Optimización de costes y gobernanza para cargas de trabajo de IA

Los costes son donde el examen AIF-C01 deja de ser abstracto. Cualquier otro dominio se puede responder con una definición; este te pide calcular y después elegir el control que impide el gasto excesivo en lugar del que solo lo informa. La buena noticia es que la aritmética es simple, multiplicación y porcentajes, y las trampas son pocas, afiladas y se evalúan repetidamente.

Al terminar esta lección podrás:

• leer las tres familias de medidores que AWS usa para IA (instance-hours, tokens, unidades de petición) y decir cuál de ellas factura una pregunta;
• calcular el coste mensual de un endpoint, una carga de trabajo de tokens o un pipeline de procesamiento de documentos con precios fechados;
• elegir entre bajo demanda, Spot, Savings Plans y Serverless Inference usando los techos publicados (≤90 %, ≤72 %, ≤66 %, ≤64 %);
• aplicar las palancas propias de Bedrock: Batch (50 %), caché de prompts (lecturas 0,1×), Provisioned Throughput, niveles de servicio y enrutamiento de modelos;
• convertir los cupos del free tier en dólares para poder dimensionar una prueba de concepto;
• distinguir los controles preventivos (SCP, RCP, opt-out, Bedrock policy, tag policy, Service Catalog, acciones de Budgets) de los detectivos (Cost Explorer, AWS Config, etiquetas de asignación de costes);
• evitar toda trampa de precio fechado y de compromiso por la que este dominio es conocido.

---

1. Las tres familias de medidores: lo que realmente se te factura

1.1 Familia de medidores 1, SageMaker AI: instance-hours más almacenamiento

SageMaker AI factura por instance-hour (por segundo en la mayoría de las regiones) por entrenamiento, procesamiento, notebooks y endpoints alojados, más gigabyte-meses de EBS. Bajo demanda no lleva mínimo ni compromiso inicial (aws.amazon.com/sagemaker/ai/pricing, verificado 6 oct 2026).

1.2 Familia de medidores 2, Amazon Bedrock: tokens de entrada y tokens de salida

Bedrock bajo demanda cobra por token de entrada y por token de salida por separado (aws.amazon.com/bedrock/pricing, verificado 6 oct 2026). Como la salida se genera un token a la vez, las tarifas de salida rondan 4 to 5× las de entrada en los modelos de pesos abiertos, y mucho más en los modelos premium.

Palancas de Bedrock que no son de tokens (todas verificadas el 6 oct 2026 salvo indicación): Batch = 50 % del precio de tokens bajo demanda para los modelos fundacionales admitidos · lectura de caché = 0,1×, escritura de caché = 1,25× (TTL de 5 minutos) o 2× (TTL de 1 hora) · Bedrock Guardrails en las páginas europeas de precios de AWS a €0.2587283 por 1.000 unidades de texto (filtros de contenido, temas denegados) y €0.1724855 por 1.000 (información sensible, contextual grounding), con las regex y los filtros de palabras gratuitos (lista aws.eu, 7 ago 2026: el equivalente en USD no se recuperó, así que trátalo como (G)).

1.3 Familia de medidores 3, servicios de IA preconstruidos: una unidad por petición

Rekognition, Textract, Comprehend, Transcribe, Polly y Lex facturan por unidad de petición, con escalado por volumen tras los primeros 1 to 10 millones de unidades (aws.amazon.com/*/pricing, verificado 6 oct 2026).

1.4 Ejemplo resuelto 1: dos endpoints ociosos, 1.488 horas

Dos endpoints de tiempo real ml.c5.xlarge funcionan 24×7 durante un mes de 31 días a $0.204/hora (6 oct 2026):

$$2 \times 24 \times 31 = 1{,}488 \text{ hours}, \qquad 1{,}488 \times \$0.204 = \$303.55/\text{month}$$

$303.55 al mes, el tráfico que sea. Tres formas de cambiarlo:

La lección no son los porcentajes: es que un endpoint ocioso factura igual que uno ocupado. Nada en el medidor sabe si alguien envió una petición.

• 📚 ¿Sabías que…? La página de precios de AWS para SageMaker factura por segundo en la mayoría de las regiones con un mínimo de un minuto, de modo que un pico de inferencia de 90 segundos cuesta un minuto, no una hora, pero un notebook o un endpoint se factura durante todo el tiempo que existe, desde su creación hasta su eliminación. Esa asimetría es la razón por la que las preguntas de «opción más barata» del examen casi siempre tienen «páralo según un horario» o «usa serverless» como respuesta.

