Guía de estudio AIB-C01

Cómo usar esta guía

Esta guía sigue los cuatro dominios del examen AWS Certified AI Business Strategist (AIB-C01). Cada dominio es una sección y cada tema es un subtema que puedes abrir desde el menú lateral. El examen evalúa juicio de negocio con escenarios empresariales: según AWS, sus servicios aparecen como contexto práctico, pero no son lo que se evalúa. Basta conocerlos a nivel estratégico.

Los términos técnicos van en inglés, como aparecen en el examen. Las marcas indican el origen de lo que no es oficial:

• (externo): marco o ley real que no aparece en la guía oficial del examen (por ejemplo EU AI Act, GDPR, NIST AI RMF, modelos de CoE, ISO/IEC 22989). Sirve para practicar el razonamiento, pero no lo trates como contenido oficial.
• (heurística): criterio propio para elegir respuestas. Es una regla práctica, no una garantía.
• Lo que no lleva marca viene de la guía del examen o de documentación oficial de AWS.

El orden recomendado es leer un dominio completo, resolver un simulacro y volver a los temas donde fallaste. Los simuladores del sitio usan 85 preguntas y 170 minutos, para coincidir con el formato beta. El Dominio 2 es el de mayor peso (28%), así que dedícale más tiempo.

Referencia rápida del examen

Ten presente la diferencia de formato: el examen beta actual tiene 85 preguntas en 170 minutos, mientras que la guía estándar habla de 130 minutos. Prepárate para el formato beta si lo vas a rendir ahora.

Peso de cada dominio

Recursos oficiales de práctica

Estos recursos requieren iniciar sesión y el autor de esta guía no pudo leerlos. Ni esta guía ni las preguntas del simulador se basan en ellos: úsalos como referencia principal de estilo y dificultad.

Dominio 1: AI Fundamentals and Literacy (24%)

Este dominio evalúa si sabes qué tipo de IA resuelve qué problema, qué necesita en datos y cómo adaptarla, sin entrar en lo técnico.

Conceptos base

AI, ML y GenAI

AI contiene a ML, y ML contiene a GenAI.

Trampa: una predicción de sí o no sobre datos tabulares es ML, no GenAI.

Datos

• Dimensiones de calidad: completeness, accuracy, consistency, timeliness (datos actuales) y representativeness.
• Garbage in, garbage out: un modelo más grande no arregla datos malos.
• Datos históricos: el modelo repite los sesgos de las decisiones pasadas. Si el entorno cambió, los datos viejos ya no representan el presente.

Rule-based automation o AI

Mejor práctica: híbrido. ML para los patrones y reglas para las restricciones duras, como límites de póliza.

AI agents

• Un agente planifica tareas de varios pasos, usa herramientas (APIs, sistemas, bases de datos) y actúa con cierta autonomía hacia un objetivo.
• Un chatbot solo responde prompts; no ejecuta acciones.
• Multi-agent: comunicación agent-to-agent con orquestación, por ejemplo un supervisor agent que reparte el trabajo.
• Control: límites de autonomía (umbral automático y aprobación humana por encima), registro de acciones y supervisión. Los agentes no son deterministas y siguen necesitando supervisión.

Model drift

• Qué es: el rendimiento del modelo cae tras el despliegue porque cambian los datos (data drift) o la relación entre entradas y resultado (concept drift, por ejemplo cuando el fraude cambia de tácticas).
• Señal temprana: la distribución de los datos de entrada se aleja de la de entrenamiento, o caen los KPI con datos recientes.
• Respuesta: monitoreo continuo contra KPIs y resultados reales, umbrales que disparan revisión o reentrenamiento, y presupuesto de mantenimiento continuo (TCO), no de proyecto único.
• Incorrecto: congelar el modelo, auditar solo una vez al año o reentrenar “porque pasó un año”.

