Qué matemáticas necesitas para trabajar en IA

Cada vez que alguien me escribe diciendo que quiere dedicarse a la inteligencia artificial, la pregunta llega en el segundo mensaje: "¿pero tengo que saber muchas matemáticas?". Y detrás de la pregunta casi siempre hay la misma escena: una persona de treinta y tantos que se acuerda de haber sufrido con las integrales en segundo de bachillerato y que ha decidido, sin comprobarlo, que ese recuerdo le cierra la puerta.

Le doy la vuelta al problema. La pregunta correcta no es cuántas matemáticas hacen falta, sino para qué trabajo. Porque entre la persona que monta automatizaciones con la API de OpenAI en una empresa y la persona que publica en NeurIPS hay tres o cuatro escalones profesionales completos, y cada uno tiene un listón matemático radicalmente distinto. Internet responde a esta pregunta como si solo existiera el último escalón, y por eso asusta a gente que habría sido perfectamente buena en el primero.

La respuesta corta: si quieres usar IA, no necesitas ninguna matemática más allá de la ESO. Si quieres construir productos con IA integrando modelos ya entrenados, te basta con entender qué es un vector y qué es una probabilidad, sin saber calcularlos a mano. Si quieres ser ingeniero de machine learning y entrenar modelos, necesitas álgebra lineal, cálculo multivariable, probabilidad y estadística a nivel de primeros cursos de carrera. Y si quieres investigar y publicar, necesitas todo eso con demostraciones, más teoría de la medida, análisis y optimización convexa. El 90% de los empleos que hoy dicen "IA" en el título están en los dos primeros escalones.

Antes de seguir: si has llegado aquí buscando una IA que te resuelva ejercicios de matemáticas, este no es el artículo. Ese es la mejor IA para matemáticas, donde comparo herramientas para resolver problemas paso a paso, y IA para álgebra si lo tuyo son sistemas y matrices. Este artículo va de lo contrario: qué matemáticas tienes que aprender tú para dedicarte profesionalmente a esto.

La tabla que resuelve la duda: qué necesitas según el perfil

Esta es la tabla que le enseño a todo el que me pregunta. Busca tu fila y deja de leer foros.

Perfil	Qué hace en su día a día	Matemáticas que necesita de verdad	Lo que NO necesita
Usuario avanzado de IA	Prompts, agentes no-code, automatizaciones, IA en su trabajo (marketing, legal, salud, docencia)	Aritmética, porcentajes, leer una gráfica, entender qué es una media y una tasa de acierto	Álgebra lineal, cálculo, estadística formal. Nada
Desarrollador que integra IA	Llama a APIs de modelos, monta RAG, chatbots, agentes, evalúa salidas	Conceptos, no cálculo: qué es un vector y una distancia coseno, qué es una probabilidad, qué significa una temperatura o un top-p	Derivar a mano, demostrar teoremas, backpropagation
Ingeniero de machine learning	Entrena, ajusta y despliega modelos; diseña features; mide y corrige sesgos	Álgebra lineal, cálculo multivariable (gradientes), probabilidad y estadística inferencial, nociones de optimización	Teoría de la medida, análisis funcional, demostraciones formales
Investigador en IA	Publica, propone arquitecturas y funciones de pérdida, demuestra propiedades	Todo lo anterior con rigor, más optimización convexa, teoría de la información, teoría de la probabilidad avanzada	—

Fíjate en una cosa: las dos primeras filas son la inmensa mayoría del mercado laboral real. Ahí es donde una empresa de 40 empleados busca a alguien que le monte la atención al cliente con un agente, no a alguien que le derive una función de pérdida.

Las cuatro áreas y para qué sirve cada una

Cuando alguien dice "las matemáticas de la IA" se refiere casi siempre a estas cuatro. Lo útil no es la lista: es entender qué hace cada una dentro de un modelo, porque en cuanto lo ves ya no las estudias a ciegas.

