Esta publicación está coescrita con James Luo de BGL.
El análisis de datos se está convirtiendo en un caso de uso de alto impacto para los agentes de IA. Según el Informe sobre el estado de los agentes de IA de 2026 de Anthropic, el 60 % de las organizaciones clasifican el análisis de datos y la generación de informes como sus aplicaciones de IA agentes de mayor impacto. El 65% de las empresas lo citan como una máxima prioridad. En la práctica, las empresas enfrentan dos desafíos comunes:
Los usuarios empresariales sin conocimientos técnicos dependen de equipos de datos para realizar consultas, lo que lleva mucho tiempo y crea un cuello de botella. Las soluciones tradicionales de texto a SQL no proporcionan resultados consistentes y precisos.
Como muchas otras empresas, BGL enfrentó desafíos similares con su análisis de datos y casos de uso de informes. BGL es un proveedor líder de soluciones de administración de fondos de jubilación autogestionados (SMSF) que ayudan a las personas a gestionar el complejo cumplimiento y presentación de informes de sus propios ahorros para la jubilación o los de un cliente, y presta servicios a más de 12.700 empresas en 15 países. La solución de BGL procesa datos financieros y de cumplimiento complejos a través de más de 400 tablas de análisis, cada una de las cuales representa un dominio comercial específico, como comentarios agregados de los clientes, desempeño de las inversiones, seguimiento del cumplimiento e informes financieros. Los clientes y empleados de BGL necesitan encontrar información a partir de los datos. Por ejemplo, ¿qué productos tuvieron los comentarios más negativos el último trimestre? o Muéstreme tendencias de inversión para cuentas de alto patrimonio neto. Al trabajar con Amazon Web Services (AWS), BGL creó un agente de inteligencia artificial utilizando Claude Agent SDK alojado en Amazon Bedrock AgentCore. Al utilizar el agente de IA, los usuarios empresariales pueden recuperar información analítica a través del lenguaje natural y al mismo tiempo alinearse con los requisitos de seguridad y cumplimiento de los servicios financieros, incluido el aislamiento de sesiones y los controles de acceso basados en identidad.
En esta publicación de blog, exploramos cómo BGL creó su agente de IA listo para producción utilizando Claude Agent SDK y Amazon Bedrock AgentCore. Cubrimos tres aspectos clave de la implementación de BGL:
Por qué construir una base de datos sólida es esencial para soluciones confiables de texto a SQL basadas en agentes de IA Cómo BGL diseñó su agente de IA usando Claude Agent SDK para la ejecución de código, administración de contexto y experiencia en dominios específicos Cómo BGL usó AgentCore para proporcionar las sesiones de ejecución con estado ideales en producción para un agente de IA más seguro y escalable.
Configuración de bases de datos sólidas para una solución de texto a SQL basada en agentes de IA
Cuando los equipos de ingeniería implementan un agente de IA para casos de uso de análisis, un antipatrón común es hacer que el agente se encargue de todo, incluida la comprensión de los esquemas de las bases de datos, la transformación de conjuntos de datos complejos, la clasificación de la lógica empresarial para los análisis y la interpretación de los resultados. Es probable que el agente de IA produzca resultados inconsistentes y falle al unir tablas incorrectamente, omitir casos extremos o producir agregaciones incorrectas.
BGL utilizó su solución madura de big data existente impulsada por Amazon Athena y dbt Labs para procesar y transformar terabytes de datos sin procesar en varias fuentes de datos comerciales. El proceso de extracción, transformación y carga (ETL) crea tablas analíticas y cada tabla responde a una categoría específica de preguntas comerciales. Esas tablas son conjuntos de datos agregados y desnormalizados (con métricas y resúmenes) que sirven como una única fuente de verdad lista para el negocio para herramientas de inteligencia empresarial (BI), agentes de IA y aplicaciones. Para obtener detalles sobre cómo crear una arquitectura de transformación de datos sin servidor con Athena y dbt, consulte Cómo BMW Group creó una arquitectura de transformación de datos sin servidor a escala de terabytes con dbt y Amazon Athena.
