IA Generativa: capacidades, limitaciones e infraestructura en AWS
¿Cuándo conviene usar GenAI y cuándo es mejor optar por ML tradicional? En esta quinta entrega del Reto AWS Certified AI Practitioner exploramos Agentic AI, MCP, sistemas multi-agente, ventajas y riesgos de GenAI, criterios de negocio y los principales servicios de AWS para construir y operar soluciones de IA generativa.
Series: Reto de Certificación AI Practitioner (9 articles)
- …
- 5IA Generativa: capacidades, limitaciones e infraestructura en AWS This article
🤖 Agentic AI
Un chatbot tradicional recibe una pregunta y genera una respuesta.
Un agente de IA puede ir más allá: utiliza un Foundation Model como motor de razonamiento para planear y ejecutar tareas de varios pasos, apoyándose en herramientas, memoria y sistemas externos.
Imagina, por ejemplo, un agente encargado de organizar un viaje.
Podría:
- Interpretar lo que necesitas
- Consultar opciones disponibles
- Comparar alternativas
- Utilizar diferentes herramientas o APIs
- Mantener información relevante durante el proceso
- Generar una recomendación final
Para que algo así funcione existen varios mecanismos importantes.
Sistemas multi-agente
En lugar de tener un único agente haciendo todo, podemos distribuir el trabajo entre varios agentes especializados.
Por ejemplo:
Agente investigador → Agente analista → Agente redactor → Agente verificador
Cada agente puede concentrarse en una tarea específica y colaborar con los demás.
Patrones de comunicación
Los agentes también necesitan intercambiar información.
Algunos patrones comunes son:
- Jerárquico: un agente coordinador dirige a los demás.
- En cadena: la salida de un agente se convierte en la entrada del siguiente.
- En red: diferentes agentes pueden comunicarse entre sí.
Gestión de memoria
La memoria permite conservar información relevante.
Podemos pensar principalmente en:
Memoria de corto plazo: mantiene información durante una tarea o interacción.
Memoria de largo plazo: conserva información entre diferentes sesiones.
La gestión adecuada de memoria ayuda a mantener contexto sin depender únicamente de introducir toda la información nuevamente dentro del prompt.
Tool use
Los agentes pueden utilizar herramientas externas para completar una tarea.
Por ejemplo:
- consultar una API
- buscar información en una base de datos
- ejecutar una función
- interactuar con otro sistema
El modelo no tiene que conocer toda la información: puede utilizar herramientas para obtenerla o realizar acciones.
🔌 MCP
Cuando empezamos a conectar agentes con múltiples herramientas aparece un problema.
Cada sistema puede tener una interfaz diferente.
Model Context Protocol (MCP) es un protocolo estándar y abierto que define una manera consistente para que los agentes puedan conectarse con sistemas externos como herramientas, APIs o bases de datos.
Una forma sencilla de recordarlo:
Tool use es la capacidad de utilizar herramientas. MCP es un estándar que facilita cómo conectarse con ellas.
No son exactamente lo mismo.
💡 Tip
Si una pregunta habla de la capacidad del agente para llamar una función o API, piensa en tool use.
Si hablamos de un protocolo estándar para conectar modelos o agentes con diferentes sistemas, piensa en MCP.
🎨 ¿Qué podemos hacer con GenAI?
Las aplicaciones de IA generativa van mucho más allá de generar texto.
Generación de imágenes, video y audio
Los modelos generativos pueden producir contenido completamente nuevo a partir de instrucciones en lenguaje natural.
Por ejemplo:
Prompt → Modelo generativo → Imagen / Video / Audio
Generación de código
Un modelo puede transformar lenguaje natural en código, completar funciones o ayudar durante diferentes etapas del desarrollo de software.
Agentes de servicio al cliente
Un sistema conversacional puede mantener contexto durante una conversación y atender consultas de manera autónoma o semi-autónoma.
Motores de recomendación
Los Foundation Models también pueden utilizar sus capacidades de comprensión del lenguaje para generar recomendaciones personalizadas.
Pero aquí aparece una distinción importante.
Que algo pueda resolverse con GenAI no significa necesariamente que deba resolverse con GenAI.
