Evolución de la BI heredada a la IA agente en Tradeshift con Amazon Quick

Esta publicación invitada está coescrita por Raphael Bres, Robert Iordache, Anca Andone, Ioana Millon (Ploesteanu) de Tradeshift y Roy Yung de AWS.

Tradeshift es una plataforma de cumplimiento de facturación electrónica y cuentas por pagar (AP) impulsada por inteligencia artificial que presta servicios a compradores y vendedores en más de 70 países, con una red basada en la nube que procesa millones de transacciones. Atendemos a ambos lados de un mercado, compradores y vendedores, por lo que nuestras necesidades de análisis son diferentes a las de la mayoría de las empresas. Cuando nuestra herramienta interna de inteligencia empresarial (BI) no pudo manejar nuestros crecientes volúmenes de datos y las expectativas de los clientes, cambiamos a Amazon Quick.

Amazon Quick es un espacio de trabajo de IA agente que se conecta a todas sus aplicaciones, herramientas y datos. Incluye múltiples funciones, como agente de chat para preguntas y respuestas en lenguaje natural sobre sus datos comerciales, flujos para automatizar flujos de trabajo de varios pasos sin codificación e investigación para producir informes analíticos completos y extensos de múltiples fuentes. Estas capacidades se basan en AWS con seguridad de nivel empresarial.

En esta publicación, describimos cómo Tradeshift implementó Amazon Quick con capacidades de IA agente para reemplazar nuestra herramienta de BI heredada, lo que resultó en tiempos de respuesta a consultas hasta 30 veces más rápidos, una reducción del 40 por ciento en el costo total de propiedad y convirtió el análisis integrado en un producto que genera ingresos.

Durante varios años, Tradeshift se basó en una herramienta de BI patentada creada internamente. Si bien cubrió las necesidades básicas de generación de informes en las primeras etapas de su crecimiento, la herramienta impuso restricciones que se volvieron insostenibles a medida que aumentaban nuestros volúmenes de datos y las expectativas de los clientes. El mantenimiento de la herramienta consumió aproximadamente el 50 por ciento de la capacidad de un empleado de tiempo completo, desviando recursos de ingeniería de la innovación de productos. La herramienta admitía un máximo de 10 000 filas por consulta, imponía un límite de 25 MB a los informes programados y retenía sólo seis meses de datos históricos. Con estas limitaciones, no se podían realizar análisis de tendencias a gran escala, detección de anomalías o modelos predictivos.

El equipo buscaba una plataforma que eliminara el mantenimiento pesado, ofreciera rendimiento de nivel empresarial para cargas de trabajo de big data, permitiera a los usuarios acceder e interactuar con los datos directamente y ofrecer consultas en lenguaje natural impulsadas por IA para democratizar el acceso a la información. Los usuarios de Cuentas por Pagar y Finanzas de Tradeshift necesitaban un intenso análisis estadístico y procesamiento de datos al alcance de su mano, desacoplados de las habilidades técnicas tradicionalmente requeridas para este tipo de introspección de datos.

Más allá de las limitaciones técnicas, los equipos de Éxito del Cliente, Datos y Análisis y Comercial de la empresa dedicaron horas semanales a generar informes manuales, como exportar archivos CSV, ejecutar macros de Excel y compilar informes a mano. Los clientes externos que necesitaban conocimientos más profundos sobre sus flujos de trabajo de AP no tenían una ruta de autoservicio. Dependían de los equipos de ingeniería y BI de Tradeshift para producir informes personalizados, lo que creaba cuellos de botella que ralentizaban la toma de decisiones en ambas partes.

Estos desafíos apuntaron a dos categorías de soluciones que solo la IA agente podría abordar. En primer lugar, se necesitaban flujos de trabajo automatizados para programar actualizaciones de conjuntos de datos, activar la distribución de informes y organizar tareas analíticas recurrentes sin intervención manual. La compañía ha brindado estas capacidades a través del motor de flujo de trabajo impulsado por inteligencia artificial de Quick, Amazon Quick Flows, y el motor de investigación profunda Amazon Quick Research. En segundo lugar, se necesitaba una interfaz de chat conversacional para interpretar consultas en lenguaje natural y recuperar instantáneamente métricas de documentos y datos operativos, eliminando la dependencia de los equipos de BI para las preguntas del día a día. Esto se logró mediante la creación del agente de chat AP Auditor impulsado por el agente de chat Quick.

