Cómo Qlik construyó una IA fundamentada a escala empresarial con Amazon Bedrock

Al construir IA fundamentada sobre Amazon Bedrock, Qlik Answers aborda un problema empresarial común: a los empleados no les falta información. Les falta una forma rápida de hacerle una pregunta real a esa información y obtener una respuesta en la que puedan confiar. Los analistas pasan horas buscando en documentos, paneles y la memoria institucional para responder cosas que un colega podría preguntar en una sola frase. Y cuando las organizaciones intentan cerrar esa brecha con IA generativa, muchas se topan con el mismo muro: respuestas sin fuentes, sin forma de verificar un resultado y sin camino para implementar la herramienta en un entorno regulado.

Qlik, líder global en integración de datos, calidad de datos, análisis e IA, construyó Qlik Answers para resolver ese problema para sus más de 40,000 clientes en todo el mundo. Desde su disponibilidad general en febrero de 2026, Qlik Answers ha pasado de ser una capacidad incipiente al uso diario: Discovery Agent de Qlik, un agente de detección de anomalías y valores atípicos impulsado por IA, por sí solo ha generado más de 100,000 descubrimientos para los clientes desde su lanzamiento, y la mayoría de las cuentas de Qlik Cloud con herramientas agénticas activadas las están usando activamente.

Esta publicación explica cómo Qlik construyó la herramienta detrás de esa adopción, y cómo Amazon Bedrock la respalda a escala global.

Desafío

Qlik identificó tres problemas que necesitaba resolver al mismo tiempo para llevar Qlik Answers a producción en toda su base de clientes:

• Orquestar razonamientos especializados sin frenar a nadie. Las preguntas empresariales varían ampliamente: algunas necesitan una búsqueda rápida, otras requieren extraer información de análisis estructurados, documentos no estructurados, definiciones de glosarios o automatizaciones. Un único asistente de propósito general tiende a volverse más lento y menos preciso a medida que se le añaden más capacidades.
• Cumplir los requisitos de soberanía de datos en todas las Regiones. Qlik atiende a clientes en Europa, Asia Pacífico y las Américas, cada uno con sus propias expectativas de residencia de datos. Un único modelo de despliegue global no satisfaría esos requisitos, pero 11 construcciones Regionales separadas serían difíciles de mantener y mejorar de manera consistente.
• Prever la capacidad de los modelos con meses de anticipación a la demanda. El consumo de tokens y la disponibilidad de los modelos debían planificarse de 3 a 6 meses antes de los grandes lanzamientos. Luego, Qlik validaba estas proyecciones contra el uso real una vez que los clientes comenzaban a usar el producto, de modo que el crecimiento en la adopción no se convierta en un problema de capacidad.

Descripción general de la solución

Qlik Answers brinda a los empleados, y no solo a los analistas, un único lugar para hacer una pregunta en lenguaje natural y recibir una respuesta fundamentada y con fuentes. Dependiendo de la pregunta, esa respuesta puede provenir de una base de conocimiento, una aplicación de análisis en vivo, una definición de glosario o un documento. El sistema subyacente decide qué camino tomar.

Tres despliegues ilustran cómo se ve esto para los clientes:

• Bystronic, especialista global en procesamiento de chapa metálica, desplegó un chatbot de IA en 15 minutos, brindando a los empleados una forma de consultar datos operativos en tiempo real y obtener respuestas con fuentes entre departamentos.
• Lintech International indexó más de 17,000 documentos técnicos en Qlik Answers, reduciendo el tiempo de investigación manual y acelerando los tiempos de respuesta en un 75 por ciento, lo que devolvió a los gerentes de negocio hasta 7 horas a la semana.
• TouchPoint Support Services, que atiende 650 centros de salud y aspira a duplicar su tamaño, usa Qlik Answers para brindar orientación rápida y alineada con el cumplimiento a 15,000 empleados que trabajan en entornos regulados y de ritmo acelerado.

Para respaldar esto a escala, Qlik construyó el sistema en torno a límites arquitectónicos claros en lugar de un único asistente de gran tamaño. Las capas clave son las siguientes:

