OPLOG, una empresa de cumplimiento impulsada por la tecnología impulsada por inteligencia artificial y robótica, procesa millones de artículos mensualmente en Türkiye, el Reino Unido y Alemania para las principales marcas y mercados globales. Operando un modelo de cumplimiento independiente del cliente donde múltiples marcas comparten infraestructura de almacén, trabajadores y robots autónomos, OPLOG enfrentó un desafío común a muchas organizaciones B2B: los datos comerciales fragmentados en todos los sistemas dieron como resultado información retrasada e informes manuales que consumieron horas de tiempo productivo diariamente.
Para abordar este desafío, OPLOG creó un sistema de inteligencia empresarial (BI) listo para producción utilizando agentes de IA implementados en Amazon Bedrock AgentCore. La solución procesa transacciones comerciales de forma autónoma, brindando inteligencia en tiempo real en toda la gestión del canal de ventas, el control de la calidad de los datos y la investigación de prospectos. Los resultados demuestran un impacto empresarial mensurable: reducción del 35 % en los ciclos de ventas, mejora del 91 % en la integridad de los datos de CRM y reducción del 98 % en el tiempo de investigación manual.
En esta publicación, le mostramos cómo OPLOG desarrolló tres agentes de IA utilizando el SDK de Strands Agents, los implementó en Amazon Bedrock AgentCore e integró Amazon Bedrock con Claude Sonnet de Anthropic y las bases de conocimiento para recuperación (RAG) de Amazon Bedrock. Describimos la arquitectura, el enfoque de implementación y los resultados comerciales que demuestran cómo los agentes de IA pueden transformar las operaciones de BI.
Los desafíos comerciales y de datos de OPLOG
El rápido crecimiento de OPLOG creó una complejidad operativa que los sistemas de BI tradicionales no podían abordar. Los datos de la empresa existían en múltiples sistemas desconectados: Hubspot CRM contenía información sobre el canal de ventas, los sistemas de comunicación almacenaban las conversaciones de los clientes, Microsoft Teams mantenía el contexto de comunicación y los almacenes de Databricks mantenían métricas operativas. Cada sistema operaba de forma independiente, creando silos de datos que impedían una BI integral.
La fragmentación creó puntos débiles operativos específicos. 2 acceder a informes de diferentes sistemas, sintetizar información y preparar actualizaciones. Este proceso manual significó que los conocimientos llegaran demasiado tarde: los informes semanales desaprovecharon el 60 % de las oportunidades porque los acuerdos ya habían progresado o se habían estancado cuando se completó el análisis. La calidad de los datos de CRM se vio afectada cuando los representantes de ventas, abrumados por los requisitos de ingreso manual de datos, ingresaron información de manera inconsistente. Los equipos de operaciones detectaron problemas horas después de que ocurrieran, lo que obligó a respuestas reactivas en lugar de una intervención proactiva.
OPLOG cuantificó costos operativos significativos de BI fragmentado, incluidas oportunidades perdidas debido a conocimientos retrasados, gastos generales de generación de informes manuales que consumen tiempo productivo, calidad de datos inconsistente que afecta las decisiones y operaciones reactivas que obligan a respuestas ineficientes. La empresa necesitaba una solución que pudiera procesar datos de forma autónoma en todos los sistemas, ofrecer inteligencia en tiempo real y eliminar la sobrecarga de informes manuales, manteniendo al mismo tiempo la calidad de los datos y permitiendo una toma de decisiones proactiva.
Descripción general de la solución
OPLOG desarrolló tres agentes de IA, cada uno de ellos centrado en un dominio de BI específico. Los agentes operan de forma independiente sin comunicarse entre sí; cada uno procesa datos de fuentes específicas y ofrece inteligencia específica:
Agente analizador de ofertas: este agente se ejecuta de forma programada y alineada con las operaciones comerciales, analizando las ofertas de Hubspot con actividad reciente. Valida acuerdos con la metodología de ventas de OPLOG, identifica campos faltantes e informa el estado de finalización a Microsoft Teams. El agente facilita la calidad de los datos del canal de ventas y el cumplimiento de la metodología a través de informes diarios automatizados. Agente de asesor de ventas: este agente responde a los eventos del webhook de Hubspot cuando cambian las etapas del acuerdo, validando los campos obligatorios según el modelo de negocio de OPLOG (solo B2C, solo B2B o B2B y B2C) y creando automáticamente tareas para la información faltante. El agente aplica estándares de calidad de datos en tiempo real, lo que ayuda a evitar que los acuerdos avancen con datos incompletos. Agente de Lead Insight: este agente se activa cuando se agregan nuevos clientes potenciales de marketing a Hubspot, analizando la presencia digital del cliente potencial en seis entornos de redes sociales (Instagram, LinkedIn, Facebook, YouTube, Twitter, TikTok). Aplica la metodología de calificación de OPLOG para evaluar la adecuación del perfil de cliente ideal (ICP), compila perfiles integrales con determinación de adecuación y entrega informes de investigación a Microsoft Teams, minimizando la investigación manual de prospectos mientras enfoca la energía de ventas en oportunidades de alto potencial.
