Cómo Formula 1 aceleró la integración de datos de semanas a minutos con IA agentic en AWS

Introducción

Formula 1 (F1) conecta con más de 800 millones de aficionados en todo el mundo a través de plataformas digitales, F1 TV, redes sociales, venta de entradas y merchandising. Con carreras cada dos semanas, las ventanas de interacción con los fans se miden en minutos y las decisiones comerciales deben moverse a la velocidad de la parrilla. Detrás de esta experiencia, la plataforma MarTech Customer 360 centraliza interacciones para personalización, segmentación y estrategia comercial, pero enfrentaba un cuello de botella operativo crítico.

El reto: crecimiento de datos más rápido que la ingeniería

Según Chris Roberts, Director de IT en Formula 1, “Nuestra plataforma MarTech es el sistema nervioso del engagement de los fans. Pero cada nueva fuente de datos requería de 6 a 8 semanas de ingeniería manual. Teníamos un backlog de 18 meses solo para integrar 12 nuevas fuentes.” En la práctica, ese trabajo manual incluía escribir mapeos de esquema, construir pipelines de ingestión, configurar controles de calidad, definir clasificaciones GDPR y aplicar políticas de gobernanza.

A esto se sumaba la velocidad y el cambio constante de las fuentes upstream: proveedores que renombraban columnas, añadían campos o reestructuraban payloads sin aviso —y con el peor timing posible, como durante un fin de semana de carrera o el lanzamiento de una campaña crítica. Además, la visibilidad de la plataforma estaba fragmentada: logs repartidos entre Amazon S3, Amazon Redshift, Airflow y DBT, lo que obligaba a ingenieros a hacer trazados manuales que consumían horas cada vez que se cuestionaba una métrica.

La solución: Data Accelerator con agentic AI

A inicios de 2026, F1 junto con AWS desarrollaron el Data Accelerator, una solución que usa agentic AI sobre Amazon Bedrock AgentCore para convertir Customer 360 de un sistema mantenido manualmente a un estate de datos auto-gestionado, observable y unificado.

El proyecto abordó cinco frentes simultáneamente:

• Onboarding agentic de fuentes de datos mediante Amazon Bedrock AgentCore.
• Detección automática de evolución de esquemas y su remediación.
• Acceso unificado a datos con Amazon SageMaker Unified Studio.
• Observabilidad end-to-end con una herramienta de Root Cause Analysis (RCA) y un context graph.
• Identificación automática de fallas en dashboards de observabilidad y en la operación agentic, con capacidad de corregir mediante cambios de código.

Un sexto trabajo optimizó los algoritmos de resolución de identidad de clientes para unificar los touchpoints de los fans.

Cómo funciona el onboarding agentic (fases)

El corazón del Data Accelerator son agentes de plataforma que, a partir de un Business Requirements Document (BRD) con información limitada, generan una pipeline de onboarding lista para producción: código de infraestructura, transformaciones, políticas de gobernanza y clasificación GDPR, sin que un humano escriba el boilerplate.

Fase 1 — Generación de configuración

1. Un miembro del equipo sube el BRD a un bucket de Amazon S3.
2. La subida dispara una función AWS Lambda que invoca el runtime de Amazon Bedrock AgentCore.
3. El agente lee el BRD y genera archivos de configuración.
4. Accede a GitHub mediante una GitHub App para crear un pull request con esos archivos y crea un ticket en Jira vía API.
5. Todas las conversaciones y acciones del agente quedan trazadas en Amazon CloudWatch para observabilidad.
6. Un ingeniero revisa y aprueba la configuración.

Fase 2 — Generación completa de la pipeline

1. Con la configuración aprobada, el agente genera tres pull requests separados: código e infra de AWS Glue, framework de transformaciones DBT, y políticas de gobernanza con etiquetado GDPR.
2. Los PRs están vinculados a un único ticket de Jira para trazabilidad.
3. Los equipos revisan y aprueban los PRs, desplegando la pipeline.

Lo que diferencia esta aproximación de un simple generador de código es la integración de controles de gobernanza y clasificación GDPR durante la generación, además de la trazabilidad de extremo a extremo.

Observabilidad, detección de anomalías y remediación

Además del onboarding, Data Accelerator incorpora detección automática de cambios en esquemas y remediación cuando es posible. La solución centraliza logs y metadatos en un grafo de contexto que alimenta la herramienta de RCA, permitiendo a ingenieros y analistas ver lineage, entender causas raíz y actuar desde una sola ventana.

Cuando ocurre una anomalía —por ejemplo, un cambio de columna en una fuente— el sistema puede identificar si el problema puede resolverse mediante cambios en código generado y proponer o aplicar correcciones, reduciendo tiempos de respuesta y evitando interrupciones durante momentos críticos.

Resultados reportados

El cambio fue radical: el Data Accelerator redujo el tiempo de onboarding de nuevas fuentes desde las 6–8 semanas hasta alrededor de 40 minutos para la generación de código, más unas horas para despliegue. Además, la plataforma detectó y corrigió anomalías en producción, consolidó la trazabilidad de agentes y operaciones en una sola vista y facilitó la colaboración entre analistas, ingenieros y científicos de datos.

Como resumen de valor, Matt Kemp, Head of Data Operations en F1, destacó que la solución era “repeatable, robust and reliable” al aplicar lógica de negocio en cada paso, y Chris Roberts enfatizó que por primera vez tenían “visibilidad end-to-end con data lineage y root cause analysis, no solo dashboards llenos de alertas.”

Qué le aporta esto a organizaciones en América Latina

Aunque el caso es de una organización global de alto volumen como F1, las lecciones son aplicables a empresas latinoamericanas que enfrentan crecimiento rápido de fuentes de datos y la necesidad de respuesta ágil. Puntos clave a considerar:

• Automatizar el onboarding reduce dependencia de especialistas y acelera proyectos comerciales.
• Integrar gobernanza y clasificación de privacidad desde la generación de pipelines ayuda a cumplir normativas locales e internacionales (por ejemplo, GDPR para operaciones globales).
• La observabilidad centralizada disminuye el tiempo de resolución de incidentes y mejora la confianza en métricas usadas por marketing y ventas.
• Usar agentes en runtime gestionado (como Bedrock AgentCore) permite iterar rápidamente sin sacrificar trazabilidad.

Para equipos con recursos limitados, la automatización guiada por agentes puede ser una palanca para escalar operaciones de datos sin ampliar proporcionalmente el equipo de ingeniería.

Conclusión

El proyecto Data Accelerator de Formula 1 y AWS muestra cómo la combinación de agentic AI y servicios administrados puede transformar una plataforma de datos crítica: de procesos manuales y fragmentados a pipelines repetibles, gobernados y observables. Para organizaciones en América Latina que buscan acelerar su adopción de datos y IA, este caso ilustra una ruta práctica para reducir tiempos de integración, mejorar la calidad de datos y ofrecer mayor visibilidad y control a las áreas de negocio.