1. Capa de entrada. Un punto de entrada conversacional estable dentro de Qlik Cloud, de modo que se pueda añadir nueva capacidad en el backend sin cambiar la forma en que los clientes interactúan con el asistente.
2. Capa de enrutamiento. Una capa ligera que lee el mensaje del usuario y el contexto de la conversación y decide a dónde debe ir la solicitud. Su única función es tomar una decisión de enrutamiento rápida y precisa, no resolver la tarea en sí.
3. Capa de respuesta. Coordina la generación de respuestas una vez que se enruta una solicitud, eligiendo entre una vía rápida para solicitudes simples y una vía más deliberada que divide una pregunta en subpreguntas y extrae información de múltiples fuentes.
4. Capa de agentes especialistas. Un runtime de enjambre compartido define cómo funcionan los agentes especialistas, las herramientas, el estado y los pasos con intervención humana, de modo que se pueden añadir nuevos especialistas sin que cada uno invente su propio modelo de orquestación.
5. Capa de análisis conversacional. Gestiona las preguntas sobre datos estructurados enrutándolas hacia una vía de razonamiento consciente de la aplicación, diseñada para el análisis en lugar de la generación general de texto.
6. Capa de recuperación. La indexación y recuperación de documentos no estructurados se ejecuta en Amazon OpenSearch Service, que almacena y busca el contenido que fundamenta las respuestas de Qlik Answers a preguntas sobre la base de conocimientos y documentos.
7. Capa de acceso a modelos. A la que se accede a través de la puerta de enlace propia de modelos de lenguaje de gran tamaño (LLM) de Qlik, esta capa se conecta a Amazon Bedrock para chat, streaming, embeddings y reordenamiento (reranking). También aplica Amazon Bedrock Guardrails a cada solicitud y respuesta: filtrado de contenido contra inyección de instrucciones (prompt injection), información personal identificable (PII), secretos y temas denegados, además de una verificación de validación de anclaje (grounding) sobre las respuestas generadas. Cuando un modelo del que depende un cliente aún no está disponible en la Región a través de Bedrock, Qlik lo aloja en Amazon SageMaker AI en su lugar, y luego traslada esa carga de trabajo de vuelta a Bedrock cuando la disponibilidad Regional alcanza el mismo nivel. Para conocer la disponibilidad de modelos por Región de AWS, consulte Supported models by AWS Region en Amazon Bedrock.

Figura 1: Las preguntas de los empleados fluyen a través de las capas de entrada, enrutamiento y respuesta, y luego se ramifican hacia los agentes especialistas, el agente de análisis y el agente de recuperación (respaldado por Amazon OpenSearch Service), antes de converger en la capa de acceso a modelos, que alcanza los modelos fundacionales disponibles en Amazon Bedrock, con Amazon SageMaker AI como alternativa en la Región

Anclar las respuestas en fuentes reales

El anclaje (grounding) fue una de las decisiones de diseño más importantes del marco de trabajo. La capa de respuesta extrae de varios tipos de contexto según la pregunta: metadatos estructurados de aplicaciones, contenido recuperado de la base de conocimientos, definiciones del glosario, contexto de automatización y contenido de documentos para resumir. Una vez que se devuelven los elementos de una respuesta completa, se ensambla la respuesta íntegra y se presenta al usuario.

La recuperación por sí sola no garantiza la precisión. Qlik también ejecuta una verificación de validación de anclaje sobre las respuestas generadas, comparando cada una con el contenido de origen del que se sirvió, utilizando la capacidad de anclaje contextual en Amazon Bedrock Guardrails. Eso convierte el anclaje de un simple paso de recuperación en un control de producción verificado. Para preguntas no estructuradas, la herramienta recupera contenido específico de la pregunta desde Amazon OpenSearch Service y transfiere ese contexto hacia adelante, de modo que la respuesta final incluya citas. Para preguntas estructuradas, entrega el trabajo a la ruta de análisis conversacional. Otras capacidades, incluida la consulta al glosario, las automatizaciones y el resumen de documentos, se despliegan con controles de capacidad, de modo que Qlik pueda ampliar lo que la herramienta puede hacer sin desestabilizar la experiencia predeterminada de todos los clientes a la vez. Las opciones de capacidad específicas por inquilino permiten a Qlik reconstruir la ruta de orquestación disponible por solicitud, de manera que las capacidades se puedan activar de forma selectiva mientras la arquitectura general se mantiene consistente entre clientes.

Figura 2: El enjambre de agentes especialistas, donde el estado compartido, las herramientas y los pasos con intervención humana permiten que nuevos agentes especialistas se integren en un runtime común

Por qué Amazon Bedrock

Qlik evaluó su estrategia de modelos frente a los tres problemas descritos anteriormente, y Amazon Bedrock abordó cada uno de ellos directamente.

Flexibilidad multimodelo. Con Bedrock, Qlik puede asignar el modelo más adecuado a la tarea de cada agente en lugar de bloquear todo el sistema en las limitaciones de un solo modelo.

Soberanía de datos a escala. Con la inferencia multirregión de Amazon Bedrock (CRIS), Qlik puede dar servicio a las 11 Regiones manteniendo los datos residentes donde el cumplimiento así lo exige. Esto combina alcance global y controles de soberanía en una única capacidad gestionada.