Shadow AI

• Qué es: empleados que usan herramientas de IA que la empresa no ha aprobado ni gobierna.
• Riesgos: fuga de datos, exposición de propiedad intelectual e incumplimiento normativo.
• Solución: una clasificación transparente de herramientas (Approved, Blocked, Under evaluation), una vía rápida para pedir evaluaciones, alternativas aprobadas y formación.
• Prohibir todo empuja el uso a la clandestinidad. La clasificación no sustituye la revisión de seguridad.

Estándares ISO

La guía cita ISO/IEC 23053 e ISO/IEC 42001 como ejemplos (skill 1.1.6). Si la pregunta plantea que los equipos usan términos distintos, la respuesta es adoptar un vocabulario común basado en estándares internacionales.

Prompt engineering

• Buen prompt: rol, contexto, instrucción específica, audiencia, tono, longitud, formato de salida y ejemplos (few-shot).
• Para salidas comparables, define la estructura exacta (por ejemplo, una tabla con columnas) e incluye un ejemplo.
• Contra invenciones: “responde solo con el contexto dado y, si no está, dilo”. Funciona mejor con RAG.
• Evita prompts vagos, datos sensibles innecesarios y varias tareas mezcladas en una frase.

Tokens y context window

• Un token es una unidad de texto. Muchos servicios cobran por tokens de entrada y de salida, así que prompts y respuestas más largos suben el coste y la latencia.
• La context window es el máximo de tokens por solicitud: prompt, historial y respuesta.
• Síntomas de superarla: respuestas cortadas, instrucciones iniciales ignoradas en chats largos, partes de documentos largos omitidas, más coste y lentitud.
• Soluciones: RAG, dividir el texto en fragmentos (chunking), resumir el historial o usar un modelo con más contexto.

Cómo mejorar respuestas

• RAG reduce las alucinaciones pero no las elimina, y sigue requiriendo gobernanza y control de acceso.
• El fine-tuning no sirve para información que cambia a diario.

Dominio 2: AI Strategy and Business Value Creation (28%)

Es el dominio con más peso. Cubre qué casos de uso elegir, cómo conseguirlos, cómo priorizarlos, cómo demostrar su valor y cómo controlar su coste.

Casos de uso por función

Para seleccionar: problema de negocio, luego KPI medible, luego valor y viabilidad. Nunca empieces por “el modelo más nuevo” ni por “la idea del ejecutivo más senior”.

Build, buy o partner

• Factores de decisión: presupuesto, plazo, capacidades internas, propuestas de proveedores y cumplimiento normativo (por ejemplo, residencia de datos).
• Antes de firmar, valida con una POC sobre tus propios datos y fija criterios de aceptación en el contrato. Nunca te fíes solo del benchmark del proveedor.
• AWS Marketplace permite descubrir, probar y comprar modelos y soluciones de terceros con facturación en la cuenta de AWS. No reemplaza tu propia due diligence.

Priorización

Criterios: valor de negocio, viabilidad, sostenibilidad y alineación estratégica.

Sostenibilidad significa poder operarlo a largo plazo: coste continuo, mantenimiento, disponibilidad de datos, talento y consumo de recursos.

Trampa: cumplir los objetivos técnicos sin adopción ni impacto en el negocio no es éxito.

Cuándo la IA no es la solución

• La lógica es fija y determinista, como una fórmula de horas extra.
• No hay datos relevantes ni forma de obtenerlos.
• El error es inaceptable y las salidas no se pueden revisar.
• La causa raíz es de proceso u ownership: arregla el proceso primero.
• Se busca “una estrategia de IA” porque la competencia la anunció, sin un problema definido.

Transiciones

• De proceso manual a IA: evalúa la preparación de los datos, el coste total, la continuidad y el rendimiento.
• Entre plataformas o modelos: ejecuta en paralelo, compara, cambia por fases y ten un plan de rollback. Vuelve a probar prompts y evaluaciones, porque cada modelo responde distinto.
• Costes que se subestiman: integración, preparación de datos, gestión del cambio y operación continua. La licencia es la parte visible.

