Los equipos de fusiones y adquisiciones (M&A) enfrentan un desafío persistente: realizar una debida diligencia exhaustiva sobre múltiples objetivos de adquisición manteniendo la velocidad y el rigor analítico. Los equipos suelen pasar semanas revisando manualmente los objetivos antes de identificar oportunidades viables. Amazon Bedrock AgentCore es una plataforma para crear, conectar y optimizar agentes a escala, con cualquier marco o modelo. Puede acelerar este proceso organizando agentes de IA que manejen la recopilación de datos, el análisis y las comprobaciones de cumplimiento de forma autónoma dentro de barreras de seguridad definidas.
En esta publicación, mostramos cómo crear un sistema de diligencia debida de múltiples agentes en Amazon Bedrock AgentCore. Presentamos una arquitectura de referencia que combina la orquestación de agentes, la recuperación de conocimientos y los controles de gobernanza, luego explicamos la implementación y ejecución de la solución utilizando un repositorio de muestra completo.
El desafío de la diligencia debida en fusiones y adquisiciones
En transporte y logística, por ejemplo, los analistas extraen datos de bases de datos financieras, aplicaciones de investigación de mercado, registros regulatorios y bases de conocimiento internas, y luego concilian esa información manualmente. El proceso es lento y requiere muchos recursos.
El problema se agrava cuando los equipos duplican el trabajo. La investigación de la industria, los modelos de valoración y los análisis competitivos se recrean para cada nuevo acuerdo en lugar de aprovechar el conocimiento institucional de transacciones anteriores. Mientras tanto, la gobernanza preocupa la lenta adopción de la IA porque los equipos legales y de cumplimiento requieren confianza en que los conocimientos generados por la IA sean precisos, rastreables y estén respaldados por citas de fuentes.
Estas cuatro presiones (ciclos lentos, datos fragmentados, esfuerzos duplicados y requisitos de gobernanza) crean una oportunidad para que los agentes de IA cambien fundamentalmente la forma en que opera la diligencia debida.
Cómo los agentes de IA transforman la diligencia debida
Los agentes de IA abordan cada uno de estos desafíos mediante una combinación de recopilación de datos autónoma, enrutamiento inteligente, memoria persistente y auditabilidad integrada.
En el frente de la recopilación de datos, los agentes consultan de forma autónoma múltiples fuentes (bases de datos financieras, bases de conocimiento, API de datos de mercado) y sintetizan los resultados en evaluaciones preliminares. En nuestras pruebas, el trabajo que anteriormente requería semanas de tiempo del analista se completó en horas porque el agente maneja el ciclo repetitivo de búsqueda y resumen sin intervención humana.
Para la priorización, los agentes evalúan las oportunidades según criterios estratégicos y dirigen los acuerdos de alta prioridad a los especialistas adecuados. En lugar de revisar cada objetivo de forma secuencial, el sistema muestra primero los candidatos más prometedores y señala las dimensiones específicas (rendimiento financiero, idoneidad estratégica, riesgo de cumplimiento) que justifican un análisis más profundo.
Los agentes también construyen conocimiento institucional con el tiempo. Cada análisis completado enriquece una capa de memoria compartida para que los acuerdos futuros se beneficien de investigaciones previas, supuestos de valoración y lecciones de integración. Los equipos dejan de recrear el contexto desde cero.
La gobernanza está integrada en el flujo de trabajo del agente desde el principio, no se agrega como una ocurrencia tardía. El sistema está configurado para que cada afirmación que emita el agente esté basada en una citación, validada por el evaluador de verificación de citas. Cada invocación de agente produce un registro de auditoría y las medidas de seguridad imponen políticas organizativas en tiempo de ejecución. Los equipos de cumplimiento pueden rastrear cada reclamo citado hasta su documento fuente.
Decisión de arquitectura: suite integrada o construcción personalizada
Presentamos dos rutas de implementación, cada una adecuada a diferentes necesidades organizativas.
