IA agéntica en AWS:
acelerando el análisis de inversiones
Sobre el cliente
El cliente necesitaba una forma más rápida y consistente para que sus analistas de inversión trabajaran con documentación de startups y produjeran la sección “The Company” de los Investment Memos, incluyendo Overview, Business, Tech/Product, Market y Traction.
El desafío
El cliente necesitaba acelerar y estandarizar la forma en que sus analistas de inversión revisan documentación de startups, comparan compañías y preparan la sección obligatoria “The Company” de los Investment Memos. El flujo existente requería que los analistas navegaran manualmente por los documentos fuente, consolidaran información de Overview, Business, Tech/Product, Market y Traction, y repitieran análisis similares para cada compañía.
A medida que crece el pipeline de inversiones, continuar con un proceso predominantemente manual aumentaría el esfuerzo de los analistas, extendería los ciclos de preparación de los memos y haría más difícil mantener la consistencia. Identificamos este escenario como un sólido caso de uso de IA agéntica porque el desafío requería un sistema de IA capaz de recuperar información fundamentada, razonar sobre múltiples fuentes, invocar acciones específicas y crear un artefacto de negocio persistente, en lugar de simplemente generar texto conversacional.
Objetivos del proyecto
Objetivo principal:
Entregar un agente conversacional de Amazon Bedrock capaz de consultar documentación de startups y generar automáticamente la sección requerida “The Company” de un Investment Memo.
Objetivos específicos:
-
Permitir que los analistas comparen compañías mediante una acción dedicada compare_companies.
-
Generar memos ejecutivos mediante una acción generate_memo y almacenarlos en Amazon S3 bajo /memos/.
-
Utilizar una Knowledge Base sobre documentos de compañías para que las respuestas y el contenido generado estén fundamentados en la documentación disponible de las startups.
-
Proporcionar una base segura y escalable que pueda evolucionar desde el prototipo de tres semanas hacia producción sin reconstruir la implementación central.
La solución
Implementamos un flujo agéntico nativo de AWS utilizando Amazon Bedrock Agents. El agente utiliza un modelo fundacional Anthropic Claude a través de Amazon Bedrock junto con Amazon Bedrock Knowledge Bases para RAG sobre documentación de startups almacenada en Amazon S3.
Implementamos dos Bedrock Agent Action Groups para proporcionar comportamiento orientado a acciones: compare_companies realiza comparaciones estructuradas entre empresas, mientras que generate_memo crea contenido de memos ejecutivos y almacena el resultado generado en Amazon S3 bajo /memos/. AWS Lambda y Amazon API Gateway exponen la interfaz REST /chat, mientras que Amazon DynamoDB almacena el historial de consultas y la información de auditoría. AWS Glue y AWS Lake Formation soportan la catalogación y los permisos granulares de datos.
Adecuación a la especialización de IA agéntica de AWS
Esta referencia cumple directamente con el alcance de la especialización de IA agéntica de AWS. Implementamos un Amazon Bedrock Agent que interpreta solicitudes de los analistas, recupera contexto fundamentado desde una Knowledge Base, determina cuándo se requiere una acción de negocio, invoca el Action Group correspondiente y produce un resultado de negocio persistente.
Las acciones compare_companies y generate_memo demuestran el uso de herramientas orientado a objetivos y la ejecución estructurada, en lugar de generación de contenido independiente. La solución demuestra los patrones centrales de IA agéntica: orquestación administrada de agentes, RAG, razonamiento sobre datos empresariales, invocación de herramientas y ejecución autónoma de acciones.
Tecnologías clave implementadas
🔹Amazon Bedrock Agents - orquestación administrada del agente para conversaciones con analistas y ejecución de tareas | 🔹Anthropic Claude en Amazon Bedrock - inferencia administrada del modelo fundacional. | 🔹Amazon Bedrock Knowledge Bases - RAG sobre documentación de startups almacenada en Amazon S3. | 🔹Bedrock Agent Action Groups - acciones de negocio compare_companies y generate_memo. | 🔹Amazon S3 con SSE-KMS - repositorio gobernado de documentos y almacenamiento de memos generados. | 🔹AWS Glue + AWS Lake Formation - catalogación de datos y permisos granulares. | 🔹AWS Lambda + Amazon API Gateway - ejecución serverless y endpoint REST /chat. | 🔹Amazon DynamoDB - historial de consultas e información de auditoría. | 🔹Amazon CloudWatch - logs y dashboards implementados. | 🔹AWS CDK - despliegue de infraestructura.
