Amazon AI Engineer: CV, palabras clave y entrevista

Llevas semanas puliendo tu perfil de LinkedIn y mandando CVs, pero para el rol de Amazon AI Engineer solo recibes silencio. No es casualidad. Amazon no busca perfiles genéricos. Busca una combinación muy concreta de habilidades técnicas y, sobre todo, de mentalidad. Tu CV y tu preparación para la entrevista deben reflejar exactamente eso.

El mercado laboral en español tiene sus propias reglas. En España y gran parte de Latinoamérica, roles tan especializados como este suelen tener menos oferta, pero la competencia es igual de feroz. Las empresas locales (banking, telecom) también contratan perfiles de IA, pero Amazon añade una capa extra: sus famosos Leadership Principles. Ignorarlos es el error más común que veo en candidatos que vienen de otros sectores o incluso de otras big tech.

Cómo reescribir tu CV para que pase el primer filtro#

El primer filtro no es una persona, es un sistema. Tu CV debe pasar por un ATS (Applicant Tracking System). Si no incluye las palabras clave exactas del puesto, un humano nunca lo verá. Puedes analizar la oferta de empleo con la herramienta gratuita de decodificador de descripciones de puesto para extraerlas. Luego, asegúrate de que tu CV las contenga de forma natural.

Pero no basta con listar tecnologías. Amazon valora el impacto medible. No pongas "Experiencia con PyTorch". Eso no dice nada. Cuenta una historia con números.

Ejemplo de bullet point genérico:

• Desarrollé modelos de machine learning para mejorar la experiencia del usuario.

Ejemplo reescrito con mentalidad Amazon (impacto, métricas, escala):

• Lideré el desarrollo de un modelo de recomendación con PyTorch y SageMaker que incrementó la tasa de clics en un 8% para 2M de usuarios en la región LATAM, reduciendo la latencia de inferencia en un 15% mediante la optimización con ONNX.

Fíjate en los detalles. "Lideré" muestra ownership. "8%" y "2M de usuarios" son métricas concretas. "SageMaker" es un servicio de AWS, lo que demuestra familiaridad con su ecosistema. "Optimización con ONNX" prueba habilidades técnicas avanzadas. Este es el tipo de detalle que buscan.

Tu checklist para la sección de experiencia:

• Cada bullet point empieza con un verbo de acción fuerte (Lideré, Optimicé, Implementé, Escalé).
• Incluye siempre una métrica: porcentaje de mejora, reducción de coste, número de usuarios, latencia, etc.
• Menciona tecnologías específicas del ecosistema AWS (SageMaker, Lambda, DynamoDB, S3, EC2) si las has usado.
• Describe el problema, tu acción y el resultado cuantificable.

Antes de enviar, usa el verificador de compatibilidad con ATS para comprobar que el formato sea correcto y no pierda información por un diseño complejo. Una vez que tu CV esté listo, explora las ofertas de empleo activas para ver qué empresas están buscando perfiles como el tuyo.

Las palabras clave que realmente importan#

Más allá del stack tecnológico, hay conceptos que debes dominar y que aparecerán en tu CV y en la entrevista.

• Modelos de Lenguaje Grandes (LLMs) y Fine-tuning: No basta con saber usar la API de GPT-4. Habla de tu experiencia fine-tuneando modelos open-source como Llama o Falcon con datasets específicos.
• Infraestructura MLOps: Pipelines de CI/CD para modelos, orquestación con Airflow o Step Functions, monitorización de drift. Muestra que puedes llevar un modelo a producción, no solo entrenarlo en un notebook.
• RAG (Retrieval-Augmented Generation): Es la técnica de moda para reducir alucinaciones y dar contexto a los LLMs. Si tienes experiencia, destácala.
• Optimización y despliegue: Cuantización, pruning, distillation, servir modelos con TensorRT o Triton. Demuestra que te preocupa la eficiencia y el coste.
• Responsible AI: Principios de equidad, explicabilidad y sesgo. Amazon toma esto muy en serio.

Preparando la entrevista técnica y de Leadership Principles#

La entrevista en Amazon tiene dos partes casi a partes iguales: la técnica y la de comportamiento (behavioral). Muchos candidatos se preparan a fondo la técnica y subestiman la segunda. Gran error.

