de 10 prompts útiles para su trabajo.
- Semanas 4-7: automatización low-code con n8n y Zapier. Entregable: flujo que toma email de cliente y devuelve borrador de respuesta usando Claude.
- Semanas 8-11: trabajo con documentos: PDFs en Claude Projects, extracción estructurada, exportación a Excel. Entregable: pipeline manual sobre 50 facturas reales.
- Semanas 12-16: agente final con Claude y un MCP server simple para Google Sheets. Entregable: agente desplegado que su jefa puede usar.
Dejó afuera: Python, redes neuronales, fine-tuning, todo lo de research. No los necesita.
Perfil 2: Dev backend que quiere migrar a ML/agentes
Quién: dev Java/Kotlin, 6 años de experiencia, microservicios. Sabe Python básico.
Objetivo (24 semanas): pasar a posición de AI engineer con un proyecto en GitHub que demuestre arquitectura de agentes en producción.
Ruta:
- Semanas 1-4: Python intermedio + ecosistema (asyncio, FastAPI, Pydantic). Entregable: portear un servicio Java propio a FastAPI.
- Semanas 5-9: fundamentos LLM: tokens, embeddings, llamadas a APIs, costos. Recurso: docs de Anthropic y OpenAI. Entregable: API que responde preguntas sobre documentación interna con embeddings + búsqueda vectorial.
- Semanas 10-14: RAG en serio. Chunking, reranking, evaluación con RAGAS. Recurso: LlamaIndex Learning Hub. Entregable: pipeline RAG con métricas de relevancia documentadas.
- Semanas 15-19: agentes con LangGraph y MCP. Entregable: agente con tres herramientas y manejo explícito de errores.
- Semanas 20-24: LLMOps. Langfuse, golden tests, evaluación continua, costos. Entregable: el agente anterior con observabilidad y un postmortem de un fallo real.
Dejó afuera: el ML clásico desde cero con álgebra lineal y gradient descent. No para AI engineer de producto.
Perfil 3: Marketinero que quiere usar IA bien
Quién: marketing manager en SaaS B2B LATAM, 5 años, SQL básico, entiende analytics.
Objetivo (12 semanas): operar pipeline de contenido y prospección con IA, con ROI medible (tiempo o leads).
Ruta:
- Semanas 1-2: prompting por modelo. Claude para escritura larga, ChatGPT para ideación rápida, Gemini para análisis. Entregable: guía interna del equipo.
- Semanas 3-5: workflows de contenido. Briefs estructurados, clusters de keywords con LLMs, edición humana. Entregable: 4 piezas publicadas con el nuevo proceso.
- Semanas 6-8: automatización de prospección. HubSpot/Pipedrive + Claude vía Zapier o n8n. Entregable: flujo que enriquece leads y propone primer mail personalizado.
- Semanas 9-12: medir y reportar. Dashboard en Google Sheets con tiempo ahorrado, output, conversiones. Entregable: presentación al management con números.
Dejó afuera: aprender a programar. Su roadmap es 100% no-code/low-code. La trampa típica es dejarse seducir por Claude Code y meterse en un agujero que no necesita.
Perfil 4: Estudiante secundario (16 años)
Quién: quinto año, olimpíadas de matemática, Python básico. 6-8 horas semanales.
Objetivo (32 semanas): llegar a la facultad con un proyecto de portfolio fuerte, publicable en GitHub.
Ruta:
- Semanas 1-6: matemática para ML. Álgebra lineal, cálculo, probabilidad con Mathematics for Machine Learning (PDF gratis). Entregable: cuaderno con resoluciones.
- Semanas 7-14: ML clásico con Andrew Ng en Coursera y "Hands-On ML" de Géron. Entregable: tres modelos sobre datasets de Kaggle, con notebooks.
- Semanas 15-22: deep learning con fast.ai (gratis). Entregable: clasificador de imágenes con dataset propio (no MNIST).
- Semanas 23-32: proyecto integrador. Libertad total pero criterio: algo que él mismo usaría. Entregable: proyecto público con README, demo en video, y un usuario externo que lo probó.
Dejó afuera: certificaciones pagas. A los 16 lo contratan por un proyecto, no por un certificado.
Trampas comunes (lo que NO funciona)
Tras 60+ estudiantes en tres meses, tenemos data sobre dónde se traba la gente.
