Wood Mackenzie construye una plataforma compartida de agentes sobre Amazon Bedrock AgentCore

Wood Mackenzie ha construido una plataforma compartida de IA agéntica llamada APEX sobre Amazon Bedrock AgentCore, lo que ofrece a los equipos una base común para desplegar agentes en producción en lugar de reconstruir tiempos de ejecución, controles de identidad, observabilidad y salvaguardas para cada aplicación.

El informe de la compañía, publicado por AWS, describe que APEX da soporte a tres aplicaciones: Woody, Lens AI y la ST Trading App. La arquitectura está diseñada para que los equipos de producto puedan elegir distintos marcos y modelos de agentes mientras se apoyan en una capa operativa estandarizada. Eso aborda un problema central de la IA empresarial: los prototipos pueden construirse rápidamente, pero operar de forma segura sistemas no deterministas a través de usuarios, herramientas y datos es sustancialmente más difícil.

El mismo grupo de blogs de AWS también documenta cómo Abnormal AI usa AgentCore Code Interpreter en sus sistemas de seguridad de correo electrónico. En conjunto, los ejemplos muestran que AWS posiciona AgentCore no solo como un servicio de desarrollo, sino como infraestructura para agentes que necesitan aislamiento, aplicación de políticas y acceso controlado a la computación en flujos de trabajo reales.

Una base compartida para los agentes de Wood Mackenzie

Antes de APEX, según Wood Mackenzie, Woody, Lens AI y la ST Trading App estaban desarrollando cada una sus propias pilas de agentes. Ese enfoque habría requerido implementaciones separadas de autenticación, escalado, tracing, acceso a modelos y guardrails. También habría dificultado compartir herramientas, memoria y prácticas de evaluación entre equipos.

APEX centraliza esas capacidades. Su backend utiliza Amazon Bedrock AgentCore Runtime, Identity, Gateway, Memory y Observability, junto con un orquestador, infraestructura de recuperación, acceso a modelos a través del catálogo de modelos de Amazon Bedrock y Amazon Bedrock Guardrails. Un kit de desarrollo de software para frontend conecta la plataforma con las aplicaciones orientadas al usuario.

El diseño no exige que todos los equipos usen el mismo marco de agentes. Wood Mackenzie afirma que su entorno puede admitir Strands Agents, LangGraph, CrewAI, n8n, Vertex y las herramientas de agentes de OpenAI. AgentCore también admite Model Context Protocol, o MCP, y el protocolo Agent-to-Agent, lo que permite que sistemas y agentes externos se conecten mediante interfaces estandarizadas en lugar de integraciones puntuales.

Esa flexibilidad es una parte importante del atractivo de la plataforma. Según Wood Mackenzie, los equipos pueden cambiar de modelo sin reescribir la lógica de la aplicación, usar un modelo para la planificación y otro para la ejecución, o comparar precio y rendimiento entre proveedores. La compañía menciona Claude, GPT-4.1, Amazon Nova, Mistral y Llama como accesibles a través de la plataforma, aunque la publicación no ofrece mediciones independientes de calidad del modelo o costes de cambio.

La identidad y las operaciones pasan a la capa de plataforma

APEX trata la autorización como una propiedad de cada invocación del agente, en lugar de como una comprobación que solo se realiza cuando un usuario entra en una aplicación. Wood Mackenzie dice que AgentCore Identity traslada los permisos de un usuario a través de las herramientas y llamadas a datos posteriores, permitiendo que los agentes actúen en nombre de un usuario o bajo controles de acceso definidos por separado. La compañía utiliza Okta como fuente de verdad de su proveedor de identidad.

La plataforma también incluye un Woodmac Agent Registry, donde los equipos pueden descubrir y reutilizar agentes, herramientas y habilidades sujetos a procesos de gobernanza y aprobación. Ese registro pretende evitar que los equipos copien código cuando una capacidad existente podría compartirse.

AWS describe AgentCore Runtime como un entorno sin servidor y aislado por sesión que puede escalar desde cero hasta miles de invocaciones simultáneas, con ventanas de ejecución de hasta ocho horas. AWS también dice que los servicios de AgentCore admiten capacidades como Amazon Virtual Private Cloud, AWS PrivateLink, CloudFormation y etiquetado de recursos tras la disponibilidad general en octubre de 2025.

Para la gestión de costes, el servicio usa precios basados en consumo sin compromiso inicial ni tarifa mínima declarada. AWS dice que la facturación del runtime se basa en el consumo activo de CPU y memoria por segundo, excluyendo los cargos de CPU durante los tiempos de espera de entrada/salida. La compañía señala que los flujos de trabajo de agentes pueden pasar entre el 30 % y el 70 % de su tiempo esperando respuestas de modelos, herramientas o bases de datos, lo que hace que este modelo de facturación sea relevante para cargas de trabajo que, de otro modo, dejarían inactiva la computación provisionada.

La evidencia es detallada, pero controlada por el proveedor

Las afirmaciones más sólidas de la historia provienen de AWS y Wood Mackenzie, no de auditorías independientes. Wood Mackenzie informa internamente que el 88 % de sus pruebas de concepto de IA no llegan a un despliegue amplio. La publicación también cita encuestas del sector e investigación de Forrester para argumentar que la evaluación, la observabilidad, la gobernanza y la identidad son grandes barreras para escalar agentes, pero no proporciona suficiente detalle de las fuentes en el artículo para evaluar de forma independiente esas estadísticas más amplias.

