Un agradecimiento especial al equipo de Verizon Connect que ha estado trabajando muy duro en el proyecto: Matteo Simoncini, Luca Bravi, Alberto Rossettini, Martin Villarruel, Ceyhun Unlu, Adriel Zuquini, Andrea Benericetti.
Los administradores de flotas hoy enfrentan un desafío abrumador: transformar la sobrecarga de datos en información procesable. Cuando gestiona miles de vehículos, cada uno de los cuales genera cientos de puntos de datos diarios, identificar patrones críticos se vuelve casi imposible mediante el análisis manual. Verizon Connect, un proveedor global de soluciones de gestión de flotas que presta servicios a empresas de todo el mundo a través de su plataforma Reveal, enfrentó exactamente este desafío a escala.
Con más de 1,2 millones de suscripciones de vehículos activas que generaban más de 500 millones de puntos de datos diariamente en 80.000 indicadores de datos únicos, los administradores de flotas se ahogaban en estos datos y se veían obligados a buscar anomalías en registros en papel fragmentados y hojas de cálculo reactivas. El gran volumen hizo imposible identificar problemas de seguridad emergentes, necesidades de mantenimiento o ineficiencias operativas antes de que se convirtieran en problemas costosos. En lugar de crear otro panel estático o sistema de automatización basado en reglas, que solo detecta patrones predefinidos, Verizon Connect eligió IA agente para reemplazar esas conjeturas manuales con una solución de inteligencia centralizada. La IA agente investiga dinámicamente nuevos patrones, hace preguntas de seguimiento y adapta su análisis en función de lo que descubre, lo que la hace muy adecuada para la naturaleza impredecible de las operaciones de la flota.
En esta publicación, le mostramos cómo Verizon Connect creó y amplió una solución de IA agente para transformar datos abrumadores de flotas en información clara y procesable para 100 000 usuarios diariamente. Lo guiamos a través de las decisiones arquitectónicas, los desafíos de implementación y los resultados mensurables que pueden guiar su propia transformación de datos en conocimientos.
Construyendo una arquitectura escalable
La solución maneja datos a escala manteniendo la rentabilidad. La siguiente figura describe los componentes principales. Más adelante en esta sección, analizamos y analizamos los diversos componentes de la solución y los vinculamos en la sección "Arquitectura general".
Figura 1: Arquitectura de la solución de alto nivel
La descripción de alto nivel de los componentes y el flujo lógico es la siguiente.
Comienza la orquestación: el activador diario inicia el flujo de trabajo activando el módulo de detección de anomalías dentro de la capa de análisis. Ingestión de datos: el módulo extrae información estructurada del almacén de datos sin procesar. Aquí es donde ocurre el trabajo computacional más pesado. Resultados específicos: en lugar de pedirle a un modelo de lenguaje grande (LLM) que "encuentre agujas en un pajar", este módulo identifica anomalías específicas y las escribe en una tabla de anomalías dedicada. Al transferir el análisis numérico a código especializado, evitamos los problemas de escala y precisión que enfrentan los LLM con datos tabulares sin procesar. Activación del agente de IA: una vez que las anomalías están listas, el administrador activa los agentes de IA. Para mejorar el rendimiento, se pueden ejecutar varios agentes en paralelo, cada uno de los cuales se centra en un cliente o segmento de datos diferente. Razonamiento y contexto: el agente de IA organiza el análisis final. Cuestiona las anomalías en busca del qué y se remite a los datos brutos para el por qué, utilizando el LLM para sintetizar estos aportes en una narrativa coherente. Entrega de información: el razonamiento final se almacena como información generada, que luego se entrega al usuario final a través de la aplicación Reveal.
Componentes de la solución.
Detección de anomalías
Un error común en la ingeniería de IA es pedirle a un LLM que realice análisis numéricos de datos tabulares sin procesar a gran escala. Como señala la guía prescriptiva de AWS, los LLM pueden tener dificultades con estructuras de tablas complejas y extracción numérica a escala. Para abordar esto, creamos un modelo estadístico sin servidor utilizando AWS Step Functions y AWS Lambda (consulte la Figura 4). Este modelo realiza el trabajo computacional intensivo de detección de anomalías en datos estructurados. Identifica cuál es la anomalía, de modo que el agente de IA pueda centrarse en por qué ocurrió y cómo abordarla.
agente de IA
Seleccionamos Strands Agents, un SDK de código abierto para crear y ejecutar agentes de IA, que se ejecuta en un entorno AWS Lambda sin servidor. Este patrón de implementación escala horizontalmente según su demanda. El agente de IA opera a través de un circuito de razonamiento dinámico, determinando de forma autónoma el camino de investigación necesario en lugar de seguir un conjunto fijo de pasos. En la siguiente descripción se puede observar que el agente de IA no tiene estado, el contexto requerido para la generación de información se recupera en el momento del análisis.