La arquitectura utiliza Amazon Bedrock AgentCore como entorno de implementación para los agentes. OPLOG desarrolló agentes utilizando el SDK de Strands Agents, que proporciona el marco para definir el comportamiento de los agentes, herramientas personalizadas y puntos de integración. Cada agente utiliza Amazon Bedrock con Claude Sonnet de Anthropic para realizar inferencias: analizar datos, razonar a través de reglas comerciales y generar conocimientos. Amazon Bedrock Knowledge Bases implementa RAG, lo que permite a los agentes recuperar contexto relevante de manuales de ventas, catálogos de productos y documentos de metodología almacenados en Amazon Simple Storage Service (Amazon S3).
Las funciones de AWS Lambda manejan integraciones de sistemas externos, conectando agentes a Hubspot, Microsoft Teams y fuentes de datos externas. Amazon EventBridge programa ejecuciones de agentes para el agente Deal Analyzer, y los webhooks de Hubspot activan los agentes Sales Coach y Lead Insight en tiempo real. AgentCore Observability proporciona monitoreo integral, seguimiento de invocaciones de agentes, métricas de rendimiento y costos a través de Amazon CloudWatch. OPLOG paga solo por las ejecuciones de agentes, sin infraestructura que administrar. AgentCore Runtime escala automáticamente de cero a miles de sesiones según la carga de trabajo, y las actualizaciones de implementación se realizan sin tiempo de inactividad.
Las siguientes secciones detallan cómo OPLOG implementó cada agente para abordar desafíos de BI específicos. El agente Deal Analyzer proporciona informes de canalización programados, el agente Sales Coach aplica la calidad de los datos en tiempo real y el agente Lead Insight automatiza la investigación de prospectos. Aunque cada agente tiene un propósito distinto, comparten una base técnica común basada en Amazon Bedrock, las bases de conocimiento de Amazon Bedrock y el SDK de Strands Agents, todos implementados en Amazon Bedrock AgentCore.
Agente analizador de acuerdos: informes diarios de calidad de la canalización
Los gerentes de ventas de OPLOG enfrentaron un desafío diario: revisar docenas de ofertas para identificar en cuáles faltaba información. La revisión manual llevaba horas y, a menudo, se pasaban por alto problemas hasta que los acuerdos se estancaban. El agente analizador de acuerdos ayuda a resolver este problema ejecutando análisis automatizados de forma programada, entregando informes completos a Microsoft Teams que resaltan exactamente qué acuerdos necesitan atención.
El siguiente diagrama ilustra la arquitectura del agente:
EventBridge activa Lambda según un cronograma alineado con las operaciones comerciales. Lambda invoca AgentCore Runtime, que ejecuta el agente para analizar las ofertas de Hubspot con actividad reciente. El agente los valida con la metodología OPLOG Way y envía informes formateados a Microsoft Teams.
OPLOG creó el agente utilizando el SDK de Strands Agents con tres herramientas especializadas. La herramienta hubspot_properties() recupera datos y metadatos de ofertas de la API de Hubspot a través de Lambda. La herramienta deal_enrichment() realiza la lógica de validación, analizando acuerdos con la metodología OPLOG Way con reglas específicas del modelo de negocio. La herramienta send_teams() formatea los resultados en informes estructurados y los entrega mediante webhooks. Vea el siguiente código:
La lógica de validación maneja la complejidad del modelo de cumplimiento independiente del cliente de OPLOG. Diferentes acuerdos requieren una validación diferente en función de si son solo B2C, solo B2B o B2B y B2C. Para acuerdos B2C, el agente valida los campos específicos de B2C más los campos obligatorios. Para acuerdos B2B, valida campos específicos de B2B. Para ofertas combinadas, valida ambos campos. La lógica condicional se aplica en todo momento: la validación de volumen requiere al menos un tipo de volumen de inventario para acuerdos B2C, pero requiere volúmenes de salida y de inventario para acuerdos B2B.