La arquitectura en sí se describe en términos prácticos, incluida la ruta de la solicitud desde la autenticación hasta la orquestación, el runtime, el acceso al modelo y las llamadas a herramientas. Sin embargo, la publicación no revela el tráfico de producción de APEX, el número de agentes, la latencia, las tasas de error, los costes operativos ni resultados de negocio medibles. Por tanto, los compradores deberían ver el informe como una referencia de implementación y un caso de estudio respaldado por un proveedor, no como prueba de que AgentCore producirá los mismos resultados en otra empresa.

El ejemplo de Abnormal AI aporta una afirmación de escala aparte. AWS dice que Abnormal AI usa AgentCore Code Interpreter para agentes implicados en la detección de amenazas de correo electrónico en tiempo real a través de miles de millones de mensajes, mientras que el sistema de detección más amplio aplica análisis progresivamente más costosos solo a los casos más difíciles. AWS también informa que más del 25 % de Fortune 500 utiliza Abnormal AI, y que el 80 % de los cambios de código de la empresa involucran a un agente de alguna manera. Son cifras reportadas por la compañía o el proveedor, y la publicación no ofrece verificación independiente.

Code Interpreter añade una capacidad distinta a la historia de AgentCore. Proporciona sandboxes efímeras de MicroVM donde los agentes pueden ejecutar código Python o Node.js, procesar archivos, realizar cálculos, crear salidas y verificar el trabajo generado. AWS dice que las sesiones pueden durar de 15 minutos a ocho horas, admitir redes públicas o modo VPC, y proporcionar registros a través de CloudWatch y CloudTrail. El caso de uso de Abnormal AI ilustra por qué los agentes pueden necesitar un entorno de ejecución controlado en lugar de depender solo del razonamiento de un modelo de lenguaje.

Qué significa la plataforma para constructores y empresas

Para los creadores de IA, el principal cambio es un desplazamiento en el lugar donde se dedica el esfuerzo de ingeniería. Los equipos pueden concentrarse en flujos de trabajo de dominio, calidad de recuperación, diseño de herramientas y evaluación, mientras una plataforma compartida gestiona las preocupaciones recurrentes de infraestructura. Eso puede acortar el camino desde una demo exitosa hasta un servicio que soporte a múltiples usuarios y sesiones concurrentes.

La contrapartida es la dependencia arquitectónica de un equipo central de plataforma. Un registro compartido, una capa de políticas común y una observabilidad estandarizada pueden reducir la duplicación, pero también pueden convertirse en cuellos de botella si el alta, las aprobaciones o el soporte de marcos son lentos. La decisión de Wood Mackenzie de preservar la elección de marcos y modelos reduce ese riesgo, pero no elimina la necesidad de un diseño cuidadoso de interfaces y una buena gobernanza de la plataforma.

Para las empresas, la propagación de identidad y el aislamiento de sesión son más importantes que una larga lista de modelos compatibles. Un agente que puede llamar a herramientas internas necesita permisos que sigan siendo comprensibles y revocables durante todo el flujo de trabajo. AgentCore Identity, las políticas de Gateway y las reglas basadas en Cedar están pensadas para abordar ese requisito, pero las organizaciones seguirán necesitando probar el comportamiento de las políticas ante prompts inusuales, llamadas encadenadas a herramientas y fallos parciales.

El despliegue de Abnormal AI también refuerza un modelo de costes por niveles para los sistemas de agentes. Las reglas ligeras y los clasificadores pueden manejar los casos de alto volumen, mientras que los agentes más caros y la ejecución de código se reservan para los casos inciertos o complejos. Ese patrón puede ser más práctico que enviar cada tarea a un modelo grande, especialmente donde importan la latencia y el coste por operación.

Qué observar a continuación

Las próximas señales significativas serán operativas más que promocionales. APEX de Wood Mackenzie sería más evaluable con datos publicados sobre adopción en sus aplicaciones, tasas de fallo de agentes, cobertura de evaluación, latencia, violaciones de políticas y coste por flujo de trabajo.

Los constructores también deberían vigilar si el agnosticismo de marcos y modelos de AgentCore sigue siendo práctico a medida que los equipos pasan de experimentos aislados a herramientas compartidas y flujos de trabajo multiagente. El soporte para MCP y conexiones Agent-to-Agent podría ampliar la reutilización, pero también aumentar el número de límites de confianza que los equipos de plataforma deben supervisar.

Para los compradores empresariales, los seguimientos importantes son referencias de clientes independientes, una fijación de precios más clara bajo concurrencia sostenida, controles de respuesta ante incidentes y evidencia de que los agentes pueden desactivarse o revertirse sin interrumpir las aplicaciones conectadas. Los despliegues de Code Interpreter merecen un escrutinio adicional sobre retención de datos, acceso a la red, control de paquetes y aislamiento del código generado.

Perspectiva de Creati.ai

APEX de Wood Mackenzie es notable menos por introducir otra aplicación de agentes que por tratar la capa de producción que faltaba como un producto reutilizable. El informe de la compañía sugiere que los equipos empresariales se están moviendo hacia plataformas internas de agentes que estandarizan identidad, comportamiento en tiempo de ejecución, observabilidad y políticas, dejando a los equipos de negocio espacio para elegir sus propios modelos y marcos.

La evidencia sigue estando controlada por el proveedor, y no hay datos de rendimiento o financieros revelados que establezcan APEX como una plantilla probada. Aun así, la arquitectura apunta a una dirección práctica para IA empresarial: la adopción de agentes probablemente dependerá menos de producir otro prototipo impresionante y más de hacer que permisos, evaluación, aislamiento y costes sean lo bastante visibles como para operar cada día.