Si está desarrollando soluciones de IA generativa, los activos reutilizables pueden ayudarle a dejar de reconstruir componentes que ya existen: pipelines de Retrieval Augmented Generation (RAG), procesadores de documentos, estructura para agentes, etc. Esto tiene un costo acumulativo: el tiempo no dedicado a resolver el problema real del cliente.
Esta publicación le muestra cómo acceder a un catálogo curado de 23 activos listos para producción del AWS Generative AI Innovation Center, ahora parte de AWS Frontier AI Engineering & Services. Estos activos pueden reducir su tiempo de desarrollo de meses a semanas, con evidencia de empresas como DoorDash, Lyfty Ricoh.
Desde 2023, el AWS Generative AI Innovation Center ha publicado activos reutilizables de código abierto. Estos bloques de construcción de calidad de producción le ofrecen una base validada desde la cual comenzar en lugar de un archivo en blanco. Estos activos han impulsado soluciones para clientes que generan resultados medibles: aumentos de 50x en la capacidad de pruebas, reducciones del 90 por ciento en horas de ingeniería y plazos de implementación comprimidos de meses a semanas. En esta publicación, aprenderá por qué los equipos siguen reconstruyendo componentes de IA generativa, qué hace que un activo sea verdaderamente reutilizable, cómo empresas como DoorDash y Ricoh lograron resultados medibles al usar estos activos, y cómo acceder e implementar 23 activos de código abierto del catálogo. Para obtener una lista completa de todos los activos disponibles, consulte el catálogo de activos al final de esta publicación.
El problema: por qué los equipos siguen reconstruyendo
Tres causas fundamentales impulsan el desarrollo redundante entre los equipos de IA generativa:
- Falta de una única fuente de verdad – Los activos se dispersan entre repositorios, wikis y unidades. Los desarrolladores no pueden encontrar lo que existe, por lo que lo reconstruyen desde cero.
- Falta de una señal de calidad – Sin verificación de la preparación para producción, revisiones de seguridad o estado de mantenimiento, los desarrolladores no tienen forma de confiar en las soluciones existentes y recurren a escribir su propio código.
- Falta de una cultura de reutilización – El intercambio sigue siendo informal y sin gobernanza. Lo que un equipo construye se queda en ese equipo, y los problemas se resuelven repetidamente.
El costo de reconstruir se acumula. Cada construcción redundante consume horas de ingeniería, retrasa la entrega al cliente y crea carga de mantenimiento. Incluso el código generado por IA requiere endurecimiento para producción, revisiones de seguridad, pruebas a escala y mantenimiento continuo. Estos activos llegan ya validados, revisados en cuanto a seguridad y con calidad de producción, evitando esa carga de verificación. Cuando los equipos finalmente llegan a producción, han pasado semanas en trabajo pesado no diferenciado, trabajo que debió haber sido reutilizable desde el primer día. AWS Frontier AI Engineering & Services resuelve este desafío mediante activos reutilizables.
Qué es realmente un activo reutilizable
Un activo reutilizable no es un fragmento de código ni un ejemplo. Es un bloque de construcción compuesto y de calidad de producción que implementa una capacidad discreta de IA generativa. Los activos reutilizables se validan en cuanto a calidad y seguridad antes de su publicación. Incluyen guías de implementación claras para facilitar su descubrimiento y están instrumentados para rastrear la adopción en las relaciones con clientes. Estos activos se mantienen a lo largo de su ciclo de vida.
Los ejemplos del catálogo incluyen componentes de pipelines de RAG, módulos de ingesta de documentos, plantillas de estructura para agentes, marcos de evaluación y patrones de gestión de prompts. Los activos se prueban en entornos de producción, se revisan para cumplir con los requisitos de seguridad y se refinan según comentarios reales de los clientes.
Esta es la diferencia entre un artefacto único y un bloque de construcción en el que puede confiar.
Resultados reales: historias de éxito de clientes
El valor de los activos reutilizables no es teórico. Esto es lo que sucede cuando los equipos construyen sobre bases probadas en lugar de comenzar desde cero.
Contact Center GenAI Agent: DoorDash y Lyft
Según el caso de éxito de AWS, DoorDash construyó una solución de centro de contacto de IA generativa de autoservicio operada completamente por voz utilizando el activo Contact Center GenAI Agent . Según lo informado, la solución gestiona más de 100,000 llamadas por día con una latencia de respuesta de 2.5 segundos, logrando un aumento de 50x en la capacidad de pruebas. Usando Amazon Bedrock redujo el tiempo de desarrollo en un 50 por ciento. El equipo alcanzó la preparación para pruebas en vivo en 2 meses.