---

2. El marco de decisión de palancas de coste

2.1 La matriz de impacto de palancas

No todas las palancas son iguales, y algunas se sobrevenden con frecuencia. AWS publica los porcentajes de abajo; donde AWS no publica nada, esta lección lo dice.

2.2 El flujo de decisión de palancas de coste

Este es el diagrama que el examen te pide realmente recorrer. Empieza por qué está quemando dinero y después por qué tolera la carga de trabajo.

2.3 Lo que cada palanca no puede hacer

Tres hechos de «no puede» son oro en el examen:

1. Los Savings Plans no se acumulan sobre Spot, y el gasto en Spot no consume un compromiso de Compute Savings Plan (docs.aws.amazon.com, 2026). Una pregunta que ofrezca «cubrir el uso de Spot con un Savings Plan» es errónea en las dos mitades de la frase.
2. Los servicios de IA preconstruidos no tienen ninguna opción publicada de reserva ni de Savings Plan: se optimizan reduciendo el volumen de unidades (elige OCR antes que Forms, transcripción simple antes que redacción) y usando el free tier, no comprometiéndote.
3. Una acción de presupuesto no es un control en tiempo real. Las alertas pueden basarse en previsión o en valores reales, pero la ejecución se retrasa, así que el gasto excesivo sigue siendo posible entre el umbral y la acción.

---

3. SageMaker AI: bajo demanda frente a Spot frente a Savings Plans frente a serverless

3.1 Bajo demanda: el valor por defecto sin compromiso

Bajo demanda es por instance-hour, sin mínimo y sin inicial (aws.amazon.com/sagemaker/ai/pricing, verificado 6 oct 2026). Es la respuesta correcta cuando el examen dice prototipo, de corta vida, impredecible o los dos primeros meses (el free tier de SageMaker da 250 horas/mes de notebooks ml.t3.medium durante los dos primeros meses, verificado 6 oct 2026).

3.2 Spot: hasta un 90 % de descuento, dos minutos de aviso

EC2 Spot, y por tanto SageMaker Spot y SageMaker HyperPod Spot, se anuncia con hasta un 90 % de descuento sobre bajo demanda, con dos minutos de aviso de interrupción y una frecuencia media histórica de interrupciones por debajo del 5 % (aws.amazon.com/ec2/spot, 2025 to 26). El HyperPod Spot de SageMaker suele tener hasta un 90 % de descuento sobre HyperPod bajo demanda, con precio de EC2 y sin inicial (aws.amazon.com/sagemaker/ai/pricing, 6 oct 2026).

Spot solo es correcto cuando el job puede interrumpirse: entrenamiento con checkpoints, batch transform, procesamiento sin conexión. El patrón de respuesta del examen es siempre la misma pareja: Spot más checkpoint y reintento.

3.3 Savings Plans: tres descuentos distintos

Los SageMaker Savings Plans son los flexibles: como abarcan cada familia de instancias ml.* en cada región, puedes pasar de ml.c5.xlarge a ml.g5.24xlarge y conservar el descuento. Cost Explorer muestra la recomendación; el compromiso debe cubrir solo tu base, el 70 to 80 % de tu gasto medio por hora de 30 días, no tu pico.

3.4 Serverless Inference: el medidor que llega a cero

SageMaker Serverless Inference escala a cero cuando está ocioso, de modo que solo pagas el cómputo que usas, facturado por milisegundo, más los datos procesados. La Provisioned Concurrency opcional se factura por memoria, duración y concurrencia (docs.aws.amazon.com/sagemaker/latest/dg/serverless-endpoints.html, 2026). Es la respuesta correcta siempre que el tráfico sea impredecible y bajo: un prototipo que recibe unas pocas peticiones al día, o ninguna durante una semana.

