5 de sept de 2025
Agentes de IA: ¿Qué tan complejo y costoso es el desarrollo?
De la idea a la implementación con Amazon Bedrock y AgentCore.
Al final, un ejemplo de agente que responde vía WhatsApp.
La adopción de IA es hoy una prioridad estratégica para grandes empresas, pero el camino no es claro. La información sobre el desarrollo de agentes, su implementación y los costos asociados sigue siendo confusa, lo que frena el avance.
La clave está en entender qué se requiere: calidad de datos, integración con sistemas existentes y funcionalidades que garanticen seguridad y escalabilidad. Este artículo explica esos puntos y cómo Amazon Bedrock y AgentCore pueden simplificar el camino hacia la automatización.
Amazon Bedrock y AgentCore: aprovechando los grandes modelos de forma segura
¿Te imaginas a ChatGPT respondiendo con datos de tu empresa? Eso es lo que Amazon Bedrock permite. Se conecta a los grandes modelos de lenguaje (LLMs) y permite que tu agente razone a través de ellos de forma segura. Tus datos no salen del entorno protegido de AWS y no son utilizados para entrenar los LLMs.
Si Bedrock es el cerebro que piensa, AgentCore es la estructura que le da orden. Gracias a él, el agente se mantiene enfocado en los datos de interés y se aplican reglas claras sobre quién puede acceder a qué información. Así, un usuario del área de Riesgos no podrá consultar el salario del CEO, mientras que el equipo de Contabilidad sí tendrá acceso a esa información para cumplir sus tareas.
Ahora te preguntarás: Suena muy bien. Pero, ¿y qué necesito para empezar?
Antes de implementar agentes de IA, las empresas deben contar con ciertas bases:
- Bases de datos estructuradas: información organizada de tal forma que las máquinas puedan entenderla. Una base de datos estructurada contiene tablas claras, columnas con etiquetas y datos limpios. Sin este orden, la IA no puede entregar resultados confiables.
- Una cuenta de AWS con acceso a Bedrock: Es la plataforma donde se ejecuta el modelo.
- Requerimientos claros, reglas de seguridad y gobierno de datos: para qué queremos que se use el agente, qué información interna va a consultar, quién accede y cómo se monitorea.
- Impacto en los roles del talento humano y prácticas para adoptar el agente de forma efectiva.
Estos elementos son esenciales para el dimensionamiento del esfuerzo de desarrollo, implementación y costos de desarrollo y capacitación.
¿Y el esfuerzo en desarrollo?
El esfuerzo varía según el “rol” del agente que quieras implementar:
- Agente junior
Responde preguntas básicas desde una aplicación web o intranet (ej. “¿Cuántas solicitudes de crédito se aprobaron el mes pasado?”). Traduce la consulta a SQL sobre 1 tabla principal con hasta 10 campos.
Desarrollo estimado: 80–120 horas expertas.
Limitado a consultas simples sobre un subconjunto de datos y sin manejo de seguridad avanzada.
- Agente senior
Permite consultas más variadas desde intranet o correo interno, accediendo a 3–5 tablas con decenas de campos. Integra AgentCore para seguridad y permisos según roles, y puede mantener memoria de consultas previas.
Desarrollo estimado: 200–300 horas expertas.
Capaz de hacer consultas más complejas, con mayor procesamiento de datos. Requiere de bases y modelo de datos bien estructurados.
- Agente gerencial
Conecta múltiples canales (ej. WhatsApp, Teams, aplicaciones internas) y accede a 10+ tablas o varias bases de datos. Aplica gobernanza a nivel empresarial (qué datos son visibles para cada rol), observabilidad y registro de interacciones.
Desarrollo estimado: 400–600 horas expertas.
Alto valor estratégico, de fácil uso y con roles bien definidos.
Es importante recordar que los agentes no limpian datos caóticos, dependen de la calidad de tus bases y cada consulta genera costos de uso.
Un ejemplo práctico: agente bancario que responde desde Whatsapp
Para cerrar, presentamos un ejemplo práctico: un agente conversacional que permite a clientes de un banco realizar consultas directamente desde WhatsApp, accediendo a información interna de la empresa.
Este agente puede responder preguntas frecuentes como:
- ¿Cuándo vence mi próxima cuota del crédito?
- ¿Dónde está la sucursal más cercana?
El flujo funciona así: el cliente envía un mensaje por WhatsApp, que llega al sistema a través de un Webhook conectado con la API de Meta. Este mensaje es recibido por un API Gateway, que lo enruta a un adaptador Lambda. Desde allí, el núcleo del agente (AgentCore) interpreta la solicitud, valida permisos y decide qué herramienta utilizar para ejecutar la consulta.
Por ejemplo, si se requiere acceder a datos transaccionales, se utiliza una herramienta que ejecuta una query SQL preaprobada en Redshift. El resultado se resume en lenguaje natural usando Bedrock, y se envía de vuelta al cliente por WhatsApp. Si la consulta requiere información adicional, el agente puede incluir un enlace a un reporte completo almacenado en S3. Además, el sistema puede registrar interacciones en DynamoDB, y monitorear el comportamiento del agente mediante CloudWatch.
¿Quieres que nuestros consultores te ayuden con esto? Escríbenos.
Felipe Uribe Velásquez
Director
Camilo Monsalve Maya
Data Engineering Consultant