Lyft utilizó el mismo Contact Center GenAI Agent recurso para dar vida a la IA agéntica para pasajeros y conductores, demostrando la versatilidad del recurso en diferentes modelos de participación del cliente.
El Contact Center GenAI Agent proporciona capacidades automatizadas de respuesta a preguntas tanto para canales de texto como de voz. Emplea una arquitectura RAG para facilitar conversaciones de múltiples turnos manteniendo el contexto. La solución se integra con Amazon Connect y utiliza Amazon Bedrock Knowledge Bases, una capacidad RAG totalmente administrada, para búsqueda híbrida y filtrado de metadatos.
Más información:
GenAI Intelligent Document Processing: Ricoh
Ricoh atiende a grandes pagadores de seguros de salud, organizaciones de atención administrada y proveedores de atención médica. Estos clientes procesan cientos de miles de documentos críticos cada mes, incluidas reclamaciones de seguros, quejas, apelaciones y registros clínicos. A medida que Ricoh crecía para atender a más clientes de salud, necesitaban un enfoque de procesamiento de documentos estandarizado y multiinquilino. Ese enfoque debía permitir incorporar nuevas implementaciones sin requerir desarrollo y ajuste únicos para cada una.
Usando el activo Accelerated Intelligent Document Processing on AWS como base, Ricoh construyó una solución estandarizada y multiinquilino para la clasificación y extracción automatizada de documentos. Esto transformó su procesamiento de documentos, que era un cuello de botella de ingeniería personalizada, en un servicio escalable y repetible.
Resultados: Según lo documentado en el caso de estudio publicado, Ricoh logró un aumento de 7 veces en el rendimiento, de 10,000–70,000 documentos mensuales. Las horas de ingeniería por implementación se redujeron en más del 90 por ciento (de 80 horas a menos de 5). El tiempo de incorporación pasó de 4–6 semanas a 2–3 días. El sistema ahora procesa 1,000 documentos en minutos durante los picos de tráfico, generando más de 1,900 horas-persona potenciales de ahorro anual.
El GenAI IDP Accelerator, presentado en esta entrada de blog de 2025, es una solución serverless y escalable para el procesamiento automatizado de documentos y la extracción de información utilizando servicios de AWS. Este sistema combina el reconocimiento óptico de caracteres (OCR) con IA generativa para convertir documentos no estructurados en datos estructurados a escala. El equipo AWS Frontier AI Engineering & Services también mantiene continuamente los activos.
Más información:
- Entrada de blog: AWS GenAI Intelligent Document Processing (IDP) Accelerator
- Entrada de blog: Cómo Ricoh construyó una solución escalable de procesamiento inteligente de documentos en AWS.
- Código fuente: accelerated-intelligent-document-processing-on-aws
Nuevos activos: Construyendo el futuro de la IA agéntica
Los activos reutilizables se vuelven más valiosos a medida que los equipos trasladan su enfoque de la infraestructura a la lógica de negocio. Dos activos lanzados recientemente demuestran cómo los bloques de construcción reutilizables pueden acelerar el desarrollo de aplicaciones agénticas de próxima generación.
Fullstack AgentCore Solution Template (FAST)
El Fullstack AgentCore Solution Template (FAST) es un repositorio de proyecto inicial. Con FAST, puede implementar rápidamente un frontend React seguro conectado a Amazon Bedrock AgentCore, una plataforma para crear, conectar y optimizar agentes a escala con cualquier framework o modelo. En esta implementación, FAST utiliza un frontend basado en React con la infraestructura administrada de AgentCore para acelerar la creación de aplicaciones agénticas full-stack de semanas a días.
FAST se implementa en menos de 30 minutos utilizando infraestructura como código (IaC), con integraciones integradas para la memoria de AgentCore, una capacidad de Amazon Bedrock AgentCore, junto con Gateway, Code Interpreter y Observability. La autenticación utiliza Amazon Cognito, configurado con las mejores prácticas de seguridad empresarial, y la plantilla está diseñada para el desarrollo asistido por IA con documentación extensa y documentos de guía.
Con FAST, puede acceder a una arquitectura de referencia completa que le muestra cómo se integran las piezas, con una aplicación full-stack funcional de la que puede aprender y sobre la que puede construir. Gracias al diseño modular, puede reemplazar componentes principales (proveedores de identidad, frameworks de frontend, soluciones de alojamiento o frameworks de agentes) a medida que evolucionan sus requisitos.