3.5 Ejemplos resueltos: aritmética de SageMaker

Ejemplo resuelto 2: una flota de GPU siempre encendida (ejemplo resuelto de AWS). Cuatro instancias ml.g5.24xlarge a $10.18/hora (6 oct 2026) funcionan 720 horas en un mes, con 100 GB de EBS cada una a $0.14/GB-mes (6 oct 2026):

$$4 \times 720 \times \$10.18 = \$29{,}318.40, \qquad 4 \times 100 \times \$0.14 = \$56.00$$

$29,318.40 + $56.00 = $29,374.40 al mes. Con un 30 % de utilización la flota puede bajar a unas 1,2 instancias ≈ $8,812/mes, ahorrando unos $20,560/mes, y después un SageMaker Savings Plan (≤64 %, 6 oct 2026) se aplica sobre la huella ya reducida. Primero el right-sizing, después el compromiso; al revés, te comprometes con una base inflada durante tres años.

Ejemplo resuelto 3: el consumo del endpoint personalizado ocioso. Un endpoint NLP personalizado a $0.0005 por inference-unit-second (tarifa de terceros, cloudzero.com, 4 may 2026: (G)) consume:

$$\$0.0005 \times 60 = \$0.03/\text{min} \;\Rightarrow\; \$1.80/\text{hour} \;\Rightarrow\; \$43.20/\text{day} \;\Rightarrow\; \$1{,}296/30\text{ days}$$

Se factura desde la creación del endpoint hasta su eliminación, aunque el tráfico sea cero. Solución: prográmalo con EventBridge para encenderlo y apagarlo, o usa asincrónico/serverless para que el medidor se detenga.

Ejemplo resuelto 4: el techo del Savings Plan del 64 %. Una instancia de clase ml.m5.xlarge a $0.23/hora (tarifa usada para este ejemplo, 6 oct 2026) durante 730 horas:

• 📚 ¿Sabías que…? El descuento del SageMaker Savings Plan de AWS de hasta un 64 % (6 oct 2026) es menor que el techo del EC2 Instance Savings Plan de hasta un 72 % (6 oct 2026); sin embargo, el plan de SageMaker suele ser la mejor compra para los equipos de IA, porque el plan de EC2 está atado a una familia de instancias en una región, mientras que el plan de SageMaker te sigue a través de cada familia, tamaño, región y componente ml.*. Una diferencia de 8 puntos de descuento suele valer menos que la libertad de pasar de CPU a GPU sin recomprar un compromiso.

3.6 Decisión del modelo de precios para un endpoint

3.7 Veredicto comparativo

---

4. Amazon Bedrock: tokens, Batch, caché, throughput y niveles

4.1 Ejemplo resuelto 5: la factura de tokens, y por qué elegir modelo vence al volumen

Una carga de trabajo envía 300M de tokens de entrada y produce 60M de tokens de salida al mes.

El mismo volumen de tokens cuesta 15,5× más en GLM 5. La selección de modelo, no la reducción de uso, es la palanca dominante en las cargas generativas, y es la razón por la que toda pregunta de «reducir coste» que ofrezca «cambiar a un modelo más pequeño» suele estar bien con tal de que se mencionen evaluaciones de calidad.

Observa también que la salida es ~4× la entrada por token en Nemotron Nano 2 ($0.23 frente a $0.06, 6 oct 2026): limitar max_tokens, pedir respuestas concisas y devolver salida estructurada en lugar de prosa recortan todas la mitad cara del medidor.

4.2 Ejemplo resuelto 6, Batch: 50 % de descuento para trabajo asincrónico

Un job nocturno de clasificación de documentos cuesta $800/mes en Bedrock bajo demanda; el modelo admite batch y nadie lee los resultados antes de la mañana.

$$\$800 \times 50\% = \$400/\text{month} \quad\Rightarrow\quad \$400/\text{month saved} = \$4{,}800/\text{year}$$

Bedrock Batch = 50 % del precio de tokens bajo demanda para los modelos admitidos (aws.amazon.com/bedrock/pricing, 6 oct 2026). El precio del descuento es latencia asincrónica, y el modelo debe admitir batch en absoluto.

