Panorama de la IA en AWS

Tres términos se usan como si fueran lo mismo y no lo son. La inteligencia artificial (IA) es el campo amplio: sistemas que hacen tareas que normalmente requieren inteligencia humana, como reconocer una cara o entender una frase. El machine learning (ML) es una forma de lograr IA: en vez de programar reglas, le das ejemplos a un modelo y él aprende el patrón. La IA generativa es un tipo de ML que crea contenido nuevo (texto, imágenes, código) a partir de modelos muy grandes entrenados con enormes cantidades de datos, llamados modelos fundacionales.

AWS ofrece IA en tres niveles, según cuánto quieras construir tú. Esa es la idea que más pregunta el examen.

Servicios de IA listos para usar

Se llaman con una API y ya están entrenados por AWS. No necesitas saber de machine learning: envías una imagen, un documento, un audio o un texto, y recibes el resultado.

• 

  Amazon Rekognition

  Analiza imágenes y video: detecta objetos, rostros, texto en imágenes y contenido inapropiado.
• 

  Amazon Textract

  Extrae texto, formularios y tablas de documentos escaneados, como facturas o formularios en PDF. Va más allá de un OCR simple.
• 

  Amazon Comprehend

  Procesamiento de lenguaje natural: detecta el sentimiento, las entidades (personas, lugares), el idioma y datos personales en un texto.
• 

  Amazon Translate

  Traduce texto entre idiomas de forma automática.
• 

  Amazon Transcribe

  Convierte voz en texto: transcribe llamadas, reuniones o videos.
• 

  Amazon Polly

  Convierte texto en voz natural, en varios idiomas y voces.
• 

  Amazon Lex

  Crea chatbots y asistentes de voz o texto que entienden lo que el usuario quiere decir. Usa la misma tecnología de conversación que Alexa.
• 

  Amazon Kendra

  Búsqueda inteligente en los documentos de una empresa: el usuario pregunta en lenguaje natural y Kendra encuentra la respuesta en manuales, wikis o sitios internos. En 2026 AWS lo pasó a mantenimiento; para proyectos nuevos se usa RAG con Bedrock Knowledge Bases.

IA generativa: Amazon Bedrock y Amazon Q

• 

  Amazon Bedrock

  Contratar al chef experto

  Servicio administrado para crear aplicaciones de IA generativa con modelos fundacionales de Amazon y de otras empresas de IA, a través de una sola API. No administras servidores ni entrenas el modelo desde cero: lo eliges, le das contexto con tus datos y lo integras en tu aplicación, con controles de seguridad y privacidad.
• 

  Amazon Q

  El asistente que ya viene contratado

  Asistente de IA generativa de AWS. Amazon Q Developer ayuda a escribir, explicar y transformar código; dejó de aceptar registros nuevos el 15 de mayo de 2026 y AWS recomienda Kiro. Amazon Q Business, que responde con los datos internos de una empresa, cerró a clientes nuevos en julio de 2026 y su sucesor es Amazon Quick.

La diferencia práctica: Bedrock es la base para que tú construyas una aplicación de IA generativa (por ejemplo, un asistente dentro de tu producto). Amazon Q es un asistente ya hecho que usas tal cual.

Construir tu propio modelo: Amazon SageMaker AI

• 

  Amazon SageMaker AI

  Tu propia cocina profesional

  Plataforma administrada para todo el ciclo de machine learning: preparar datos, construir, entrenar, ajustar y desplegar modelos propios. AWS administra la infraestructura; tú pones los datos, el algoritmo y el criterio. Requiere conocimientos de ML.

¿Cuánto tienes que saber de machine learning?

Criterio	Servicios listos para usar	Amazon Bedrock	Amazon SageMaker AI
Experiencia en ML	Ninguna	Poca: eliges y adaptas un modelo	Alta: construyes y entrenas
Qué haces tú	Llamar a una API	Elegir un modelo, darle contexto e integrarlo	Preparar datos, entrenar, evaluar y desplegar
Control sobre el modelo	Bajo	Medio	Total
Cuándo usarlo	La tarea es común: traducir, transcribir, leer documentos	Quieres IA generativa en tu aplicación	Tu problema es único y tienes datos y equipo de ML

Qué servicio para qué tarea

Muchos de estos servicios se combinan con los de datos y analítica: los datos que recoges y limpias son la materia prima para entrenar o dar contexto a un modelo.