La función del agente de IA es manejar la transformación de datos complejos dentro del sistema de datos enfocándose en interpretar las preguntas en lenguaje natural del usuario, traducirlas y generar consultas SQL SELECT en tablas analíticas bien estructuradas. Cuando es necesario, el agente de IA escribe scripts de Python para procesar aún más los resultados y generar visualizaciones. Esta separación de preocupaciones reduce significativamente el riesgo de alucinaciones y ofrece varios beneficios clave:
Coherencia: el sistema de datos maneja la lógica empresarial compleja de una manera más determinista: el equipo de datos valida las uniones, agregaciones y reglas comerciales con anticipación. La tarea del agente de IA se vuelve sencilla: interpretar preguntas y generar consultas SELECT básicas en esas tablas. Rendimiento: las tablas analíticas están preagregadas y optimizadas con índices adecuados. El agente realiza consultas básicas en lugar de uniones complejas entre tablas sin formato, lo que da como resultado un tiempo de respuesta más rápido incluso para conjuntos de datos grandes. Mantenibilidad y gobernanza: la lógica empresarial reside en el sistema de datos, no en la ventana contextual de la IA. Esto ayuda a garantizar que el agente de IA dependa de la misma fuente única de verdad que otros consumidores, como las herramientas de BI. Si una regla comercial cambia, el equipo de datos actualiza la lógica de transformación de datos en dbt y el agente de IA consume automáticamente las tablas analíticas actualizadas que reflejan esos cambios.
"Muchas personas piensan que el agente de IA es tan poderoso que pueden saltarse la construcción de la plataforma de datos; quieren que el agente haga todo. Pero no se pueden lograr resultados consistentes y precisos de esa manera. Cada capa debe resolver la complejidad en el nivel apropiado".
– James Luo, jefe de datos e inteligencia artificial de BGL
Cómo BGL crea agentes de IA utilizando Claude Agent SDK con Amazon Bedrock
El equipo de desarrollo de BGL ha estado utilizando Claude Code impulsado por Amazon Bedrock como su asistente de codificación de IA. Esta integración utiliza acceso temporal basado en sesiones para mitigar la exposición de las credenciales y se integra con los proveedores de identidad existentes para alinearse con los requisitos de cumplimiento de los servicios financieros. Para obtener detalles sobre la integración, consulte la Guía para Claude Code con Amazon Bedrock.
A través del uso diario del Código Claude, BGL reconoció que sus capacidades principales se extienden más allá de la codificación. BGL utilizó su capacidad para razonar a través de problemas complejos, escribir y ejecutar código e interactuar con archivos y sistemas de forma autónoma. Claude Agent SDK empaqueta las mismas capacidades de agente en un SDK de Python y TypeScript, para que los desarrolladores puedan crear agentes de IA personalizados sobre Claude Code. Para BGL, esto significó que podían crear un agente de análisis de inteligencia artificial con:
Ejecución de código: el agente escribe y ejecuta código Python para procesar conjuntos de datos devueltos por tablas analíticas y generar visualizaciones. Gestión automática del contexto: las sesiones de larga duración no sobrepasan los límites de los tokens. Ejecución en espacio aislado: aislamiento de nivel de producción y controles de permisos. Memoria y conocimientos modulares: un archivo CLAUDE.md para el contexto del proyecto y habilidades del agente para experiencia específica del dominio de la línea de productos.
Por qué es importante la ejecución de código para el análisis de datos
Las consultas de análisis suelen devolver miles de filas y, a veces, más de megabytes de datos. Los patrones de uso de herramientas estándar, llamada de funciones y Protocolo de contexto del modelo (MCP) a menudo pasan los datos recuperados directamente a la ventana de contexto, que alcanza rápidamente los límites de la ventana de contexto del modelo. BGL implementó un enfoque diferente: el agente escribe SQL para consultar Athena, luego escribe código Python para procesar los resultados del archivo CSV directamente en su sistema de archivos. Esto permite al agente manejar grandes conjuntos de resultados, realizar agregaciones complejas y generar gráficos sin alcanzar los límites de la ventana de contexto. Puede obtener más información sobre los patrones de ejecución de código en Ejecución de código con MCP: creación de agentes más eficientes.
