Reading Time: 11 minutes

Comida clave

  • Lo que hace un RSE: Un ingeniero de software de investigación construye y mantiene el software que impulsa la investigación científica, desde motores de simulación hasta canalizaciones de datos. A diferencia de los ingenieros de software puros, los RSU combinan la experiencia en el dominio con el rigor de la ingeniería.
  • Dos rutas de entrada: Puede ingresar como ingeniero de software (ingeniería sólida, conocimiento de dominio más débil) o como investigador (dominio fuerte, ingeniería más débil). Ambos convergen en las mismas competencias a lo largo del tiempo.
  • Salario por sector: Rango de roles académicos/universitarios $70K–$165K, Laboratorios Nacionales $90K–$225K, Industria $130K–$210K y Big Tech $200K–$500K+. La brecha se estrecha en los niveles superiores.
  • GENAI está remodelando, no reemplazando: La IA generativa ofrece una codificación entre un 55% y un 56% más rápida con CoPilot, pero no puede «comprender o mantener» el software de investigación. Los RS son cada vez más importantes, no menos.
  • Trabajo de las escaleras de carrera: El estudio revisado por pares de Princeton mostró que una escala profesional adecuada redujo la rotación de RSE del 70 % al 7 %, lo que demuestra que las pistas paralelas de IC y de líder de equipo son importantes.
Nota visual: Una infografía de hoja de ruta de carrera de RSE que muestra las rutas de entrada → Junior → Nivel medio → Senior → Principal/equipo Las pistas principales con bandas salariales e hitos de habilidad se encargarán por separado. Se agregará un gráfico de marcador de posición durante la fase de publicación.

¿Qué es un ingeniero de software de investigación?

Un ingeniero de software de investigación (RSE) es un profesional que desarrolla, mantiene y optimiza el software utilizado para respaldar la investigación científica. El término fue acuñado en 2012 en el Taller de Colaboraciones del Software de Sostenibilidad del Software, y desde entonces ha sido formalizado por la definición de roles de Casrai como «un profesional cuya carrera se centra en el desarrollo y la aplicación de software para apoyar actividades de investigación» [1].

Esta no es una función de TI de investigación, es un rol de ingeniería Software. La distinción importa. Un RSE no solo gestiona la infraestructura; Escriben, prueban y optimizan el código real que ejecuta simulaciones, procesa datos y visualiza los resultados. Son el puente entre las preguntas científicas y el software de trabajo.

Si ya está trabajando con las estructuras de malla de Fipy o explorando cómo maneja mallas mallas y estructuras de cuadrícula software de investigación. La carrera profesional de RSE se trata de construir ese software a escala, con el mismo rigor de ingeniería que la industria aplica a sus productos.

Por qué importan los RS

La investigación científica moderna depende cada vez más del software. Una sola simulación puede ejecutarse durante semanas en cientos de núcleos. Las canalizaciones de datos procesan terabytes de mediciones. La reproducibilidad requiere bases de códigos probadas y versionadas que otros investigadores puedan auditar y extender.

La guía de roles de Casrai enmarca explícitamente a los RSE como «críticos para el éxito de la investigación moderna» porque el software es ahora el resultado principal de la ciencia computacional, no solo un medio para un fin. Los investigadores que no pueden mantener el código de calidad de producción encontrarán su trabajo frágil. La carrera de RSE existe precisamente para resolver esa brecha.

Dos rutas de entrada a RSE

Hay dos rutas principales hacia la ingeniería de software de investigación, y ambas tienen distintas fortalezas y puntos ciegos.

Ruta 1: Ingeniero de Software → RSE

Las personas que ingresan desde entornos de ingeniería de software puro llegan con sólidas prácticas de ingeniería: control de versiones, pruebas, revisión de código, diseño de API, modularidad. Pueden escribir código de grado de producción desde el primer día.

Lo que hacen bien: Arquitectura de código, marcos de prueba, escalabilidad, documentación, canalizaciones CI/CD.