Opción 1: Amazon Quick (solución integrada)
Amazon Quick proporciona capacidades de IA listas para usar diseñadas para flujos de trabajo de investigación e inteligencia empresarial. Ofrece un camino rápido hacia la producción si sus necesidades se alinean con los patrones de análisis estándar. Amazon Quick Research genera informes detallados profesionales y exportables. Amazon Quick Flows automatiza tareas repetitivas con flujos de trabajo prediseñados. Amazon Quick Index ofrece búsqueda unificada en fuentes de datos conectadas.
Elija Amazon Quick si desea realizar una implementación rápida, sus flujos de trabajo se alinean con los patrones estándar de inteligencia empresarial y prefiere servicios totalmente administrados al desarrollo personalizado. Para obtener información adicional y arquitectura de referencia, consulte Anuncio de Amazon Quick.
También puede ampliar Quick con agentes personalizados de Amazon Bedrock AgentCore para requisitos especializados, como modelos de valoración patentados o marcos de ajuste estratégico. Para ver un ejemplo práctico de este patrón, consulte Creación de gestión de contratos inteligente con Quick y AgentCore. Esa publicación demuestra cómo Amazon Quick maneja la administración de documentos y la interfaz de usuario, mientras que Amazon Bedrock AgentCore impulsa la colaboración de agentes especializados.
Opción 2: Arquitectura personalizada con Amazon Bedrock AgentCore
Amazon Bedrock AgentCore le brinda un control detallado sobre el comportamiento, la memoria y la coordinación de los agentes. Este enfoque se adapta a los equipos de fusiones y adquisiciones con metodologías patentadas, requisitos complejos de coordinación de múltiples agentes, integración con sistemas internos especializados o la necesidad de un control total sobre el comportamiento de los agentes y la selección de modelos.
El resto de esta publicación explora esta arquitectura personalizada en detalle utilizando un escenario de diligencia debida de transporte y logística como contexto. Implementamos un sistema multiagente funcional, lo invocamos contra objetivos sintéticos y validamos los resultados a través de un evaluador automatizado de verificación de citas.
Arquitectura de referencia
Para los equipos de fusiones y adquisiciones que eligen la ruta personalizada, la siguiente arquitectura de referencia muestra cómo encajan las piezas de un extremo a otro.
Figura 1: Arquitectura de diligencia debida de fusiones y adquisiciones de múltiples agentes con Amazon Bedrock AgentCore
La arquitectura utiliza Amazon Bedrock AgentCore para organizar un flujo de trabajo de diligencia debida de múltiples agentes. Un agente supervisor coordina cuatro agentes especialistas, cada uno de los cuales es responsable de una fase distinta del proceso de diligencia debida. Los usuarios interactúan a través de una computadora portátil Jupyter o una interfaz de terminal, mientras que el tiempo de ejecución de AgentCore administra la ejecución y la colaboración del agente. El sistema combina recuperación de generación aumentada (RAG), análisis financiero estructurado, integración de herramientas externas, memoria y gobernanza basada en políticas para respaldar flujos de trabajo de diligencia debida listos para producción.
Capa de orquestación de agentes
El tiempo de ejecución de Amazon Bedrock AgentCore coordina varios agentes especializados a través del SDK de Strands Agents. El agente supervisor utiliza el patrón de agentes como herramientas para enrutar solicitudes a especialistas de dominios específicos según los requisitos de la tarea.
El agente de selección de destino identifica candidatos a adquisiciones convirtiendo consultas de lenguaje natural en SQL y ejecutándolas en Amazon Aurora PostgreSQL. Cuando los analistas preguntan por “empresas de logística del mercado medio con ingresos entre 100 y 500 millones de dólares y márgenes de EBITDA superiores al 12 por ciento”, el agente lo traduce en una consulta parametrizada. Luego recupera filas coincidentes y enriquece los resultados con contexto narrativo de la base de conocimientos.
