Por Sary Libreros | Consultora de Arquitectura en la Nube en Strata Analytics Group
Un equipo de Amazon puso en práctica un modelo de lenguaje en una tarea aparentemente sencilla: relacionar los registros de autores con los listados de productos. La factura final ascendió a 1,8 millones de dólares, superando el presupuesto en 8601 millones de dólares, según los informes. El Financial Times. Y lo más preocupante no es la cifra: el sobrecoste pasó desapercibido durante cinco meses.
El caso se presentó inicialmente como una cuestión de costes, pero revela algo más profundo: una organización con todos los recursos disponibles implementa inteligencia artificial más rápido de lo que puede detectarla, atribuir su uso y limitar sus capacidades. Y este no es un caso aislado. Así es como el ecosistema de agentes está creciendo prácticamente en todas partes.
Detrás de este crecimiento subyace un problema mucho más antiguo. La información de una organización está dispersa en decenas de sistemas con nombres distintos que, en ocasiones, se contradicen entre sí. Un agente puede tener acceso a todo este universo y aun así responder incorrectamente porque nadie ha explicado el significado de cada término ni su relación con los demás. Durante dos años, buscamos la solución dentro del propio modelo: cuál razonaba mejor y cuál tenía el menor coste por token. El cuello de botella estaba en otro lugar.
En la práctica, la gestión de agentes comienza por gestionar ese contexto. Esta es la brecha que AWS ha estado cerrando sistemáticamente, y vale la pena analizar cómo lo están haciendo.
Amazon Quick fue el ensayo general.
Cuando AWS lanzó Amazon Quick al público general a finales de 2025, muchos lo consideraron simplemente otro asistente. En retrospectiva, demostró que un grafo de conocimiento podía mejorar la experiencia del usuario formulando preguntas en lenguaje natural sobre sus propios datos.
Este gráfico cataloga conjuntos de datos, paneles y metadatos, y aprende de los hábitos del usuario. Funciona, y funciona en producción. La inversión que AWS ha realizado en Quick durante el último año no fue una iniciativa de producto aislada. Fue la base para construir algo más grande.
De la escala personal a la organizacional.
En la cumbre de AWS de este año se anunció Contexto de AWS. Context es un servicio que toma ese mismo grafo de conocimiento y lo escala. Mientras que Quick aprende datos de una sola persona, Context mantiene un grafo compartido y gobernado que toda la organización puede consultar, con relaciones entre sistemas y reglas de negocio que ninguna vista individual podría abarcar.
El servicio deduce cómo están conectados los datos de una empresa: qué tablas se conectan entre sí, qué significan las columnas y cómo se relacionan las diferentes fuentes. A continuación, representa todo esto como un grafo que los agentes pueden recorrer en tiempo de ejecución, combinando la coincidencia semántica con el razonamiento relacional, en lugar de buscar palabras clave en un repositorio.
Y aquí es donde entra en juego la gobernanza de la IA.
Este es el punto que más nos interesa destacar, porque es el que suele quedar fuera de la conversación.
El ecosistema de agentes crece a un ritmo que ninguna organización estaba preparada para gestionar. Los agentes se multiplican, consumen datos de distintos sistemas, utilizan herramientas, toman decisiones y generan costes. Sin una capa de contexto controlada, cada agente construye su propia versión de la verdad, y esta fragmentación pasa desapercibida hasta que su solución resulta costosa.
Lo que AWS está creando no es solo una capacidad de IA, sino un plano de control. AWS Context no llegó solo: en la capa de almacenamiento, las anotaciones de Amazon S3 permiten adjuntar contexto directamente a cada objeto de forma mutable y consultable, y ya están disponibles para el público general. En la capa de catálogo, el contexto empresarial y la búsqueda semántica para Glue Data Catalog están en vista previa, lo que permite enriquecer tablas y columnas con descripciones empresariales, términos de glosario y recursos que guían a los agentes hacia patrones de consulta y reglas de uso. AWS Context sintetiza estas señales en el gráfico que consultan los agentes.
AWS Context todavía aparece como "próximamente", sin precios ni regiones anunciadas. Sin embargo, ya puede realizar pruebas piloto de anotaciones S3 y enriquecimiento de catálogos en las regiones donde la vista previa está disponible. Mientras tanto, aquellos que quieran comenzar a trabajar en el modelado ontológico sin esperar tienen la opción de Acelerador de ontología de contexto, el proyecto de código abierto de AWS que permite construir la ontología empresarial y ponerla a disposición de los agentes a través de MCP.
El modelo ya no es el límite. Hoy en día, el límite lo pone el contexto que somos capaces de darle, y la diferencia entre una impresionante prueba de concepto y un agente que llega a la producción casi siempre radica en ese nivel.
¿En qué podemos ayudarle?
En Strata Analytics, llevamos años apoyando a organizaciones de la región en este mismo proceso. Si está explorando esta tecnología por primera vez y desea escalar sus iniciativas de IA, podemos ayudarle a evaluar la preparación de su ecosistema de datos para soportar agentes en producción, identificar deficiencias antes de que se conviertan en costosas y diseñar una hoja de ruta que priorice el caso de uso adecuado en lugar de intentar abarcarlo todo a la vez.
Si lo que busca es una gobernanza de IA centralizada y automatizada, Diseñamos la capa semántica y ontológica, el modelo de aprobación y curación, la trazabilidad de las decisiones de los agentes y la observabilidad del consumo y el coste, sobre la infraestructura que ya tienes.
¿Quién en su organización puede decir hoy cuánto se está invirtiendo en IA, en qué casos de uso y con qué retorno?
Si dos agentes proporcionaran a su comité directivo cifras diferentes sobre el mismo cliente, ¿sabría usted cuál es la correcta y por qué?
¿Cuántas de sus iniciativas de IA han ido más allá de la prueba de concepto y ahora están generando resultados que la empresa puede medir?
Si alguna de estas preguntas no tiene una respuesta clara hoy, le invitamos a que hablemos para que podamos ayudarle.
Sobre el autor
Sary Libreros es consultora de AWS Community Builder y Cloud Architect en Strata Analytics Group, una empresa de análisis de datos e inteligencia artificial que ayuda a organizaciones latinoamericanas a desarrollar sistemas de IA accesibles, sensibles al contexto y culturalmente adaptables en los sectores de telecomunicaciones, finanzas, comercio minorista y atención médica.
