Los servicios profesionales de AWS (AWS ProServe) comprimieron los cronogramas de participación de meses a días, no agregando herramientas de inteligencia artificial (IA) a un proceso existente, sino reconstruyendo fundamentalmente la forma en que realizamos entregas desde adentro hacia afuera. El cambio refleja lo que mi colega Swami Sivasubramanian describió en How Frontier Teams Are Reinventing AI-Native Development: las ganancias reales de productividad provienen de reimaginar cómo se construye el software, no de superponer la IA en los flujos de trabajo existentes.
En esta publicación, compartiré cómo AWS ProServe se convirtió en un equipo de vanguardia, las prácticas que lo permitieron y lo que su organización de ingeniería puede aprovechar de nuestra experiencia.
Un compañero que ya lo ha hecho
Formar un equipo de vanguardia es algo que toda organización puede hacer. Para los clientes que desean ayuda para acelerar, AWS ProServe es un socio cuyos consultores ya han absorbido el desarrollo nativo de IA en su forma de trabajar todos los días.
El desarrollo nativo de IA avanza a un ritmo para el que las cadencias de consultoría tradicionales no estaban diseñadas. El trabajo que solía durar meses se comprime en días y el ritmo cambia en consecuencia: bucles más cerrados, retroalimentación más rápida, más decisiones tomadas en el flujo de la construcción. Ayudar a un cliente a operar a ese ritmo requiere consultores que sepan qué decisiones pueden tomarse rápidamente, cuáles necesitan un juicio humano cuidadoso y cómo mantener alta la calidad cuando la ejecución se acelera. Esa intuición surge al hacer el trabajo.
Nuestro impulsor reflejaba lo que Swami describió: consultores libres de gastos generales no relacionados con la codificación (documentación, coordinación, informes de estado, andamios repetitivos) que consumían la mayor parte de cada compromiso. Esto permite que el juicio humano se centre en dónde realmente influye en los resultados. Entonces hicimos lo que hacen los equipos fronterizos. Invertimos en el contexto de los agentes, reestructuramos el trabajo en torno a lo que los agentes hacen bien y dejamos de tratar a la IA como una asistente. Empezamos a tratarlo como una base.
Nuestro equipo pionero: APEX
El blog de Swami describe tres caminos que tomaron los equipos de Amazon hacia el desarrollo nativo de IA: una iniciativa pionera, un sprint estructurado y un experimento in situ. AWS ProServe comenzó como pionero.
Nuestro equipo de Agentic AI ProServe Experiences (APEX) tenía un único mandato: rediseñar la forma en que ProServe ofrece resultados. APEX creó ProServe Delivery Agent, un sistema multiagente que abarca requisitos, validación de arquitectura, implementación, revisión de seguridad, pruebas e implementación. Un agente supervisor organiza subagentes especializados en cada fase del ciclo de vida.
El agente de entrega es la forma en que ProServe implementa AI-DLC, el ciclo de vida de desarrollo impulsado por IA. AI-DLC fue creado por equipos de campo de AWS, desarrollado y perfeccionado a través de cientos de talleres prácticos para clientes. El desarrollo nativo de IA es la base. AI-DLC es el proceso creado por AWS para ejecutarlo durante todo el ciclo de vida de entrega, para nosotros y nuestros clientes.
APEX probó el modelo en sus propias cargas de trabajo de producción. El agente de entrega ahora trabaja junto con consultores humanos en compromisos a nivel mundial, y los patrones validados por APEX se están convirtiendo en el movimiento de entrega predeterminado en ProServe. Esto no es un piloto. Así es como entregamos a escala.
Cómo rediseñamos el movimiento de entrega
Un compromiso típico de ProServe solía seguir un ritmo de consultoría familiar: descubrimiento en documentos extensos, decisiones arquitectónicas debatidas en talleres, implementación en cadencias de sprint, pruebas y seguridad en los límites de las fases. Cada transferencia introdujo un retraso y cada artefacto se escribió solo para consumo humano.
El rediseño cambió cada paso. Los requisitos pasaron de la prosa a especificaciones estructuradas que tanto los humanos como los agentes pueden leer, convirtiéndose en la fuente de la verdad en lugar de un subproducto. Los estándares arquitectónicos y las lecciones de compromisos pasados se codificaron en archivos directivos a los que los agentes recurren continuamente. La implementación pasó de ser colaboradores que trabajaban en serie en tickets a consultores que suministraban tareas bien definidas a múltiples agentes en paralelo. Las pruebas y la revisión de seguridad pasaron al ciclo de compilación, con los agentes validando los resultados localmente y autocorrigiéndolos antes de que comience cualquier revisión humana. Los informes de estado y los gastos generales de coordinación desaparecieron en gran medida.
El efecto neto: flujo continuo, con el juicio humano concentrado en la priorización, la validación y las decisiones de alto riesgo.
Construyendo el agente de entrega usando el agente de entrega
APEX crea el agente de entrega utilizando las mismas prácticas nativas de IA que ofrece a los clientes. Una solicitud de función ingresa al sistema. Los agentes generan tickets estructurados, producen código y ejecutan pruebas automatizadas a través de nuestro canal DevOps integrado en GitLab. Tras la revisión y aprobación humana, el cambio se implementa.
Los humanos manejan el juicio: priorizando, validando la calidad, aprobando decisiones de alto riesgo. Los agentes manejan los andamios. Las decisiones de bajo riesgo se toman de forma autónoma. Las puertas humanas se concentran donde importa el juicio.