Álgebra lineal: el idioma en el que están escritos los datos

Un modelo de lenguaje no entiende palabras. Convierte cada trozo de texto en una lista larga de números —un vector— y a partir de ahí solo hace operaciones con esos números. Esos vectores son los famosos embeddings, y su gracia es que colocan el significado en un espacio geométrico: "médico" y "enfermera" acaban cerca, "médico" y "excavadora" lejos. Cuando montas una búsqueda semántica o un sistema RAG, lo que estás midiendo literalmente es un ángulo entre dos vectores.

Las matrices son el paso siguiente: apilas muchos vectores y las operaciones se hacen todas a la vez. Una red neuronal, por dentro, es una cadena de multiplicaciones de matrices con una función no lineal entre medias. Nada más. Cuando alguien dice que una GPU "es buena para IA", lo que está diciendo es que es buena multiplicando matrices enormes en paralelo.

Qué necesitas de verdad: vectores y sus operaciones, producto escalar y su interpretación geométrica, matrices y multiplicación de matrices, dimensión, norma y distancia (euclídea y coseno), y una idea intuitiva de autovalores y de descomposición para entender la reducción de dimensionalidad. No necesitas resolver determinantes de 5x5 a mano.

Cálculo: cómo aprende un modelo

Entrenar un modelo es un proceso mecánico y bastante bruto: se mide cuánto se equivoca (la función de pérdida), se calcula en qué dirección hay que mover cada uno de los millones de parámetros para equivocarse un poco menos, y se mueven un poquito. Se repite. Millones de veces.

Esa "dirección en la que hay que moverse" es el gradiente, y es una derivada. El algoritmo se llama descenso de gradiente y es, con muchos matices, todo lo que hay debajo del entrenamiento de cualquier red neuronal moderna. La tasa de aprendizaje que ves en cualquier configuración de entrenamiento es simplemente cuánto de grande es cada pasito. Demasiado grande y el modelo rebota sin converger; demasiado pequeño y tarda una eternidad.

Qué necesitas de verdad: qué es una derivada como tasa de cambio, derivadas parciales, gradiente, regla de la cadena (que es literalmente lo que implementa la retropropagación) y la idea de máximo y mínimo de una función. No necesitas resolver integrales por partes ni ecuaciones diferenciales, salvo que te metas en modelos de difusión o en investigación.

Probabilidad y estadística: por qué un modelo nunca te da "la" respuesta

Este es el bloque que más se infravalora y el que más problemas evita en producción. Un modelo de lenguaje no elige la siguiente palabra: calcula una distribución de probabilidad sobre todas las palabras posibles y luego muestrea de ella. Por eso el mismo prompt da respuestas distintas, y por eso los parámetros de temperatura y top-p cambian el resultado: están modificando cómo se muestrea de esa distribución. Si esto te suena a chino, la base está en qué es un LLM.

La estadística entra en el otro lado: evaluar. Cuando alguien te dice que su clasificador tiene un 95% de acierto, la pregunta correcta es cuánto vale eso si el 95% de los casos son de una sola clase. Precisión, recall, F1, matrices de confusión, sobreajuste, validación cruzada, significación: sin esto no puedes decir si un modelo funciona, y la mitad de los desastres de machine learning en empresa son errores de evaluación, no de modelado.

Qué necesitas de verdad: probabilidad condicionada y Bayes, distribuciones habituales (normal, binomial), esperanza y varianza, muestreo, intervalos de confianza, y las métricas de evaluación de clasificación y regresión. Es, para mi gusto, el bloque con mejor relación entre esfuerzo y utilidad práctica.

Optimización: el pegamento

Es el área que casi nunca aparece en las listas y que sin embargo explica por qué las cosas van bien o mal. Todo entrenamiento es un problema de optimización: minimizar una función con millones de variables. De ahí salen los optimizadores (SGD, Adam), la regularización, el early stopping y buena parte de la jerga de entrenamiento.

