AWS ha publicado una nueva plantilla llamada Agentic Data Operations Platform (ADOP) en el AWS Machine Learning Blog. Utiliza agentes de IA para escribir canalizaciones de datos. Esto ayuda a los equipos a ahorrarse semanas de configuración lenta y manual.
Cómo crea ADOP tus canalizaciones de datos
ADOP ayuda a los equipos de datos a mover conjuntos de datos a través de las fases de datos Bronze, Silver y Gold. Se encarga de tareas lentas como la incorporación de fuentes, la transformación de datos y la ejecución de comprobaciones de calidad. También actualiza capas semánticas y coordina flujos de trabajo.
En lugar de escribir todo el código a mano, se utiliza un Data Onboarding Agent principal. Funciona con Claude Code y Amazon Bedrock. Este agente crea agentes auxiliares más pequeños para tareas específicas:
- Metadatos y ontología: creación de etiquetas de esquema y localización de estructuras de datos.
- Transformaciones y calidad: redacción de código ETL y configuración de reglas de calidad de datos.
- Orquestación de flujos de trabajo: creación de DAG de canalizaciones para Apache Airflow o AWS Step Functions.
Cuando los agentes terminan, ingenieros humanos revisan el código. Después, una canalización de CI/CD despliega código estándar de PySpark, SQL, DAGs, políticas de IAM y reglas de seguridad de Cedar en staging y producción.
Y lo más importante: la canalización de producción en vivo ejecuta código estándar sin llamar a ningún modelo de IA. Obtienes la velocidad de la IA durante la configuración, pero una estabilidad predecible en producción.
Medidas de protección y controles de seguridad
AWS añade varias capas de seguridad para proteger los datos de la empresa:
- Sin exposición de datos sin procesar: los agentes solo ven metadatos del esquema, recuentos de muestras y estadísticas de columnas.
- Secretos seguros: las credenciales del sistema se despliegan en el momento del lanzamiento. Nunca entran en el prompt del agente.
- Medidas de protección estrictas: Bedrock Guardrails filtra contenidos, comprueba la fundamentación y bloquea datos confidenciales.
- Redes aisladas: el trabajo se lleva a cabo dentro de redes protegidas con revisiones humanas obligatorias.
De qué no deberías fiarte todavía
AWS afirma que esta plantilla reduce el tiempo de incorporación de fuentes de semanas a horas. Esa cifra es una afirmación de diseño del proveedor. Nadie fuera de AWS la ha verificado todavía. AWS no ha publicado los costes totales, las tasas de precisión de los resultados ni certificaciones formales de cumplimiento. Incluso con perfiles basados únicamente en metadatos, un agente aún puede escribir código defectuoso o pasar por alto reglas normativas sutiles.
Por qué es importante este diseño
Los modelos de IA pueden ser impredecibles en producción. ADOP evita ese riesgo utilizando la IA únicamente en tiempo de compilación.
Esto supone un cambio enorme para los sectores regulados.
Puedes inspeccionar, probar y controlar las versiones del código estándar de SQL o PySpark antes de que entre en contacto con registros reales de clientes. Sin embargo, este flujo de trabajo requiere un esfuerzo inicial. Debes mantener prompts claros, políticas estrictas y revisiones minuciosas. Si tus comprobaciones iniciales son deficientes, el agente podría repetir el mismo error en muchos conjuntos de datos.
Cómo probarlo tú mismo
Empieza poco a poco. Elige a dos o tres ingenieros de referencia y selecciona una fuente de datos que no sea crítica.
Crea esa canalización dos veces. Primero constrúyela a mano y luego con ADOP. Compara el tiempo total de ingeniería, los costes de tokens y de la nube, la necesidad de rehacer trabajo y los fallos de calidad de los datos. Revisa minuciosamente el código generado en busca de filtraciones de red o secretos expuestos.
Si tu prueba piloto resulta fiable, podrás expandir ADOP con total seguridad por toda tu infraestructura de datos.