4.3 Ejemplo resuelto 7, caché de prompts: ~90 % de descuento, con una prima de escritura

Esta es la aritmística de mayor rendimiento del dominio. Usando las tarifas publicadas en una publicación del AWS Builder Center para Sonnet 4.6 en Bedrock, $3.00 por 1M de tokens de entrada, $3.75 de escritura en caché, $0.30 de lectura de caché (2026; no confirmado en la página oficial de precios, véase la sección 10), un system prompt estable de 33.000 tokens enviado 1.000 veces al día durante 30 días:

Sin caché:

$$33{,}000 \times 1{,}000 = 33\text{ MTok/day} \times \$3.00 = \$99/\text{day} \;\Rightarrow\; \$2{,}970/\text{month}$$

Con caché (TTL de 5 minutos: escritura 1,25×, lectura 0,1×):

Ahorro ≈ $2,668/mes (≈ 89,9 %). El mecanismo (toda la documentación de caché de Bedrock, 2026): las lecturas de caché cuestan 0,1× el precio de entrada (90 % de descuento), las escrituras de caché cuestan 1,25× con el TTL por defecto de 5 minutos y 2× con el TTL opt-in de 1 hora, el TTL por defecto es de 5 minutos, el TTL de 1 hora es opt-in por checkpoint de caché, mínimo de 512 to 4.096 tokens por modelo y máximo de 4 checkpoints.

4.4 Provisioned Throughput y niveles de servicio

Cifras concretas de Provisioned Throughput para Llama 2 13B (6 oct 2026): $21.18/hora/MU con compromiso de 1 mes frente a $13.08/hora/MU con compromiso de 6 meses, una reducción del 38,3 %, mientras que la inferencia sin compromiso es de $23.50/hora/MU. La trampa: pagas la MU la uses o no, así que Provisioned Throughput solo es correcto por encima de aproximadamente un 60 % de utilización (una cifra de equilibrio de terceros, (G), no publicada por AWS).

4.5 El consumo de cuota no es el recuento de tokens

El consumo de cuota de Bedrock es ponderado, y los pesos dependen del modelo (docs.aws.amazon.com, 2026):

Así que «¿por qué me limitan si mi recuento de tokens se ve bien?» se responde con salidas largas en un modelo de 15×, no con el volumen de entrada.

4.6 El mapa de palancas de coste de Bedrock

• 📚 ¿Sabías que…? Bedrock no tiene ninguna tabla de free tier publicada por AWS (6 oct 2026): una afirmación que encontrarás en blogs de proveedores diciendo «no hay free tier» o citando un «descuento del 30 to 50 % en Provisioned Throughput» es (G), porque AWS no publica ninguno de los dos. Lo que AWS sí publica es un descuento del 50 % en Batch, un 90 % de descuento en lecturas de caché y el techo del 64 % del SageMaker SP; esos son los números que puedes citar en el examen.

---

5. Servicios de IA preconstruidos: unidades, escalones y free tier

5.1 Cómo optimizar un medidor por unidad

No hay reserva para Rekognition, Textract, Comprehend, Transcribe, Polly ni Lex. Las tres palancas son:

1. El conjunto de funciones más barato que devuelve lo que lees: Textract DetectDocumentText a $0.0015/página (6 oct 2026) frente a AnalyzeDocument Forms a $0.05/página (6 oct 2026) es una prima del 33× por la estructura. Lee OCR primero; invoca Forms solo cuando necesites los pares clave-valor.
2. Escalado por volumen: Comprehend baja de $0.0001 a $0.00005 (10 to 50M de unidades) y a $0.000025 (por encima de 50M) por unidad de 100 caracteres (6 oct 2026); Textract DetectDocumentText baja de $0.0015 a $0.0006 tras el primer millón de páginas en un mes (6 oct 2026).
3. Free tier: de 3 a 12 meses de cupos, convertidos a dólares en la sección 5.4.

5.2 Ejemplo resuelto 8: aritmética de escalones de Textract

Misma API, tres facturas. La tercera fila es la que sorprende a los equipos: la elección de funciones pesa más que el volumen.

5.3 Ejemplo resuelto 9, Transcribe: por lotes, no streaming, y la redacción como complemento

Dos millones de minutos de audio al mes (tarifas verificadas el 6 oct 2026):

Y si el mismo job añade redacción de contenido sobre 2M de minutos (por escalones: 250K a $0.0024, 750K a$0.0015, 1M a $0.00102):

$$(250{,}000 \times 0.0024) + (750{,}000 \times 0.0015) + (1{,}000{,}000 \times 0.00102) = 600 + 1{,}125 + 1{,}020 = +\$2{,}745/\text{month}$$

La redacción es un medidor opt-in, facturado además del minuto de transcripción: las preguntas de «pipeline preciso más barato» del examen se sostienen en notar eso.