A medida que los equipos de entrega de ProServe adoptan el Agente de entrega en los compromisos, retroalimentan los aprendizajes, haciéndolos más precisos en cada proyecto. Así es como construye Amazon. Utilizamos nuestros propios productos, vemos qué se estropea y lo reparamos.
Cinco prácticas que hacen que esto funcione
Las cinco prácticas del blog de Swami ahora definen cómo ejecutamos AI-DLC dentro de ProServe:
Reducir la velocidad para acelerar. Los equipos de frontera invierten antes de acelerar, creando contexto para los agentes y estandarizando la práctica antes de que la velocidad aumente. APEX hizo esa inversión una vez, por lo que transferimos la memoria muscular directamente en lugar de pedirle a cada cliente que comience desde cero.
Invierta mucho en el contexto del agente. Los archivos directivos y los estándares arquitectónicos son artefactos de primer orden en cada compromiso. Cuanto más rico sea el contexto, más autonomía podrá ejercer un agente de forma segura.
Alimente a los agentes en lugar de cuidarlos. Los constructores mantienen una acumulación constante de tareas bien delimitadas y ejecutan varios agentes en paralelo, revisando los resultados de forma asincrónica.
Utilice las especificaciones como fuente de verdad. El desarrollo basado en especificaciones es el flujo de trabajo predeterminado. Las especificaciones no son documentación. Son los agentes contratados contra los que se construye.
Prueba de cambio a la izquierda. Los agentes validan localmente y se autocorrigen antes de que los resultados lleguen a un revisor humano.
Entrega nativa de IA en entornos de clientes
En lo que respecta a la interacción con los clientes, el agente de entrega opera junto con consultores humanos. Juntos trabajan durante todo el ciclo de vida, desde la planificación hasta la implementación, en función de los resultados comerciales que el cliente ha seleccionado. El principio rector: los humanos proporcionan la intención, la IA crea, los humanos verifican.
Los clientes conservan la elección de modelos básicos y pueden ampliar el sistema con sus propios datos y herramientas.
Lo que aprendimos al ir primero
La calibración no es opcional, pero no es necesario empezar desde cero. Los equipos necesitan tiempo para generar confianza en lo que los agentes manejan bien, descomponer el trabajo complejo en tareas verificables y reestructurar los artefactos para el consumo de IA. Transferimos esa memoria muscular directamente durante el compromiso, acortando la curva.
El flujo de trabajo es la constante. Las herramientas son facilitadores. Usamos Kiro, Amazon Bedrock AgentCore y Strands, pero la pila no es lo que genera el aumento de productividad. Las herramientas se agravan sólo cuando el flujo de trabajo se rediseña en torno a ellas.
Alinearse con los resultados. La consultoría tradicional cobra por tiempo y materiales, incentivando la duración sobre el impacto. Pasamos a compromisos de precio fijo vinculados a resultados comerciales implementados en producción. Cuando el modelo comercial se alinea con las necesidades del cliente, todo lo demás sigue.
Resultados reales
“Adoptamos la nueva funcionalidad de conmutador de región de Amazon Application Recovery Controller (ARC) para optimizar nuestro enfoque de resiliencia multirregional. El conmutador de región reemplazó la orquestación de conmutación por error personalizada con planes declarativos que coordinaban el escalado, la conmutación de bases de datos y el enrutamiento de DNS en todos nuestros servicios en paralelo. Kiro con AWS Professional Services Delivery Agent comprimió semanas de creación de trabajos pendientes en horas, aceleró la entrega de código en un 60 % e impuso una calidad constante en cada entregable. Nuestra prueba de cambio de región se ejecutó a tiempo y pudimos ejecutarla en nuestra secundaria región. Esto nos da aún más confianza en la velocidad y confiabilidad que este enfoque ofrece a nuestros clientes”. Matt McKeever, CTO de Infraestructura y Operaciones, LexisNexis Legal & Professional.
Empezando
Talleres prácticos: los arquitectos de soluciones de AWS organizan talleres de AI-DLC, compromisos de dos a cinco días que demuestran el desarrollo nativo de AI en comparación con su propia pila. Cientos de clientes ya han participado.
Compromisos de producción: cuando esté listo para llevar los casos de uso empresarial a producción, AWS ProServe entra en el viaje. Nuestros consultores y el agente de entrega se integran con su equipo para brindar resultados de producción mientras desarrollan la capacidad organizacional para sostener y escalar la práctica. Al final, tendrá sistemas de trabajo en producción y campeones internos capacitados listos para llevarlo adelante.
“Nuestros arquitectos de soluciones han estado en la primera línea de esta transformación, trabajando de manera práctica con los clientes en talleres de AI-DLC para reimaginar cómo crean software. Una vez que los equipos experimentan el desarrollo nativo de AI de primera mano, no quieren volver atrás. AWS Professional Services aprovecha ese impulso y lo pone en funcionamiento a escala”. Shaown Nandi, vicepresidente de tecnología, AWS.
Muchas organizaciones tienen resultados esperando a realizarse y equipos de ingeniería listos para trabajar de manera diferente. El camino no es más experimentación. Es una ejecución comprometida con un equipo que ya ha probado el enfoque en sus propias cargas de trabajo de producción.
Póngase en contacto con su equipo de cuentas de AWS o visite la página web de servicios profesionales de AWS para comenzar a ofrecer resultados de producción más rápido.
Sobre el autor
Francesca Vásquez
Francessca es vicepresidenta de servicios profesionales e IA agente de Amazon Web Services (AWS). Dirige los servicios de consultoría global de AWS y supervisa la interacción con los clientes en empresas del sector público, comerciales y de socios en todo el mundo.