En la parte técnica, esperan código en la pizarra (o en un editor compartido) y diseño de sistemas. El diseño de sistemas para un AI Engineer no es solo arquitectura de software. Te pueden pedir: "Diseña un sistema para detectar reseñas falsas en tiempo real" o "Diseña el backend para un asistente conversacional que usa RAG". Aquí debes hablar de latencia, coste, escalabilidad, y la elección de modelos y servicios.

La parte de Leadership Principles es lo que define a Amazon. Cada respuesta debe estructurarse con el método STAR (Situación, Tarea, Acción, Resultado). No vale con decir "soy muy orientado a resultados". Tienes que demostrarlo con una historia.

Prepara al menos dos historias STAR para cada uno de estos principios: Customer Obsession, Ownership, Bias for Action, Deliver Results, Dive Deep, Earn Trust.

Ejemplo de respuesta para "Customer Obsession"

Pregunta: "Cuéntame una vez que hayas ido más allá para un cliente."

Respuesta débil: "Siempre intento que el cliente esté contento con el producto final."

Respuesta STAR (ejemplo):

• Situación: En mi proyecto anterior, el equipo de ventas nos informó de que los clientes se quejaban de que el nuevo modelo de recomendación de productos era lento, especialmente en móviles. La métrica de latencia P99 superaba los 800ms.
• Tarea: Mi tarea no era solo "arreglar el modelo". Era entender el impacto real en el negocio y devolver una experiencia fluida a los usuarios finales, que eran el foco de la queja.
• Acción: Primero, hablé con el equipo de soporte para leer tickets de clientes y entender sus frustraciones. Luego, analicé el modelo y descubrí que el cuello de botella era la consulta a la base de datos de embeddings. Implementé un sistema de caché en Redis para las consultas más frecuentes y optimicé la inferencia con ONNX Runtime, reduciendo el tamaño del modelo.
• Resultado: La latencia P99 bajó de 800ms a 150ms. La tasa de rebote en la página de recomendaciones de móvil se redujo en un 25% en el siguiente trimestre, y recibí un correo de agradecimiento del director de ventas.

Esta respuesta demuestra que no solo arreglaste un bug técnico, sino que empezaste por el problema del cliente y mediste el resultado en términos de negocio.

Herramientas gratis#

• chequeo ATS gratis
• decodificador de ofertas
• empleos
• blog

Preguntas frecuentes#

¿Es obligatorio tener experiencia previa con AWS?

No es estrictamente obligatorio, pero es una ventaja muy significativa. Si no la tienes, demuestra que has trabajado con GCP o Azure y que entiendes los conceptos de servicios en la nube (IaaS, PaaS, FaaS). Dedica tiempo a estudiar los servicios de IA de AWS como SageMaker, Rekognition o Comprehend y menciónalos en la entrevista como algo que estás aprendiendo activamente.

¿Qué nivel de inglés se espera?

Para roles de AI Engineer en Amazon, el inglés fluido es casi siempre un requisito no negociable. Las entrevistas técnicas suelen ser en inglés, y la documentación y comunicación interna son en este idioma. No te van a pedir un certificado, pero tu capacidad para comunicar ideas complejas de forma clara será evaluada en cada ronda.

¿Cuánto se tarda en recibir una respuesta después de aplicar?

Los tiempos varían mucho. Puede ser desde una semana hasta más de un mes. El proceso completo, desde la primera llamada hasta la oferta, suele durar entre 4 y 8 semanas. Si no tienes noticias en un mes, es razonable dar por hecho que no has avanzado, aunque no hay una norma oficial.

¿Puedo aplicar si estoy en Latinoamérica para una posición en España o EEUU?

Sí, puedes aplicar a cualquier posición global. Sin embargo, ten en cuenta que el proceso de visado es complejo y la empresa lo gestiona caso por caso. La disponibilidad de reubicación y el apoyo con el visado dependen de la necesidad del rol y de tu perfil. Nunca asumas que la reubicación está garantizada; es una pregunta que debes hacer al reclutador en la primera llamada.

¿Qué diferencia a un AI Engineer de un Machine Learning Engineer en Amazon?

La línea es difusa y varía entre equipos. En general, un ML Engineer puede estar más enfocado en el entrenamiento y la puesta en producción de modelos clásicos de ML. Un AI Engineer, especialmente en el contexto actual, suele tener un enfoque más amplio que incluye la orquestación de LLMs, la creación de agentes, el diseño de sistemas RAG y la integración de múltiples modelos y APIs para crear aplicaciones completas.