Margen para adoptar servicios gestionados de forma selectiva. El modelo de despliegue Regional de AWS y las opciones de reserva de capacidad dan a Qlik margen para seguir escalando hoy. Cuando esté listo, servicios como Amazon Bedrock AgentCore le dan a Qlik la opción de descargar más de la carga operativa para cargas de trabajo específicas, sin requerir una migración completa para lograrlo.

Qlik utiliza Bedrock a través de su propia puerta de enlace LLM en lugar de vincular la lógica de la aplicación directamente a un solo modelo. Los equipos de producto pueden cambiar la elección de modelo por tarea sin reescribir la aplicación circundante. Esa separación importa en un sistema que espera que la estrategia de modelos siga evolucionando.

Planificar la capacidad antes de la demanda

Como Qlik pronostica la capacidad de modelos con 3–6 meses de antelación a los lanzamientos importantes, el equipo construyó un modelo de trabajo para proyectar el consumo de tokens por funcionalidad y Región, y luego comparó el uso real contra esas proyecciones después de cada despliegue. Esa disciplina es parte de la razón por la que la disponibilidad general de febrero escaló sin verse sometida a tensión por su propia adopción.

Resultados de negocio e impacto en los clientes

Desde la disponibilidad general de febrero de 2026 de la experiencia agéntica de Qlik, Discovery Agent ha revelado más de 100,000 descubrimientos para los clientes, y la mayoría de las cuentas de Qlik Cloud con las herramientas agénticas activadas están usando sus agentes activamente en lugar de probarlos una vez y abandonar.

Los resultados a nivel de cliente reportados por separado incluyen el 75% de tiempos de respuesta más rápidos de Lintech International y hasta 7 horas por semana devueltas a los gerentes de negocio, y el despliegue en 15 minutos del chatbot de Bystronic.

Lecciones aprendidas

Construir y escalar Qlik Answers entre más de 40,000 clientes sacó a la luz algunas lecciones que podrían ayudar a otros equipos que crean herramientas agénticas sobre Bedrock:

• Separar tempranamente el enrutamiento rápido del razonamiento profundo. Agruparlos significa que cada solicitud paga por más procesamiento del que necesita.
• Estandarizarse en un solo marco de orquestación para la ejecución multiagente en lugar de dejar que cada nuevo especialista invente su propio runtime. Es más fácil operar una aplicación que un conjunto de sistemas de agentes desconectados.
• Trate las comprobaciones de seguridad y de grounding como una puerta de control a nivel de sistema, no como una ocurrencia tardía por función. Ejecutarlas una sola vez, en la capa de acceso al modelo, significa que cada nuevo agente especializado hereda automáticamente las mismas protecciones.
• Use feature flags a nivel de tenant para ampliar las capacidades gradualmente. Esto evita que las capacidades nuevas y menos probadas afecten a la fiabilidad de la experiencia principal.
• Cree el hábito de prever la capacidad antes de necesitarlo. Validar el uso proyectado frente al uso real después de cada lanzamiento es lo que convierte la planificación de capacidad de una mera especulación en un proceso repetible.

Próximos pasos

La hoja de ruta de Qlik mantiene la arquitectura deliberadamente abierta y adaptable. El equipo está evaluando Amazon Bedrock AgentCore para cargas de trabajo seleccionadas donde un runtime agéntico gestionado reduciría la sobrecarga operativa, mientras sigue construyendo sobre estándares abiertos y su propia capa de orquestación donde eso le da a Qlik más control sobre el coste, la latencia o la portabilidad. El objetivo es mantener la opción de adoptar servicios gestionados donde ayuden, sin diseñar el marco en torno a ninguno de ellos. Qlik también está construyendo un marco sistemático para evaluar el rendimiento de los modelos. Esto significa que Qlik puede migrar a modelos más adecuados a medida que estén disponibles, sin perturbar la experiencia en la que los clientes ya confían.

Conclusión

La adopción de Qlik Answers desde su lanzamiento en febrero de 2026 refleja una arquitectura diseñada para no estorbar: rápida donde importa la velocidad, deliberada donde importa la precisión, fundamentada en fuentes reales en todo momento, y lo bastante segura para que industrias reguladas puedan depender de ella. La flexibilidad de modelos, los controles de soberanía regional y el filtrado de contenido y la validación de grounding basados en Guardrails de Amazon Bedrock dieron a Qlik una base para construir esa experiencia a escala global. El resultado hasta ahora incluye más de 100,000 descubrimientos revelados, horas devueltas a los empleados de empresas como Lintech y TouchPoint, y una mayoría de cuentas con herramientas agénticas activadas que siguen usando sus agentes después de probarlos.

Para ver lo que Qlik Answers puede hacer con sus datos, inicie una prueba gratuita de Qlik Cloud Analytics, solicite una demostración de Qlik Answers o una demostración de Qlik y AWS, o visite la página de producto de Qlik Answers para obtener más información.

Sobre los autores