Arquitectura modular del conocimiento
Para manejar las diversas líneas de productos y el complejo conocimiento del dominio de BGL, la implementación utiliza un enfoque modular con dos tipos de configuración clave que funcionan juntos a la perfección.
CLAUDE.md (contexto del proyecto)
El archivo CLAUDE.md proporciona al agente un contexto global: la estructura del proyecto, la configuración del entorno (prueba, producción, etc.) y, fundamentalmente, cómo ejecutar consultas SQL. Define qué carpetas almacenan los resultados intermedios y finales, asegurándose de que los archivos lleguen a una ruta de archivo definida a la que los usuarios puedan acceder. El siguiente diagrama muestra la estructura de un archivo CLAUDE.md:
SKILL.md (Experiencia en el dominio del producto)
BGL organiza el conocimiento del dominio de sus agentes por líneas de productos utilizando los archivos de configuración SKILL.md. Cada habilidad actúa como un analista de datos especializado para un producto específico. Por ejemplo, el producto BGL CAS 360 tiene una habilidad llamada agente analista de datos CAS360, que maneja la gestión de empresas y fideicomisos con alineación de cumplimiento de ASIC; mientras que el producto Simple Fund 360 de BGL tiene una habilidad llamada agente Simple Fund 360 Data Analyst, que está equipada con administración de SMSF y habilidades de dominio relacionadas con el cumplimiento. Un archivo SKILL.md define tres cosas:
Cuándo activar: Qué tipos de preguntas deben activar esta habilidad Qué tablas usar o asignar: Referencias a las tablas analíticas relevantes en la carpeta de datos (como se muestra en la figura anterior) Cómo manejar escenarios complejos: Guía paso a paso para consultas de varias tablas o preguntas comerciales específicas, si es necesario
Al utilizar archivos SKILL.md, el agente puede descubrir y cargar dinámicamente la habilidad adecuada para obtener experiencia en un dominio específico para las tareas correspondientes.
Contexto unificado: cuando se activa una habilidad, Claude Agent SDK fusiona dinámicamente sus instrucciones especializadas con el archivo global CLAUDE.md en un único mensaje. Esto permite al agente aplicar simultáneamente estándares para todo el proyecto (por ejemplo, guardar siempre en el disco) mientras utiliza conocimientos específicos del dominio (como asignar preguntas de los usuarios a un grupo de tablas). Descubrimiento progresivo: no es necesario cargar todas las habilidades en la ventana contextual a la vez. El agente primero lee la consulta para determinar qué habilidad debe activarse. Carga el cuerpo de habilidades y las referencias para comprender qué metadatos de tabla analítica son necesarios. Luego explora más a fondo las carpetas de datos correspondientes. Esto mantiene el uso del contexto eficiente al tiempo que proporciona una cobertura integral. Refinamiento iterativo: si el agente de IA no puede manejar algunos conocimientos comerciales debido a la falta de nuevos conocimientos de dominio, el equipo recopilará comentarios de los usuarios, identificará las brechas y agregará nuevos conocimientos a las habilidades existentes mediante un proceso humano en el circuito para que las habilidades se actualicen y refinen de forma iterativa.
Como se muestra en la figura anterior, las habilidades de los agentes están organizadas por línea de productos. Cada carpeta de producto contiene un archivo de definición SKILL.md y un directorio de referencias con más conocimientos del dominio y materiales de soporte que el agente carga según demanda.
Para obtener detalles sobre Anthropic Agent Skills, consulte la publicación del blog de Anthropic, agentes para el mundo real con Agent Skills.
Arquitectura de solución de alto nivel
Para ofrecer una experiencia de texto a SQL más segura y escalable, BGL utiliza Amazon Bedrock AgentCore para alojar el SDK de Claude Agent y al mismo tiempo mantener la transformación de datos en la solución de big data existente.