El agente utiliza Amazon Bedrock con Claude Sonnet de Anthropic para interpretar reglas comerciales y distinguir entre valores intencionalmente cero y campos faltantes, una decisión matizada que requiere un razonamiento que va más allá de simples comprobaciones nulas. Amazon Bedrock Knowledge Bases almacena la metodología OPLOG Way en Amazon S3 utilizando modelos de integración y bases de datos vectoriales estándar de la industria. Al validar acuerdos, el agente consulta la base de conocimientos con lenguaje natural y Claude de Anthropic aplica el contexto recuperado para determinar las reglas de validación correctas para la etapa y el modelo de negocio de cada acuerdo.
Los informes entregados a Microsoft Teams incluyen el estado de finalización del acuerdo, detalles de campos faltantes, clasificaciones de prioridad y recomendaciones prácticas. Los gerentes de ventas comienzan su día con una visión clara de qué ofertas necesitan atención. La implementación eliminó un tiempo significativo de revisión manual diaria y mejoró la precisión de la etapa en un 91 %. AgentCore Observability realiza un seguimiento del tiempo de procesamiento y del éxito de la entrega de informes a través de CloudWatch.
Agente Coach de Ventas: Validación en tiempo real y automatización de tareas
El agente Sales Coach adopta un enfoque diferente al del agente Deal Analyzer: en lugar de informar sobre los problemas, aplica la calidad de los datos en tiempo real. Cuando los representantes de ventas mueven acuerdos entre etapas, el agente valida inmediatamente los campos obligatorios y crea tareas para la información faltante. Esto ayuda a evitar que los acuerdos avancen con datos incompletos, asegurando que el proceso se mantenga limpio.
El siguiente diagrama ilustra la arquitectura del agente: 
La arquitectura utiliza webhooks de Hubspot para activar Lambda en el momento en que cambian las etapas del acuerdo. Lambda invoca AgentCore Runtime, que valida el acuerdo y crea tareas si es necesario, todo en 10 segundos. Este enfoque basado en webhooks significa que los representantes de ventas pueden obtener comentarios inmediatos cuando intentan avanzar en los acuerdos. El agente utiliza dos herramientas creadas con el SDK de Strands Agents. La herramienta analyse_deal_properties() recupera datos del acuerdo de Hubspot y valida los campos obligatorios según el modelo operativo del acuerdo y la nueva etapa. La herramienta asignar_task() crea tareas de alta prioridad con instrucciones detalladas, las vincula al trato y las asigna al propietario del trato.
Vea el siguiente código:
La lógica de validación refleja las reglas del modelo de negocio del agente analizador de acuerdos, pero opera en un único acuerdo en tiempo real en lugar de procesarlo por lotes. El agente utiliza la misma base de conocimientos de Amazon Bedrock que almacena la metodología OPLOG Way y la consulta para determinar qué campos son necesarios para la combinación de etapa específica y modelo de negocio. Claude Sonnet de Anthropic interpreta estas reglas y hace la distinción crítica entre valores intencionalmente cero y campos faltantes.
Las descripciones de las tareas son específicas y procesables. En lugar de mensajes genéricos de "completar campos faltantes", las tareas especifican exactamente qué campos deben completarse, por qué son necesarios para la etapa actual y orientación sobre cómo completarlos. Esta claridad ayuda a los representantes de ventas a resolver problemas rápidamente sin necesidad de consultar documentación o preguntar a los gerentes.
La implementación mejoró la calidad de los acuerdos en un 91 % y logró más del 96 % de finalización de campo. El tiempo de respuesta promedia menos de 10 segundos desde el cambio de etapa hasta la creación de la tarea, con más del 99,2 % de éxito en la creación de tareas y más del 97 % de precisión de validación monitoreada a través de CloudWatch.