Con qué luchan: Requisitos de investigación ambiguos, terminología específica de dominio, la diferencia entre un prototipo de trabajo y una base de código mantenible productivamente. Los investigadores a menudo dicen «necesito algo que haga x» donde x está mal definido. Los ingenieros necesitan especificaciones precisas.

Ruta 2: Investigador → RSE

Los doctores, los posdoctorados y los investigadores senior hacen la transición a roles de RSE después de años de escribir guiones y herramientas para su propia investigación. Ellos entienden la ciencia profundamente.

Lo que hacen bien: Experiencia en el dominio, formulación de problemas de investigación, validación científica, revisión de la literatura, comunicación con científicos de dominio.

Con qué luchan: Modularidad de código, pruebas, escalabilidad, refactorización y los hábitos de ingeniería que hacen que el código sea mantenible por otros. Tienden a optimizar «funciona en mi máquina» en lugar de «funciona en cualquier máquina».

la convergencia

Ambas rutas convergen en las mismas competencias centrales. Un ingeniero de software que permanece en el rol RSE lo suficiente aprende el dominio. Un investigador que hace la transición a RSE lo suficiente aprende la ingeniería. Los mejores RS provienen de cualquiera de los antecedentes: solo toman diferentes líneas de tiempo para llegar al mismo piso.

Diego Alonso Álvarez, del Instituto de Sostenibilidad del Software, documentó este viaje personalmente, pasando de Postdoc a Senior RSE en el Imperial College. Su publicación de blog en el camino profesional de researcher-to-rse captura la transición con Detalle sincero sobre la brecha de habilidades y la curva de aprendizaje.

RSE vs Científico de datos vs ingeniero de software

Estos tres roles a menudo se combinan en ofertas de trabajo y presupuestos departamentales. Una comparación revisada por pares de 2025 en el gi digital La biblioteca hace que las distinciones sean explícitas y las instituciones que las confunden tienden a tener un presupuesto incorrecto y contratar.

Dimensión Ingeniero de software de investigación científico de datos Ingeniero de software
Salida primaria Software duradero y probado Análisis y hallazgos Productos de software comercial
Enfoque de dominio Experiencia en dominio de investigación Experiencia estadística/dominio Experiencia en dominio de aplicación
Posición del ciclo de vida Construye herramientas que otros reutilizan Consume datos, produce información Construye funciones que los usuarios compran
Durabilidad del código Diseñado para la reutilización de varios años A menudo de un solo uso o basado en portátiles Diseñado para el ciclo de vida del producto
Validación Corrección científica + rigor de ingeniería significancia estadística + precisión del modelo Rendimiento, seguridad, UX

La distinción clave para nuestra audiencia: un análisis de resultados de científicos de datos; Un ingeniero de software de investigación genera software que otras personas reutilizan. Si su institución está combinando estos roles, es probable que esté subinvirtiendo en infraestructura de investigación reproducible.

Competencias básicas

El Grupo de Educación y Capacitación US-RSE, junto con Goth et al. (2025) Marco de competencias [PMC12426816], identifican tres pilares de competencia RSE. Cada pilar tiene una progresión a nivel de carrera.

1. Software / Habilidades Técnicas

Este es el pilar de ingeniería. Incluye:

  • Control de versiones (GIT, DVC, Datalad)
  • Pruebas (unidad, integración, regresión, pruebas de regresión)
  • Calidad de código (pelusa, comprobación de tipo, herramientas de pelusa)
  • Optimización del rendimiento (paralelización, GPU, perfilado)
  • Bibliotecas científicas (numpy, scipy, fipy, ngsolve)
  • DevOps (CI/CD, Contenedorización, Programadores de Trabajos de HPC)

Estas habilidades reflejan lo que encontrará en los flujos de trabajo de reproductibilidad: versionado de datos y seguimiento de procedencias y Patrones de prueba de Python para código científico.

