Intensivo Gratis 21–22.11Intensivo gratuito de 2 días en Vibecoding (21–22 nov, 16:00 MSK) · Cohorte 3 inicia 23.11Registrarse gratis →Cohorte 3 (23.11)
LanzamientoAnálisis · En radarAWS Machine Learning Blog→ original

AWS acelera el arranque de agentes de IA hasta 15 veces y reduce el consumo de memoria por sesión hasta un 68 %

Un agente necesita su propio entorno aislado, un "sandbox", y hasta ahora había que elegir entre mantener máquinas listas y pagar por tiempo inactivo, o esperar un arranque en frío. En el runtime de AgentCore actualizado por AWS, una sesión arranca en menos de 2 segundos, hasta 15 veces más rápido que la versión anterior, y en agentes con pausas la memoria por sesión se reduce hasta un 68 %. Por eso ya no hacen falta pools cálidos, y conviene recalcular el presupuesto destinado a agentes.

Procesado por IA desde AWS Machine Learning Blog; editado por Hamidun News
AWS acelera el arranque de agentes de IA hasta 15 veces y reduce el consumo de memoria por sesión hasta un 68 %
Fuente: AWS Machine Learning Blog. Collage: Hamidun News.
Escuchar artículo
Ficha técnica y cifras clave
ParámetroDatos
Fuente originalAWS Machine Learning Blog ↗
Editor jefe
Coinbaselos arranques en frío de sesiones bajaron de casi un minuto a menos de 5 segundos
Los límites por sesión se cuadruplicaronhasta 8 vCPU, 32 GB e imágenes de hasta 10 GB
Dato clave #3La sesión monta un bucket de S3 como sistema de archivos y los datos permanecen dentro

Imagine un agente que corrige errores en su repositorio: ejecuta código, lanza pruebas y navega por sitios web. Ese agente no puede ejecutarse en un entorno compartido; necesita su propio sandbox aislado. Y aquí surge el dilema: si mantiene sandboxes preparados de antemano, paga por tiempo inactivo; si los crea bajo demanda, el usuario espera un arranque en frío.

AWS actualizó AgentCore runtime, la capa de cómputo gestionada dentro de Amazon Bedrock AgentCore, y promete eliminar esa disyuntiva. Según AWS, una sesión de agente ahora arranca en menos de 2 segundos, hasta 15 veces más rápido que la versión anterior. Y en agentes con pausas entre pasos, el consumo de memoria por sesión baja hasta un 68 %, porque un agente inactivo ya no ocupa memoria sin necesidad.

Cuál era el problema

Los agentes han superado hace tiempo el alcance de los prompts individuales: ejecutan tareas de varios pasos durante horas, corren código, manejan datos sensibles y actúan en nombre del usuario. Por eso cada sesión necesita aislamiento; de lo contrario, el código de un usuario podría acceder a los datos de otro. Cuando hay miles de agentes, los sandboxes construidos a medida resultan complejos, caros e impredecibles.

AWS cita encuestas del sector. Según Deloitte, solo el 15 % de las organizaciones ha escalado sistemas multiagente orquestados, y el 70 % reconoce que todavía no puede confiar en sus agentes ni gestionarlos. Según McKinsey, el 40 % de las grandes empresas ya escala agentes de IA, frente al 27 % de hace un año. AWS no revela la metodología de estas encuestas, pero la conclusión es clara: muchas organizaciones tropiezan no con las capacidades de los modelos, sino con un arranque seguro y económico.

Qué cambió

La garantía básica se mantiene: cada sesión se ejecuta en su propia microvirtual machine Firecracker con aislamiento de hardware (una máquina virtual ligera que se levanta en fracciones de segundo), con su propia identidad, política de acceso y registro de auditoría. Sobre esa base se introducen cuatro cambios.

