Los agentes de IA que consultan datos corporativos necesitan algo más que un buen modelo de lenguaje: necesitan que las definiciones de negocio y los permisos no dependan del prompt. El AWS Machine Learning Blog describe, en el tercer artículo de una serie, un patrón con AtScale y Amazon Bedrock AgentCore que lo plantea así. Si tu organización estudia llevar agentes a producción sobre datos de clientes, conviene conocerlo.
Qué propone AWS para que un agente consulte datos de cliente
AWS propone que el agente no consulte las tablas directamente, sino un modelo semántico de AtScale que le da respuestas calculadas con definiciones únicas. El ejemplo es una vista de cliente 360 de una empresa de retail, con clientes, pedidos, productos y programa de fidelización, almacenada en Amazon Redshift Serverless.
El agente, construido con Strands y alojado en Amazon Bedrock AgentCore, usa un modelo de Anthropic (Claude Sonnet 4.6 en el ejemplo) para interpretar la pregunta y planificar la consulta. Después llama al servidor MCP de AtScale, que traduce la petición a SQL nativo para el almacén. Las uniones, las métricas y los filtros viven en la capa semántica.
Una particularidad: AtScale lanza cada consulta contra un único motor, así que los datos de varias fuentes deben consolidarse antes. En el ejemplo, Aurora PostgreSQL sigue siendo el sistema operacional y una réplica mantiene la copia analítica en Redshift.
Por qué los permisos no deberían vivir en el prompt de un agente de IA
Porque una instrucción en el prompt no es un control: el modelo puede interpretarla mal, y un control de acceso debe ser determinista y auditable. En este patrón la identidad del usuario viaja desde el proveedor de identidad corporativo, pasa por AgentCore Identity y llega a AtScale, que aplica RBAC, seguridad por filas y perspectivas en el momento de la consulta. Según la noticia, también queda registro completo de las consultas.
Otro detalle relevante: el agente no ve las credenciales. Gateway e Identity las gestionan en los extremos, y el agente solo orquesta la conversación y las llamadas a herramientas. Para un equipo de seguridad o cumplimiento, esto reduce la superficie de exposición y facilita explicar quién accedió a qué.
Qué cambia cuando las métricas se definen una sola vez
Cambia que el agente, tus herramientas de BI y cualquier otro consumidor obtienen el mismo resultado de las mismas definiciones. AtScale describe el modelo en SML, un lenguaje abierto basado en YAML y versionado en Git, y lo expone por SQL, XMLA y MCP desde un único modelo desplegado.
Esto tiene consecuencias prácticas:
- Coherencia: el «cliente de alto valor» significa lo mismo en un informe y en la respuesta de un agente.
- Control de cambios: si se modifica un umbral, se cambia un fichero, se revisa como pull request y se despliega; los consumidores lo recogen después.
- Menos errores del modelo: el agente ve una ruta dimensional (producto, categoría) en lugar de un grafo de uniones que debe deducir.
Es una lectura de CGC: el esfuerzo se desplaza del prompt al modelado de datos, y ahí es donde suele haber ya trabajo de gobierno del dato que aprovechar.
Qué conviene decidir antes de poner agentes de IA sobre una capa semántica
Antes de empezar, conviene decidir cuatro cosas, porque este patrón no es una opción gratuita ni universal.
- Dónde residen los datos analíticos. Si hoy tus datos están repartidos en varios motores, hay que consolidarlos antes, con replicación o ETL, porque AtScale resuelve cada consulta en un solo motor.
- Quién es dueño del modelo. Definir dimensiones, medidas y perspectivas exige acordar significados con negocio y asignar responsables.
- Cómo se propaga la identidad. Hay que revisar el proveedor de identidad, los roles y las reglas de seguridad por filas antes de abrir el acceso a un agente.
- Qué se audita y quién lo revisa. El registro de consultas solo sirve si alguien lo explota, sobre todo en entornos sujetos a DORA o a requisitos de supervisión.
La noticia es un artículo técnico de AWS sobre un producto de un tercero y no aporta cifras de rendimiento ni de coste; conviene validar ambos en una prueba de concepto acotada antes de comprometer una arquitectura.
Preguntas frecuentes sobre agentes de IA y capas semánticas
¿Una capa semántica sustituye al gobierno del dato?
No. Es una forma de hacerlo ejecutable: aplica definiciones y permisos en cada consulta, pero alguien tiene que acordarlos, mantenerlos y revisarlos.
¿Sirve solo para agentes de IA?
No. Según AWS, el mismo modelo se expone por SQL, XMLA y MCP, de modo que las herramientas de BI actuales y los agentes comparten definiciones.
Si estás valorando llevar agentes a producción con datos sensibles, en CGC Spain trabajamos en IA y datos, desde el modelado del dato hasta el diseño de agentes con controles de acceso. Si quieres comentar tu caso, puedes escribirnos desde contacto.