2. Habilidades de investigación

Este es el pilar del dominio. Incluye:

  • Modelado específico de dominio (solvedores PDE, métodos de elementos finitos)
  • Métodos numéricos (FEM, FVM, diferencias finitas)
  • Desarrollo de algoritmos (refinamiento de malla adaptativa, métodos de multifidelidad)
  • Validación científica (pruebas de convergencia, problemas de referencia)
  • Síntesis de la literatura (comprendo el estado del arte)

Este pilar es donde brilla un fondo de doctorado y donde un ingeniero de software necesita capacitación dirigida. Los talleres de semestre y carpinterías faltantes del MIT proporcionan puntos de entrada accesibles.

3. Habilidades de comunicación / colaboración

Este es el pilar de habilidades blandas, pero es cualquier cosa menos suave. Incluye:

  • Comunicación entre equipos (explicación de las limitaciones técnicas a los científicos de dominio)
  • Gestión de Proyectos (Amplificación, Planificación de Hitos, Agile)
  • Tutoría (Onboarding Junior RSES, Guía de revisión de código)
  • Participación comunitaria (contribución de código abierto, conferencias)

El Godo y otros. El framework asigna estas competencias a los niveles de carrera (desde la fundación hasta el experto) y el US-RSE Skills List proporciona una Enumeración integral que puede utilizar como rúbrica de autoevaluación.

Marcos de progresión de carrera

Las escaleras profesionales de RSE han sido históricamente el punto más débil en la infraestructura de carrera académica. Sin caminos de progresión claras, los RSE talentosos se van a la industria, hasta hace poco.

Progresión de nivel

Las instituciones líderes utilizan marcos de nivel como L1-L4 (desde el contribuyente fundacional hasta el experto/líder) y P1-P6 (de novato a director). Estos no son títulos arbitrarios: se asignan a responsabilidades concretas:

Nivel Título típico Responsabilidad principal
L1 / P1 RSE junior Ejecutar tareas asignadas bajo la guía
L2 / P2 RSE de nivel medio poseer un módulo o herramienta; Mentor Juniors
L3 / P3 RSE de la tercera edad definir la arquitectura; Proyectos de plomo
L4 / P4+ RSE PRINCIPAL establecer la dirección; Representar organización

La pista paralela

Una innovación crítica en la escalera RSE es la pista paralela de equipo. No todos los RSE quieren ser colaboradores individuales principales; Algunos prefieren administrar personas y proyectos. El estudio revisado por pares de Princeton (ARXIV 2602.19353v1, febrero de 2026) documentó esto explícitamente, mostrando que La rotación cayó del 70% (pre-escalera, ventana de cinco años) al 7% (ventana posterior a tres años) después de implementar el asociado a través de los niveles principales con una pista paralela de equipo líder.

Esta es la primera evidencia documentada y revisada por pares del impacto de una escala profesional en la retención de RSE. Demuestra que la escalera importa, no solo la existencia de niveles, sino la existencia de pistas paralelas.

Las perspectivas de carrera temprana de SSI

Cuatro RSE del campamento de software de investigación del Software de Investigación del Instituto de Sostenibilidad (noviembre de 2025) describieron los desafíos de progresión en detalles sinceros, desde expectativas poco claras y la incertidumbre de financiación hasta la realidad de la disrupción de IA. sus perspectivas, recopiladas en «Perspectivas de carrera temprana: Carrera y habilidades en software de investigación» son lecturas esenciales para cualquiera que esté considerando este camino.

