Entrevista de data engineer en Anthropic: proceso y preparación

Tienes una invitación a una entrevista de Anthropic y quieres saber qué contiene cada etapa y cuáles son las reglas. Esta sección separa lo que Anthropic indica sobre sus entrevistas de lo que es práctica general en los puestos de ingeniería de datos. Las reglas van primero, porque condicionan cómo debes prepararte.

Anthropic publica pautas de entrevista que valen para todos los puestos, en lugar de un recorrido para cada uno. Esto es lo que indica:

• Solicitud. Los candidatos deben escribir ellos mismos el primer borrador de su solicitud y pueden usar Claude para pulirlo.
• Formato. Todas las entrevistas se realizan por Google Meet, y Anthropic puede adaptarse a distintas zonas horarias.
• Programación en vivo. Para los puestos técnicos, Anthropic usa herramientas de programación en vivo como Colab y CodeSignal. Los candidatos pueden consultar cosas, pero deben sentirse cómodos con la sintaxis básica y las bibliotecas estándar.
• Pruebas para hacer en casa. Se completan sin Claude salvo que Anthropic indique lo contrario.
• Ayuda de IA en entrevistas en vivo. No se permite ninguna salvo indicación contraria, porque Anthropic quiere ver cómo piensan los candidatos los problemas en tiempo real.

Anthropic no publica un recorrido etapa por etapa para los data engineers: ni nombres de rondas, ni número de entrevistas, ni orden fijo. Pregunta a tu reclutador qué áreas cubre cada conversación, qué herramienta de código se usa en cada sesión y si una prueba para hacer en casa forma parte de tu proceso.

Para planificar, las etapas siguientes son categorías generales de preparación para puestos de ingeniería de datos, no los nombres de las rondas de Anthropic:

• Conversación con el reclutador. Tu trayectoria, tu motivación, el equipo y el calendario.
• Filtro técnico. Normalmente SQL y Python en un entorno de programación en vivo, a menudo con preguntas sobre un pipeline que hayas operado.
• Conversación con el responsable. Los sistemas de los que has sido responsable, cómo manejaste los fallos y cómo trabajas con quienes usan tus datos.
• Entrevistas técnicas más profundas. Modelado de datos, diseño de pipelines y sistemas, y SQL más difícil.
• Conversaciones de comportamiento y motivación. Cómo trabajas con otras personas y por qué quieres precisamente este trabajo.

Las publicaciones en Reddit y Glassdoor describen recorridos individuales. Algunos relatos de candidatos describen preguntas de SQL que empiezan por diseñar tu propio esquema en lugar de consultar uno dado. Trata cada publicación como la experiencia de un candidato en un equipo, no como la forma en que Anthropic entrevista a todos los data engineers.

La declaración más clara de Anthropic sobre la evaluación es su motivo para no permitir ayuda de IA en las entrevistas en vivo: quiere ver cómo piensan los candidatos los problemas en tiempo real. Para un data engineer, eso convierte cada pregunta técnica en una prueba de razonamiento visible. Las áreas siguientes son práctica general del puesto, y las preguntas de ejemplo de esta página son ejercicios de práctica, no preguntas que Anthropic haya confirmado hacer.

• SQL y diseño de esquemas. Joins que no multipliquen filas, funciones de ventana, deduplicación, y rachas o sesiones en datos de eventos. Prepárate para diseñar las tablas antes de consultarlas y para explicar la granularidad de cada una.
• Python para datos. Analizar, transformar y agregar registros con código claro. Como Anthropic pide soltura con la sintaxis básica y las bibliotecas estándar, practica resolver problemas solo con la biblioteca estándar, por si tus paquetes habituales no forman parte del ejercicio.
• Modelado de datos. Hechos frente a dimensiones, atributos que cambian con el tiempo y tablas que analistas e investigadores puedan consultar sin trampas.
• Diseño de pipelines y sistemas. Batch frente a streaming, escrituras idempotentes, recargas históricas, datos que llegan tarde, cambios de esquema y comprobaciones de calidad de datos, con preguntas de seguimiento que cambian los requisitos a mitad de camino.
• Criterio de comportamiento. Asumir la responsabilidad de los fallos, desacuerdos sobre la definición de métricas y compromisos entre rapidez y corrección.
• Motivación. Por qué esta empresa y este tipo de trabajo con datos. Una respuesta concreta, ligada a lo que has hecho, pesa más que un entusiasmo general.

No necesitas presentarte como especialista en aprendizaje automático. Anthropic afirma que cerca de la mitad de su personal técnico no tenía experiencia previa en ML, así que unos buenos fundamentos de datos sirven más a un data engineer que un vocabulario de ML que no sepa defender ante preguntas de seguimiento. Aun así, revisa la oferta de empleo, porque un equipo concreto aún puede pedir experiencia relacionada. Encontrarás más ejercicios agrupados por habilidad en los bancos de preguntas.