Cursos eternos sin proyecto. El 73% de quienes empezaron sin objetivo de proyecto abandonó antes de la semana 6. Si llevás más de tres semanas en un curso sin código propio, parate y rediseñá.
Coleccionar certificaciones. Cinco certificados de Coursera no te dan trabajo en 2026; el mercado pide portfolio. Excepción única: microcredenciales universitarias acreditadas en contextos donde el sello institucional pesa formalmente (educación pública, concursos).
Saltar de framework en framework. En enero querían CrewAI, en febrero LangGraph, en marzo PydanticAI. El framework no es la habilidad; entender cómo funciona, se debuggea y se evalúa un agente, sí. Elegí uno, terminá el proyecto, después tocás los otros.
Estudiar matemática "por las dudas". Si tu objetivo es construir productos con LLMs, el álgebra lineal nivel facultad no te aparece en el día a día. Si vas a entrenar modelos, sí. No la metas sin saber para qué.
Aprender en aislamiento. Los que llegaron al final del roadmap pertenecían a alguna comunidad. Los que estudiaron solos abandonaron 4:1. Cuando te trabás necesitás a alguien que te diga "te estás complicando, hacé esto otro".
Usar el roadmap de otro tal cual. El roadmap del influencer X no es el tuyo. Inspirate, no copies.
Qué cambió en mayo 2026 que tu roadmap debería reflejar
Si estás armando tu roadmap esta semana, hay tres cosas del estado actual del campo que no estaban claras hace seis meses:
- MCP es el estándar. Anthropic lo abrió, OpenAI, Google y Microsoft lo adoptaron, y la Linux Foundation lo administra desde diciembre 2025. Cualquier roadmap de agentes en 2026 tiene que incluir MCP, no como tema avanzado sino como base.
- Fine-tuning con LoRA/QLoRA es accesible. Llama 3.3 8B se fine-tunea en un Colab pagado de USD 10 al mes. Eso no era cierto en 2024. Para muchos casos de uso, fine-tunear sale más barato que prompts largos repetidos.
- La evaluación importa más que el modelo. Las preguntas de entrevista en 2026 son operacionales: cómo medís tu agente, cómo detectás regresiones, qué hacés cuando el modelo llama una función con argumentos malos. Tu roadmap debería reservar al menos cuatro semanas para LLMOps y evaluación.
Recursos verificados que recomendamos hoy
Curados, no exhaustivos. Si la lista te parece corta es porque corté lo que no agrega.
Para no técnicos: Elements of AI (Helsinki, gratis, español disponible), Generative AI for Everyone de Andrew Ng.
Para técnicos: fast.ai (deep learning práctico, gratis), Hugging Face Course (NLP y transformers, gratis), la documentación oficial de Anthropic, LangGraph y MCP.
Para math: Mathematics for Machine Learning de Deisenroth (PDF gratis del libro completo).
Para hacer tu roadmap con apoyo de cohort, podés ver los roadmaps guiados de Cursalo, donde cada estudiante diseña el suyo y lo defiende ante el grupo en la primera semana. No es para todos: es para quienes ya saben que solos no llegan.
Caveats honestos
Este framework no funciona si tu objetivo cambia cada dos semanas: necesita una decisión sostenida de cuatro a seis meses para mostrar resultados. Tampoco funciona si pretendés llegar a un nivel senior en 12 semanas sin programar previamente: el "aprender desde cero a empleado AI engineer en 6 meses" es una promesa de marketing, no una observación empírica. En nuestras cohorts, los profiles 100% no-coders tardaron entre 9 y 18 meses para llegar a un primer trabajo formal en IA, y la mayoría empezó pidiendo automatizar tareas en su trabajo actual antes que cambiar de carrera.
Si llevás un mes sin ver progreso real (entregables completados, no horas consumidas), el problema casi siempre es uno de estos tres: objetivo mal definido, ruta con bloques demasiado largos, o aislamiento. Revisá esos antes de cambiar de tema.
Sobre el autor
Equipo Editorial Cursalo diseña rutas de aprendizaje en Cursalo desde 2024. Antes coordinó cohorts de bootcamps técnicos en LATAM y entrevistó a más de 400 estudiantes sobre cómo aprenden. Su especialidad son las rutas para gente que trabaja full-time. Vive en [ciudad TBD] y publica notas sobre diseño curricular en el blog de Cursalo.