5.4 El free tier de IA, convertido en dólares

Ejemplo resuelto 10: el techo del free tier para un piloto. Polly Standard 5M de caracteres = $20.00 más Neural 1M de caracteres = $16.00 (tarifas del 6 oct 2026) → $36/mes durante 12 meses de salida de voz; Comprehend 50K de unidades = $5.00 por API por mes (6 oct 2026); Textract 1.000 páginas = $1.50 (6 oct 2026); Transcribe 60 minutos = $0.60 en streaming (6 oct 2026). Un piloto de seis meses de voz + extracción de entidades puede, por tanto, funcionar con $0 de cómputo: con tal de que te mantengas dentro del cupo, porque el free tier no te avisa antes de dejar de funcionar.

• 📚 ¿Sabías que…? El plan AWS Free introducido el 15 de julio de 2025 concede hasta $200 en créditos ($100 al instante más hasta $100 más) durante 6 meses (aws.amazon.com/free, 6 oct 2026): que es distinto de los free tier de servicio, que duran 3, 12 o 24 meses. Las opciones del examen suelen confundir «créditos gratuitos» con «free tier»; los créditos caducan según un calendario, los free tier caducan por uso.

---

6. Visibilidad de costes: Cost Explorer, etiquetas de asignación de costes y presupuestos

La visibilidad es detectiva, no preventiva, pero sin ella no puedes fijar un umbral, y sin umbral una acción de presupuesto nunca se dispara.

6.1 Cost Explorer

6.2 Las etiquetas de asignación de costes deben activarse

Las etiquetas de asignación de costes vienen en dos sabores y se activan por separado en la consola de Billing para que Cost Explorer pueda agrupar por ellas (docs.aws.amazon.com, 2026):

El síntoma clásico: un ingeniero aplica una etiqueta CostCenter a todos los recursos ayer y aun así no aparece en Cost Explorer. La causa casi nunca es «las etiquetas no funcionan con los servicios de IA» o «la clave debe empezar por aws:»: es que la etiqueta de asignación de costes definida por el usuario no se ha activado (y puede tardar hasta 24 horas en aparecer).

6.3 AWS Budgets: alertas gratuitas y después $0.10/día por cada acción extra

Ejemplo resuelto 11: la puerta del presupuesto. Un equipo fija un presupuesto de $5.000/mes con alertas al 80 % y al 100 % más acciones automáticas (adjuntar un SCP, parar instancias de no producción):

• monitoreo y alertas: $0;
• acciones en los dos primeros presupuestos con acciones habilitadas: $0;
• un tercer presupuesto con acciones habilitadas: $0.10/día ≈ $3.00/mes (6 oct 2026).

La respuesta de «coste mínimo de funciones» del examen es, por tanto: alertas gratis, dos presupuestos con acciones gratis, después $0.10/día cada uno, y recuerda que una acción de presupuesto se aplica después del umbral, así que es un freno, no un muro.

• 📚 ¿Sabías que…? AWS Budgets admite acciones de presupuesto que adjuntan un SCP o una política de IAM, o que paran recursos, lo que lo convierte en la única herramienta de coste que hace algo preventivo, pero solo después de cruzar el umbral y ejecutarse la acción. Por eso el examen lo empareja con SCP: el presupuesto detecta, el SCP impone.

---

7. Gobernanza: impedir el gasto en lugar de informarlo

7.1 La pila preventiva en AWS Organizations

Crecimiento de las reglas de AWS Config: AWS añadió 75 reglas nuevas en nov 2025 y 191 más en jul 2026 (AWS news, 2025 to 26), y los Conformance Packs despliegan grupos de reglas en toda una organización: la respuesta siempre que una pregunta pregunte cómo detectar deriva a escala.

7.2 Ejemplo resuelto 12: el control correcto para cada requisito

7.3 Service Catalog frente a SageMaker Catalog: no los confundas

7.4 Diagrama de la capa de gobernanza

---

8. Savings Plans, Spot y TCO: los números que puedes citar

8.1 Porcentajes de ahorro publicados (todos oficiales, verificados 6 oct 2026)

8.2 TCO de SageMaker: la cifra de toda la organización

La comparación de TCO publicada por AWS (AWS ML blog y resumen ejecutivo de TCO, 2020, aún citada en 2026) afirma que el TCO a 3 años de SageMaker es ≥ 54 % menor que el de EC2 o EKS autogestionados, y lo desglosa por tamaño del equipo: 5 científicos de datos −90 %, 15 científicos de datos −87 % / −85 %, 50 científicos de datos −79 % / −65 %, 250 científicos de datos −77 % / −54 % (EC2 / EKS respectivamente). El punto de la tabla es que la mano de obra, la seguridad y la carga operativa dominan en los equipos pequeños, mientras que la infraestructura domina a medida que el equipo crece.