  • Arranque y tamaño. La sesión arranca en menos de 2 segundos, independientemente del tamaño de la imagen y del número de lanzamientos en paralelo. Los límites se cuadruplicaron: hasta 8 vCPU (núcleos de procesador virtuales) y 32 GB de memoria, y las imágenes de contenedor pueden pesar hasta 10 GB. Esto basta para compilar bases de código grandes, escenarios de navegador y ejecución local de modelos. Según AWS, ya no hacen falta pools cálidos ni clústeres preparados de antemano.
  • Pago por trabajo. Un agente pasa la mayor parte del tiempo esperando la respuesta de un modelo, de una herramienta o de una persona. Ahora el entorno libera la memoria en pocos minutos después de que el agente deja de usarla, y un agente inactivo escala a cero. Para agentes conversacionales con pausas, esto supone un ahorro de memoria por sesión de hasta el 68 %.
  • Tarifa para agentes persistentes. Para quienes trabajan sin interrupción existe una base comprometida (committed baseline): se fija la memoria mínima por sesión y se paga por ella como mínimo. Por encima de esa cifra, se pueden tomar hasta cuatro de esos volúmenes adicionales de forma temporal y bajo demanda. Las tarifas están ligadas a los precios de AWS Lambda MicroVM.
  • Aislamiento de datos. Antes, el agente vivía en una sesión protegida mientras los archivos que necesitaba estaban fuera. Ahora la sesión puede montar dinámicamente un sistema de archivos, por ejemplo un bucket de Amazon S3 mediante FUSE (el almacenamiento se ve como una carpeta normal), y guardar allí sus resultados. Los datos permanecen dentro del límite de confianza y las reglas de acceso se definen una sola vez.

Qué dicen los clientes y qué observar

AWS incluye testimonios de clientes. Coinbase informa de que los arranques en frío de sesiones bajaron de casi un minuto a menos de 5 segundos incluso en hora punta, y que su volumen semanal de lanzamientos de agentes creció más del doble. Mission Cloud obtuvo, en el mismo escenario, un arranque 35 % más rápido para solicitudes de inferencia, un arranque 77 % más rápido para comprobaciones de estado y un coste por invocación 17 % menor.

Zuora redujo el consumo de memoria por invocación en torno a un 60 % en muchos escenarios manteniendo una latencia estable. Okta usa la combinación con Lambda MicroVM para que los agentes verifiquen código, ejecuten pruebas y abran pull requests en sandboxes de un solo uso.

Conviene tener presentes algunas salvedades. Las cifras suenan a marketing en su formulación "hasta", o proceden de las propias palabras de los clientes en el comunicado de prensa; no hay mediciones independientes. La mejora depende del perfil de carga: si un agente mantiene la memoria ocupada todo el tiempo, el ahorro será menor que el 68 %. AWS solo promete vincular cada sesión a su propia carpeta de almacenamiento mediante credenciales de sesión de AWS para re:Invent, así que el aislamiento de datos aún no es completo.

La conclusión práctica para los equipos que construyen agentes: si mantienen pools cálidos o sandboxes propios para lograr arranques rápidos, conviene comparar su coste con el nuevo modelo de pago por trabajo real. Lo más sencillo es empezar por los agentes con muchas pausas entre pasos, donde el ahorro de memoria es máximo. El servicio ya está disponible en las regiones de Norteamérica y Sudamérica, Europa y Asia-Pacífico.

Historia

Preguntas frecuentes sobre la noticia

¿Qué se sabe sobre Cuál era el problema?

Los agentes han superado hace tiempo el alcance de los prompts individuales: ejecutan tareas de varios pasos durante horas, corren código, manejan datos sensibles y actúan en nombre del usuario. Por eso cada sesión necesita aislamiento; de lo contrario, el código de un usuario podría acceder a los datos de otro. Cuando hay miles de agentes, los sandboxes construidos a medida resultan complejos, caros e impredecibles. AWS cita encuestas del sector.

¿Qué se sabe sobre Qué cambió?

La garantía básica se mantiene: cada sesión se ejecuta en su propia microvirtual machine Firecracker con aislamiento de hardware (una máquina virtual ligera que se levanta en fracciones de segundo), con su propia identidad, política de acceso y registro de auditoría. Sobre esa base se introducen cuatro cambios. Arranque y tamaño. La sesión arranca en menos de 2 segundos, independientemente del tamaño de la imagen y del número de lanzamientos en paralelo.

¿Qué se sabe sobre Qué dicen los clientes y qué observar?

AWS incluye testimonios de clientes. Coinbase informa de que los arranques en frío de sesiones bajaron de casi un minuto a menos de 5 segundos incluso en hora punta, y que su volumen semanal de lanzamientos de agentes creció más del doble. Mission Cloud obtuvo, en el mismo escenario, un arranque 35 % más rápido para solicitudes de inferencia, un arranque 77 % más rápido para comprobaciones de estado y un coste por invocación 17 % menor.

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.
✦ Private AI Builders Community · Vibe Club

Ship AI Faster with Founders, Engineers & Weekly Architecture Reviews

Inside Vibe Club (hamidun.com/club) — weekly live masterminds with Zhemal Khamidun, Tech Radar, full LMS access, and 370+ production Claude Code skills.

Join Vibe Club →Explore Hamidun Academy
¿Qué te parece?
Cargando comentarios…