El Agente de Análisis Financiero realiza análisis de valoración utilizando fuentes de datos estructurados y no estructurados. Aplica metodologías de valoración estándar que incluyen análisis de flujo de efectivo descontado (DCF) y análisis de empresas comparables, obteniendo múltiplos de mercado a través de una herramienta respaldada por AgentCore Gateway. El agente genera valoraciones preliminares con supuestos de respaldo documentados en línea y señala proyecciones de gestión que divergen del desempeño histórico.
El Agente de Ajuste Estratégico evalúa los riesgos de integración, las sinergias y el alineamiento organizacional. Recupera contexto de transacciones anteriores almacenadas en la memoria de AgentCore (utilizando un espacio de nombres dedicado prior_deals). Luego compara el perfil del objetivo actual con las adquisiciones completadas e identifica los riesgos de integración con citas de memorandos de origen.
El Agente de Validación de Cumplimiento audita las respuestas comparándolas con la lista de verificación de gobernanza de fusiones y adquisiciones. Invoca un evaluador de verificación de citas personalizado (implementado como una función de AWS Lambda) que examina cada afirmación fáctica en una respuesta y marca las afirmaciones que carecen de una cita de fuente de respaldo.
Componentes clave de la arquitectura
La arquitectura combina datos empresariales estructurados y no estructurados para basar las respuestas de los agentes en fuentes verificadas.
Amazon Aurora PostgreSQL Serverless v2 almacena conjuntos de datos operativos y financieros estructurados. Target Screening Agent genera SQL a partir de lenguaje natural y ejecuta consultas a través de la API de datos RDS, proporcionando acceso rápido a las métricas de la empresa objetivo sin necesidad de que los analistas escriban SQL ellos mismos. Amazon Bedrock Knowledge Bases, la capacidad RAG totalmente administrada en Amazon Bedrock, indexa documentos de diligencia debida, incluidos memorandos de información confidencial (CIM), estados financieros, paquetes de prensa y listas de verificación de gobernanza interna. Los agentes recuperan pasajes relevantes y los citan en línea. AgentCore Gateway, una capacidad de Amazon Bedrock AgentCore, permite a los agentes interactuar de forma segura con herramientas y servicios externos a través de integraciones compatibles con Model Context Protocol (MCP). En esta arquitectura, los agentes invocan un servicio de datos de mercado basado en AWS Lambda a través de la puerta de enlace, con políticas de Cedar que imponen controles de acceso deterministas sobre el uso de herramientas y las interacciones de los agentes. La memoria AgentCore mantiene el estado contextual y el conocimiento institucional reutilizable en todas las interacciones. La memoria de sesión preserva la continuidad de la conversación, mientras que un espacio de nombres prior_deals a largo plazo almacena lecciones de adquisiciones completadas que informan análisis futuros. AgentCore Assessments, una capacidad de Amazon Bedrock AgentCore, utiliza evaluadores basados en Lambda para validar automáticamente la calidad de los resultados, la precisión de las citas y los criterios específicos del dominio. El evaluador de verificación de citas devuelve un resultado estructurado de aprobación/rechazo con recuentos de reclamos respaldados y no respaldados. Amazon Bedrock Guardrails aplica controles de seguridad y respuesta en todo el flujo de trabajo, que se aplican a nivel de supervisor para que los resultados de los especialistas pasen por verificaciones de políticas organizacionales.
Cada invocación produce un flujo de registros de Amazon CloudWatch y un seguimiento de AWS X-Ray que captura la jerarquía completa de llamadas de supervisor a especialista y a herramienta, lo que proporciona observabilidad de un extremo a otro.