Más información:
- FullStack AgentCore Solution Template
- Acelere el desarrollo de aplicaciones agénticas con una plantilla de inicio full-stack para Amazon Bedrock AgentCore
Agentic Chatbot Accelerator
El Agentic Chatbot Accelerator es una solución de despliegue de aplicaciones web que utiliza el AWS Cloud Development Kit (AWS CDK) como infraestructura como código para que pueda crear chatbots agénticos. Construido sobre Strands Agents y Amazon Bedrock AgentCore, esta solución agiliza el desarrollo de aplicaciones de chatbots agénticos.
El acelerador proporciona un despliegue rápido mediante AWS CDK, con una gestión escalable del runtime de agentes a través de Strands Agents y Amazon Bedrock AgentCore. Es configurable y extensible para diversos casos de uso de chatbots, con patrones preconfigurados para autenticación, alojamiento y escalado, validados en despliegues de clientes.
Más información:
Tutorial: Uso de un activo de la biblioteca
Veamos un ejemplo concreto de selección y uso del activo Contact Center GenAI Agent del catálogo de código abierto.
Requisitos previos
Para seguir este tutorial, necesita:
- Una cuenta de AWS con permisos para crear stacks de AWS CloudFormation, instancias de Amazon Connect, recursos de Amazon Bedrock y dashboards de Amazon Quick Sight.
- AWS Command Line Interface (AWS CLI) instalada y configurada con las credenciales adecuadas.
- Una instancia de Amazon Connect (o permisos para crear una).
- Acceso a Anthropic Claude Sonnet y Anthropic Claude Haiku en Amazon Bedrock.
- Un entorno de notebooks Jupyter para pruebas de validación.
El escenario
Está construyendo una solución de atención al cliente que necesita gestionar interacciones tanto de voz como de texto, responder preguntas utilizando la base de conocimientos de su empresa y escalar problemas complejos a agentes humanos.
Cómo encontrar el activo
Vaya a Contact Center GenAI Agent en GitHub. El README ofrece una visión clara de las capacidades, la arquitectura y los pasos de despliegue. La siguiente figura muestra la arquitectura de la solución para el Contact Center GenAI Agent.
Figura 1: Arquitectura de la solución para el Contact Center GenAI Agent
Evaluación del activo
El activo incluye código revisado en materia de seguridad con infraestructura como código de AWS CDK, integración con Amazon Connect para voz y chat, y Amazon Bedrock Knowledge Bases, una capacidad RAG totalmente administrada, para responder preguntas. Un framework de pruebas automatizadas y un dashboard de análisis de conversaciones están integrados.
Los controles de IA responsable son integrales a la arquitectura. Amazon Bedrock Guardrails aplica controles de seguridad de nivel de producción, incluida la detección de alucinaciones, el filtrado de contenidos y los límites a nivel de temas, garantizando que los agentes operen dentro de parámetros de seguridad definidos desde el primer día.
El repositorio muestra mantenimiento activo, documentación exhaustiva y enlaces a historias de éxito de clientes (DoorDash, Lyft) que validan su preparación para producción.
Despliegue de la solución
El despliegue sigue cuatro pasos:
- Clona el repositorio e instala las dependencias.
- Despliega dos plantillas de AWS CloudFormation: una para el stack de la Knowledge Base y otra para el stack de la solución RAG.
- Intégralo con Amazon Connect usando los contact flows preconstruidos incluidos en el repositorio.
- Valida el despliegue usando los Jupyter notebooks incluidos.
El proceso completo toma menos de una hora. La solución también incluye un dashboard de Amazon Quick Sight para análisis de conversaciones en tiempo real.
Para instrucciones detalladas de despliegue y requisitos previos, consulta la guía de despliegue.
Limpieza
Para evitar cargos continuos, elimine los recursos creados durante este recorrido. La implementación utiliza dos stacks de AWS CloudFormation, por lo que la eliminación sigue el orden inverso:
- Elimine el stack de la solución RAG desde la consola de AWS CloudFormation.
- Elimine el stack de la Knowledge Base desde la consola de AWS CloudFormation.
- Elimine los contact flows de Amazon Connect creados durante la integración.
- Elimine el dashboard de Amazon Quick Sight y los datasets SPICE asociados.
- Para instrucciones detalladas de limpieza, consulte la guía de implementación.
El resultado
En lugar de pasar semanas construyendo una solución de centro de contacto desde cero, puede desplegar una base revisada en seguridad y probada en cuestión de días. Su equipo se centra en personalizar la base de conocimiento, refinar los prompts para su dominio e integrarse con sus sistemas existentes. Este es el trabajo de alto valor que diferencia su solución.
