En vivo 18.11 · Cohorte 318 nov, 19:00 MSK — taller práctico gratuito de agentes IA · Cohorte 3 en vivo inicia 23.11Taller 18 nov →Cohorte 3 (23.11)
LanzamientoAPI / Producto · Listo para usarAWS Machine Learning Blog→ original

MoEngage conecta agentes de IA a sus API existentes: el CTR de los push en Glance sube un 38%

Antes de una promoción, un marketer abre uno tras otro el panel de analítica, la biblioteca de textos y el constructor de campañas. MoEngage no reescribió sus cientos de API: convirtió automáticamente las descripciones OpenAPI en herramientas MCP, que un agente de IA invoca desde Claude o ChatGPT. En el cliente Glance, la tasa de clics en las notificaciones push (CTR) subió un 38% y las campañas se lanzan un 50% más rápido. Si un producto ya tiene una API madura, es más fácil construir la capa de agentes sobre ella.

Procesado por IA desde AWS Machine Learning Blog; editado por Hamidun News
MoEngage conecta agentes de IA a sus API existentes: el CTR de los push en Glance sube un 38%
Fuente: AWS Machine Learning Blog. Collage: Hamidun News.
Escuchar artículo
Ficha técnica y cifras clave
ParámetroDatos
Fuente originalAWS Machine Learning Blog ↗
Editor jefe
Dato clave #1El workspace y el usuario se transmiten en los encabezados, por lo que el modelo no los ve
Dato clave #2Pagar por tokens en lugar de mantener GPU propias redujo el gasto en IA en más de un 50%
Dato clave #3El trabajo manual de elegir canal, momento y frecuencia se redujo un 60–70%

Para lanzar una promoción de fin de semana, un marketer abre tres herramientas sin haber escrito aún ni una línea de texto: la analítica, para ver qué funcionó la vez anterior; la biblioteca de contenido, para elegir el tono; y el constructor de campañas. Multiplique eso por email, push, SMS y WhatsApp, y gran parte de la semana se va en saltar entre interfaces en lugar de tomar decisiones. MoEngage, una plataforma de comunicación con clientes que usan más de 1350 marcas, ha eliminado esa rutina con agentes de IA y sin reescribir sus cientos de API existentes: convirtió sus descripciones automáticamente en «herramientas» según el estándar MCP (Model Context Protocol), que el propio agente invoca.

El resultado en el cliente Glance: el CTR de las notificaciones push (el porcentaje de usuarios que tocaron la notificación) subió un 38%. Para un desarrollador, es un esquema listo para usar: cómo añadir agentes a un producto maduro sin tocar el backend.

Cómo se convirtieron las API en herramientas para agentes

En MoEngage plantearon el problema como una cuestión de arquitectura. Había que dar al agente acceso a los datos en vivo del cliente e impedir que accediera a los de otros. Las API de la plataforma para campañas, analítica, segmentos, contenido y flujos ya estaban descritas en formato OpenAPI 3.0. El equipo tomó el framework FastMCP, que lee esa especificación y crea por sí solo las herramientas MCP. Cada operación se convierte en una herramienta con su esquema, su descripción y su validación de parámetros. En el ejemplo del artículo son unas diez líneas de Python: cargar la especificación, crear el cliente, llamar a FastMCP.from_openapi y arrancar el servidor.

Las herramientas se dividen en cinco grupos: campañas, analítica, segmentación, contenido y flujos de automatización. Las definiciones se generan a partir de las especificaciones, así que cuando se actualiza la API, las herramientas se actualizan con ella. El servidor MCP no ejecuta ningún modelo. Solo expone las capacidades de la plataforma, y el razonamiento corre a cargo del agente que se conecta a él. Puede conectarse cualquier cliente compatible con MCP, incluidos Claude y ChatGPT mediante el conector de MoEngage.

Cómo se aíslan los clientes

En un sistema donde operan miles de marcas, el modelo no debe decidir de quién leer los datos. MoEngage tomó tres medidas. El servidor acepta el mismo token JWT que las API habituales, y el runtime de AgentCore lo valida antes de que la solicitud llegue al servidor.

Los identificadores del espacio de trabajo y del usuario viajan en los encabezados de la solicitud, no en los argumentos de las herramientas, de modo que el modelo no los ve y no puede alterarlos. Cada sesión de usuario se ejecuta en un entorno aislado propio, y el estado de una conversación no es accesible desde otra. Por encima están Amazon Bedrock Guardrails, con filtros de seguridad y de datos personales, y una capa intermedia que comprueba la estructura del contenido generado antes de mostrarlo en la interfaz.