La figura anterior ilustra una arquitectura y un flujo de trabajo de alto nivel. Las tablas analíticas se crean previamente diariamente utilizando Athena y dbt, y sirven como única fuente de verdad. Una interacción de usuario típica fluye a través de las siguientes etapas:
Solicitud de usuario: un usuario hace una pregunta comercial usando Slack (por ejemplo, ¿Qué productos tuvieron la retroalimentación más negativa el último trimestre?). Descubrimiento de esquemas y generación de SQL: el agente identifica tablas relevantes utilizando habilidades y escribe consultas SQL. Validación de seguridad de SQL: para ayudar a evitar la modificación no deseada de los datos, una capa de seguridad solo permite consultas SELECCIONAR y bloquea las operaciones ELIMINAR, ACTUALIZAR y DROP. Ejecución de consultas: Athena ejecuta la consulta y almacena los resultados en Amazon Simple Storage Service (Amazon S3). Descarga de resultados: el agente descarga el archivo CSV resultante en el sistema de archivos de AgentCore, omitiendo por completo la ventana contextual para evitar límites de tokens. Análisis y visualización: el agente escribe código Python para analizar el archivo CSV y generar visualizaciones o conjuntos de datos refinados según la pregunta comercial. Entrega de respuesta: las visualizaciones y conocimientos finales se formatean y se devuelven al usuario en Slack.
Por qué utilizar Amazon Bedrock AgentCore para alojar el SDK de Claude Agent
La implementación de un agente de IA que ejecuta código Python arbitrario requiere importantes consideraciones de infraestructura. Por ejemplo, necesita aislamiento para ayudar a garantizar que no haya acceso entre sesiones a datos o credenciales. Amazon Bedrock AgentCore proporciona sesiones de ejecución con estado totalmente administradas; cada sesión tiene su propia microVM aislada con una CPU, memoria y sistema de archivos independientes. Cuando finaliza una sesión, la microVM finaliza por completo y desinfecta la memoria, lo que ayuda a garantizar que no queden restos para sesiones futuras. BGL encontró este servicio especialmente valioso:
Sesión de ejecución con estado: AgentCore mantiene el estado de la sesión por hasta 8 horas. Los usuarios pueden mantener conversaciones continuas con el agente, consultando consultas anteriores sin perder el contexto. Flexibilidad del marco: es independiente del marco. Admite la implementación de agentes de IA como Strands Agents SDK, Claude Agent SDK, LangGraph y CrewAI con unas pocas líneas de código. Alineado con las mejores prácticas de seguridad: proporciona aislamiento de sesiones, compatibilidad con VPC, AWS Identity and Access Management (IAM) o identidad basada en OAuth para facilitar operaciones de agentes gobernadas y alineadas con el cumplimiento a escala. Integración del sistema: esta es una consideración prospectiva.
"Hay herramientas de puerta de enlace, memoria y navegador, todo un ecosistema creado en torno a ellas. Sé que AWS está invirtiendo en esta dirección, por lo que todo lo que construimos ahora puede integrarse con estos servicios en el futuro".
– James Luo, director de datos e inteligencia artificial de BGL.
BGL ya está planeando integrar AgentCore Memory para almacenar las preferencias del usuario y los patrones de consulta.
Resultados e impacto
Para los más de 200 empleados de BGL, esto representa un cambio significativo en la forma en que extraen inteligencia empresarial. Los gerentes de producto ahora pueden validar hipótesis al instante sin tener que esperar al equipo de datos. Los equipos de cumplimiento pueden detectar tendencias de riesgo sin aprender SQL. Los administradores de éxito del cliente pueden obtener análisis específicos de la cuenta en tiempo real durante las llamadas de los clientes. Esta democratización del acceso a los datos ayuda a transformar el análisis de un cuello de botella a una ventaja competitiva, lo que permite una toma de decisiones más rápida en toda la organización y al mismo tiempo libera al equipo de datos para centrarse en iniciativas estratégicas en lugar de solicitudes de consulta únicas.
