Cómo AWS está resolviendo los dos grandes problemas de los agentes de IA en producción

🧩 Caso 1: AWS Continuum — Seguridad del código a velocidad de máquina

El primer problema que AWS quiere resolver es fácil de entender pero difícil de atajar: el código generado por IA introduce vulnerabilidades más rápido de lo que los equipos de seguridad pueden revisarlas.

AWS Continuum es un servicio nuevo — de momento en gated preview — que automatiza el ciclo completo de gestión de vulnerabilidades de código. Opera en cuatro fases continuas: descubrimiento, priorización, validación y remediación.

La parte más interesante es cómo prioriza. No se limita a escupir una lista de CVEs. Continuum razona sobre tu entorno real: ¿el componente afectado está desplegado? ¿Es accesible desde fuera? ¿Está en una ruta de producción? ¿Qué impacto tendría en el negocio si se explota? Esto es justo lo que un ingeniero de seguridad haría manualmente, pero a velocidad de máquina.

AWS usa modelos de seguridad especializados como Claude Mythos de Anthropic para encontrar vulnerabilidades y mapear rutas de ataque. El servicio es agnóstico de modelo: puede usar diferentes modelos frontier según la tarea y se actualizará conforme surjan modelos mejores.

Un detalle práctico que me gusta: validación con exploits reales. Continuum no se fía de un escáner estático. Intenta replicar el ataque en un entorno aislado para separar falsos positivos de riesgos reales. Solo entonces sugiere contramedidas: un cambio de configuración de red, un ajuste de permisos o un parche de código.

Empieza en modo aprendizaje con supervisión humana obligatoria. Cada recomendación incluye el razonamiento detrás. Conforme ganas confianza, puedes pasarlo a modo enforcement donde aplica los fixes automáticamente dentro de los límites que definas. También incluye threat modeling automático: genera modelos de amenazas en formato STRIDE a partir de documentos de diseño o código fuente.

🧩 Caso 2: AWS Context — El grafo de conocimiento que evita que los agentes alucinen

El segundo gran problema es que los agentes de IA no tienen ni idea de cómo funciona tu empresa. No saben qué tabla corresponde a qué cliente, qué fuente de datos es la autoritativa o qué reglas de negocio aplican en cada caso. El resultado: recomendaciones que suenan bien pero están mal.

AWS Context construye automáticamente un grafo de conocimiento a partir de los datos de tu empresa — bases de datos, documentos, emails, mensajes de Slack — y lo pone a disposición de todos los agentes de la organización.

Está construido sobre la misma tecnología que Amazon Quick, el asistente de IA interno de Amazon. El servicio infiere relaciones entre activos de datos, reglas de negocio y conocimiento de dominio. Sin pipelines que configurar, sin infraestructura que provisionar.

Lo más potente: aprende con el uso. Con cada consulta, Context registra qué fuentes producen resultados correctos y qué rutas se usan más. Los agentes que lleguen después se benefician de lo aprendido por los anteriores. Un agente de soporte que resuelve una incidencia de un pedido deja el camino marcado para el siguiente.

Tiene controles de acceso integrados: cada agente solo ve la información para la que está autorizado. Los metadatos se almacenan en formato Iceberg abierto en S3 Tables, así que puedes usar tus herramientas habituales sin dependencia de un formato propietario.

🧩 Caso 3: Kiro en iOS + DevOps Agent — Del móvil a producción sin romper nada

Kiro, el agente de desarrollo de código de AWS, ya tiene app nativa para iOS. Esto es más útil de lo que parece: puedes lanzar un proyecto desde el móvil, revisar código entre reuniones o aprobar cambios mientras comes. Todo corre en un entorno cloud seguro — el móvil es solo la interfaz de control.

La sesión es la misma en el IDE, la web y el móvil — misma identidad, mismos ajustes de modelo, mismos repositorios conectados. Solo disponible para clientes de pago.

Y hablando de que el código generado por IA no rompa cosas en producción: AWS DevOps Agent ahora incluye capacidades de release management. Dos funcionalidades clave:

• Release Readiness Review: revisa cada cambio de código contra los requisitos de producción y busca dependencias que puedan causar problemas entre repositorios. Los hallazgos aparecen como comentarios en GitHub o GitLab.
• Release Testing: genera un plan de pruebas específico para el cambio y lo ejecuta en un entorno similar a producción. Nada de confiar solo en tests estáticos.

Esto llega después de algunos incidentes sonados. En febrero, dos outages de AWS estuvieron relacionados con código generado por IA, incluyendo uno de 13 horas porque Kiro decidió borrar y reconstruir un entorno. Desde entonces, Amazon exige que ingenieros sénior aprueben todo el código generado por IA internamente.

🧩 Caso 4: Bedrock AgentCore — De prototipo a producción en minutos

Amazon Bedrock AgentCore es la plataforma de AWS para mover agentes de prueba de concepto a producción. En los últimos 6 meses, el número de tareas ejecutadas por agentes en AgentCore ha crecido 15 veces. El PGA Tour escribe cobertura de torneos 10× más rápido, y empresas como Nasdaq, Visa y Experian están escalando agentes en producción.

Las novedades anunciadas en el Summit:

• Managed Knowledge Base: base de conocimiento totalmente gestionada con conectores a S3, SharePoint, Confluence y Google Drive. Sin montar pipelines de ingestión.
• Web Search integrado: el mismo buscador que usa Quick, Kiro y Alexa+. Los datos y consultas nunca salen de AWS.
• Optimización continua: análisis de trazas de producción para ver fallos, intenciones y trayectorias de cientos de sesiones de agente. Pruebas A/B para mejorar el rendimiento.
• Integración con Guardrails: cada acción del agente se evalúa contra intentos de prompt injection, contenido dañino y exposición de datos sensibles. Próximamente con señales de Check Point, Zscaler, Rubrik, Netskope y SentinelOne.
• AgentCore harness GA: declaras qué hace tu agente (modelo, herramientas, instrucciones) y AgentCore monta el bucle de orquestación, ejecución de herramientas, gestión de memoria, manejo de contexto y recuperación de errores.

Según la documentación oficial, el harness está pensado para que pases "de idea a agente funcionando en minutos". En mi experiencia probando plataformas similares, este tipo de abstracción es justo lo que falta para que los agentes no se queden en demos de PowerPoint.

🧩 Caso 5: Amazon Quick Autonomous Agents — Agentes que trabajan mientras tú duermes

Menos técnico pero igual de relevante: Amazon Quick, el asistente de IA empresarial de AWS, ahora permite crear agentes autónomos que trabajan en segundo plano. Sin código.

Puedes crear un agente de finanzas que procese pedidos según llegan, o uno de ventas que monitorice interacciones en el CRM, emails y Slack para redactar seguimientos, marcar riesgos o recomendar próximos pasos. Todo con el tono, la experiencia y el acceso a herramientas que definas.

También han lanzado 16 integraciones nuevas con Adobe, Moody's, Snowflake y otras. Y un activity feed que consolida email, mensajería, calendario y tareas en una vista priorizada que aprende qué mensajes contestas rápido y qué hilos ignoras.

Southwest Airlines ya está migrando su infraestructura a AWS con más de 2.700 desarrolladores usando Kiro para modernizar southwest.com. Están adoptando lo que llaman un AI-Driven Development Lifecycle (AI-DLC), donde los agentes mueven el desarrollo hacia adelante mientras los ingenieros guían y validan los resultados.