Wood Mackenzie constrói plataforma compartilhada de agentes no Amazon Bedrock AgentCore

A Wood Mackenzie construiu uma plataforma compartilhada de IA agêntica chamada APEX no Amazon Bedrock AgentCore, dando às equipes uma base comum para implantar agentes em produção em vez de reconstruir runtimes, controles de identidade, observabilidade e salvaguardas para cada aplicação.

O relato da empresa, publicado pela AWS, descreve a APEX dando suporte a três aplicações: Woody, Lens AI e ST Trading App. A arquitetura foi projetada para permitir que as equipes de produto escolham diferentes frameworks e modelos de agentes enquanto contam com uma camada operacional padronizada. Isso enfrenta um problema central da IA empresarial: protótipos podem ser construídos rapidamente, mas operar sistemas não determinísticos com segurança entre usuários, ferramentas e dados é substancialmente mais difícil.

O mesmo conjunto de posts do blog da AWS também documenta Abnormal AI usando o AgentCore Code Interpreter em seus sistemas de segurança de e-mail. Juntos, os exemplos mostram a AWS posicionando o AgentCore não apenas como um serviço de desenvolvimento, mas como infraestrutura para agentes que precisam de isolamento, aplicação de políticas e acesso controlado à computação em fluxos de trabalho ao vivo.

Uma base compartilhada para os agentes da Wood Mackenzie

Antes da APEX, segundo a Wood Mackenzie, Woody, Lens AI e o ST Trading App estavam cada um desenvolvendo suas próprias pilhas de agentes. Essa abordagem exigiria implementações separadas de autenticação, escala, tracing, acesso a modelos e guardrails. Também teria tornado mais difícil compartilhar ferramentas, memória e práticas de avaliação entre equipes.

A APEX centraliza esses recursos. Seu backend usa Amazon Bedrock AgentCore Runtime, Identity, Gateway, Memory e Observability, לצד de um orquestrador, infraestrutura de recuperação, acesso a modelos por meio do catálogo de modelos do Amazon Bedrock e Amazon Bedrock Guardrails. Um kit de desenvolvimento de software para frontend conecta a plataforma a aplicações voltadas ao usuário.

O design não exige que todas as equipes usem o mesmo framework de agentes. A Wood Mackenzie diz que seu ambiente pode suportar Strands Agents, LangGraph, CrewAI, n8n, Vertex e as ferramentas de agentes da OpenAI. O AgentCore também suporta o Model Context Protocol, ou MCP, e o protocolo Agent-to-Agent, permitindo que sistemas e agentes externos se conectem por meio de interfaces padronizadas em vez de integrações pontuais.

Essa flexibilidade é uma parte significativa do apelo da plataforma. Segundo a Wood Mackenzie, as equipes podem trocar modelos sem reescrever a lógica da aplicação, usar um modelo para planejamento e outro para execução, ou comparar preço e desempenho entre provedores. A empresa lista Claude, GPT-4.1, Amazon Nova, Mistral e Llama como acessíveis pela plataforma, embora o post não forneça medições independentes de qualidade do modelo ou custos de troca.

Identidade e operações sobem para a camada de plataforma

A APEX trata autorização como uma propriedade de cada invocação de agente, e não apenas como uma verificação feita quando um usuário entra em uma aplicação. A Wood Mackenzie diz que o AgentCore Identity carrega as permissões de um usuário por meio de chamadas subsequentes a ferramentas e dados, permitindo que agentes ajam em nome de um usuário ou sob controles de acesso definidos separadamente. A empresa usa a Okta como sua fonte da verdade do provedor de identidade.

A plataforma também inclui um Woodmac Agent Registry, onde as equipes podem descobrir e reutilizar agentes, ferramentas e habilidades sujeitos a fluxos de governança e aprovação. Esse registro foi concebido para evitar que equipes copiem código quando uma capacidade existente poderia ser compartilhada.

A AWS descreve o AgentCore Runtime como um ambiente sem servidor, isolado por sessão, que pode escalar de zero a milhares de invocações simultâneas, com janelas de execução de até oito horas. A AWS também afirma que os serviços do AgentCore suportam recursos como Amazon Virtual Private Cloud, AWS PrivateLink, CloudFormation e marcação de recursos após a disponibilidade geral em outubro de 2025.

Para gestão de custos, o serviço usa precificação baseada em consumo, sem compromisso inicial ou taxa mínima declarada. A AWS diz que a cobrança do runtime é baseada no consumo ativo de CPU e memória por segundo, com cobranças de CPU excluídas durante esperas de entrada/saída. A empresa observa que fluxos de trabalho de agentes podem passar de 30% a 70% do tempo esperando respostas de modelos, ferramentas ou bancos de dados, tornando esse modelo de cobrança relevante para workloads que, de outra forma, deixariam a computação provisionada ociosa.

A evidência é detalhada, mas controlada pelo fornecedor

As afirmações mais fortes da história vêm da AWS e da Wood Mackenzie, não de auditorias independentes. A Wood Mackenzie relata internamente que 88% de suas provas de conceito de IA não chegam a uma implantação ampla. O post também cita pesquisas do setor e da Forrester para argumentar que avaliação, observabilidade, governança e identidade são grandes barreiras para escalar agentes, mas não fornece detalhes de fonte suficientes no artigo para avaliar independentemente essas estatísticas mais amplas.