⚖️ ML tradicional vs. Foundation Models
Esta decisión es especialmente importante, no existe una tecnología universalmente mejor; la elección depende del problema.
¿Cuándo preferir ML tradicional?
Puede ser una mejor alternativa cuando:
- necesitamos alta explicabilidad
- existen requisitos regulatorios estrictos
- tenemos una tarea repetitiva y claramente definida
- buscamos máxima eficiencia de costo a gran escala
- tenemos fuertes restricciones de latencia o capacidad de cómputo
Por ejemplo, en un problema de clasificación muy específico con grandes cantidades de datos históricos.
No necesariamente necesitamos un LLM para resolverlo.
¿Cuándo preferir un Foundation Model?
Tiene más sentido cuando:
- necesitamos resolver diferentes tareas con un mismo modelo
- trabajamos con lenguaje natural
- necesitamos generar contenido
- buscamos capacidades conversacionales
- queremos desarrollar rápidamente sin entrenar un modelo diferente para cada tarea
💡 Tip
No pienses:
“Foundation Model = tecnología nueva = mejor solución.”
Piensa:
“¿Qué necesita realmente este escenario?”
Una tarea muy específica, predecible y altamente regulada puede favorecer ML tradicional.
Una tarea abierta, conversacional o generativa puede favorecer un Foundation Model.
✨ Ventajas de la IA generativa
GenAI tiene tres características especialmente importantes.
Adaptabilidad
Un mismo modelo puede realizar tareas diferentes.
Por ejemplo:
Resumir → Traducir → Clasificar → Generar código → Responder preguntas
Con ML tradicional probablemente necesitaríamos soluciones diferentes para varias de estas tareas.
Capacidades conversacionales
Los modelos pueden mantener conversaciones en lenguaje natural considerando el contexto previo disponible.
Esto permite construir experiencias mucho más naturales para el usuario.
Generación de contenido
A diferencia de un modelo que únicamente predice una categoría o un valor, GenAI puede crear contenido nuevo: texto, imágenes, código, audio o video.
⚠️ Limitaciones y riesgos de GenAI
Las mismas capacidades que hacen atractiva a GenAI también introducen riesgos.
Alucinaciones
Un modelo puede generar información que parece completamente razonable, pero que es incorrecta.
Esto ocurre porque el modelo genera una continuación probable; no significa que esté verificando cada afirmación como un hecho.
Interpretabilidad limitada
En modelos complejos puede ser difícil explicar exactamente por qué se produjo una respuesta determinada.
Este problema suele describirse como black box o caja negra.
No determinismo
El mismo prompt puede producir respuestas diferentes en ejecuciones distintas.
Esto puede ser útil para creatividad, pero representa un problema cuando necesitamos resultados exactamente reproducibles.
Inexactitud
La calidad de la respuesta puede variar dependiendo del prompt, contexto y configuración utilizada.
💡 Tip
Si el escenario exige:
resultado exacto + reproducible + completamente auditable
GenAI probablemente no sea la primera opción.
🎯 ¿Cómo elegir un modelo GenAI?
Tampoco existe un Foundation Model que sea “el mejor” para todos los casos.
Hay que evaluar diferentes criterios.
Tipo de modelo
¿Qué necesitamos procesar o generar?
Texto | Imagen | Audio | Multimodal
Rendimiento
¿Qué importa más?
¿Calidad? ¿Velocidad? ¿Latencia?
Un chatbot utilizado en tiempo real tiene requisitos diferentes de un proceso de generación ejecutado por lotes.
Cumplimiento normativo
Algunas industrias tienen requisitos específicos sobre seguridad, privacidad, almacenamiento y procesamiento de información.
Estos requisitos deben formar parte de la selección tecnológica.
Complejidad
No todas las tareas necesitan el modelo más grande o sofisticado disponible.
La complejidad del modelo debe responder a la complejidad real del problema.
📊 Del modelo al negocio: ¿GenAI realmente genera valor?
Un modelo puede obtener excelentes resultados técnicos y aun así ser una mala decisión de negocio.
Por eso también debemos medir el impacto.