El agente de IA utiliza herramientas específicas para:
Arquitectura agente de dos etapas
La generación de información sigue un enfoque de dos etapas, cada una de las cuales utiliza las capacidades de razonamiento del LLM de manera diferente:
Etapa 1: Generación de resumen (agregación y priorización de anomalías) En esta primera etapa, el agente recibe un conjunto de anomalías sin procesar detectadas en toda la flota. En lugar de procesar cada anomalía individualmente, el LLM decide de forma autónoma cómo agregarlas en candidatos a conocimientos coherentes. Puede agrupar anomalías por:
Causas fundamentales comunes (como varios vehículos que muestran el mismo patrón de comportamiento) Correlación temporal (eventos concentrados en fechas específicas) Similitud categórica (métricas de seguridad o eficiencia relacionadas)
Tanto la lógica de agrupación como los criterios de selección quedan enteramente a criterio del LLM. El sistema no impone reglas fijas sobre cómo se deben combinar las anomalías. Después de la agregación, el agente asigna una puntuación de relevancia a la visión de cada candidato en función de factores como la gravedad, la recurrencia, el impacto en toda la flota y la capacidad de acción. De estos candidatos calificados, el agente selecciona los cuatro conocimientos más relevantes para proceder a la generación detallada. Con este enfoque, la priorización se adapta al contexto específico de la flota de cada usuario, en lugar de depender de reglas comerciales estáticas que podrían pasar por alto patrones emergentes.
Etapa 2: Generación detallada (investigación basada en herramientas agentes) La segunda etapa es donde la naturaleza agente del sistema se vuelve crítica. Para cada información resumida, se genera una instancia de agente independiente con acceso a herramientas de recuperación de datos. El agente decide de forma autónoma qué herramientas llamar, en qué secuencia y cuántas veces, iterando hasta que ha reunido evidencia suficiente para producir una visión respaldada por datos. Ahora que se explica la ejecución del agente, examinemos por qué un enfoque de agente es esencial para este caso de uso. La gestión de flotas involucra innumerables variables y escenarios impredecibles que requieren una investigación dinámica en lugar de una lógica predeterminada, lo que crea dos limitaciones fundamentales:
Cobertura de patrones finitos: el código solo puede detectar patrones que fueron programados explícitamente. Los casos extremos, las correlaciones novedosas o las distribuciones de datos inesperadas pasan desapercibidas. Flujos de investigación rígidos: un guión sigue pasos predeterminados independientemente de lo que revelen los datos a mitad del análisis.
Por el contrario, el agente de IA puede descubrir patrones de cualquier naturaleza, incluidos casos extremos que no se anticiparon durante el desarrollo. Si los datos sugieren una correlación inesperada (como eventos de frenado brusco que se correlacionan con patrones específicos de una hora del día, o el comportamiento de un vehículo que cambia después de una fecha particular), el agente puede cambiar su estrategia de investigación en tiempo real, realizando llamadas a herramientas adicionales para explorar estas hipótesis emergentes. Esta flexibilidad es particularmente valiosa en la gestión de flotas, donde:
El comportamiento del conductor varía de manera impredecible. Los factores externos (clima, tráfico, condiciones de la carretera) crean correlaciones no obvias. La composición de la flota y los patrones de uso evolucionan con el tiempo. Podrían surgir nuevos tipos de anomalías que no estaban presentes en los datos históricos.
