Cómo Atos aceleró la formación en IA con la AWS AI League

Introducción

La adopción de inteligencia artificial en empresas exige más que cursos y certificaciones: requiere experiencia práctica que conecte la teoría con problemas reales. Atos, en colaboración con AWS, implementó la AWS AI League para ofrecer una experiencia de aprendizaje práctico, gamificada y orientada a resultados. El objetivo: transformar conocimiento en habilidades aplicables por equipos multidisciplinarios y acelerar la incorporación de IA en soluciones empresariales.

El reto de la formación en IA a escala

Los programas tradicionales —cursos en línea, certificaciones y clases presenciales— son necesarios pero insuficientes. Proveen una base teórica, pero frecuentemente fallan en generar práctica sostenida, motivación y experiencia realista. El resultado es personal certificado que no siempre está preparado para resolver problemas concretos de negocio.

Atos contaba con una base sólida: más de 5,800 certificaciones AWS y 11 Golden Jackets entre su personal. Sin embargo, con la meta interna de lograr una fuerza laboral 100% fluida en IA para 2026, la compañía identificó la necesidad de un modelo de formación que escale el compromiso, acelere la adquisición de habilidades prácticas y motive a los ingenieros a aplicar IA en escenarios reales.

Por qué el fine-tuning es clave para casos de negocio

El fine-tuning de grandes modelos de lenguaje es una forma eficiente de transfer learning: se parte de un modelo preentrenado y se adapta con datos específicos del dominio. Para las empresas esto representa ventajas claras:

• Reduce tiempo y costo de entrenamiento comparado con entrenar desde cero.
• Permite que el modelo integre terminología, reglas y lógica propias del negocio.
• Mejora precisión, razonamiento y explicabilidad en dominios complejos.

Por ejemplo, en el sector asegurador es crucial que el modelo comprenda perfiles de riesgo, condiciones de pólizas y exclusiones. Ajustar un LLM con datos del dominio permite respuestas relevantes y alineadas con criterios técnicos y regulatorios.

AWS AI League: aprendizaje experiencial y competitivo

La AWS AI League fue diseñada para cerrar la brecha entre conocimiento y aplicación práctica. En lugar de centrarse únicamente en lo conceptual, el programa combina experimentación práctica con una estructura de competencia. Esto permite que equipos de distintas funciones—arquitectos de soluciones, desarrolladores, consultores y analistas de negocio—trabajen directamente con herramientas de generación y ajuste de modelos usadas en entornos reales.

La experiencia abstrae la complejidad de la infraestructura sin ocultar las mecánicas críticas del fine-tuning y la evaluación de modelos. Los participantes usan Amazon SageMaker y SageMaker JumpStart para acceder a modelos base y concentrarse en comportamiento y resultados.

Estructura de la League

La AWS AI League sigue tres etapas pensadas para mantener impulso y aprendizaje orientado a producción:

1. Taller inmersivo: Introduce los fundamentos del fine-tuning con SageMaker JumpStart, permitiendo a los equipos centrarse en resultados y no en la puesta a punto de infraestructura.

2. Desarrollo intensivo: Equipos iteran sobre estrategias de ajuste, experimentan con composición de datasets, técnicas de aumento y configuración de hiperparámetros. Las entregas se evalúan mediante un leaderboard dinámico alimentado por un sistema de evaluación basado en IA, lo que impulsa la experimentación rápida y la comparación contra modelos de referencia.

3. Gran final en vivo: Los equipos con mejor desempeño demuestran sus modelos en desafíos en tiempo real. Las salidas se califican con un sistema multidimensional: juicio técnico, métricas objetivas del benchmark de IA y votación de la audiencia, integrando así perspectivas técnicas y de usuario final.

Este diseño transforma el aprendizaje en una experiencia competitiva y colaborativa que produce modelos con desempeño medible en escenarios reales.

Caso práctico de Atos: Intelligent Insurance Underwriter

Atos eligió un caso representativo del mercado: un Underwriter Inteligente. La iniciativa buscó adaptar un LLM para analizar documentos y decisiones complejas en suscripciones de pólizas, integrando terminología, criterios de riesgo y cálculos de prima propios del sector asegurador.

Al desarrollar este caso dentro de la AWS AI League, equipos multidisciplinarios pudieron:

• Preparar y curar datasets específicos del dominio.
• Probar distintas estrategias de fine-tuning y evaluación.
• Validar resultados frente a métricas objetivas y juicios técnicos.

El enfoque demostró que, con la estructura adecuada, profesionales sin especialización profunda en machine learning pueden afinar modelos y desplegarlos para casos de cliente.

Resultados y aprendizajes clave

La experiencia con más de 400 participantes mostró varios beneficios comprobables:

• Mayor compromiso: la gamificación y la competencia mantienen la motivación y fomentan la colaboración.
• Práctica orientada a negocio: los equipos aprenden a traducir requisitos empresariales en estrategias de ajuste y evaluación de modelos.
• Democratización de capacidades: roles distintos al de científico de datos pueden participar en el ciclo de desarrollo de IA.

Además, el uso de herramientas gestionadas como SageMaker JumpStart permitió concentrarse en la lógica del negocio y el comportamiento del modelo, reduciendo barreras técnicas iniciales.

Recomendaciones para equipos en América Latina

Si su organización quiere replicar un enfoque similar, consideren lo siguiente:

• Combine teoría con experiencia: mantengan rutas de e-learning y certificación, pero añadan ejercicios prácticos relevantes y competitivos.
• Elijan casos de negocio con impacto claro: problemas que generen valor medible facilitan la adopción y financiación interna.
• Use herramientas gestionadas para bajar la fricción: plataformas que abstraen infraestructura aceleran el enfoque en resultados.
• Fomente equipos multidisciplinarios: incluir negocio, desarrollos y operaciones enriquece las soluciones y acelera la puesta en producción.
• Mida resultados más allá de certificaciones: evalúen modelos con métricas objetivas, juicios técnicos y feedback de usuarios.

En el contexto latinoamericano, donde muchas empresas deben priorizar impacto y eficiencia, este enfoque ayuda a obtener resultados concretos sin necesidad de escalar inmediatamente equipos de ciencia de datos.

Conclusión

La experiencia de Atos con la AWS AI League muestra que la combinación de formación estructurada, competencia gamificada y herramientas gestionadas es efectiva para escalar habilidades prácticas en IA. Fine-tuning con SageMaker y JumpStart permite a equipos diversos adaptar modelos a dominios específicos y generar soluciones ready-for-business. Para organizaciones en América Latina que buscan acelerar su transformación en IA, priorizar el aprendizaje experiencial y medir el impacto en casos reales puede marcar la diferencia entre conocimiento teórico y adopción efectiva.