Medición del valor

• Un buen set de KPIs mezcla eficiencia, resultado de negocio y calidad. La precisión del modelo sola no demuestra valor.
• Baseline: mídela antes de desplegar, con las mismas métricas y en un periodo representativo. Si falta, reconstrúyela con datos históricos o compara con un grupo de control. Nunca asumas una baseline de cero ni uses el benchmark del proveedor.

ROI y payback

• Ejemplo de ROI: 10.000 h × $50 = $500.000 de beneficio. Con un coste de $200.000, el ROI es 150%.
• Ejemplo de payback: con una inversión de $300.000 y $25.000 de beneficio neto al mes, el payback es de 12 meses.
• Incluye todos los costes: uso e inferencia, monitoreo, integración, formación y gestión del cambio. Excluye costes hundidos ajenos al proyecto.
• El tiempo ahorrado solo es ROI si se redirige a trabajo de más valor o reduce costes.

Costes y precios en AWS

El examen no evalúa servicios de AWS en profundidad. Basta saber para qué sirve cada opción de precio.

AWS también lista un nivel Reserved.

Para optimizar: usa el modelo más pequeño que cumpla la calidad, batch para lo que no es urgente, prompts cortos y alertas de presupuesto. Incorrecto: usar siempre el modelo más grande o enviar todo el historial en cada prompt.

Ventaja competitiva

• Panorama competitivo: analiza cómo usan la IA los competidores y los nuevos entrantes, y cómo cambian las expectativas del cliente. Luego busca brechas. No copies a ciegas ni ignores al mercado.
• Transformar el modelo de negocio significa cambiar cómo se crea y captura valor: de vender máquinas a vender uptime garantizado, o nuevos productos de IA de pago. La eficiencia interna no transforma el modelo.
• Ventaja sostenible: datos propietarios que mejoran con el uso (data flywheel), IA integrada en los procesos y capacidades organizativas. No es sostenible usar un modelo público, emitir un anuncio de prensa o hacer un piloto aislado.

Dominio 3: AI Governance and Responsible AI Leadership (24%)

La respuesta correcta aplica un control proporcional al riesgo, lo integra desde el diseño y asigna un responsable claro.

Dimensiones de Responsible AI

Son las 8 dimensiones oficiales de AWS. La guía cita como ejemplos fairness, explainability, privacy, safety y transparency.

Trade-offs

Incorrecto: decidir de manera informal, arreglar el problema cuando haya quejas o quitar el principio de la política.

Governance by design

• La IA responsable se integra desde la planificación, antes de recoger datos y de elegir el modelo.
• En la planificación van: la clasificación de riesgo, la evaluación de impacto, las métricas de equidad, los requisitos de supervisión humana y los criterios de aceptación.
• Añadir controles después obliga a rediseñar y reentrenar, provoca interrupciones y daña la reputación.

Supervisión humana y guardrails

• Human-in-the-loop: un humano aprueba antes de que la decisión tenga efecto. Es obligatorio en salud, crédito, empleo, seguros y derechos.
• Human-on-the-loop: un humano supervisa y puede intervenir. Sirve para casos de menor riesgo.
• Criterios de escalado a un humano: baja confianza, cliente angustiado, temas legales o importes por encima de un umbral.
• Amazon Bedrock Guardrails ofrece content filters, denied topics, word filters, filtros de información sensible (PII), contextual grounding checks (contra alucinaciones en RAG) y automated reasoning checks. Se aplica de forma consistente en todas las aplicaciones.

Estructuras de gobernanza

• Un AI governance council multifuncional (negocio, tecnología, legal, compliance, seguridad, riesgos) con derechos de decisión claros.
• Un dueño de negocio con nombre propio responde de los resultados y riesgos de cada caso de uso. No lo son el proveedor cloud ni “el sistema”.
• Una matriz RACI indica quién hace, quién decide, a quién se consulta y a quién se informa.
• Un comité formado solo por data scientists deja puntos ciegos legales, éticos y de negocio.

Regulación

La guía pide identificar y abordar riesgos de cumplimiento normativo (skill 3.2.2), pero no nombra leyes concretas. El EU AI Act y el GDPR de esta sección son ejemplos (externo) para practicar el razonamiento, no contenido oficial del examen.

