TITULAR: Cornerstone OnDemand reduce el tiempo de diagnóstico de bases de datos en un 78 % con Amazon Bedrock
Implementación de Orion AI y mejora de la eficiencia operativa
Cornerstone OnDemand ha desarrollado Orion AI, un sistema de inteligencia artificial basado en una arquitectura multiagente que utiliza Amazon Bedrock y el marco de orquestación de agentes de código abierto Strands Agents. Esta herramienta ha permitido a la compañía reducir el tiempo dedicado al diagnóstico de incidentes en sus bases de datos de una media de 45 minutos a tan solo 10 minutos por evento, lo que representa una mejora de la eficiencia del 78 %. El proyecto fue ejecutado por un equipo de tres personas en un periodo de seis meses.
Antes de la implementación de Orion AI, el equipo de Enterprise DataOps de Cornerstone operaba bajo un modelo reactivo. El proceso de investigación del rendimiento de las bases de datos requería que los ingenieros se conectaran manualmente a las instancias de SQL Server, consultaran vistas del sistema para identificar cadenas de bloqueo y tipos de espera, y analizaran registros para aislar consultas lentas. Este flujo de trabajo manual, distribuido entre múltiples herramientas, generaba un cuello de botella operativo significativo.
Arquitectura multiagente y funcionamiento técnico
La arquitectura de Orion AI se basa en una topología de núcleo y radios (hub-and-spoke). Un agente coordinador, denominado metaorquestador, recibe las solicitudes de los ingenieros a través de una aplicación web y delega las tareas a agentes especializados. Estos agentes hijos se encargan de dominios específicos como la monitorización de infraestructura, el diagnóstico de bases de datos, las operaciones del ciclo de vida de los datos, la analítica de clientes y el soporte basado en conocimientos.
En el ámbito técnico, el metaorquestador no posee herramientas de dominio propias, sino que utiliza herramientas de enrutamiento como find_relevant_agents y call_agent, junto con herramientas de flujo de control como emit_plan_step y emit_confirmation_gate. Esto le permite razonar el proceso paso a paso antes de ejecutar cualquier acción. Los agentes especialistas, por su parte, utilizan funciones de Python marcadas con el decorador @tool, lo que elimina la necesidad de mantener esquemas separados, ya que la especificación de la herramienta se deriva directamente de los type hints y docstrings del código.
Optimización del enrutamiento y búsqueda semántica
Para optimizar la velocidad de respuesta, Orion AI emplea un sistema de enrutamiento híbrido. El 80 % de las consultas se resuelven mediante una ruta rápida basada en palabras clave en memoria, que tarda menos de un milisegundo. En los casos en que la solicitud es ambigua, el sistema recurre a la búsqueda semántica impulsada por Amazon Titan Text Embeddings V2, que permite enrutar la petición basándose en el significado y la intención del usuario en lugar de en términos exactos.
Impacto en la gestión de datos y reducción de alertas
El impacto de esta automatización se extiende más allá del diagnóstico. Orion AI ha transformado la gestión del ciclo de vida de las bases de datos, reduciendo procesos que requerían más de 10 pasos manuales —desde el establecimiento de conexiones hasta la comunicación de estados— a una sola interacción en lenguaje natural. El sistema identifica las fuentes de datos, ejecuta las consultas y devuelve una respuesta unificada, permitiendo que el ingeniero se limite a validar los hallazgos.
Otra mejora crítica es la eliminación del desfase de 15 minutos que existía en los informes entre el equipo de Site Reliability Engineering (SRE) y el equipo de datos. Orion AI ha sustituido las comprobaciones manuales periódicas por una visibilidad continua entre sistemas en tiempo real. Además, la herramienta ha reducido el volumen de alertas redundantes en una mediana del 65 % mediante la deduplicación, el filtrado de umbrales y la correlación de señales, logrando que solo lleguen a los ingenieros las alertas realmente críticas.
Automatización de tickets y gestión de memoria
El sistema no solo identifica la causa raíz de un problema, sino que también recomienda la solución y genera automáticamente un ticket en Jira, asignándolo al ingeniero de guardia correspondiente. Este proceso simplifica lo que antes era un traspaso manual de cuatro pasos en una única interacción automatizada. Para evitar que datos obsoletos contaminen los diagnósticos en tiempo real, Orion AI ignora la memoria conversacional cuando se solicitan métricas en vivo, limitando la memoria persistente únicamente a las sesiones de conversación multivuelta.
Casos de uso en otras organizaciones y seguridad en RAG
Paralelamente, otras organizaciones como Qlik han aprovechado Amazon Bedrock para escalar sus capacidades de datos. Qlik ha lanzado Qlik Answers, una solución que proporciona respuestas basadas en datos estructurados y no estructurados para más de 40 000 clientes. Esta herramienta utiliza una arquitectura multiagente por capas, inferencia cross-Region para optimizar la disponibilidad y Amazon Bedrock Guardrails para garantizar la seguridad y el cumplimiento de las respuestas generadas.
Uno de los desafíos más complejos en la implementación de arquitecturas RAG (Retrieval Augmented Generation), que permiten a la IA consultar fuentes de datos externas antes de responder, es la gestión de permisos. Las empresas suelen utilizar conectores que replican las listas de control de acceso (ACL) de fuentes como SharePoint, Google Drive o Confluence en un índice propio. Sin embargo, este modelo presenta riesgos de seguridad debido a que los permisos pueden quedar obsoletos entre sincronizaciones o a que el sistema de IA no sea la fuente autoritativa de verdad sobre quién tiene acceso a qué documento.
Control de acceso en tiempo real con Amazon Bedrock
Para resolver esto, se han integrado Amazon Quick y Amazon Bedrock Knowledge Bases, permitiendo la aplicación de controles de acceso a nivel de documento en tiempo real. En lugar de confiar en una copia de los permisos, el sistema verifica las autorizaciones directamente con la fuente original en el momento de la consulta. Esto asegura que un usuario solo reciba información generada a partir de documentos para los que tiene permiso explícito, evitando la exposición de datos financieros, estrategias confidenciales o información de recursos humanos.
Evolución hacia la autoorquestación de flujos de trabajo
La combinación de estas implementaciones subraya un cambio en la gestión de datos empresariales: la transición de sistemas de monitorización pasivos a ecosistemas de agentes autónomos. Mientras que anteriormente la resolución de incidentes dependía de la capacidad de un ingeniero para correlacionar logs y vistas de sistema manualmente, la arquitectura de agentes especializados permite fragmentar la complejidad técnica en dominios manejables, mejorando la precisión en la selección de herramientas y reduciendo la latencia operativa.
El despliegue de Orion AI se ha realizado mediante servicios contenedorizados en Amazon Elastic Container Service (Amazon ECS). Esta infraestructura permite que la aplicación web enrute cada petición al agente adecuado, invoque las herramientas necesarias y ensamble la respuesta final. En los casos en que la invocación directa de una herramienta no es viable, el sistema activa una cadena de respaldo que utiliza Amazon Bedrock Knowledge Bases para recuperar documentación operativa, asegurando que las respuestas estén fundamentadas en procedimientos aprobados y no en alucinaciones del modelo.
Estas implementaciones demuestran que el uso de modelos fundacionales gestionados, combinados con marcos de orquestación, permite a equipos pequeños de ingeniería generar herramientas de impacto masivo en la eficiencia operativa. La capacidad de integrar controles de acceso en tiempo real y de automatizar el flujo completo desde el diagnóstico hasta la creación de tickets de soporte marca una evolución hacia la autoorquestación de los flujos de trabajo de datos en el entorno corporativo.