Seguridad
La debida diligencia en fusiones y adquisiciones involucra algunos de los datos más confidenciales que maneja una empresa: estados financieros inéditos, términos de acuerdos y planes de integración. Por lo tanto, la seguridad es una parte de primera clase de la arquitectura. Cada permiso de IAM que los agentes pueden invocar tiene como alcance un nombre de recurso de Amazon (ARN) específico en lugar de un comodín. La herramienta de datos de mercado AgentCore Gateway va un paso más allá con un motor de políticas Cedar que aplica la autorización basada en atributos y denegación predeterminada. La herramienta se ejecuta solo cuando el código de industria solicitado coincide con una vertical aprobada. Todo lo demás se niega antes de ejecutarse. El nivel de base de datos reside en subredes privadas aisladas de Internet detrás de puntos finales de nube privada virtual (VPC). Los almacenes de datos están cifrados en reposo con KMS y Amazon Bedrock Guardrails analiza cada respuesta de los supervisores en busca de contenido dañino y asesoramiento financiero personalizado. Este modelo en capas de IAM, Cedar, aislamiento de red y cifrado cubre diferentes modos de falla para los sistemas que manejan datos de negocios confidenciales.
Implementar y ejecutar la muestra
La implementación de referencia completa está disponible en el repositorio de muestras de múltiples agentes de M&A Due Diligence. Se envía con datos sintéticos (no hay empresas reales, datos financieros ni información de identificación personal), implementación con un solo comando y un tutorial del portátil Jupyter. El costo estimado para un ciclo completo de implementación, ejecución y limpieza es inferior a USD 5,00.
Requisitos previos
Antes de implementar, verifique que tenga:
Una cuenta de AWS con acceso al modelo de Amazon Bedrock habilitado para Anthropic Claude y Amazon Nova. Para conocer la disponibilidad de modelos por región de AWS, consulte Modelos admitidos por región de AWS en Amazon Bedrock. Interfaz de línea de comandos de AWS (AWS CLI) v2.15 o posterior. Python 3.11 o posterior. Node.js 20 o posterior. Kit de desarrollo en la nube de AWS (AWS CDK) v2 (npm install -g aws-cdk). No necesita que Docker esté instalado localmente. La imagen del contenedor del agente está creada en AWS CodeBuild.
Implemente en una de las regiones admitidas: us-east-1, us-west-2, ap-southeast-2 o eu-central-1.
Paso 1: implementar la pila
Clona el repositorio y ejecuta el script de implementación. La primera implementación tarda entre 20 y 25 minutos.
El script de implementación verifica su región y el acceso al modelo, crea un entorno virtual, ejecuta cdk implementar –all, genera datos sintéticos y ejecuta una prueba de humo posterior a la implementación. También instala el proyecto en modo editable, que registra la herramienta de línea de comandos mna que utiliza para invocar agentes en el siguiente paso.
Paso 2: invocar a los agentes
Utilice la CLI de mna para enviar indicaciones a especialistas individuales o dejar que el supervisor los recorra:
Cada invocación imprime un trace_id en su pie de página. Utilice el rastreo mna para inspeccionar el rastreo completo de rayos X de esa llamada.
Paso 3: Validar los resultados con el evaluador
El subcomando mna evalua ejecuta el evaluador de verificación de citas con la salida de un especialista:
El evaluador devuelve un resultado estructurado que indica aprobación o fracaso, con recuentos de reclamos totales, reclamos respaldados y afirmaciones no respaldadas. El código de salida es 0 en caso de aprobación y 1 en caso de error, lo que lo hace componible en canalizaciones de CI.
Paso 4: explora el cuaderno
Para un recorrido guiado, celda por celda, por el mismo flujo de trabajo:
El cuaderno recorre la validación del entorno, la descripción general de los datos, una celda por agente especializado (con respuestas y citas presentadas) y la inspección de seguimiento.
Limpiar
Para evitar cargos continuos, destruye todos los recursos desplegados tan pronto como termines de explorar:
El script de limpieza ejecuta cdk destroy –all –force para derribar cada pila en orden de dependencia inverso. Luego ejecuta un barrido de verificación que busca recursos huérfanos:
Cubos S3 que coinciden con mna-*. Repositorios ECR que coinciden con mna-*. Bases de conocimiento de Amazon Bedrock con mna en el nombre. Tiempos de ejecución, memorias y puertas de enlace de AgentCore. Las pilas de AWS CloudFormation comienzan con Mna.