Qué necesitas de verdad: entender qué es un mínimo local frente a global, qué hace un optimizador con momento, y por qué la regularización penaliza modelos innecesariamente complicados. La formalización dura (convexidad, dualidad, KKT) es territorio de investigación.

Qué NO necesitas, por mucho que diga internet

Esta sección es la que más agradece la gente, así que voy a mojarme.

• No necesitas una carrera de Matemáticas ni de Física. Ayuda, evidentemente. No es un requisito. Conozco perfiles excelentes trabajando con IA que vienen de Filología, Derecho, Psicología o de un ciclo formativo.
• No necesitas saber demostrar teoremas. Salvo que quieras investigar. Entender por qué funciona algo y saber demostrar que funciona son dos habilidades distintas, y en la industria se paga la primera.
• No necesitas hacer los cálculos a mano. No vas a derivar nada: los frameworks calculan gradientes automáticamente. Lo que necesitas es saber qué está pasando cuando la pérdida no baja.
• No necesitas cálculo integral avanzado, ecuaciones diferenciales ni análisis complejo para el 95% del trabajo aplicado.
• No necesitas empezar por las matemáticas. Este es el consejo que más discuten y del que más seguro estoy: quien empieza por seis meses de teoría antes de tocar código lo deja. Quien empieza construyendo algo y va a buscar la matemática cuando le hace falta, aguanta.

No es una opinión mía aislada: fast.ai, uno de los cursos de deep learning más veteranos y respetados, es explícito en su página de inicio al decir que no hace falta matemática universitaria y que ellos enseñan el cálculo y el álgebra lineal necesarios sobre la marcha. Su único requisito real es saber programar, aproximadamente un año de experiencia, preferiblemente en Python.

Ruta de aprendizaje realista (y gratis)

Todos los recursos que menciono son gratuitos y accesibles en agosto de 2026. Los tiempos son con dedicación de unas 5-8 horas semanales, que es lo que puede sostener alguien que además trabaja.

Nivel	Objetivo	Recursos gratuitos	Tiempo realista
0. Reactivar lo que ya sabías	Perder el miedo: fracciones, porcentajes, funciones, gráficas	Khan Academy en español (es.khanacademy.org), sección de matemáticas	3-6 semanas
1. Intuición de álgebra lineal	Ver los vectores, no calcularlos	"Essence of Linear Algebra" de 3Blue1Brown (YouTube, 15 capítulos cortos)	2-3 semanas
2. Álgebra lineal en serio	Manejar matrices con soltura	MIT OpenCourseWare 18.06 de Gilbert Strang: vídeos, problemas y exámenes con solución, gratis	2-3 meses
3. Cálculo y gradientes	Entender el descenso de gradiente	"Essence of Calculus" de 3Blue1Brown + la parte de cálculo multivariable de Khan Academy	1-2 meses
4. Probabilidad y estadística	Evaluar modelos sin engañarte	StatQuest (Josh Starmer) en YouTube, explicaciones cortas y muy claras de cada métrica	1-2 meses
5. Consolidar todo con un libro	Tener la referencia formal a mano	"Mathematics for Machine Learning" (Deisenroth, Faisal y Ong, Cambridge University Press). Los autores mantienen el PDF gratis en mml-book.github.io	En paralelo, meses
6. Aplicar	Entrenar algo de verdad	Curso gratuito de fast.ai (course.fast.ai) o la especialización de Coursera de Imperial College, auditable sin pagar	2-4 meses

Dos avisos sobre la tabla. El primero: no la hagas en orden estricto. Lo que funciona es el nivel 1, luego el 6 (construir algo), y volver al 2, 3 y 4 cuando te choques con algo que no entiendes. El segundo: suma entre nueve meses y año y medio para llegar de cero a poder trabajar como ingeniero de machine learning junior. Cualquiera que te venda ese salto en un bootcamp de doce semanas te está vendiendo el nivel 1 de la tabla con nombre de nivel 5.