El equipo evaluó varias alternativas, pero Quick fue la única solución que ofrecía escalabilidad para grandes conjuntos de datos, acceso integrado multidispositivo, consultas en lenguaje natural impulsadas por IA, flujo de trabajo y análisis unificados internos y de cara al cliente. Sus capacidades de agencia, que incluyen modelado hipotético, flujos de trabajo automatizados, investigación profunda y un agente de chat conversacional, en conjunto democratizan el acceso a los datos en toda la organización.

Creación de un producto de análisis integrado en Quick

La implementación de Tradeshift siguió un enfoque gradual. El equipo comenzó con una prueba de concepto a principios de 2024, avanzó a través de un producto mínimo viable (MVP) de análisis integrado desde agosto de 2024 hasta marzo de 2025, y lanzó la aplicación completa de informes y análisis para compradores y vendedores en junio de 2025. En agosto de 2025, Quick también había reemplazado sus herramientas de BI internas, logrando una adopción del 98 por ciento en toda la organización.

La arquitectura ofrece tres capas de capacidad analítica. La primera capa consta de 16 paneles integrados de Amazon Quick Sight BI entregados a través de iFrames seguros, que cubren nueve dominios: facturación de documentos, órdenes de compra, escaneo, conexiones de red, actividad del usuario, automatización del flujo de trabajo, cumplimiento y detección de anomalías, predicción de pagos y conciliación de recibos de mercancías y facturas. Estos paneles procesan entre un millón y cien millones de registros de transacciones y devuelven resultados en menos de tres segundos, en comparación con los 45 a 90 segundos que requería la herramienta heredada.

La segunda capa proporciona acceso de IA conversacional a los mismos datos subyacentes. Los usuarios pueden hacer preguntas en lenguaje natural sin necesidad de conocimientos de SQL o experiencia en análisis de datos, y recibir respuestas visuales instantáneas. La tercera capa presenta autonomía de datos por niveles: un nivel Estándar que ofrece paneles prediseñados con filtros básicos y exportación CSV, y un nivel Premium que incluye Modo Diseñador, creación de paneles personalizados, escenarios de modelado What-If y acceso a capacidades de IA agente.

La seguridad pasa por cuatro capas. El inicio de sesión único (SSO) de Okta maneja la autenticación del usuario. Los espacios de nombres personalizados de Amazon Quick aíslan a cada inquilino. Las URL firmadas proporcionan incrustación limitada por sesión y por tiempo limitado. Y la seguridad a nivel de fila (alrededor de 14.000 reglas RLS) filtra los datos según el contexto de cada usuario. Para obtener más información sobre el panel integrado multiinquilino, consulte Compatibilidad con aplicaciones multiinquilino para entornos SaaS mediante Amazon Quick Sight.

El siguiente diagrama ilustra la arquitectura del panel Quick Sight integrado de Tradeshift.

Resultados empresariales medibles

Con la implementación de Amazon Quick, Tradeshift observó mejoras significativas en la eficiencia operativa. Sus cuentas internas y equipos de soporte ahorran 8,5 horas por semana que antes se dedicaban a generar informes CSV manuales. Los compradores externos ahorran de 6 a 8 horas semanales por usuario. La manipulación manual de datos, incluidas las macros de Excel, las BUSCARV y el ensamblaje de tablas dinámicas, disminuyó en un 80 por ciento. El tiempo necesario para identificar cuellos de botella operativos se redujo de uno a dos días a menos de cinco segundos.

Desde una perspectiva de costos, la compañía logró una reducción del 40 por ciento en el costo total de propiedad en comparación con su solución anterior, una reducción del 35 por ciento en los costos de infraestructura al trasladar las consultas de las bases de datos de producción a SPICE, el motor de datos en memoria de Quick Sight, y una consolidación del 30 por ciento de los costos de licencia en herramientas de BI previamente fragmentadas. El mantenimiento de rutina ahora requiere sólo 0,5 equivalentes a tiempo completo (FTE), en comparación con el 50 por ciento de carga FTE del sistema heredado.

La compañía logró una expansión incremental de los ingresos recurrentes anuales (ARR) del 2 por ciento de las cuentas de compradores existentes a través de nuestro nivel de informes premium. El tiempo de comercialización de los informes empresariales personalizados mejoró en un 75 por ciento. Los nuevos informes que antes tardaban entre cuatro y seis semanas ahora se implementan en aproximadamente una semana. Las cuentas que utilizan análisis integrados muestran una tasa de retención un 10 por ciento más alta durante 12 meses en comparación con aquellas que no lo hacen.

