Amazon Web Services (AWS) ha presentado esta semana un innovador patrón para Step Functions que incorpora agentes de inteligencia artificial en el proceso de reprogramación de vuelos, manteniendo bajo estricto control las modificaciones en reservas y los pagos mediante validación de código determinista. Esta solución, desarrollada con Amazon Bedrock AgentCore, permite que los agentes sugieran itinerarios alternativos y redacten mensajes de compensación tras una alteración de vuelo, pero solo tras un proceso de validación automatizada se ejecutan cambios o pagos.
Según AWS, el principio fundamental es claro: “Los agentes proponen, el código determinista valida”. Esto significa que, aunque los agentes de IA tienen la capacidad de generar decisiones y alternativas basadas en múltiples variables, el sistema no autoriza acciones directas hasta que dichas propuestas pasan por un conjunto de pasos verificadores controlados por código determinista, que asegura la coherencia y seguridad de cada operación.
Un patrón para que los agentes no manejen decisiones económicas directamente
Este enfoque surge como respuesta a escenarios en que la reprogramación aérea requiere evaluar cientos de variables para ofrecer nuevas rutas a pasajeros tras la cancelación de un vuelo. La generación manual de alternativas puede ser laboriosa y lenta, por eso AWS apuesta por automatizar con agentes especializados que proponen opciones inmediatas, liberando a los equipos humanos de ese trabajo rutinario.
El nuevo patrón de AWS aplica AWS Step Functions para coordinar a distintos agentes de Amazon Bedrock AgentCore, integrando la potencia razonadora de la IA generativa con las garantías del código determinista, que supervisa y valida todas las propuestas antes de su aplicación. De este modo, la ejecución de tareas delicadas como modificar reservas o emitir pagos queda aislada del comportamiento, que por naturaleza puede ser no determinista, de los agentes.
En lugar de que los propios agentes gestionen orquestación, validación, reintentos o enrutamiento, este patrón traslada esas responsabilidades a Step Functions, donde cada decisión cuenta con un historial de ejecución que facilita auditorías y revisiones. Esta separación entre capa de razonamiento y de acción protege las operaciones y minimiza riesgos, limitando a los agentes a proponer, y dejando la responsabilidad de ejecutar en manos del código determinista.
Además, esta estructura no se limita al sector aéreo. Cualquier proceso con alto riesgo financiero o regulatorio puede beneficiarse de un sistema donde las propuestas derivadas de IA sean filtradas y validadas por reglas deterministas antes de hacerse efectivas.
Integrando ejecución de código para reforzar el razonamiento
En paralelo a la publicación de este patrón, AWS defendió en un estudio de caso reciente la importancia de que los agentes AI trabajen con un entorno controlado donde puedan ejecutar código para procesar datos, hacer cálculos y verificar resultados de forma programática. El análisis estaba centrado en Abnormal AI, plataforma de seguridad basada en comportamiento que utiliza el Intérprete de Código de Amazon Bedrock AgentCore.
Esta capacidad, que ofrece un entorno totalmente gestionado y sin servidor para la ejecución dinámica de código dentro de los agentes, permite combinar las fortalezas de los modelos de lenguaje para razonar semánticamente con la potencia computacional para realizar operaciones precisas y verificables. Esto es crucial para tareas reales que no se adaptan bien a un razonamiento puramente semántico, como la conversión de datos en informes estructurados o conteos numéricos, donde se requiere un «bloc de notas computacional» para trabajar y validar cálculos.
Razonamiento semántico: potencia y límites
AWS no es la única compañía que se esfuerza por separar el razonamiento del modelo de las acciones finales. El mes pasado, Perplexity lanzó Portable Computer, una versión local de su agente Computer que aúna razonamiento probabilístico para generar propuestas con software determinista encargado de decidir si ejecutar o no dichas propuestas. Este método apunta a aumentar la seguridad y fiabilidad en tareas cada vez más críticas que asumen agentes de IA, tales como procesos contables, compras y cierres financieros mensuales.
Ante esta realidad, el razonamiento exclusivamente semántico se queda corto para garantizar que las decisiones de los agentes sean completamente seguras para ser implementadas. La inclusión de una capa adicional de validación determinista aporta la confianza necesaria para que las propuestas de agentes sean verificables y auditables antes de pasar a la ejecución definitiva.
