HPE Zerto construye un sistema de resolución de problemas agentivo on-premises sobre Amazon Bedrock

HPE Zerto ha construido un sistema de resolución de problemas agentivo que se ejecuta dentro del entorno on-premises de un cliente mientras utiliza Amazon Bedrock para impulsar su capa de razonamiento. El sistema conecta una interfaz en lenguaje natural con datos de recuperación ante desastres en vivo, documentación del producto y herramientas operativas, con el objetivo de ayudar a los equipos de resiliencia a investigar problemas sin cambiar manualmente entre paneles y materiales de soporte.

La arquitectura, detallada en una publicación del AWS Machine Learning Blog, refleja una restricción práctica para la IA empresarial: el servicio de modelo puede estar en la nube, pero el contexto operativo sensible y la ejecución de herramientas deben permanecer cerca de la infraestructura del cliente. HPE Zerto afirma que su sistema se implementa como un pod dentro del producto Zerto y se accede a él a través de la interfaz operativa existente.

Para los constructores de IA y los equipos de tecnología empresarial, el desarrollo importante es menos un nuevo chatbot que el límite que HPE Zerto ha trazado a su alrededor. Los agentes pueden razonar sobre el estado actual del entorno y recuperar conocimiento relevante, pero su acceso está mediado por APIs locales, sistemas de recuperación y controles de seguridad. Ese diseño pretende hacer útil a un asistente de IA durante caídas y problemas de configuración sin convertir un modelo de propósito general en un operador sin restricciones.

Una capa multiagente conectada a datos de recuperación en vivo

Según el AWS Machine Learning Blog, el sistema utiliza agentes construidos con Strands Agents. Esos agentes se ejecutan como un pod on-premises y pueden apoyarse en tres fuentes principales de información: historial de conversaciones almacenado localmente, herramientas internas y recuperación de conocimiento externo.

La ruta de herramientas internas se expone a través de un servidor local de Model Context Protocol. Ese servidor proporciona acceso estructurado a las APIs de Zerto Manager, permitiendo que el agente inspeccione información en vivo del entorno del cliente en lugar de depender únicamente de documentación estática o de la descripción de un incidente por parte del usuario.

La ruta externa utiliza Amazon Bedrock Knowledge Bases para recuperar documentación pública, runbooks y otro material operativo. Esta combinación es importante porque la resolución de problemas de sistemas de recuperación ante desastres suele requerir tanto el estado actual como el contexto procedimental. Una alerta puede mostrar qué está fallando, mientras que un runbook o guía del producto explica la secuencia segura para investigarlo o corregirlo.

La interfaz está integrada en la experiencia de usuario existente de Zerto. HPE Zerto afirma que utiliza Server-Sent Events para transmitir el progreso de la investigación al usuario, exponiendo actividad intermedia en lugar de esperar una única respuesta final. Los casos de uso declarados incluyen responder preguntas de configuración, ayudar a mitigar problemas de salud, asistir con la configuración y la adopción de funciones, y resumir el riesgo, la exposición al acuerdo de nivel de servicio o la preparación para la recuperación.

Eso no significa que el modelo controle de forma independiente todo el entorno de recuperación. La fuente describe un sistema diseñado para razonar, actuar y responder mediante las herramientas que se le ponen a disposición. La seguridad práctica del despliegue, por tanto, depende de los permisos, la lógica de validación y los límites de acción implementados alrededor de esas herramientas, detalles que la publicación de AWS analiza a nivel arquitectónico pero no cuantifica por completo como informe de rendimiento de producción.

Por qué importa el modelo de despliegue on-premises

Los usuarios objetivo de HPE Zerto gestionan resiliencia cibernética, protección continua de datos y recuperación ante desastres en entornos híbridos o multi-nube. En esos entornos, los datos operativos pueden incluir el estado de las cargas de trabajo protegidas, el estado de replicación, alertas, eventos, relaciones entre sitios y preparación para la recuperación. El desafío declarado por la empresa es que esta información está fragmentada entre interfaces y documentación, lo que ralentiza las decisiones durante caídas o incidentes cibernéticos.

Ejecutar la capa agentiva dentro del entorno del cliente aborda parte de ese problema. El asistente puede colocarse junto a los sistemas que necesita inspeccionar, mientras que el historial de sesiones se almacena localmente y el producto sigue siendo accesible a través de la familiar interfaz administrativa. Para las empresas, eso puede simplificar el despliegue y reducir la necesidad de mover el contexto operativo a una aplicación externa separada.

La capa de modelo sigue dependiendo de Amazon Bedrock. AWS dice que HPE Zerto seleccionó el servicio por su acceso controlado a modelos fundacionales, la capacidad de evaluar distintos modelos y la integración con guardrails, observabilidad y servicios de recuperación. HPE Zerto también usa Amazon Bedrock Guardrails para aplicar controles de política, cumplimiento y seguridad a los prompts y a la salida generada.

Este arreglo híbrido ilustra un patrón de despliegue cada vez más relevante para la IA empresarial: mantener el acceso a los datos y la ejecución cerca del sistema de registro, mientras se utiliza una plataforma de modelo gestionada para la inferencia y la selección de modelo. Puede ofrecer flexibilidad, pero también crea dependencias entre el producto local, la ruta de red hacia los servicios de modelo, la calidad de la recuperación y los permisos concedidos a cada agente.