• Privacidad (GDPR, externo): base legal o consentimiento, minimización, anonimización y documentación del tratamiento. La responsabilidad sigue siendo tuya, no del proveedor del modelo.
• Residencia de datos: elige Regions dentro de la jurisdicción exigida y respáldalo con términos contractuales. Que el proveedor tenga oficinas en el país no basta.
• Cumplimiento continuo: mantén un inventario de sistemas de IA con su nivel de riesgo y vigila los cambios regulatorios en cada jurisdicción.

Shared responsibility model

En Amazon Bedrock, los proveedores de modelos no tienen acceso a los prompts ni a las respuestas del cliente.

• En RAG, la recuperación debe respetar los permisos de los documentos de origen (least privilege). Si no, se expone información de RR. HH. o finanzas.
• Si hay PII en los prompts, combina una política de clasificación, guardrails que enmascaren datos sensibles, herramientas aprobadas y formación. Una prohibición total sin alternativa no funciona.

Clasificación de riesgo

• Su propósito es la gobernanza proporcional: más control para el alto riesgo y menos burocracia para el bajo.
• Suben el riesgo: el impacto en derechos o en el acceso a servicios, las decisiones automáticas sin revisión humana, los datos sensibles y la exposición pública.
• Bajan el riesgo: el uso interno, la revisión experta antes de usar la salida y los datos públicos.
• Frameworks: ISO/IEC 42001 (en la guía) y NIST AI RMF (externo), con las funciones Govern, Map, Measure, Manage. Distractor: Identify, Protect, Detect, Respond pertenece al NIST Cybersecurity Framework.

Controles en producción

• Monitoreo continuo del rendimiento, la seguridad y el uso, con alertas.
• Un plan de respuesta a incidentes: kill switch o rollback, comunicación y análisis de causa raíz.
• Logs de prompts y respuestas, protegidos, para trazabilidad y auditoría.
• Incorrecto: una sola revisión al lanzar, depender de que los usuarios reporten o congelar el sistema.

Sesgo a lo largo del ciclo de vida

El bias drift aparece cuando cambian la población o los datos, y el sesgo surge o crece. Por eso la equidad se monitorea siempre, no solo al lanzar.

Contenido dañino y propiedad intelectual

• Contenido dañino: guardrails y content filters, red teaming antes del lanzamiento y monitoreo. Incorrecto: confiar en los reportes de usuarios, subir la aleatoriedad o quitar el system prompt.
• Propiedad intelectual: las salidas pueden parecerse a obras protegidas. Revisa los términos del proveedor (uso de datos, propiedad de las salidas, indemnización) y exige revisión humana antes de publicar.
• Pegar código o secretos en herramientas no aprobadas puede exponer o dejar retenida esa propiedad intelectual en manos de un tercero.

Fiabilidad

• Una alucinación es una respuesta plausible pero falsa o inventada.
• Para mitigarlas: RAG con fuentes aprobadas, citas, grounding checks y revisión humana en lo crítico.
• Los datos que deben ser exactos, como precios, se obtienen del sistema de registro mediante una herramienta o API, no se generan con el modelo.
• Degradación por los datos de entrada: validaciones automáticas de calidad en el pipeline detectan cambios de formato de inmediato.

Dominio 4: Business Readiness, Leadership, and AI Transformation (24%)

Aquí se evalúa si la organización está lista y cómo llevar la IA de piloto a escala con personas, datos y liderazgo.

Dimensiones de readiness

Distractores que no miden readiness: el número de proveedores, el presupuesto de marketing o tener “el último modelo”.

Madurez

La guía no define un modelo de madurez con etapas fijas. Solo da dos ejemplos (skill 4.1.2), y sirven para reconocer el punto de partida:

El modelo de madurez sirve para fijar pasos e inversiones realistas desde el estado actual. No garantiza el éxito ni sustituye a la estrategia.