Investigación Salario de ingeniería de software por sector

El salario es la comparación más concreta que la gente hace al decidir entre carreras. Los datos a continuación provienen de las pautas de Casrai, Research.com, Levels.FYI y Glassdoor.

sector Rango típico notas
Academia / Universidad $ 70K – $ 165K fuerte en los niveles superiores; limitado por los presupuestos académicos; «Trampa de mantenimiento» donde las publicaciones superan el código
Laboratorios Nacionales $ 90K– $ 225K Lawrence Livermore verificado a través de Levels.FYI (gama de ingenieros de software $110K–$225K); fuertes beneficios; impulsado por la misión
Industria (divisiones de investigación) $ 130K– $ 210K más cerca de la compensación de Big Tech; escaleras de carrera más fuertes; presión comercial
Tecnología grande $200K–500K+ de $200K sueldo más alto; progresión más estructurada; Funciones de software de investigación a menudo etiquetadas como «científicos aplicados» o «ingeniero de software de investigación»

El sector de laboratorio nacional (LLNL, LANL, ORNL) representa la opción de rango medio más convincente: mejor salario que la academia, menos presión comercial que la industria y la alineación de la misión con la investigación científica. El promedio de Glassdoor para roles de RSE se ubica alrededor de $ 184k a nivel mundial, con una variación significativa por ubicación y antigüedad.

Lo que los datos salariales revelan estructuralmente: la «trampa de mantenimiento» — las publicaciones de recompensa de los sistemas de carrera académica, no el código. Un RSE que produce un software excelente y ampliamente utilizado, pero menos artículos a menudo se quedarán atrás en la promoción académica en comparación con un científico de dominio que publica con frecuencia. Es por eso que la escalera de Princeton, con su reconocimiento explícito de las contribuciones de software, es transformadora.

El impacto de Genai en las carreras de RSE

La IA generativa está remodelando las carreras de software de investigación más rápido de lo que reconocen la mayoría de las guías de carrera. Dos estudios recientes proporcionan la imagen más clara.

Los hallazgos de SSSI (nov 2025)

El software de sostenibilidad del software publicó un análisis exhaustivo en noviembre de 2025 en «Ai después de mi trabajo: navegar por el futuro de la ingeniería de software de investigación». El hallazgo de los titulares: ress son «más importantes que nunca» porque la IA no puede «realmente entender o mantener» el software de investigación.

Hallazgos específicos:

  • Ganancias de productividad: CoPilot proporciona una codificación entre un 55 y un 56 % más rápida con la asistencia de IA
  • Riesgos de descalificación: Confiar en la IA sin comprensión puede erosionar las habilidades que distinguen a los RSE de los desarrolladores jóvenes
  • Bropa de validación: El código generado por IA debe ser revisado por alguien que entienda tanto el código y la ciencia
  • Recomendación: Invierta en alfabetización de IA. Aprenda ingeniería rápida, pero nunca deje de aprender fundamentos.

El modelo del cuadrante AI4RSE

Siamak Farshidi et al. Del laboratorio AI4RSE (Wageningen University, ICSE 2026) introdujo un modelo cuadrantes para software de investigación aumentado con IA arxiv.org/html/2508.05693v1. El modelo clasifica el código de investigación en cuatro cuadrantes:

  1. Codificación exploratoria — Scripts rápidos para la generación de hipótesis (asistida por IA, bajo riesgo)
  2. Codificación de vibraciones — Código experimental generado por IA con corrección incierta (riesgo alto)
  3. RSE tradicional — Código de producción, revisado por pares (revisión asistida por IA, no generación)
  4. ai4rse — Código desarrollado con IA donde la IA es el autor principal (especialidad emergente)

Las especializaciones emergentes incluyen Orquestación AI (gestionar múltiples modelos de IA en los flujos de trabajo de investigación), evaluación LLM (evaluación de los resultados de IA para la validez científica) y despliegue de IA verde/fiable inferencia en contextos científicos).

La perspectiva de Fraunhofer

El Fraunhofer IESE Blog (nov 2024, actualizado 2026) enmarca a Genai como un cambio en el ciclo de vida del desarrollo de software en lugar de un reemplazo. Las habilidades que más importan ahora son arquitectura, revisión y experiencia en el dominio, no solo la velocidad de codificación.