Las evidencias y afirmaciones siguen siendo reportadas por el proveedor

La evidencia disponible es un estudio de caso del AWS Machine Learning Blog escrito en torno a la arquitectura de HPE Zerto. Confirma los componentes descritos y el enfoque de despliegue, pero no proporciona validación independiente de la precisión de la resolución de problemas, la latencia de respuesta, la adopción por parte de los clientes, la reducción del volumen de tickets de soporte ni mejoras medibles en el tiempo de recuperación.

Por tanto, las afirmaciones sobre decisiones de recuperación más rápidas e informadas y una menor carga operativa deben leerse como resultados previstos del sistema, no como resultados verificados de forma independiente. La fuente tampoco especifica qué modelos fundacionales se usan en producción, cómo se gestiona el enrutamiento de modelos o con qué frecuencia se permite a los agentes tomar acciones directas frente a devolver recomendaciones a un operador.

Una segunda publicación del AWS Machine Learning Blog sobre el Intuit EWOK Agent de Intuit ofrece un punto de referencia relacionado, no evidencia adicional sobre HPE Zerto. Intuit describe un agente que traduce solicitudes de failover en lenguaje sencillo en flujos de trabajo validados, mientras un sistema de ejecución determinista realiza los cambios de infraestructura. Intuit dice que los equipos han usado ese sistema durante ocho meses e informa que los flujos de trabajo de recuperación admitidos pueden completarse en unos 20 minutos, pero esas son afirmaciones propias de Intuit sobre su plataforma aparte.

Los dos casos comparten un principio de diseño más amplio: dejar que un modelo de IA interprete la intención y seleccione entre capacidades acotadas, mientras los sistemas deterministas hacen cumplir la política y ejecutan operaciones de alto impacto. Ese patrón es más transferible que cualquier referencia específica, pero las organizaciones aún deben probarlo con sus propios requisitos de calidad de datos, modos de fallo y control de cambios.

Implicaciones para constructores y compradores empresariales

Para los constructores, el enfoque de HPE Zerto destaca el grounding como un problema de integración más que como un ejercicio de redacción de prompts. El agente necesita acceso fiable al estado actual del producto, un esquema de herramientas definido, documentación relevante y suficiente contexto de sesión para evitar pedir repetidamente información ya disponible en la conversación. Un servidor MCP local puede proporcionar una interfaz estructurada, pero también se convierte en un punto de control crítico para autenticación, autorización, registro y compatibilidad de API.

Para los compradores empresariales, las preguntas clave de evaluación son operativas. ¿Puede el sistema distinguir una alerta obsoleta de una condición actual? ¿Cita o expone la fuente de una recomendación? ¿Pueden los administradores limitar las herramientas por rol y entorno? ¿Qué ocurre cuando el modelo no está disponible, el resultado de la recuperación es incompleto o la remediación solicitada podría aumentar el riesgo de pérdida de datos? La publicación de AWS establece la arquitectura, pero no responde a todas esas preguntas de adquisición y gobernanza.

El valor del sistema probablemente será mayor allí donde los equipos afrontan una alta densidad de información y una experiencia desigual de los operadores. Una capa en lenguaje natural puede reducir el tiempo necesario para reunir contexto y explicar síntomas, especialmente para administradores menos experimentados. Pero en recuperación ante desastres, una explicación útil no es lo mismo que una ejecución segura. Cualquier paso del diagnóstico a la remediación necesita permisos explícitos, pasos de confirmación, registros de auditoría y un retorno fiable a operadores humanos.

Qué observar a continuación

Las próximas señales significativas serán pruebas de despliegue más allá de la descripción arquitectónica. HPE Zerto podría aclarar si el asistente está generalmente disponible, qué ediciones del producto y entornos lo admiten, y si los clientes pueden configurar la elección del modelo o los permisos de herramientas.

Los constructores también deberían buscar mediciones publicadas sobre precisión de respuestas, calidad de recuperación, recomendaciones erróneas, tiempo ahorrado durante la investigación de incidentes y la tasa a la que los usuarios aceptan o rechazan las acciones sugeridas. Esas métricas mostrarían si el sistema mejora el trabajo operativo en lugar de simplemente añadir una interfaz conversacional.

En el lado de la plataforma, la flexibilidad del modelo seguirá siendo una prueba importante. HPE Zerto dice que Amazon Bedrock permite evaluar modelos fundacionales en función de calidad, latencia y coste. Comparaciones del mundo real, orientación de despliegue y detalles más claros sobre residencia de datos y comportamiento ante fallos de red ayudarían a las empresas a evaluar si esa flexibilidad aporta una ventaja práctica.

Perspectiva de Creati.ai

El sistema de HPE Zerto es un ejemplo útil de dónde la IA agentiva empresarial se está volviendo concreta: dentro de un producto operativo existente, conectada al estado en vivo y constreñida por las APIs y controles que ya gobiernan el entorno. La parte más sólida del diseño es la separación entre una capa de razonamiento conversacional y las interfaces operativas subyacentes del producto.

La pregunta más difícil es la prueba. En recuperación ante desastres, un agente debe juzgarse no solo por si puede explicar una alerta, sino por si su orientación es actual, auditable y segura bajo presión. Hasta que HPE Zerto o sus clientes publiquen datos de resultados, el anuncio se entiende mejor como un patrón de despliegue creíble y una arquitectura a evaluar, no todavía como evidencia de que los agentes hayan resuelto las operaciones de recuperación.