Lead Insight Agent: investigación de prospectos automatizada
Los representantes de ventas de OPLOG solían dedicar mucho tiempo a investigar cada nuevo cliente potencial: buscando manualmente en LinkedIn, revisando los sitios web de la empresa, revisando la presencia en las redes sociales y tratando de comprender el modelo de negocio. Lead Insight Agent automatiza todo este proceso y ayuda a ofrecer perfiles completos entre 2 y 5 minutos después de agregar un nuevo contacto a Hubspot.
El siguiente diagrama ilustra la arquitectura del agente:
La arquitectura utiliza webhooks de Hubspot para activar Lambda cuando se agregan nuevos contactos. Lambda invoca AgentCore Runtime con los datos de contacto y el agente busca en seis entornos de redes sociales en paralelo: Instagram, LinkedIn, Facebook, YouTube, Twitter y TikTok. Después de analizar la presencia digital, entrega un informe completo a Microsoft Teams.
El agente utiliza AgentCore Browser para descubrir redes sociales. AgentCore Browser maneja la navegación web, la representación de JavaScript y la extracción de contenido, lo que alivia la necesidad de una infraestructura de web scraping personalizada. El agente proporciona consultas de búsqueda y patrones de URL (por ejemplo, sitio:linkedin.com/in/ [nombre] [empresa] para LinkedIn) y AgentCore Browser devuelve contenido estructurado de cada entorno. Es mantenido por AWS, maneja protecciones anti-bot y escala automáticamente con invocaciones de agentes.
Lo que hace que este agente sea valioso además de sus capacidades de recopilación de datos es su análisis. Amazon Bedrock con Claude Sonnet de Anthropic analiza el contenido extraído para identificar perfiles relevantes, resumir la presencia digital y generar recomendaciones de enfoque personalizadas. El agente aplica la metodología de calificación de OPLOG para evaluar el ajuste de ICP, determinando si el cliente potencial coincide con las características del cliente objetivo de OPLOG según el modelo de negocio, la industria y la huella digital.
Esta evaluación de ICP cambia la forma en que trabajan los equipos de ventas. En lugar de tratar a los clientes potenciales por igual, pueden priorizar las oportunidades de alto potencial. Los informes incluyen presencia en las redes sociales en los seis entornos, análisis de contenido que muestra lo que el cliente potencial comparte y discute, información sobre el modelo de negocio derivada de su huella digital, determinación de ajuste de ICP con razonamiento y recomendaciones de próximos pasos para un alcance personalizado.
La implementación redujo el tiempo de investigación de prospectos en un 98 %, al tiempo que proporcionó información más completa que la investigación manual. El agente logra más del 92 % de éxito en el descubrimiento de redes sociales y más del 88 % de accesibilidad al sitio web. Los equipos de ventas informan tasas de participación más altas en el contacto inicial porque tienen un contexto relevante antes de establecer el contacto. AgentCore Observability realiza un seguimiento del tiempo de análisis, la cobertura y el éxito de la entrega de Teams (más del 99,5 %) a través de CloudWatch.
Impacto empresarial y resultados técnicos
El rendimiento de las ventas mejoró significativamente. Los ciclos de negociación promedio disminuyeron en un 35%. Las tasas de conversión de clientes potenciales aumentaron un 28%. La integridad de los datos de CRM mejoró del 102%. El tiempo de presentación de informes diarios disminuyó en un 92%. La productividad de los representantes de ventas aumentó en un 40%.
Las ganancias en eficiencia operativa fueron igualmente sustanciales. El tiempo de detección de problemas disminuyó en un 81%. El tiempo de respuesta de resolución mejoró en un 83%. El cumplimiento del proceso aumentó en un 52%. La velocidad de toma de decisiones se aceleró en un 70%.
Las métricas de rendimiento técnico demuestran una confiabilidad de nivel de producción. El sistema ofrece un rendimiento casi en tiempo real con una disponibilidad del 99,9 %. El sistema procesa miles de eventos comerciales diarios entre los agentes. La rentabilidad se logra a través de una arquitectura sin servidor que escala con el uso, con costos de infraestructura significativamente más bajos que los de los sistemas tradicionales.
Las mejoras en la eficiencia operativa generaron un retorno de la inversión medible que superó significativamente los costos de infraestructura del sistema de agentes de IA.