Organismos profesionales y recursos formativos

La comunidad RSE está bien organizada, con organismos nacionales, iniciativas globales y capacitación estandarizada. Aquí está el paisaje actual:

  • Sociedad de RSE (UK) — La Sociedad Fundadora RSE; organiza las reuniones comunitarias anuales de RSE; Ejecuta programas de mentoría
  • us-rse — la contraparte estadounidense; mantiene el lista de habilidades; Organice talleres de desarrollo de carrera
  • de-rse — la comunidad nacional de RSE de Alemania; Ejecuta marcos de competencia e iniciativas de desarrollo profesional
  • Casrai — Organismo de Coordinación Global; Publica el guía de definición de roles con infraestructura de pista de carrera
  • The Carpentries — Formación estandarizada en ciencia de datos y habilidades computacionales; ampliamente adoptado en la academia

Si es un estudiante de posgrado, comience con los talleres de Carpentries y las listas de habilidades de US-RSE como su autoevaluación de referencia. Luego, interactúe con su organismo regional (sociedad de RSE, US-RSE o DE-RSE) para la tutoría y la comunidad.

como empezar

Aquí está mi recomendación para estudiantes graduados que están considerando una carrera de RSE:

Paso 1: Construya una base técnica

Comience con Git, Python Scientific Libraries (numpy, scipy) y un marco de prueba (pytest). Si ya está exploración de herramientas modernas de Python con UV y Ruff, estás en el camino correcto. Aprenda a escribir pruebas que realmente se ejecutan durante CI, no solo en su cuaderno.

Paso 2: aprender software de dominio a escala

Tome una base de código de investigación existente (incluso la suya propia) y refactorice. Añadir pruebas. documentarlo. Haz que se pueda ejecutar en otra máquina. Esta es la transición más efectiva de «investigador que codifica» a «ingeniero de software de investigación».

Paso 3: Capacitar en Prácticas de Ingeniería

Flujos de trabajo de Git, revisión de código, CI/CD y contenedorización. Los talleres de carpinterías y el semestre faltante del MIT son puntos de entrada accesibles. El Prácticas de sostenibilidad de código abierto que cubrimos en el sitio son un contexto relevante para comprender qué hace que el código de investigación sea mantenible.

Paso 4: Elige tu sector

Después de desarrollar la competencia técnica, evalúe los sectores:

  • Academia Si valoras la libertad intelectual, los entornos amigables con la publicación y los proyectos a largo plazo
  • Laboratorios nacionales Si desea alineación de la misión con la investigación, la financiación estable y el pago moderado
  • Industria Si prioriza la compensación, las escaleras estructuradas y la iteración más rápida
  • Big Tech Si desea la compensación más alta y la infraestructura de carrera más estructurada

Paso 5: Involucrar a la comunidad

Únase a US-RSE, asista a las reuniones anuales de la Sociedad de RSE, contribuya al software de investigación de código abierto. El campo recompensa la visibilidad y la participación de la comunidad, y el paths de aprendizaje estructurado cubrimos para Los estudiantes de mecánica computacional muestran que el compromiso estructurado de la comunidad acelera el crecimiento de habilidades.

mi recomendación

Si está en la encrucijada, un estudiante de doctorado que se pregunta si quedarse en la academia o la transición a la industria, esto es lo que elegiría:

Construya primero las habilidades de ingeniería. Un doctorado que puede escribir código de calidad de producción es irremplazable. Un ingeniero de software que entiende el dominio es igualmente irremplazable. El mercado recompensa cada vez más a la persona que puede hacer ambas cosas.

El cambio de Genai acelera esto. La IA puede escribir código repetitivo, pero no puede validar una simulación contra la realidad física. No puede mantener una base de código durante una década de investigación. No puede explicar a un científico de dominio por qué su modelo divergió. Esas son las habilidades que importan.

Elija el camino de la escalera paralela. Si su institución ofrece una escala profesional con pistas de colaborador individual y líder de equipo, llévelo. La reducción de rotación de 70% → 7% de Princeton demuestra que la escalera funciona. Sin uno, está compitiendo con la industria por la retención, y la industria generalmente gana en compensación.

Guías relacionadas