A arquitetura em si é descrita em termos práticos, incluindo o caminho da solicitação desde autenticação até orquestração, runtime, acesso ao modelo e chamadas de ferramenta. No entanto, o post não divulga o tráfego de produção da APEX, o número de agentes, a latência, as taxas de erro, os custos operacionais ou resultados de negócio mensuráveis. Os compradores devem, portanto, ver o relato como uma referência de implementação e um estudo de caso apoiado por fornecedor, e não como prova de que o AgentCore produzirá os mesmos resultados em outra empresa.

O exemplo da Abnormal AI traz uma reivindicação de escala separada. A AWS diz que a Abnormal AI usa o AgentCore Code Interpreter para agentes envolvidos na detecção em tempo real de ameaças por e-mail em bilhões de mensagens, enquanto o sistema de detecção mais amplo aplica análises progressivamente mais caras apenas aos casos mais difíceis. A AWS também informa que mais de 25% da Fortune 500 usam a Abnormal AI, e que 80% das mudanças de código da empresa envolvem um agente de alguma forma. Esses são números reportados pela empresa ou pelo fornecedor, e o post não oferece verificação independente.

O Code Interpreter adiciona uma capacidade diferente à história do AgentCore. Ele fornece sandboxes efêmeras de MicroVM onde agentes podem executar código Python ou Node.js, processar arquivos, realizar cálculos, criar saídas e verificar o trabalho gerado. A AWS diz que as sessões podem durar de 15 minutos a oito horas, oferecer suporte a rede pública ou modo VPC e fornecer logs via CloudWatch e CloudTrail. O caso de uso da Abnormal AI ilustra por que agentes podem precisar de um ambiente de execução controlado em vez de depender apenas do raciocínio de um modelo de linguagem.

O que a plataforma significa para builders e empresas

Para os builders de IA, a principal mudança é um deslocamento de onde o esforço de engenharia é gasto. As equipes podem se concentrar em fluxos de trabalho de domínio, qualidade de recuperação, design de ferramentas e avaliação, enquanto uma plataforma compartilhada cuida das preocupações recorrentes de infraestrutura. Isso pode encurtar o caminho de uma demo bem-sucedida até um serviço que suporte múltiplos usuários e sessões concorrentes.

A contrapartida é a dependência arquitetural de uma equipe central de plataforma. Um registro compartilhado, uma camada comum de políticas e observabilidade padronizada podem reduzir a duplicação, mas também podem se tornar gargalos se o onboarding, as aprovações ou o suporte a frameworks forem lentos. A decisão da Wood Mackenzie de preservar a escolha de frameworks e modelos reduz esse risco, mas não elimina a necessidade de um design cuidadoso de interfaces e governança de plataforma.

Para as empresas, a propagação de identidade e o isolamento de sessão são mais relevantes do que uma longa lista de modelos suportados. Um agente que pode chamar ferramentas internas precisa de permissões que permaneçam compreensíveis e revogáveis ao longo de todo o fluxo de trabalho. AgentCore Identity, políticas de Gateway e regras baseadas em Cedar foram concebidos para atender a esse requisito, mas as organizações ainda precisarão testar o comportamento das políticas sob prompts incomuns, chamadas encadeadas de ferramentas e falhas parciais.

A implantação da Abnormal AI também reforça um modelo de custos em camadas para sistemas de agentes. Regras leves e classificadores podem lidar com casos de alto volume, enquanto agentes mais caros e execução de código ficam reservados para casos incertos ou complexos. Esse padrão pode ser mais prático do que enviar cada tarefa a um modelo grande, especialmente onde latência e custo por operação importam.

O que observar a seguir

Os próximos sinais relevantes serão operacionais, não promocionais. A APEX da Wood Mackenzie seria mais avaliável com dados publicados sobre adoção entre suas aplicações, taxas de falha dos agentes, cobertura de avaliação, latência, violações de política e custo por fluxo de trabalho.

Os builders também devem acompanhar se o agnosticismo de framework e modelo do AgentCore continua prático à medida que as equipes passam de experimentos isolados para ferramentas compartilhadas e fluxos de trabalho multiagente. O suporte a MCP e conexões Agent-to-Agent pode ampliar o reuso, mas também pode aumentar o número de fronteiras de confiança que as equipes de plataforma precisam monitorar.

Para compradores corporativos, os acompanhamentos importantes são referências independentes de clientes, preços mais claros sob concorrência sustentada, controles de resposta a incidentes e evidência de que agentes podem ser desativados ou revertidos sem interromper aplicações conectadas. Implantações de Code Interpreter merecem escrutínio adicional quanto à retenção de dados, acesso à rede, controle de pacotes e isolamento do código gerado.

Perspectiva da Creati.ai

A APEX da Wood Mackenzie é notável menos por introduzir mais uma aplicação de agentes e mais por tratar a camada de produção ausente como um produto reutilizável. O relato da empresa sugere que as equipes corporativas estão migrando para plataformas internas de agentes que padronizam identidade, comportamento de runtime, observabilidade e políticas, ao mesmo tempo em que deixam espaço para as áreas de negócio escolherem seus próprios modelos e frameworks.

A evidência continua controlada pelo fornecedor, e não há dados de desempenho ou financeiros divulgados que estabeleçam a APEX como um modelo comprovado. Ainda assim, a arquitetura aponta para uma direção prática para IA empresarial: a adoção de agentes provavelmente dependerá menos de produzir outro protótipo impressionante e mais de tornar permissões, avaliação, isolamento e custos visíveis o suficiente para operar todos os dias.