8.3 Reglas de seguridad de los compromisos

1. Compromete la base, no el pico: 70 to 80 % del gasto medio por hora de 30 días.
2. Nunca te comprometas con Spot: los Savings Plans no se acumulan sobre Spot, y el gasto en Spot no consume un compromiso de Compute Savings Plan (docs.aws.amazon.com, 2026).
3. Prefiere el plan flexible cuando tu parque mezcle CPU y GPU: el SageMaker AI Savings Plan abarca todas las familias, tamaños, regiones y componentes ml.* (6 oct 2026).
4. Reevalúa antes de renovar: un Compute Savings Plan de 1 año sobre una carga de trabajo que pasa a serverless en el mes 6 es dinero quemado.
5. Provisioned Throughput es una apuesta por el volumen: pagas por Model Unit por hora la uses o no: supera aproximadamente el 60 % de utilización (cifra de terceros, (G)) antes de comprometerte, y recuerda que los modelos personalizados requieren Provisioned Throughput en absoluto.

---

9. Gobernanza y costes en un solo ritmo operativo

Júntalo todo en el bucle que el examen espera que describas:

1. Primero las etiquetas: aplica Project, Environment, CostCenter; activa por separado las etiquetas de asignación de costes definidas por el usuario y generadas por AWS (≤24 h).
2. Mide: Cost Explorer (consola gratis, API $0.01/petición, granularidad horaria ≈ $0.01/1.000 registros/mes, 6 oct 2026).
3. Umbral: alertas de AWS Budgets (gratis) al 80 %/100 %, por previsión o por valor real.
4. Actúa: acciones de presupuesto (los dos primeros presupuestos con acciones gratis, después $0.10/día, 6 oct 2026): adjunta un SCP o para recursos de no producción.
5. Previene: SCP/RCP para listas permitidas de Región y API, template constraints de Service Catalog + TagOptions para imponerlo al lanzar, políticas de Bedrock para guardrails fijados, tag policies para estandarizar claves.
6. Detecta: reglas de AWS Config y Conformance Packs (sagemaker-feature-group-tagged, cifrado, registro) con remediación mediante SSM.
7. Optimiza continuamente: haz right-sizing, para lo ocioso, añade Spot para el trabajo tolerante a fallos, añade un Savings Plan solo para la base medida y aplica las palancas propias de Bedrock (Batch, caché, enrutamiento, niveles).

• 📚 ¿Sabías que…? sagemaker-feature-group-tagged es una regla gestionada real de AWS Config, y las claves de etiqueta en Config distinguen mayúsculas y no pueden usar el prefijo aws:. Una regla escrita para Project no se disparará en project, y un intento de registrar una etiqueta de usuario que empiece por aws: se rechaza. Ese solo detalle explica todo un género de incidentes de «la regla muestra conforme pero el gasto no está atribuido».

---

10. Qué está verificado, qué es de terceros y qué entra en conflicto

El examen recompensa los números fechados y con fuente. Esto es exactamente lo que esta lección no afirmará sin una fecha:

---

11. Actualizaciones de 2025 to 2026

Los precios y las herramientas detrás de este dominio no se quedaron quietos entre mediados de 2025 y finales de 2026. Cada cambio de abajo lleva una fecha, porque un número sin fecha es inutilizable en este examen, y porque varias filas retiran herramientas que las guías de estudio antiguas aún recomiendan pagar.

