El blog de Machine Learning de AWS publicó una guía que detalla cómo construir flujos de trabajo de IA agéntica combinando Amazon SageMaker AI con Bedrock AgentCore. El artículo plantea un patrón de referencia para equipos que necesitan agentes capaces de hacer algo más que responder una única pregunta: agentes que planifican tareas de varios pasos, invocan herramientas externas, mantienen memoria a lo largo de una sesión y se traspasan el trabajo entre subagentes especializados.
En esta combinación, SageMaker AI se encarga de la parte del modelo: entrenamiento, ajuste fino y hospedaje de modelos propios o de pesos abiertos, para cuando una empresa necesita más control del que ofrece una API de modelo fundacional alojado. Bedrock AgentCore aporta la capa de runtime del agente: memoria de sesión, límites de identidad y acceso, y orquestación para invocar herramientas u otros agentes en mitad de una tarea. Juntas forman una pila en la que una empresa no necesita construir desde cero su propia gestión de estado, su framework de invocación de herramientas ni su lógica de traspaso entre agentes.
Se trata más de una noticia de infraestructura que de modelos: aquí no hay ninguna capacidad nueva a nivel de modelo. Lo que cambia es la disponibilidad de una vía gestionada y documentada para ensamblar agentes multi-paso sobre AWS, con AgentCore ocupándose de la fontanería que la mayoría de los equipos antes tenían que escribir por su cuenta: persistencia de sesión, delimitación de credenciales por agente e invocación estructurada de herramientas.
Para las empresas B2B de entre 10 y 200 empleados, la relevancia directa no está en que los equipos de ingeniería internos deban ponerse a conectar SageMaker y AgentCore. Pocas compañías de ese tamaño tienen la experiencia en MLOps de SageMaker o el volumen de uso que justifique hospedar modelos a medida. La relevancia está un paso más arriba: este es el tipo de pieza básica que los proveedores de automatización y las consultoras —incluidas las herramientas que ya usan los equipos de ventas, soporte y operaciones— están montando cada vez más por encima. Cuando un proveedor asegura que su bot de soporte puede consultar un pedido, escalar a una persona y recordar los últimos tres intercambios de una sesión, este es aproximadamente el tipo de infraestructura gestionada que hace eso fiable a un coste razonable, en lugar de un script a medida frágil.
El uso práctico es la diligencia debida. Al evaluar un agente de IA para calificación de leads, triaje de tickets o procesamiento de pedidos, quienes operan deberían preguntar qué runtime usa el agente para la memoria y el acceso a herramientas, si las sesiones están aisladas por cliente o por caso, y cómo se delimita el acceso cuando el agente llama a un CRM o a un sistema de facturación. Respuestas apoyadas en infraestructura gestionada como AgentCore (o su equivalente en otro proveedor cloud) sugieren un montaje más auditable y mantenible que un script de encadenamiento de prompts hecho a medida, con más probabilidades de sobrevivir a la rotación del propio equipo del proveedor o a un evento de escalado.
Sin confirmar: los detalles de precios para el uso combinado de SageMaker AI y Bedrock AgentCore no se desglosaron por completo en el artículo original, y deben verificarse directamente contra las tarifas actuales de AWS antes de hacer cualquier comparación de costes.