El script de verificación imprime comandos de copiar y pegar para los recursos que encuentra para que pueda confirmar un estado final de costo cero. Si la salida del script está vacía para cada barrido, se han eliminado todos los recursos facturables. Para obtener detalles adicionales sobre la limpieza de recursos de CDK, consulte la documentación de AWS CDK.
Próximos pasos
Le animamos a ampliar esta arquitectura para sus propios casos de uso. Aquí hay varios caminos a seguir:
Agregue una interfaz de producción. La plantilla inicial de pila completa para AgentCore (FAST) proporciona una interfaz de usuario basada en React, autenticación de Amazon Cognito y distribución de Amazon CloudFront que se integra directamente con el tiempo de ejecución de AgentCore. Construya agentes especializados adicionales. El CONTRIBUTING.md del ejemplo documenta el diseño del archivo, el patrón de Strands y el proceso de registro del supervisor para agregar nuevos agentes (por ejemplo, un agente de presentación regulatoria o un agente de calificación ESG). Explora la orquestación avanzada. El SDK de Strands Agents admite múltiples enfoques de coordinación, incluidos agentes como herramientas, enjambres y gráficos de agentes. La documentación sobre patrones de colaboración de múltiples agentes cubre cada enfoque en detalle. Conecte fuentes de datos adicionales. AgentCore Gateway admite API HTTP, servidores MCP y destinos de Amazon API Gateway más allá de la única herramienta Lambda que se muestra aquí.
Conclusión
En esta publicación, mostramos cómo construir un sistema de múltiples agentes en Amazon Bedrock AgentCore que automatiza la debida diligencia de fusiones y adquisiciones en transporte y logística. Recorrimos la arquitectura que coordina a los agentes especializados para la selección de objetivos, el análisis financiero, la evaluación del ajuste estratégico y la validación del cumplimiento. Luego implementamos la muestra de trabajo y la invocamos contra objetivos de adquisición sintéticos.
La implementación de referencia demuestra cómo cada capa arquitectónica (orquestación de agentes, recuperación de conocimientos, acceso a datos estructurados, memoria institucional y evaluación automatizada) contribuye a un sistema que es capaz y auditable. Los patrones que se muestran aquí se extienden naturalmente a otros dominios de diligencia debida, incluidos la atención médica, los servicios financieros y las adquisiciones de tecnología.
Para comenzar, clone el repositorio de muestra, implemente la pila en su cuenta de AWS e intente modificar un agente especializado o agregar uno nuevo. La plantilla FAST proporciona la ruta desde este ejemplo hasta una aplicación alojada con autenticación, observabilidad y una interfaz de usuario pulida.
Recursos
Sobre los autores
Anand Komandooru
Anand es arquitecto principal de soluciones en el equipo de IA de buena arquitectura de AWS, donde se centra en la orientación de arquitectura basada en IA para sistemas agentes. Tiene más de 20 años de experiencia en la creación de software y anteriormente pasó cuatro años ayudando a los clientes a diseñar y entregar aplicaciones nativas de la nube en AWS Professional Services.
Sachin Doshi
Sachin es arquitecto de aplicaciones senior en AWS Professional Services. Ayuda a los clientes a diseñar y crear soluciones listas para producción utilizando IA generativa, arquitecturas sin servidor y servicios de AWS nativos de la nube. Tiene su sede en el área metropolitana de Nueva York.
Ray Elkins
Ray es arquitecto senior de soluciones en Amazon Web Services. Con 15 años de experiencia en seguridad y nube empresarial, se asocia con clientes para resolver desafíos complejos de seguridad y cumplimiento en AWS. Ray se centra en la intersección de la IA agente y la seguridad en la nube, ayudando a los clientes a adoptar agentes de frontera para automatizar la detección y respuesta a amenazas a escala.