Tradeshift alcanzó una adopción mensual activa del 50 por ciento entre compradores empresariales específicos durante el primer año, logró un aumento del doble en la utilización de análisis por parte del personal no técnico y experimentó una reducción del 80 por ciento en los tickets de soporte relacionados con análisis. Internamente, el 98 por ciento de la organización utiliza activamente la plataforma.

Resolviendo problemas reales de los clientes con Amazon Quick

Los dos casos de uso siguientes destacan cómo las capacidades de IA y BI de Quick abordan los desafíos comerciales cotidianos de los clientes de Tradeshift.

El primer caso de uso se centra en un agente de chat AP Auditor generativo impulsado por IA, creado utilizando el agente de chat personalizado de Amazon Quick. Anteriormente, los auditores de AP carecían de acceso inmediato de autoservicio a los datos de los documentos. Resolver consultas rutinarias requirió esfuerzo manual y dependencias multifuncionales de equipos internos de ingeniería o BI. Esto creó cuellos de botella que retrasaron la toma de decisiones en tiempo real. Con Amazon Quick, el equipo definió un agente diseñado específicamente para el auditor de AP utilizando únicamente instrucciones en lenguaje natural, sin escribir código. A través de Quick Spaces, los administradores controlan exactamente a qué fuentes de datos puede acceder el agente, asegurando que cada respuesta se base en datos autorizados. Los usuarios ahora pueden preguntar "Muéstrame las facturas pendientes del mes pasado" o "¿Cuál es el estado de la orden de compra n.º 12345?" y reciba respuestas inmediatas y precisas sin esperar a otros equipos.

Detrás del agente se encuentra una arquitectura de conocimiento integral. AP Auditor se conecta a bases de conocimiento rápido dedicadas que contienen 11 documentos de referencia que abarcan capacidades de plataforma, políticas y guías de procesos, junto con 9 paneles, 14 temas de consulta seleccionados y 68 herramientas de acción automatizadas accesibles a través del Protocolo de contexto modelo (MCP). Con esta arquitectura, el agente va más allá de la simple recuperación de datos. Puede explicar definiciones de métricas, localizar datos de origen y proporcionar un contexto empresarial que anteriormente requería consultar a un experto en la materia.

El siguiente vídeo muestra el agente de chat AP Auditor generativo impulsado por IA de Tradeshift.

El segundo caso de uso demuestra la capacidad de Amazon Quick para manejar cargas de trabajo de BI de gran volumen con un rápido rendimiento de consultas. Un cliente carecía de visibilidad de los gastos generales operativos manuales. Su equipo de AP necesitaba cuantificar el esfuerzo humano requerido, comprender la distribución de la carga de trabajo y medir la sobrecarga total del flujo de trabajo de aprobación. Utilizando SPICE, la capa de caché de datos de Amazon Quick, el equipo creó una solución de informes que procesa grandes volúmenes de datos de codificación a nivel de línea a gran velocidad. La solución distingue las correcciones manuales de los códigos generados por IA, identifica codificadores individuales y realiza un seguimiento de la jerarquía de aprobación completa. El cliente ahora tiene visibilidad histórica y casi en tiempo real de las operaciones, lo que le permite detectar cuellos de botella. Los mismos conjuntos de datos y paneles también pueden servir como fuentes de conocimiento para agentes de chat personalizados, ampliando los conocimientos de BI a la IA conversacional.

Transformando las operaciones internas

Internamente, Tradeshift migró de su herramienta de BI heredada a Quick Sight y colapsó 40 paneles separados que los usuarios tenían que navegar anteriormente, en más de 100 conjuntos de datos consultables accesibles a través del lenguaje natural. Sus equipos de Finanzas, Operaciones, Productos y Éxito del Cliente ahora pueden hacer preguntas en un lenguaje sencillo y obtener respuestas de inmediato, sin necesidad de SQL ni analista.

Anteriormente, el proceso de análisis de mercado trimestral requería varias semanas de recopilación, referencia cruzada e interpretación manual de datos. Ahora se completa en días u horas utilizando Quick Research, que genera análisis de múltiples fuentes e informes sintetizados a partir de un solo mensaje. En lugar de empezar desde cero, los analistas se basan en estos artefactos de investigación para realizar análisis más profundos, comprimiendo en horas lo que antes tomaba días. Al utilizar el agente de chat de Quick, pueden consultar datos directamente, generar visualizaciones y producir resúmenes ejecutivos listos para compartir con las partes interesadas.