Si tu objetivo es el segundo perfil de la tabla —construir productos con IA sin entrenar modelos— la ruta es muchísimo más corta: niveles 0 y 1 en versión ligera, y directamente a programar. Ahí lo que te va a limitar no son las matemáticas, es saber qué es RAG y montar agentes de IA que no se rompan en producción.

Se puede trabajar en IA sin ser bueno en matemáticas (yo soy la prueba)

Voy a hablar en primera persona porque aquí tengo algo que aportar. Mi carrera empezó en SEO técnico, no en un laboratorio. Hoy dirijo marketing e innovación en una red de más de 70 clínicas dentales y la IA es una parte central de lo que hacemos: clasificar y enrutar leads, automatizar recordatorios y recall de pacientes, generar y revisar contenido a escala, analizar llamadas, montar agentes que contestan dudas de primera línea. En ninguna de esas decisiones he necesitado derivar nada.

Lo que sí he necesitado, y mucho: entender qué es una probabilidad para no fiarme de un modelo que dice "94% de confianza", saber leer una matriz de confusión para descubrir que el clasificador iba bien de media y fatal justo en el caso que importaba, y tener claro que un modelo de lenguaje muestrea de una distribución y por eso no es determinista. Eso es probabilidad de bachillerato bien entendida, no cálculo tensorial.

Estos son los puestos reales donde se trabaja con IA con un listón matemático bajo o nulo:

• Producto y estrategia de IA: decidir qué se automatiza, con qué modelo, a qué coste y con qué riesgo. Lo escaso aquí es criterio de negocio, no álgebra.
• Integración y automatización: conectar modelos con el CRM, el ERP o el software de gestión. Es ingeniería de software y de sistemas.
• Prompt engineering y diseño de agentes: es una disciplina de escritura precisa, iteración y evaluación. Empieza por qué es un prompt y sigue por la guía de prompt engineering.
• Marketing y contenido con IA: donde más rápido se ve el retorno y donde menos matemáticas hacen falta.
• Evaluación y calidad de modelos: aquí sí hace falta estadística, pero de la aplicada; es el puesto más accesible de todos los que tocan modelo de verdad.
• Datos y analítica: SQL, limpieza, visualización. Estadística descriptiva y poco más para empezar.
• Legal, ética y cumplimiento en IA: con el Reglamento Europeo de IA en aplicación progresiva, es un perfil con demanda creciente y cero requisitos matemáticos.

El listón sube de golpe cuando quieres pasar de usar modelos a entrenarlos. Ahí es donde te van a preguntar en una entrevista qué es la regla de la cadena y por qué se usa. Y ahí, sinceramente, no hay atajo: si esa es tu meta, siéntate a estudiar y date un año.

Un último apunte: los modelos no te van a ahorrar entenderlo

Es tentador pensar que, con ChatGPT o Claude resolviendo ejercicios de matemáticas, el problema desaparece. No es así, por dos razones. La primera es que necesitas saber lo suficiente para detectar cuándo la respuesta está mal, y en matemáticas los modelos siguen fallando de formas sutiles. La segunda, más importante: la IA te resuelve el ejercicio, pero el objetivo no era el ejercicio, era la intuición. Nadie ha aprendido a nadar leyendo el manual con muy buena letra.

Dicho eso, como profesor particular a las once de la noche los modelos son excelentes, y ahí sí los usaría sin reparo. Compárolos con criterio en la mejor IA para matemáticas. Y si te interesa por dónde va la parte de aprendizaje profundo frente al machine learning clásico, lo desmenuzo en deep learning vs machine learning.

Preguntas frecuentes

¿Qué matemáticas necesito para trabajar en inteligencia artificial?

Depende del puesto. Para usar IA en tu trabajo, ninguna más allá de la ESO. Para integrar modelos vía API, conceptos básicos de vectores y probabilidad. Para entrenar modelos como ingeniero de machine learning, álgebra lineal, cálculo multivariable, probabilidad y estadística a nivel de primeros cursos de carrera. Para investigar, todo eso con demostraciones formales.