Anthropic no publica diferencias puesto por puesto, así que la comparación entre puestos que sigue es práctica general de la ingeniería de datos.

• Frente a ingeniería de software. Menos peso en los acertijos de algoritmos, más en SQL, modelado de datos y fiabilidad de los pipelines. Las preguntas de diseño giran en torno a cómo se mueven, aterrizan y se corrigen los datos, en lugar de servicios que atienden solicitudes.
• Frente a ciencia de datos. Menos estadística y diseño de experimentos, más construcción de las tablas de las que dependen analistas e investigadores. Aun así, pueden preguntarte cómo se define una métrica, porque un data engineer suele ser responsable de la tabla que hay detrás.
• Frente a ingeniería analítica. La línea es difusa. Los puestos analíticos se inclinan hacia el modelado y el SQL para informes; los de data engineer profundizan más en la ingesta, el procesamiento distribuido y la infraestructura.

Frente a otras empresas, algunas reglas que Anthropic indica cambian cómo te preparas. Su política de IA es explícita: ninguna ayuda de IA en las entrevistas en vivo y nada de Claude en las pruebas para hacer en casa, salvo que Anthropic diga lo contrario. Se permite consultar cosas durante la programación en vivo, así que la prueba trata menos de la sintaxis memorizada y más de cómo razonas y de la rapidez con la que encuentras lo que necesitas. Y todas las entrevistas se hacen por Google Meet, así que no hay jornada presencial para la que planificar un viaje. Las guías sobre cómo estructuran otras empresas sus procesos están en entrevistas de empresas.

Anthropic no publica un calendario para la contratación de data engineers. La programación depende del equipo, de tu nivel y de la disponibilidad de los entrevistadores; Anthropic dice que puede adaptarse a distintas zonas horarias, lo que ayuda si te entrevistan desde fuera de la región del equipo. Tu reclutador es la persona a quien preguntar cuántas conversaciones esperar y cuánto suelen tardar las decisiones.

La dificultad es más fácil de describir en términos cualitativos. Poder consultar cosas quita algo de presión por memorizar sintaxis, pero sube el listón en otros aspectos: un entrevistador que te deja revisar la documentación observa cómo razonas, no si recuerdas la firma de una función. Sin ayuda de IA, generas tú mismo el enfoque, el código y las comprobaciones, en voz alta.

Lo difícil para la mayoría de los candidatos es la profundidad ante las preguntas de seguimiento. Diseñas un pipeline, luego el entrevistador añade datos que llegan tarde, después un cambio de esquema y luego pregunta cómo sabrías que el resultado es incorrecto. Los candidatos que han operado pipelines en producción suelen manejar mejor esa deriva que quienes solo los han construido.

Los candidatos sénior deben esperar más peso del criterio: elegir qué no construir, explicar un compromiso a un interlocutor no técnico y asumir un error del pasado.

Construye la preparación en torno a las condiciones que Anthropic indica, porque practicar en condiciones distintas entrena los hábitos equivocados.

• Practica sin IA. Haz cada ejercicio sin asistente, ya que las entrevistas en vivo no permiten ninguno salvo indicación contraria. Consultar la documentación está bien; las respuestas generadas, no.
• Practica en herramientas similares. Trabaja en un cuaderno en el navegador y en un editor de código en línea para que el entorno te resulte familiar. Ten a mano la sintaxis básica y la biblioteca estándar, y practica encontrar rápido una respuesta en la documentación oficial.
• SQL, primero el esquema. En cada ejercicio, diseña las tablas antes de escribir la consulta y di en voz alta la granularidad de cada resultado antes de ejecutarla.
• Modelado y pipelines. Esboza un pipeline para un dominio que conozcas y luego ponlo a prueba: una reejecución tras un fallo parcial, una recarga histórica, un lote tardío, una columna renombrada.
• Piensa en voz alta. Grábate resolviendo un problema y fíjate en los tramos de silencio. El razonamiento en tiempo real es lo que Anthropic dice querer ver.
• Prueba para hacer en casa, si te la asignan. Complétala sin Claude salvo que se indique otra cosa. Añade pruebas, un README breve con tus supuestos y un manejo claro de las entradas incorrectas.
• Comportamiento y motivación. Prepara un fallo de pipeline del que fuiste responsable, un desacuerdo sobre la definición de una métrica y una razón concreta por la que te interesa este trabajo.

Piensa en un data engineer que lleva años construyendo tablas de almacén con un asistente de IA siempre abierto en el editor. Antes de la entrevista, lo apaga en cada sesión de práctica y resuelve problemas de SQL y Python solo con la documentación, narrando cada paso. Las primeras sesiones se sienten lentas, pero para la entrevista ya puede razonar en voz alta sin esperar una sugerencia.

Las herramientas de práctica pertenecen a la práctica. La página de entrevista simulada de SubcueAI te permite ensayar en voz alta preguntas de ingeniería de datos de antemano; en la entrevista en vivo, sigue la regla de Anthropic de no usar ayuda de IA salvo indicación contraria.