Los informes recurrentes ahora fluyen a través de Quick Flows automatizados, un motor de automatización sin código. Los equipos lo utilizan para organizar actualizaciones de conjuntos de datos, generación de informes y distribución como canales programados y repetibles. Más de 270 conjuntos de datos SPICE se actualizan diariamente, mientras que los informes se distribuyen automáticamente en cadencias diarias, semanales y mensuales sin intervención manual. Esto liberó al equipo de análisis para centrarse en el trabajo estratégico de mayor valor en lugar del mantenimiento rutinario del canal de datos.

El siguiente vídeo muestra cómo Tradeshift utiliza Amazon Quick Flows and Research para automatizar su análisis de mercado trimestral.

¿Qué hace que este enfoque sea diferente?

Los clientes de Tradeshift son equipos de Cuentas por Pagar, profesionales financieros que gestionan facturas, aprobaciones y ciclos de pago de miles de proveedores. Estos usuarios no son analistas de datos. Antes de que la empresa incorporara la IA agente en su plataforma de análisis, obtener respuestas de sus propios datos de transacciones significaba presentar un ticket, esperar a un equipo de BI y recibir un informe estático días o semanas después.

Esa es la experiencia que la mayoría de las plataformas de automatización de AP todavía ofrecen en la actualidad. Tradeshift eligió un camino diferente. En 2025, se convirtió en el primero en el mercado de facturación electrónica y automatización de cuentas por pagar en incorporar Amazon Quick para consultas en lenguaje natural, lo que permite a los clientes hacer preguntas en lenguaje sencillo sobre sus propios datos y recibir respuestas instantáneas sin conocimientos de SQL o esquemas. En 2026, la empresa fue pionera en integrar su servidor MCP con Amazon Quick, de modo que los agentes de IA generativa puedan leer metadatos del catálogo de datos, interpretar esquemas Quick Sight y producir información escrita de forma autónoma.

Para sus clientes, este ritmo de innovación marca la diferencia entre el autoservicio y la dependencia. Debido a que la empresa se mueve rápido y colabora estrechamente con AWS, cada nueva capacidad de agente se envía a la base de clientes en días o semanas. El desarrollo personalizado habría llevado meses o años. Los usuarios reciben respuestas basadas en definiciones de métricas de sus bases de conocimiento, completas con explicaciones de cómo se calcula cada número y dónde se encuentran los datos de origen. Esto elimina por completo las dependencias multifuncionales de los equipos de ingeniería y BI, colapsando en segundos lo que solían ser ciclos de informes de varios días.

Esto posiciona a los clientes de Tradeshift a la vanguardia de la innovación en análisis de AP. Interactúan con sus datos de forma conversacional haciendo preguntas, generando conocimientos y actuando sobre información en tiempo real de maneras que los paneles estáticos no pueden ofrecer.

Desarrollos futuros

La hoja de ruta de Tradeshift se centra en tres prioridades. Primero, el equipo planea habilitar el acceso de escritura en su servidor MCP de producción. Luego, los agentes pueden realizar acciones en vivo en nombre de los usuarios, no solo leer y analizar datos. En segundo lugar, la compañía tiene la intención de incorporar un agente de chat genérico en el nivel Estándar de la aplicación de análisis, brindando a todos los usuarios acceso a la IA agente de forma predeterminada, no solo a los suscriptores Premium. En tercer lugar, está ampliando la aplicación de informes y análisis a los usuarios vendedores de toda nuestra red, ampliando su valor a ambos lados del mercado.

Próximos pasos

La IA rápida y agente de Amazon ayudó a Tradeshift a transformar el análisis de un centro de costos a un producto generador de ingresos. Al reemplazar una herramienta heredada limitada con una plataforma escalable impulsada por IA, reducimos los tiempos de consulta 30 veces, reducimos el costo total de propiedad en un 40 por ciento y brindamos una experiencia de análisis de autoservicio que los clientes y los equipos internos eligen activamente usar todos los días. Para las organizaciones que administran flujos de trabajo de AP complejos a escala, la capacidad de hacer preguntas en lenguaje natural y recibir respuestas inmediatas, precisas y contextuales significa que los equipos dedican menos tiempo a generar informes manuales y más tiempo a actuar basándose en el conocimiento.

Para comenzar con su propia solución de análisis, explore los siguientes recursos:

Transforme sus datos de AP con la aplicación de análisis e informes basada en IA de Tradeshift.

Obtenga más información sobre las capacidades de análisis rápido en la Guía rápida del usuario de Amazon.

Únase a la discusión en Amazon Quick Community.

Sobre los autores