Ejemplo de orquestación de flujo
Descubrimiento inicial: el agente identifica un resumen que informa un aumento del 30 por ciento en los eventos de frenado brusco en toda la flota. Establecer una línea de base: decide de forma autónoma extraer el promedio histórico de toda la flota durante los últimos 30 días para confirmar si este pico es una verdadera anomalía o simplemente una tendencia estacional típica. Reconocimiento de patrones: al ver que el pico se concentra en fechas concretas, el agente cambia su foco a un desglose diario. Descubre que la mayoría de estos eventos de seguridad ocurrieron en los mismos dos días. Desglose específico: basándose en esas fechas, el agente identifica que los vehículos 1015, 1142 y 1032 fueron responsables de casi el 70 por ciento de los eventos. Análisis comparativo: Luego realiza una solicitud final y específica para comparar el desempeño histórico del Vehículo 1015 con su comportamiento actual para ver si el perfil del conductor ha cambiado fundamentalmente. Síntesis: sólo después de “conectar estos puntos” el agente finaliza el ciclo y genera una visión final respaldada por datos que resalta los factores y fechas específicos involucrados.
Modelo de lenguaje grande
Para optimizar la relación precio-rendimiento, primero utilizamos el Claude 4.5 Sonnet de alto nivel para validar la lógica y la calidad del conocimiento. Después de la validación, hicimos la transición al Claude 4.5 Haiku, más rentable, para nuestro caso de uso de producción. Una mayor optimización de la relación precio-rendimiento nos llevó a Amazon Nova 2 Lite, un modelo multimodal ultrarrápido que ofrece una calidad de información comparable y al mismo tiempo reduce los costos de los tokens de entrada en un 70 por ciento en comparación con Claude 4.5 Haiku. Este ahorro sustancial es fundamental ya que la carga de trabajo está dominada por tokens de entrada (datos telemáticos, anomalías, contexto). La eficiencia de Nova 2 Lite permite a Verizon Connect brindar información de inteligencia artificial de manera más rentable a toda su base de usuarios. La calidad se mantuvo a través de un conjunto de pruebas automatizadas y un conjunto de datos estándar, lo que garantizó una solución probada en batalla tras su lanzamiento completo. Los LLM están alojados a escala en Amazon Bedrock, un servicio totalmente administrado con capacidad integral de IA generativa, seguridad, privacidad y características de IA responsable.
Gestión de activadores diarios y simultaneidad.
Para proporcionar información lista al comienzo de su jornada laboral a los 100.000 usuarios, utilizamos Amazon Simple Queue Service (Amazon SQS) para gestionar la ejecución. Al controlar la simultaneidad máxima del disparador de SQS a Lambda, podemos:
Suavizar los picos en la demanda de API. Mantenerse dentro de las cuotas de Amazon Bedrock: tokens por minuto (TPM) y solicitudes por minuto (RPM). Proporcionar entrega confiable sin aprovisionar recursos en exceso.
A modo de ejemplo, consideremos un escenario que ofrece información valiosa a clientes de todo Estados Unidos. La entrega prevista de información es a las 8:00 a. m. ET, según los datos generados hasta la medianoche (PT) del día anterior. Dada la diferencia horaria de tres horas, el proceso de un extremo a otro debe completarse en un plazo de cinco horas. Asignar una hora para la detección de anomalías deja un margen de cuatro horas para que el agente de IA y el LLM generen información. A una velocidad de 1500 RPM (ajustable), la fase de generación de información tomará aproximadamente 1,25 horas, lo que está dentro de nuestros requisitos operativos.
Figura 2: Detalles de simultaneidad máxima de SQS a Lambda
Información generada
La información que genera el agente está lista para que la aplicación Reveal la consuma. Al iniciar sesión, aparecen nuevos conocimientos en un panel dedicado en el mapa en vivo, la página más visitada de Reveal, para que cada usuario vea conocimientos relevantes de inmediato. Se puede hacer clic en cada información, lo que conduce a una página detallada con el análisis completo.
Figura 3: La página más visitada de Reveal incluye enlaces a los resultados de Operational Insights.
Arquitectura general
La arquitectura general reúne estos cuatro componentes: detección de anomalías, paralelización de solicitudes, motor de generación de información y almacenamiento de la información generada para su consumo por la aplicación Reveal.
Figura 4 – Arquitectura general
Para comprender cómo funcionan juntos estos componentes, considere el siguiente flujo de trabajo: Se activa una solicitud de información, incluida la lista de ID de clientes para los cuales se deben calcular las ideas. El modelo estadístico realiza la detección de anomalías y almacena los resultados en Amazon S3.
Se activan N solicitudes paralelas como se describió anteriormente. N agentes analizan datos, crean conocimientos y los guardan en Amazon S3. En esta fase, los agentes invocan las API de Amazon Bedrock para llegar al modelo seleccionado. La aplicación Reveal puede acceder a la información almacenada en Amazon S3.