Tabla A: cambios de precios, herramientas de coste y disponibilidad, cada uno con su fecha (investigado el 6 oct 2026):

Tabla B: las tarifas de palancas de coste de Bedrock que puedes citar para 2025 to 2026 (aws.amazon.com/bedrock/pricing y blogs de AWS, verificadas el 6 oct 2026):

• 📚 ¿Sabías que…? La guía del examen AIF-C01 v1.1, publicada el 30 de abril de 2026, añadió siete objetivos, entre ellos 2.1.4 (precios basados en tokens y su efecto en coste y rendimiento), 2.1.5 (ingeniería de contexto) y 2.1.6 (IA agéntica: MCP, gestión de memoria, uso de herramientas, orquestación), mientras que Amazon MemoryDB se eliminó del alcance (docs.aws.amazon.com/aws-certification/latest/ai-practitioner-01/, 30 abr 2026). Así que la aritmética de costes que has estado practicando en esta lección no es un tema heredado: AWS la escribió en la propia guía del examen, aproximadamente un mes antes de que esos objetivos empezaran a aparecer en preguntas en vivo.

---

Casos Reales

Una página de precios es una abstracción; estos son las mismas palancas con el nombre de un cliente pegado. Todas las cifras de abajo son afirmadas por el cliente o por AWS y no auditadas, solo Sun Finance (n = 585 imágenes) y Adobe (propio conjunto de pruebas) revelan una base muestral, y «hasta» es siempre un techo, nunca un promedio.

Forethought, el impuesto DIY. Un equipo de tres personas ejecutaba modelos y Kubernetes; salir de su propio Amazon EKS hacia los endpoints multimodelo consolidó la capacidad de GPU (−66 % con mejor latencia), y Serverless Inference llevó la factura del endpoint ocioso a aproximadamente −80 % para los clasificadores pequeños. Esas son exactamente las dos palancas de las secciones 3.4 y 2.1, consolidación y después escalado a cero. Observa lo que el caso no publica: ninguna cifra de Spot, ninguna cifra de Savings Plan. No importes los techos del 90 %/64 % de esta lección a un caso que nunca los afirmó.

Sun Finance: paga a cada medidor por el trabajo en el que mejor es. Textract factura por página ($0.0015 to$0.070 por página, 6 oct 2026) mientras Claude factura por token; separar OCR de estructuración recortó el coste por documento en un 91 % y elevó la precisión del 79,73 % al 90,80 % en un conjunto de evaluación de 585 imágenes. El primer intento documentado: solo Claude Sonnet 4: puntuó un 61,8 % en general y un 43 % en números de documento y fue rechazado, porque las protecciones de privacidad de AWS bloquean la extracción directa de PII. La extracción solo con LLM no es la opción barata; es un prototipo fallido con una factura de tokens pegada.

HAYAT HOLDING, lo gestionado vence a lo construido a mano. Los entornos de ML construidos a mano, «costosos y engorrosos», dieron paso a Automatic Model Tuning sobre 194 flujos de sensores OPC-UA con SageMaker Edge Manager ejecutando modelos en el dispositivo, para un ahorro publicado de $300.000 al año (2023). La palanca aquí no es un porcentaje de descuento en absoluto, es eliminar la mano de obra que la tabla de TCO de la sección 8.2 dice que domina en los equipos pequeños.

RareJob, primero el right-sizing y el servicio gestionado, después el descuento. El equipo pasó de PC local → EC2/ECS (todavía demasiado caro) → Managed Spot Training de SageMaker alimentado por Glue y Athena: −25 % de tiempo de entrenamiento, >10× de eficiencia de los desarrolladores y 100 horas al mes de vuelta (2020). El techo publicado de Spot es hasta un 90 % de descuento con dos minutos de aviso (6 oct 2026), pero las propias cifras del caso son rendimiento y mano de obra, no precio por hora, cítalas así.

Tabla: las cifras de palancas de Bedrock publicadas por AWS detrás de estos resultados (AWS News Blog, 2024; AWS Cloud Financial Management, 2025; todo reverificado el 6 oct 2026):

• 📚 ¿Sabías que…? AWS publica exactamente una tasa de producción en todo su corpus de casos de IA generativa: el 65 % de los proyectos del Generative AI Innovation Center llegó a producción en 2025, algunos en solo 45 días, de más de 1.000 implementaciones, usando el marco de las Five V's (Value → Visualize → Validate → Verify → Venture) (aws.amazon.com/blogs/machine-learning/beyond-pilots-a-proven-framework-for-scaling-ai-to-production, 2025). El otro 35 % implícito es la parte que las páginas de historias de clientes omiten, y AWS en sí nunca afirma una cifra más alta.

---

Preguntas de Práctica (Practice Questions)

---