Tiempo potencialmente ahorrado: 4–6 semanas de tiempo de desarrollo
En qué se enfoca en cambio: Personalización específica del dominio, ingeniería de prompts, integración de lógica de negocio
Acceso a los recursos open source del AWS Generative AI Innovation Center
Puede acceder a 23 recursos reutilizables como open source en GitHub y AWS Labs. Cada recurso incluye guías de implementación, código de ejemplo y documentación para ayudarle a comenzar rápidamente.
Procesamiento y extracción de documentos
- GenAI Intelligent Document Processing (GenAIDP) – Solución serverless y escalable para el procesamiento automatizado de documentos.
- Multi-lingual Document Processor (MDP) – Transforma documentos multimodales complejos en texto estructurado.
- Intelligent Document Processing with Generative AI – Extraiga información de documentos personalizados.
- Extracting Information From Complex Documents – Taller práctico de extracción de documentos.
- Semi-Structured Documents Automatic Pre-Labeling Tool – Automatiza el pre-etiquetado para Amazon Comprehend.
Centro de contacto y voz
- Contact Center GenAI Agent – Respuesta automatizada de preguntas para canales de voz y texto.
- Live Call Analytics with Agent Assist (LCA) – IA generativa en tiempo real para llamadas de voz de clientes y agentes.
- Contact Center: Post Call Analytics (PCA) – Análisis generativo de IA de grabaciones posteriores a la llamada.
- Live Meeting Assistant (LMA) – Captura audio de reuniones basadas en navegador con transcripción y análisis.
- Recorded Voice Insight Extraction Webapp (ReVIEW) – Sube grabaciones y usa IA generativa para responder preguntas.
IA agéntica y chatbots
- Fullstack AgentCore Solution Template (FAST) – Despliega un frontend React seguro con backend AgentCore.
- Agentic Chatbot Accelerator – Despliegue de aplicación web para chatbots agénticos.
- Fashion Assistant Agent – Asistente de moda construido con Amazon Titan en Amazon Bedrock AgentCore.
- Natural Language Database Agent – Consulta bases de datos usando lenguaje natural con LangGraph.
RAG y bases de conocimiento
- Deploy Amazon Bedrock Knowledge Bases using Terraform – Infraestructura como código para Knowledge Bases.
- Leveraging the User to Improve Agents in RAG Use Cases – Herramienta personalizada de LangChain para RAG conversacional.
- Ajuste fino y despliegue de rerankers – Ajuste fino de BAAI BGE Reranker para mejorar la recuperación.
- Almacenamiento en caché semántico duradero en Amazon MemoryDB – Almacenamiento en caché semántico persistente para aplicaciones de GenAI.
Desarrollo y migración
- Conversión de código de C a Java – Flujo de trabajo agéntico para la migración de código heredado.
- Marco de migración de OpenAI – Marco sistemático para la migración de modelos de lenguaje de gran escala (LLM).
- Ajuste fino de ModernBERT para clasificación de intenciones – Cree sistemas inteligentes de enrutamiento de LLM.
Infraestructura y operaciones
- Automatización de registro de Bedrock – Automatice la configuración del registro para Amazon Bedrock.
- BI para analistas de datos – Herramienta de inteligencia empresarial impulsada por IA para no expertos.
Para comenzar:
- Seleccione uno de los activos enumerados anteriormente.
- Revise el README y las guías de despliegue de los activos relevantes para su caso de uso.
- Clone el repositorio y siga las instrucciones de despliegue.
- Personalice el activo según sus requisitos específicos.
- Contacte al equipo de AWS Frontier AI Engineering & Services para obtener asistencia de asesoría.
Conclusión
El costo de reconstruir es real y se acumula. Cuando los equipos reconstruyen pipelines de RAG, recrean la lógica de procesamiento de documentos o comienzan desde cero, esas horas se suman en tiempo de ingeniería que podría haberse dedicado a resolver problemas reales de los clientes.
Un catálogo de activos depurado y validado cambia la economía de la entrega de IA generativa. No haciendo el trabajo por usted, sino asegurándose de que no esté haciendo trabajo que ya se ha realizado. Los 23 activos de código abierto publicados desde 2023 representan miles de horas de ingeniería, docenas de colaboraciones con clientes y countless lecciones aprendidas. Están empaquetados en bloques de construcción que puede desplegar hoy mismo.
Los activos son de código abierto. Las guías de despliegue son completas. Las historias de éxito de los clientes son reales. Comience con un activo que coincida con su desafío actual. Para obtener asistencia de expertos, comuníquese con el AWS Generative AI Innovation Center.