El resultado: inteligencia procesable
La función Operational Insights se implementó para los usuarios de Verizon Connects en noviembre de 2025 y ha brindado a los administradores de flotas narrativas claras y en lenguaje natural como las siguientes:
Detección de patrones de seguridad: "Su flota experimentó un aumento del 100% en frenadas bruscas esta semana. Curiosamente, esto coincide con una reducción en la aceleración brusca, lo que sugiere fatiga del conductor o aumento de la congestión". Eficiencia operativa: "El vehículo n.º 90000 está inactivo durante el 50 % del tiempo con el motor encendido, significativamente por encima del promedio de su flota. Esto representa un costo de combustible innecesario". Rendimiento de la flota: "El kilometraje diario se redujo un 59 %, pero los eventos de exceso de velocidad aumentaron un 54 %. Esto sugiere que los vehículos viajan distancias más cortas a velocidades más altas; considere la optimización de rutas".
Conclusión y mirada hacia el futuro
En esta publicación, mostramos cómo Verizon Connect creó una solución Agentic AI escalable en AWS que transforma datos telemáticos de IoT sin procesar en información procesable sobre flotas para más de 100 000 usuarios. La arquitectura combina Amazon Bedrock, Strands Agents, AWS Step Functions, Amazon SQS y una capa de datos de varios niveles para brindar información confiable y rentable a escala.
A medida que evoluciona el panorama de la IA, planeamos migrar de la implementación de agentes basada en AWS Lambda a Amazon Bedrock AgentCore Runtime para optimizar aún más nuestra ejecución de AWS Lambda y utilizar el protocolo de contexto modelo (MCP) para una integración de herramientas más rápida.
Para implementar una solución de IA agente de manera efectiva, comience con un piloto a pequeña escala para validar un caso de uso básico y establecer la rentabilidad. Una vez demostrado el valor inicial, amplíe el sistema integrando flujos de trabajo automatizados y personalización basada en datos. La etapa final implica la transición a una implementación empresarial completa que admita la orquestación avanzada y el procesamiento en tiempo real en toda la organización. Comience a construir hoy:
Comience con los cimientos: Amazon Bedrock para servicios de IA administrados y AWS Lambda para alojamiento de agentes sin servidor. Agregue orquestación: AWS Step Functions para administración de flujo de trabajo y Amazon SQS para colas escalables. Almacene y recupere datos: Amazon S3 para almacenamiento de objetos, Amazon Aurora para datos estructurados y Amazon DynamoDB para búsquedas rápidas. Explore los marcos de trabajo de los agentes: documentación de Strands Agents para el desarrollo de agentes de código abierto.
Sobre los autores
Luca Vignali
Luca Vignali es arquitecto de soluciones en Telco IBU en AWS. Con 25 años de experiencia profesional, a Luca le apasionan las tecnologías que pueden innovar y simplificar la vida de los clientes, incluidas ML, AI, Gen-AI, IoT y Quantum Compute. Ávido aprendiz y ansioso por difundir el conocimiento de los servicios de AWS, a Luca le encanta pasar tiempo viajando con la familia y disfruta de una actividad saludable en bicicleta.
Yari Marchetti
Yari Marchetti es un arquitecto empresarial de IA con una sólida base como arquitecto de soluciones de almacenamiento de datos. Se especializa en cerrar la brecha entre estructuras de datos sólidas y ecosistemas de IA empresarial inteligentes y escalables. Cuando no está diseñando, Es probable que Yari esté en el campo de fútbol, viajando por el mundo o disfrutando del mejor ejercicio de formación de equipos: jugar con sus hijos.
Usama Ali Khan
Usama Ali Khan es gerente técnico senior de cuentas en AWS, con una sólida experiencia en ingeniería de soporte en la nube y tecnologías sin servidor. Le apasiona ayudar a los clientes empresariales a optimizar sus entornos de nube, impulsar la innovación y lograr la excelencia operativa.
Venu Nagineni
Venu Nagineni es un líder especialista en inteligencia artificial en AWS con 15 años de experiencia en la industria y la nube, que abarca telecomunicaciones, energía y comercio minorista. Actualmente lidera la comercialización de IA para telecomunicaciones y comercio minorista, ayudando a las empresas a pasar de la experimentación con IA a resultados comerciales medibles. En su tiempo libre, trabaja como un experto susurrador de plantas, un renovador de casas de bricolaje y un extraordinario arquitecto de LEGO.