Intensivo Gratis 21–22.11Intensivo gratuito de 2 días en Vibecoding (21–22 nov, 16:00 MSK) · Cohorte 3 inicia 23.11Registrarse gratis →Cohorte 3 (23.11)
LanzamientoAnálisis · En radarAWS Machine Learning Blog→ original

Torneo de agentes en Cisco: 1200 ingenieros, y ganó quien escribió 1220 tokens en lugar de 1430

Cisco convirtió la formación en agentes de IA en una competición: en 2026, 1200 ingenieros participaron en el torneo AWS AI League. En la clasificación, los cuatro mejores agentes completaron el mapa entero y ganó el que escribió menos: 1220 tokens de salida frente a 1430 del segundo puesto, una diferencia de 16 puntos sobre casi 16 000. Es como tener dos bots de soporte con respuestas igual de correctas: no gana el más charlatán. Cuando todos resuelven la tarea, conviene contar los tokens que escribe el propio agente.

Procesado por IA desde AWS Machine Learning Blog; editado por Hamidun News
Torneo de agentes en Cisco: 1200 ingenieros, y ganó quien escribió 1220 tokens en lugar de 1430
Fuente: AWS Machine Learning Blog. Collage: Hamidun News.
Escuchar artículo
Ficha técnica y cifras clave
ParámetroDatos
Fuente originalAWS Machine Learning Blog ↗
Editor jefe
Dato clave #1El prompt de sistema y las respuestas de las herramientas no contaban; el texto del agente sí
Dato clave #2Cada llamada a una herramienta añadía unos 52 tokens de sobrecarga fija
Dato clave #3Ganó un único agente, sin subagentes, con 27 008 puntos en la final

Cualquier empresa que implanta agentes de IA conoce el problema: todos tienen acceso a la tecnología, pero muy pocos saben construir productos sólidos con ella. Las diapositivas y las grabaciones de webinars apenas reducen esa brecha. Cisco probó otro camino: convirtió la formación en un torneo con una tabla de clasificación en vivo. En 2026 participaron 1200 ingenieros. Además, el torneo dejó un análisis útil de cómo es un agente ganador.

Imagine que tiene dos bots de soporte que responden igual de bien. Uno contesta con una frase corta; el otro, con tres párrafos y un resumen de sus propios pasos. Con un gran volumen de peticiones, la diferencia en tokens se convierte en dinero apreciable. Ese efecto decidió el torneo. Si construye agentes, merece la pena leerlo por sus conclusiones prácticas: calcule el coste de cada mensaje, no multiplique los agentes sin necesidad y no obligue al modelo a hacer lo que puede hacer un código convencional. El material se publicó en el blog de AWS, así que el trasfondo publicitario es evidente, pero las conclusiones técnicas funcionan también sin depender de esa nube.

Cómo funciona el torneo AWS AI League

AWS AI League tiene un formato de tres pasos. Primero, un taller de dos horas con expertos de AWS; después, el desarrollo autónomo de una solución que se envía a un leaderboard, donde un evaluador automático responde tras cada intento; y, por último, una final sobre un escenario al estilo de un programa de televisión. En Cisco hubo dos tracks: construcción de agentes en Amazon Bedrock AgentCore (la plataforma de AWS para crear y ejecutar agentes sobre cualquier modelo y framework) y fine-tuning de modelos en Amazon SageMaker Studio.

En el track de agentes, el programa recorre un laberinto de casillas hasta llegar a un cofre del tesoro. En el camino encuentra tareas parecidas a las del trabajo real: filtrar contenido inapropiado, ejecutar código, buscar información en la web y extraer datos estructurados. De la seguridad se encargó Amazon Bedrock Guardrails, y de la memoria del agente, AgentCore memory.

La escala fue esta: en el Cisco Transformation Fest 4.0, la clasificación se disputó en cuatro grupos. Los cinco mejores de cada uno pasaban a semifinales y, de los 20 semifinalistas, tres llegaban a la final, de tres rondas en directo. El ganador, Nishant Aluhonnu, ingeniero de Cisco, fue primero en todas las fases. En la final sumó 27 008 puntos y obtuvo un pase para AWS re:Invent 2026. Un año antes, el ingeniero de Cisco Hemant V. ganó la final global en re:Invent 2025, y el propio Transformation Fest ha reunido desde 2022 a unos 2000 ingenieros.

Qué mostró el agente ganador

Se paga por lo que escribe el modelo. Los puntos incluían una bonificación por tokens: 1000 menos el número de tokens de salida dividido entre el número de tareas visitadas. Los tokens de salida son todo lo que el agente genera por sí mismo.