A los agentes se les puede mantener bajo control. Cada uno lleva un registro: qué datos tomó, qué decidió, qué canales tocó y qué envió. El modo se elige a nivel de agente: autonomía total o confirmación humana antes de actuar. En el ejemplo del artículo, el agente detecta una caída en el tercer paso del onboarding y pone en pausa la rama de SMS solo después de que el usuario lo autorice.

Qué se ha logrado y qué salvedades hay

Merlin AI incluye cuatro tipos de agentes: asistentes integrados en el estudio (redactor, diseñador, creación de segmentos, plantillas, flujos), agentes conversacionales como Campaign Insights, agentes personalizados para equipos de CRM y agentes de decisión, que eligen la oferta, el canal y el momento para cada cliente por separado. Para el razonamiento y la generación se usan modelos Claude Sonnet de Anthropic en Amazon Bedrock. El post menciona las versiones Sonnet 4.6, 5 y 5.5, y MoEngage cambia entre ellas mediante la misma API.

Las cifras que aporta la compañía: más de seis meses en producción; en Glance, un lanzamiento de campañas un 50% más rápido, un 38% más de clics en los push y aproximadamente el triple de variantes de contenido por campaña. En el conjunto de la plataforma, el trabajo manual de elegir canal, momento y frecuencia se redujo un 60–70%, y la conversión derivada de las decisiones orientadas a un objetivo aumentó un 20–30%. La inferencia con pago por tokens, en lugar de GPU propias, redujo el gasto en infraestructura de IA en más de un 50%.

Estos datos requieren cautela. El artículo se redactó junto con el equipo de MoEngage y se publicó en el blog de AWS, así que se trata de un autoinforme del proveedor. No se revela la metodología de medición: se desconocen los grupos de control y los valores de referencia. La comparación de costes con «modelos propios» también depende de qué modelos y qué carga se tomaron como base.

La conclusión práctica es sencilla. Si su producto tiene una API madura con especificación, no hace falta construir la capa de agentes desde cero. Se necesita generar herramientas MCP a partir de OpenAPI, autorizar con los mismos tokens, mantener los identificadores fuera del alcance del modelo y contar con un runtime gestionado para las sesiones. Compruebe además por separado que las funciones de AgentCore que necesita estén disponibles en su región de AWS.

Historia

Preguntas frecuentes sobre la noticia

Cómo se convirtieron las API en herramientas para agentes?

En MoEngage plantearon el problema como una cuestión de arquitectura. Había que dar al agente acceso a los datos en vivo del cliente e impedir que accediera a los de otros. Las API de la plataforma para campañas, analítica, segmentos, contenido y flujos ya estaban descritas en formato OpenAPI 3.0. El equipo tomó el framework FastMCP, que lee esa especificación y crea por sí solo las herramientas MCP. Cada operación se convierte en una herramienta con su esquema, su descripción y su validación de parámetros.

Cómo se aíslan los clientes?

En un sistema donde operan miles de marcas, el modelo no debe decidir de quién leer los datos. MoEngage tomó tres medidas. El servidor acepta el mismo token JWT que las API habituales, y el runtime de AgentCore lo valida antes de que la solicitud llegue al servidor. Los identificadores del espacio de trabajo y del usuario viajan en los encabezados de la solicitud, no en los argumentos de las herramientas, de modo que el modelo no los ve y no puede alterarlos.

¿Qué se sabe sobre Qué se ha logrado y qué salvedades hay?

Merlin AI incluye cuatro tipos de agentes: asistentes integrados en el estudio (redactor, diseñador, creación de segmentos, plantillas, flujos), agentes conversacionales como Campaign Insights, agentes personalizados para equipos de CRM y agentes de decisión, que eligen la oferta, el canal y el momento para cada cliente por separado. Para el razonamiento y la generación se usan modelos Claude Sonnet de Anthropic en Amazon Bedrock.

ZK
Zhemal Khamidun — CPO de Alpina Digital, product manager de AlpinaGPT. Crea productos de IA desde 2019. Hamidun News es un proyecto personal que creció hasta ser un agregador en producción con más de 6.000 lectores.
✦ Hands-On AI Engineering · Hamidun Academy

Build & Ship Production AI Agents Without Boilerplate Code

Start your free 72-hour trial at Hamidun Academy (academy.hamidun.com) — interactive lessons on Claude Code & Cursor, live Tech Radar, and production agent templates.

Start 72h Free Trial →Vibe-Coding Intensive
¿Qué te parece?
Cargando comentarios…