Conclusión y conclusiones clave
El viaje de BGL demuestra cómo la combinación de una base de datos sólida con IA agente puede democratizar la inteligencia empresarial. Al utilizar Amazon Bedrock AgentCore y Claude Agent SDK, BGL creó un agente de IA más seguro y escalable que permite a los empleados aprovechar sus datos para responder preguntas comerciales. Aquí hay algunas conclusiones clave:
Invierta en una base de datos sólida: la precisión comienza con una base de datos sólida. Al utilizar el sistema de datos y la canalización de datos para manejar una lógica empresarial compleja (uniones y agregaciones), el agente puede centrarse en una lógica básica y confiable. Organice el conocimiento por dominio: utilice las habilidades del agente para encapsular la experiencia en un dominio específico (por ejemplo, derecho tributario o desempeño de inversiones). Esto mantiene la ventana de contexto limpia y manejable. Además, establezca un circuito de retroalimentación: supervise continuamente las consultas de los usuarios para identificar lagunas y actualice iterativamente estas habilidades. Utilice la ejecución de código para el procesamiento de datos: evite utilizar un agente para procesar grandes conjuntos de datos utilizando un contexto de modelo de lenguaje grande (LLM). En su lugar, indique al agente que escriba y ejecute código para filtrar, agregar y visualizar datos. Elija una infraestructura con estado y basada en sesiones para alojar el agente: el análisis conversacional requiere un contexto persistente. Amazon Bedrock AgentCore simplifica esto al proporcionar persistencia de estado integrada (sesiones de hasta 8 horas), lo que alivia la necesidad de crear capas de manejo de estado personalizadas además de la computación sin estado.
Si está listo para crear capacidades similares para su organización, comience explorando el SDK de Claude Agent y una breve demostración de la implementación del SDK de Claude Agent en Amazon Bedrock AgentCore Runtime. Si tiene un caso de uso similar o necesita ayuda para diseñar su arquitectura, comuníquese con su equipo de cuentas de AWS.
Referencias:
Sobre los autores
Dustin Liu es arquitecto de soluciones en AWS y se centra en respaldar nuevas empresas de servicios financieros y seguros (FSI) y empresas SaaS. Tiene una experiencia diversa que abarca ingeniería de datos, ciencia de datos y aprendizaje automático, y le apasiona aprovechar la IA/ML para impulsar la innovación y la transformación empresarial.
Melanie Li, PhD, es arquitecta sénior de soluciones especializada en IA generativa en AWS con sede en Sydney, Australia, donde se centra en trabajar con los clientes para crear soluciones que aprovechen las herramientas de aprendizaje automático e IA de última generación. Ha participado activamente en múltiples iniciativas de IA generativa en APJ, aprovechando el poder de los modelos de lenguaje grande (LLM). Antes de unirse a AWS, el Dr. Li ocupó puestos de ciencia de datos en las industrias financiera y minorista.
Frank Tan es arquitecto senior de soluciones en AWS y tiene especial interés en la IA aplicada. Con experiencia en desarrollo de productos, su motivación es unir la tecnología y el éxito empresarial.
James Luo es jefe de datos e inteligencia artificial en BGL Corporate Solutions, un proveedor líder mundial de software de cumplimiento para contadores y profesionales financieros. Desde que se unió a BGL en 2008, James ha pasado de desarrollador a arquitecto hasta su puesto de liderazgo actual, encabezando las iniciativas de plataforma de datos y Roni AI Agent. En 2015, formó el equipo de BigData de BGL, implementando el primer modelo de aprendizaje profundo en la industria SMSF (2017), que ahora procesa más de 200 millones de transacciones al año. Ha hablado en Big Data & AI World y en AWS Summit, y el trabajo de IA de BGL ha aparecido en múltiples estudios de casos de AWS.
El Dr. James Bland es un líder tecnológico con más de 30 años impulsando la transformación de la IA a escala. Tiene un doctorado en Ciencias de la Computación con especialización en aprendizaje automático y lidera iniciativas estratégicas de IA en AWS, lo que permite a las empresas adoptar ciclos de vida de desarrollo y capacidades de agencia impulsados por IA. El Dr. Bland encabezó la iniciativa AI-SDLC, fue autor de guías completas sobre IA generativa en el SDLC y ayuda a las empresas a diseñar soluciones de IA a escala de producción que transforman fundamentalmente la forma en que operan las organizaciones en un mundo en el que la IA es lo primero.