Brechas de capacidad

• Prioriza cerrar las brechas que más bloquean los objetivos estratégicos, en el orden que permita la madurez actual. No saltes etapas: pasar de pilotos sueltos a agentes en toda la empresa es incorrecto.
• Lo correcto es construir bases (datos, gobernanza, habilidades) mientras se entregan casos acotados.
• AWS CAF organiza las capacidades en seis perspectivas: Business, People y Governance (las de negocio), y Platform, Security y Operations (las técnicas).

Datos

• Los silos impiden tener una vista unificada del cliente, lo que empeora la personalización y las predicciones.
• Primer paso: una estrategia de datos con dueños, gobernanza y prioridades de integración ligadas a casos de uso de alto valor.
• Los data owners responden de la calidad, las definiciones y las decisiones de acceso.
• Si dos unidades no comparten datos, la solución es un data sharing framework con gobernanza, controles de acceso y beneficio para ambas. Incorrecto: copiar todo sin control o comprar datos de terceros.

Infraestructura

• Para IA en tiempo real con clientes: baja latencia, escalabilidad en los picos e integración con los canales.
• Requisitos base: integración mediante APIs y seguridad e identidad.
• Sin experiencia en MLOps, los servicios gestionados como Amazon Bedrock quitan la carga de la infraestructura.
• Incorrecto: exigir migrar todo, comprar GPUs o reemplazar todo el legacy antes del primer piloto.

Liderazgo y gestión del cambio

• El executive sponsor aporta recursos, elimina barreras y señala que la IA es una prioridad. Si se va, hay que nombrar un sustituto pronto y realinear.
• Los AI champions son promotores entre sus pares dentro de las unidades: difunden prácticas, impulsan la adopción y recogen feedback.
• Los equipos deben ser multifuncionales (negocio, técnicos, legal, compliance, seguridad, usuarios finales) desde el inicio, con una RACI y un único dueño de cada decisión.
• La comunicación debe cubrir plazos, expectativas realistas, impacto en los roles y planes de reskilling, con feedback en ambas direcciones. Ante rumores de despidos, responde de forma directa y honesta con hechos y el apoyo disponible.

Ojo: las barreras técnicas (cuotas, context window, rate limits) no son culturales.

Formación y roles

• La alfabetización debe ser escalonada: bases para todos, formación por rol y Responsible AI para todo el que use IA o decida sobre ella.
• Los hackathons dan práctica, descubren casos de uso y generan compromiso.
• Los programas de POC construyen habilidades con problemas reales y, a la vez, demuestran valor.
• Al rediseñar roles, la IA se queda con lo repetitivo y de volumen. Las personas se quedan con el juicio, el pensamiento crítico, la empatía, la creatividad, la supervisión de la IA y las excepciones.
• Siguen siendo tareas humanas dar malas noticias, negociar y tomar decisiones éticas.

Escalado

1. Envision: definir los resultados de negocio, priorizar los casos de uso y alinear a los stakeholders.
2. Experiment: pilotos y POCs con métricas y baseline.
3. Launch: pasar a producción con gobernanza, seguridad y soporte.
4. Scale: extender a toda la empresa con una plataforma y un CoE.

• Los quick wins generan credibilidad, aprendizaje y financiación. El primer proyecto ideal tiene alto valor, baja complejidad, bajo riesgo y resultados medibles y visibles.
• Para seguir el valor a largo plazo: feedback loops en la herramienta y revisiones periódicas de KPIs contra la baseline. No basta una encuesta única ni contar modelos desplegados.

El CoE define estándares, componentes reutilizables y buenas prácticas, y da guía de gobernanza y capacitación. No sustituye la propiedad de negocio. La guía solo pide establecer CoEs: los tres modelos son práctica común del sector.

• Para pasar de piloto a producción hacen falta monitoreo, respuesta a incidentes, revisión de seguridad y cumplimiento, un modelo de soporte, SLAs, documentación e infraestructura escalable. Los atajos del piloto no escalan.
• Para escalar a varios mercados, evalúa la regulación, el idioma, la residencia de datos y el soporte de cada país, y despliega en oleadas con planes de continuidad. Incorrecto: lanzar en todos a la vez o esperar a tener precisión perfecta.