Algunas métricas importantes son:
Tasa de conversión
¿Qué porcentaje de interacciones termina produciendo la acción que buscamos?
Eficiencia
¿Cuánto tiempo, cómputo y dinero estamos utilizando frente al valor generado?
Satisfacción del cliente
¿La experiencia realmente mejoró para el usuario?
Podemos medirlo mediante encuestas, calificaciones u otros indicadores.
Customer Lifetime Value
¿La solución ayuda a incrementar el valor de la relación con el cliente a largo plazo?
Esto nos lleva a una idea importante:
Una buena métrica técnica no garantiza un buen resultado de negocio.
Si el costo operativo de utilizar GenAI supera el valor generado, el proyecto puede tener un ROI negativo aunque el modelo funcione técnicamente bien.
☁️ Servicios de AWS para GenAI
AWS ofrece diferentes herramientas dependiendo de lo que necesitemos construir.
Amazon SageMaker JumpStart
Proporciona acceso a un catálogo de modelos preentrenados que pueden desplegarse o personalizarse dentro del ecosistema de SageMaker AI.
Piensa:
“Quiero comenzar desde un modelo existente dentro de SageMaker.”
→ SageMaker JumpStart
Strands Agents
Es un toolkit open source para construir y operar agentes de IA.
Piensa:
“Quiero desarrollar agentes.”
→ Strands Agents
Amazon Bedrock AgentCore
Proporciona infraestructura administrada diseñada para desplegar y operar agentes de IA en producción de forma segura y escalable.
Piensa:
“Ya tengo agentes; necesito infraestructura para operarlos en producción.”
→ Amazon Bedrock AgentCore
Amazon Q
Es la familia de asistentes generativos de AWS orientada a escenarios de productividad y desarrollo.
Kiro
Es una herramienta de desarrollo de software basada en agentes que utiliza un enfoque de spec-driven development, es decir, desarrollo guiado por especificaciones.
🏗️ ¿Por qué utilizar infraestructura AWS para GenAI?
Al llevar una aplicación de GenAI a producción aparecen necesidades que van mucho más allá del modelo.
Entre ellas:
- seguridad
- identidad y acceso
- cumplimiento
- escalabilidad
- disponibilidad
- cobertura regional
- modelos personalizados
También necesitamos pensar en capacidad y costo.
💰 On-demand vs. Provisioned Throughput
Este trade-off es importante.
On-demand
Pagamos según el consumo.
Puede ser una buena alternativa cuando:
- el tráfico es variable
- no conocemos exactamente la demanda
- no queremos reservar capacidad
Provisioned Throughput
Reservamos capacidad de procesamiento previamente.
Puede ser conveniente cuando:
- tenemos tráfico alto y sostenido
- necesitamos capacidad garantizada
- buscamos una latencia más consistente
Una forma sencilla de recordarlo:
Tráfico impredecible → On-demand
Tráfico alto y constante → Provisioned Throughput
💡 Tip
No asumas que on-demand siempre significa más barato.
Con cargas de trabajo grandes y constantes, reservar capacidad puede ofrecer un mejor costo por unidad procesada.
🚀 ¿Cómo desplegamos el modelo?
Finalmente tenemos otra decisión importante.
Managed API Service
El proveedor administra la infraestructura y nosotros simplemente consumimos el modelo mediante una API.
Esto reduce la carga operativa y permite implementar rápidamente.
Ejemplo: Amazon Bedrock.
Self-hosted API
La organización despliega el modelo sobre infraestructura que configura y controla.
Esto proporciona mayor flexibilidad y control, pero también implica mayor responsabilidad operativa.
Ejemplo: Amazon SageMaker AI.
Podemos resumirlo así:
Managed API → menos operación, implementación más rápida
Self-hosted → mayor control, mayor responsabilidad
✨ Mantente al día con todas las novedades
AWS Tech Girls
Series: Reto de Certificación AI Practitioner (9 articles)
- …
- 5IA Generativa: capacidades, limitaciones e infraestructura en AWS This article
Enjoyed reading this content? Let the author know!
Your likes, comments, shares, and saves help creators reach more builders.
Loading recommendations
Loading article