En la clasificación, los cuatro mejores agentes resolvieron el mapa completo y ganó el que escribió menos: 1220 tokens de salida frente a 1430 del segundo puesto. La diferencia fue de 16 puntos sobre casi 16 000. Nishant montó nueve variantes del mismo agente, cambiando un parámetro cada vez.

Descubrió que las respuestas de las herramientas y el prompt de sistema no influyen en la puntuación, pero todo lo que escribe el agente, incluidos los argumentos de las llamadas a herramientas, sí influye. Cada llamada añadía aproximadamente 52 tokens de sobrecarga fija. En la vida real la lógica es la misma: la generación es secuencial y suele costar varias veces más que la lectura, y en el bucle de un agente los costes se acumulan en cada paso.

Un prompt largo y estructurado, que además se puede almacenar en caché, sale barato. Un agente charlatán sale caro.

Un agente en lugar de cinco. El esquema típico para esta tarea es un agente supervisor principal en AgentCore que delega la navegación, los cálculos y la búsqueda web en subagentes especializados. Para muchos productos es un enfoque sensato. El ganador se las arregló con un solo agente, sin subagentes. Su prompt empezaba con una tabla breve: tipo de tarea y método de resolución adecuado en un solo turno. Cada traspaso entre agentes es un mensaje que el modelo debe escribir y, por tanto, pagar en tokens. La conclusión no es que los subagentes sean malos. La arquitectura conviene elegirla según el coste de coordinación, y cuando ese coste es alto, un esquema plano puede ganar.

La final y conclusiones prácticas

En la final no se podía cambiar el código, las herramientas ni los prompts; solo se permitía una breve indicación antes de cada ronda. Por eso lo decidió la calidad de las decisiones en mapas que el agente no había visto antes. Nishant perdió la primera ronda, pero ganó la segunda por un amplio margen: ignoró un campo sembrado de monedas baratas y fue a por una única tarea de alto valor. Es decir, el sistema no es infalible, pero su lógica de valor funcionó donde el hábito de recoger todo lo que aparece habría perdido.

Qué llevarse a la práctica. Antes de añadir un nuevo agente al esquema, calcule cuántos tokens cuesta cada traspaso entre ellos. Saque a código convencional lo que es determinista y mantenga en el prompt una tabla de enrutamiento breve.

Las salvedades también importan: la métrica del torneo, con su bonificación por tokens, es artificial, y en producción un error en una tarea compleja suele salir más caro que 200 tokens de más. Además, se trata de un informe de un socio de AWS sin mediciones independientes. Aun así, si hace falta elevar rápido las competencias de un equipo, el formato «construye, rompe, arregla y compara en el leaderboard» resulta claramente más eficaz que las clases magistrales.

Cisco lo ha hecho anual.

Historia

Preguntas frecuentes sobre la noticia

Cómo funciona el torneo AWS AI League?

AWS AI League tiene un formato de tres pasos. Primero, un taller de dos horas con expertos de AWS; después, el desarrollo autónomo de una solución que se envía a un leaderboard, donde un evaluador automático responde tras cada intento; y, por último, una final sobre un escenario al estilo de un programa de televisión.

¿Qué se sabe sobre Qué mostró el agente ganador?

Se paga por lo que escribe el modelo. Los puntos incluían una bonificación por tokens: 1000 menos el número de tokens de salida dividido entre el número de tareas visitadas. Los tokens de salida son todo lo que el agente genera por sí mismo. En la clasificación, los cuatro mejores agentes resolvieron el mapa completo y ganó el que escribió menos: 1220 tokens de salida frente a 1430 del segundo puesto. La diferencia fue de 16 puntos sobre casi 16 000.

¿Qué se sabe sobre La final y conclusiones prácticas?

En la final no se podía cambiar el código, las herramientas ni los prompts; solo se permitía una breve indicación antes de cada ronda. Por eso lo decidió la calidad de las decisiones en mapas que el agente no había visto antes. Nishant perdió la primera ronda, pero ganó la segunda por un amplio margen: ignoró un campo sembrado de monedas baratas y fue a por una única tarea de alto valor.

ZK
Zhemal Khamidun — CPO de Alpina Digital, product manager de AlpinaGPT. Crea productos de IA desde 2019. Hamidun News es un proyecto personal que creció hasta ser un agregador en producción con más de 6.000 lectores.
✦ Private AI Builders Community · Vibe Club

Ship AI Faster with Founders, Engineers & Weekly Architecture Reviews

Inside Vibe Club (hamidun.com/club) — weekly live masterminds with Zhemal Khamidun, Tech Radar, full LMS access, and 370+ production Claude Code skills.

Join Vibe Club →Explore Hamidun Academy
¿Qué te parece?
Cargando comentarios…