Conclusión
La implementación de OPLOG demuestra cómo los agentes de IA implementados en Amazon Bedrock AgentCore pueden transformar las operaciones de BI. El sistema procesa miles de transacciones comerciales diarias de forma autónoma, lo que ofrece ciclos de ventas un 35 % más rápidos, una reducción del tiempo de generación de informes del 92 % y un tiempo de actividad del 99,9 %. La rentabilidad de la arquitectura sin servidor, que representa una reducción significativa en comparación con la infraestructura tradicional, hace que la BI avanzada impulsada por IA sea accesible y escalable.
"Creíamos que la IA podría transformar las operaciones comerciales por completo. Con Amazon Bedrock AgentCore como nuestra base, no solo estamos mejorando los ciclos de ventas, sino que estamos redefiniendo cómo las empresas de cumplimiento compiten a escala". dice Halit Develioğlu, fundador y director ejecutivo de OPLOG.
El éxito de la solución se debe a varias decisiones arquitectónicas: el uso de Amazon Bedrock AgentCore para la implementación de agentes elimina los gastos generales de administración de la infraestructura; la implementación de RAG con Amazon Bedrock Knowledge Bases separa la lógica empresarial del código del agente, lo que permite actualizaciones sin reimplementación; el uso de Claude Sonnet de Anthropic para la inferencia proporciona las capacidades de razonamiento necesarias para la interpretación de reglas comerciales complejas; y la integración de EventBridge para la programación y los activadores basados en eventos permite la ejecución de agentes tanto automatizada como en tiempo real.
OPLOG continúa expandiendo el sistema con agentes adicionales, capacidades multimodales para procesar imágenes y documentos, y ajustes personalizados para optimizar el comportamiento de los agentes para contextos comerciales específicos. La hoja de ruta de la compañía incluye capacidades operativas y comerciales adicionales de IA actualmente en desarrollo.
Las organizaciones interesadas en crear soluciones de agentes de IA similares pueden comenzar con Amazon Bedrock AgentCore explorando la guía para desarrolladores, experimentando con el SDK de Strands Agents para crear un prototipo de un agente para un proceso comercial específico e implementándolo en el tiempo de ejecución sin servidor de AgentCore. El modelo de pago por ejecución significa que los equipos pueden comenzar poco a poco y escalar a medida que validan los resultados.
Para obtener más información sobre Amazon Bedrock AgentCore, explore la Guía para desarrolladores de Amazon Bedrock AgentCore. Para obtener información sobre cómo crear agentes de IA con el SDK de Strands Agents, consulte la documentación de Strands. Para explorar las bases de conocimientos de Amazon Bedrock para implementaciones de RAG, consulte la Guía del usuario de las bases de conocimientos de Amazon Bedrock.
Sobre los autores
Eren Tuncer
Eren es un arquitecto de soluciones en AWS centrado en Serverless y en la creación de aplicaciones de IA generativa. Con más de quince años de experiencia en arquitectura y desarrollo de software, ayuda a los clientes a alcanzar sus objetivos comerciales utilizando las mejores prácticas de tecnología en la nube.
Emre Keskin
Emre es ingeniero de personal en OPLOG, una empresa de cumplimiento de comercio electrónico. Se especializa en el desarrollo de productos basados en datos, diseñando plataformas de datos de extremo a extremo que permiten una toma de decisiones más rápida e inteligente a escala. Dirige equipos multifuncionales que crean soluciones de inteligencia artificial escalables y sistemas de inteligencia operativa en tiempo real.
Arda Develioğlu
Arda es CTO en OPLOG. Lidera la visión tecnológica y la organización de ingeniería detrás de la plataforma de inteligencia artificial y robótica patentada de OPLOG.
Ilknur Tendurust Ustuner
Ilknur es arquitecto de soluciones en AWS con 20 años de experiencia en TI, incluida más de una década especializándose en tecnologías de la nube. Aporta una profunda experiencia técnica a su función, ayudando a las organizaciones a utilizar todo el potencial de los servicios de AWS. Ilknur ofrece soluciones agentes especializadas que ayudan a los clientes a innovar y transformar sus negocios.
Orkun Torun
Orkun es arquitecto de soluciones en AWS. Ayuda a los clientes de toda la región MENAT a diseñar e implementar soluciones de IA/ML que utilizan todas las capacidades de los servicios de AWS. Se especializa en ayudar a las organizaciones a crear, implementar y escalar cargas de trabajo de aprendizaje automático en AWS. También contribuye a las mejores prácticas arquitectónicas como parte del equipo de Field Solutions Architecture.