Cómo elegir la respuesta correcta

Estas nueve reglas son (heurística): criterios propios del autor para elegir respuestas cuando dudas entre opciones plausibles. Ayudan a descartar distractores, pero no son contenido oficial del examen ni sustituyen entender el escenario.

1. (heurística) Empieza por el problema y el resultado de negocio, no por la tecnología.
2. (heurística) Prefiere lo iterativo: piloto, métricas, fases, puertas de decisión.
3. (heurística) Prefiere lo equilibrado: valor de negocio junto con gobernanza. Desconfía de los extremos (“prohibir todo”, “nunca”, “siempre”, “garantiza”).
4. (heurística) Si hay alto impacto en personas, la respuesta suele llevar supervisión humana, explicabilidad y transparencia.
5. (heurística) Con plazo corto, sin equipo de ML y una capacidad que no diferencia, compra o busca un partner antes de construir.
6. (heurística) Información que cambia: RAG. Estilo o formato estable: fine-tuning. Lógica fija: reglas.
7. (heurística) Sin línea base (baseline) no se puede atribuir la mejora ni calcular el ROI.
8. (heurística) Problemas de personas y cultura: transparencia, formación y participación.
9. (heurística) FIRST pide el paso previo; LEAST invierte la pregunta.

Fuentes

Examen y preparación

• Página oficial de la certificación: formato beta, precio, idiomas, recursos de preparación.
• Guía del examen AIB-C01: dominios, pesos, puntuación y duración estándar.
• Tecnologías y conceptos que pueden aparecer: RAG, fine-tuning, tokens, agentes, drift, shadow AI, ISO/IEC 23053 y 42001.
• Servicios de AWS en alcance: estructuras de precio consumption, instance y seat, Pricing Calculator, Cost Explorer, Marketplace.
• Blog de lanzamiento de AWS: qué evalúa cada dominio, fecha de entrega y rol de los servicios de AWS.
• Exam Prep Plan en AWS Skill Builder y AI Business Strategist Learning Plan: recursos oficiales de práctica.

Guía oficial por dominio

• Dominio 1: skills 1.1.1 a 1.3.3.
• Dominio 2: skills 2.1.1 a 2.3.4.
• Dominio 3: skills 3.1.1 a 3.3.4.
• Dominio 4: skills 4.1.1 a 4.4.6, incluidas las dimensiones de readiness, los ejemplos de madurez, las brechas (people, process, technology, governance) y las fases envision, experiment, launch, scale.

Documentación de AWS

• Precios de Amazon Bedrock: niveles Standard, Priority, Flex, Reserved, Batch y Provisioned Throughput.
• Responsible AI en AWS: las 8 dimensiones, Well-Architected Responsible AI Lens, AI Service Cards.
• Amazon Bedrock Guardrails: las seis salvaguardas.
• Seguridad de Bedrock (AWS Solutions): responsabilidad compartida y acceso de los proveedores de modelos.
• AWS CAF for AI: capacidades fundamentales: las seis perspectivas. AWS marca este whitepaper como referencia histórica.
• AWS CAF: recorrido de transformación: fases Envision, Align, Launch, Scale.

Marcos y práctica externos

• EU AI Act, GDPR y NIST AI RMF (externo): marcos reales no citados en la guía del examen. ISO/IEC 22989 (externo): la guía no lo menciona.
• Modelos de CoE (centralizado, hub-and-spoke, descentralizado) (externo): práctica común del sector; la guía solo pide establecer CoEs.
• Fórmulas de ROI y payback, casos de uso por función e indicadores leading y lagging: práctica de negocio estándar aplicada a los skills 2.1.1 y 2.2.1 a 2.2.4.
• Las definiciones, ejemplos y trampas del Dominio 1 son explicaciones propias de los skills 1.1.1 a 1.3.3.