Solución técnica y justificación
La arquitectura utiliza servicios administrados y serverless de AWS para minimizar la carga operativa y mantener extensible la PoC. Los controles de seguridad evidenciados en la fuente incluyen IAM, permisos granulares de Lake Formation y cifrado SSE-KMS para S3.
Para validar las comparaciones y la generación de memos se utilizaron revisión humana, pruebas con consultas reales, ajuste de prompts, reportes de validación y refinamiento basado en feedback. En los materiales proporcionados no se evidencia el uso de Bedrock Guardrails, protocolos entre agentes, ECS/EKS/Fargate ni frameworks de agentes de terceros.
Principales características de la arquitectura
-
Ejecución agéntica de tareas: el agente puede recuperar información e invocar acciones dedicadas, en lugar de limitarse a generar texto conversacional.
-
Análisis fundamentado: Bedrock Knowledge Bases proporciona RAG sobre documentos de compañías en S3.
-
Acceso gobernado a datos: permisos de Lake Formation, IAM y SSE-KMS protegen la capa documental.
-
Integración serverless: Lambda y API Gateway proporcionan la interfaz de la aplicación sin cómputo persistente.
Optimización de la solución y enfoques alternativos
Mapeamos cada actividad principal del analista a una capacidad específica del agente: recuperación desde Knowledge Base para consultar documentos, compare_companies para el análisis entre compañías y generate_memo para producir el artefacto final de negocio persistente.
Este enfoque mantuvo la solución enfocada en el flujo de análisis de inversiones, a la vez que proporcionó una base orientada a producción que puede incorporar fuentes de datos y acciones adicionales sin reemplazar la arquitectura central del agente.
Impacto de negocio e indicadores clave (KPIs)
Se midieron los siguientes KPIs para validar el impacto de negocio de la solución implementada.
-
KPI 1 — Eficiencia en la preparación de Investment Memos
Línea base: los analistas realizaban manualmente el flujo de preparación del memo y el esfuerzo base se normalizó al 100%.
Objetivo: reducir al menos un 40 % el esfuerzo requerido para preparar la sección “The Company”.
Resultado real: durante la validación de la PoC, el flujo asistido por el agente redujo aproximadamente un 45 % el esfuerzo necesario para producir una sección del memo lista para revisión.
Método de medición: comparación del esfuerzo requerido para revisar la documentación fuente y preparar manualmente las secciones requeridas frente al flujo asistido por el agente utilizando el mismo conjunto de documentos.
-
KPI 2 — Integridad y fundamentación del Investment Memo
Línea base: los borradores manuales fueron evaluados con aproximadamente un 75 % de completitud en la primera versión respecto de las cinco áreas de contenido requeridas.
Objetivo: alcanzar al menos un 85 % de completitud en la primera versión manteniendo el contenido fundamentado en la documentación suministrada de las startups.
Resultado real: la validación de los memos generados alcanzó aproximadamente un 90 % de completitud en la primera versión.
Método de medición: revisión de los resultados generados frente a las secciones requeridas Overview, Business, Tech/Product, Market y Traction, verificando el contenido contra la documentación subyacente de cada compañía.
Objetivos no alcanzados y lecciones Aprendidas
El proyecto confirmó que separar las responsabilidades de recuperación, comparación y generación de memos en capacidades explícitas del agente produjo un flujo más claro y controlable. Las pruebas con consultas reales, el ajuste de prompts, la revisión humana y el refinamiento basado en feedback fueron importantes para mejorar la consistencia antes de avanzar más allá de la PoC.
También identificamos el valor de mantener documentos fuente gobernados y requisitos explícitos para los resultados, de modo que futuras extensiones puedan incorporar nuevas funciones de análisis de inversiones sin debilitar la fundamentación ni la capacidad de revisión.
Contactanos
Y escala tu negocio sin límites.