¿Puedo trabajar en IA si soy malo en matemáticas?

Sí, en la mayoría de puestos que existen hoy. Producto de IA, integración y automatización, diseño de agentes, marketing con IA, analítica básica y cumplimiento normativo son perfiles con demanda real y listón matemático bajo. La barrera aparece cuando quieres entrenar modelos tú mismo, no cuando quieres construir con ellos.

¿Hace falta estudiar una carrera de Matemáticas para dedicarse a la IA?

No es un requisito. Ayuda si quieres investigar, y ahí sí es prácticamente la vía natural. Para trabajo aplicado hay perfiles excelentes que vienen de Informática, Ingeniería, Física, Estadística y también de carreras de letras que se han reconvertido. Lo que se evalúa en una entrevista es lo que sabes hacer, no el título.

¿Cuánto tiempo se tarda en aprender las matemáticas de la IA?

Con 5-8 horas semanales, entre nueve meses y año y medio para llegar al nivel de un ingeniero de machine learning junior. Para el nivel de "entender qué pasa por dentro" sin entrenar modelos, dos o tres meses bastan. Desconfía de cualquier programa que prometa el salto completo en doce semanas.

¿Qué es más importante para la IA, el álgebra lineal o el cálculo?

El álgebra lineal, sin discusión, si solo puedes elegir una. Es el idioma en el que se representan los datos: vectores, matrices y embeddings. El cálculo entra después y sobre todo para entender cómo aprende un modelo mediante el descenso de gradiente. Empieza por álgebra lineal.

¿Necesito saber estadística para trabajar con modelos de lenguaje?

Para usarlos, no. Para evaluarlos, es imprescindible. Un modelo de lenguaje devuelve una distribución de probabilidad sobre las siguientes palabras, y sin nociones de probabilidad y de métricas de evaluación no puedes distinguir un modelo que funciona de uno que parece funcionar en los cuatro ejemplos que has probado.

¿Dónde puedo aprender gratis las matemáticas para IA?

Khan Academy en español para reconstruir la base, las series "Essence of Linear Algebra" y "Essence of Calculus" de 3Blue1Brown para la intuición, el curso 18.06 de Gilbert Strang en MIT OpenCourseWare para álgebra lineal en profundidad, StatQuest para estadística y el libro "Mathematics for Machine Learning" de Deisenroth, Faisal y Ong, cuyo PDF mantienen gratuito los autores.

¿Puedo aprender matemáticas usando ChatGPT o Claude?

Como tutor que te explica un concepto de diez formas distintas a cualquier hora, son estupendos. Como sustituto de hacer ejercicios tú, no: el objetivo es la intuición, no la respuesta. Y conviene revisar sus pasos, porque siguen cometiendo errores sutiles en desarrollos largos.

¿Qué matemáticas piden en una entrevista de machine learning?

Lo habitual es que te pregunten qué es un gradiente y cómo funciona el descenso de gradiente, que expliques la regla de la cadena aplicada a la retropropagación, que interpretes una matriz de confusión y expliques precisión frente a recall, y que razones sobre sobreajuste y validación cruzada. Rara vez piden demostrar nada.

¿Y si solo quiero usar IA en mi empresa, no programarla?

Entonces las matemáticas no son tu cuello de botella y no deberías dedicarles ni una hora. Tu tiempo rinde muchísimo más aprendiendo a escribir buenos prompts, a montar automatizaciones y a medir el retorno de lo que automatizas. La parte difícil ahí es de negocio y de proceso, no de números.

---

Resumo lo que le diría a quien empieza: elige primero el puesto, y las matemáticas se deducen solas. Si el puesto que quieres está en las dos primeras filas de la tabla, deja de aplazar el proyecto por un miedo de bachillerato que ya no aplica. Y si está en las dos últimas, ya sabes lo que hay: un año de estudio serio, con recursos que están todos gratis y a un clic.