Amazon publica un plan de siete capas para llevar agentes de IA a producción

Los agentes que funcionan en pruebas suelen fallar con tráfico real. El marco propone separar la búsqueda de datos, los modelos, el reparto de tareas y la seguridad en capas intercambiables.

Amazon publica un plan de siete capas para llevar agentes de IA a producción

Muchas empresas tienen agentes de IA que funcionan bien en pruebas, pero se vienen abajo cuando llega el tráfico real. Amazon acaba de publicar un marco de referencia, llamado Pluggable Agentic AI Framework, pensado para llevar esos sistemas a producción con seguridad y control de costes.

El planteamiento parte de una idea sencilla: el problema rara vez es el modelo de IA en sí. Los equipos suelen reconstruir desde cero las mismas piezas de apoyo, como la lógica para repartir tareas, las barreras de seguridad o la forma de vigilar qué hace el agente, y casi siempre las añaden al final en lugar de diseñarlas desde el principio.

Siete capas con responsabilidades separadas

La propuesta divide la aplicación en siete capas, cada una con una función concreta y una forma estable de comunicarse con las demás. Los servicios que se mencionan son una implementación de ejemplo, no una obligación: una empresa puede sustituirlos por otros que encajen con su infraestructura.

La primera capa es la de datos y conocimiento. Su tarea es buscar y devolver la información más relevante para que el agente responda bien, ya sea un protocolo médico, un inventario o una norma de cumplimiento. Entre los bloques que cita Amazon están Bedrock Knowledge Base, OpenSearch y DynamoDB.

Modelos elegibles desde la configuración

La segunda capa define qué modelo de IA se usa, y se elige desde la configuración y no escrito a fuego en el código. La idea es usar modelos pequeños y rápidos para tareas sencillas y reservar los grandes para razonamientos complejos. Amazon recomienda probar cada modelo con datos reales del negocio antes de elegirlo. Para no depender de un proveedor concreto, propone un intermediario como LiteLLM, que permite cambiar de modelo sin reescribir la aplicación.

Cómo repartir el trabajo entre agentes

La orquestación decide quién hace cada cosa. Para tareas sencillas basta con un solo agente. Para flujos complejos que cruzan varios ámbitos, la propuesta es un agente supervisor que delega en agentes especialistas, cada uno con una función y unas herramientas acotadas. Amazon advierte contra el agente que lo hace todo: al acumularse herramientas e instrucciones, el agente se vuelve más lento, pierde precisión y puede actuar fuera de lo previsto.

El marco describe también las capas de seguridad y observación, aunque el enfoque general es que cada agente se construya sobre la misma base común en lugar de inventar su propia estructura.

El propio Amazon reconoce que la arquitectura es un punto de partida y no una receta cerrada. Para las empresas que quieren desplegar agentes en serio, la clave es que la fiabilidad, la seguridad y el coste se tengan en cuenta desde el diseño y no como parches cuando algo falla.

Newsletter · gratis

La semana de la IA, en cinco minutos.

Únete a los lectores que empiezan la semana sabiendo qué pasa en la IA. Cada domingo, en tu correo.