AWS resume septiembre: Bedrock, AgentCore y Strands reciben actualizaciones

AWS ha publicado su resumen mensual para desarrolladores de IA correspondiente a septiembre de 2026. Incluye tres productos (Amazon Bedrock, Amazon Bedrock AgentCore y el framework Strands) y tres cambios principales: una selección de modelos más amplia, agentes serverless más rápidos con evaluación de calidad integrada y sincronización automática de bases de conocimiento con conectores corporativos nativos. El resumen en sí es breve. No incluye benchmarks, cifras de latencia ni precios, así que a continuación analizamos qué hay detrás de las formulaciones y qué conviene comprobar por cuenta propia.

Tres capas de un mismo stack

Las actualizaciones pertenecen a distintos niveles de la plataforma. Bedrock ofrece acceso a modelos a través de una API unificada. AgentCore funciona como entorno de ejecución para agentes: ahí se despliegan, obtienen aislamiento y se conectan a herramientas. Strands opera a nivel de código: es un SDK en el que el desarrollador describe la lógica del propio agente.

El conjunto de actualizaciones de septiembre aborda tres problemas habituales al llevar un agente a producción. Hay que elegir el modelo adecuado para la tarea, lanzar el agente sin complicarse con la infraestructura y proporcionarle datos actualizados de la empresa.

Modelos, agentes, conocimiento

El primer cambio es una selección de modelos más amplia en Bedrock. Para los equipos que no quieren depender de un único proveedor, es un argumento sólido: se puede cambiar de modelo sin reescribir la integración. El resumen no revela qué modelos se han añadido; habrá que consultar la lista en el catálogo de Bedrock.

El segundo cambio es más interesante. AWS habla de agentes serverless más rápidos con evaluación integrada. La evaluación de la calidad de los agentes lleva tiempo siendo un cuello de botella: los equipos escriben sus propios conjuntos de pruebas y scripts para ejecutar escenarios. Si AgentCore se encarga de ello, baja la barrera de entrada a producción. La salvedad es que «más rápido», sin indicar con qué se compara, sigue siendo una formulación de marketing. El arranque en frío, el tiempo de respuesta y el comportamiento bajo carga hay que medirlos con los escenarios propios.

El tercer cambio afecta a las bases de conocimiento. La sincronización automática con conectores corporativos nativos significa que el índice para RAG se actualiza a medida que cambian las fuentes, en lugar de seguir un calendario que alguien tiene que mantener. Para las empresas con documentos en SharePoint, Confluence y sistemas similares, esto elimina una tarea rutinaria. Qué conectores incluye el paquete también debe confirmarse en la documentación.

Qué se sabe del resumen

• Periodo: septiembre de 2026, publicado en el blog de AWS Machine Learning el 9 de octubre.
• Productos: Amazon Bedrock, Amazon Bedrock AgentCore, Strands.
• Modelos: se amplía la selección en Bedrock; el resumen no incluye la lista.
• Agentes: la ejecución serverless es más rápida y se añade evaluación integrada.
• Conocimiento: sincronización automática de bases de conocimiento y conectores corporativos nativos.
• Métricas de rendimiento y precios: no se revelan.

Cómo aplicarlo en la práctica

Para un equipo que ya trabaja con Bedrock, tiene sentido hacer una auditoría breve. Primero, comparar la lista de modelos disponibles con la configuración actual: quizá haya una opción más barata o más precisa para una tarea concreta. Después, pasar uno de los agentes existentes por la evaluación integrada y contrastar el resultado con las pruebas propias. Si las cifras coinciden, parte del andamiaje casero se puede eliminar.

Para quienes construyen RAG sobre datos corporativos, la pregunta clave son los conectores: si cubren sus fuentes, cómo gestionan los permisos de acceso y con qué rapidez llegan al índice los cambios de un documento. Este último punto determina si el agente empezará a responder con datos obsoletos.

Para quienes aún están eligiendo plataforma, el resumen sirve como mapa de referencia, pero no como base para decidir. Conviene comparar AgentCore con las alternativas en un piloto con carga real.