Un bróker financiero global lleva desde el primer trimestre de 2026 generando su documentación de arquitectura sin que nadie la escriba a mano — un agente sobre Bedrock AgentCore la produce directo del código en cada commit.
La documentación de arquitectura manual tiene un problema estructural: se desactualiza en semanas porque nadie tiene tiempo de mantenerla sincronizada con cada cambio de código. En sistemas de microservicios esto es particularmente costoso — entender las dependencias entre servicios es exactamente lo que previene que una falla en cascada se vuelva un incidente mayor, y quien más lo necesita (el ingeniero de guardia a las 3am) es quien menos tiempo tiene para reconstruir ese mapa mental desde cero. AWS publicó el caso de un bróker interdealer global que resolvió esto con un agente autónomo corriendo sobre Amazon Bedrock AgentCore, en producción desde el primer trimestre de 2026 — no es una prueba de concepto, es un sistema real generando 140+ diagramas por semana across 20 repositorios.
AgentCore es la plataforma de AWS para construir, conectar y operar agentes a escala con cualquier framework o modelo — un runtime serverless que escala automáticamente sin que el equipo gestione infraestructura, con orquestación de herramientas integrada. En este caso el agente usa el framework Strands (el mismo que Guatemalia usa para Alleria, la IA de este sitio) con un modelo de Bedrock configurado para generación de diagramas.
El agente no genera el diagrama de un solo intento — sigue un ciclo de 5 fases: (1) entender, escaneando el código fuente en S3 e identificando componentes e interfaces, excluyendo tests y artefactos de build; (2) generar diagramas Mermaid (clases, secuencia, estado, componentes, actividad) vía Bedrock; (3) validar la sintaxis Mermaid y regenerar automáticamente si detecta errores; (4) convertir los diagramas validados a SVG; (5) publicar los artefactos (SVG, fuente Mermaid, metadata JSON) en S3.
Ese ciclo de validación-y-regeneración es la diferencia real: AWS reporta **95% de confiabilidad con este enfoque iterativo, contra 65% con una sola llamada a la API** — porque el agente detecta y corrige sus propios errores de sintaxis en vez de entregar un diagrama roto la primera vez que algo no cuadra.
El pipeline completo conecta CodeCommit (dispara el flujo en cada commit) → CodePipeline (orquesta las etapas) → CodeBuild (instala dependencias e invoca al agente) → AgentCore (corre el agente Strands) → S3 (almacena los artefactos y sirve como backend del vector store) → Bedrock Knowledge Bases (indexa la metadata y el código Mermaid para búsqueda semántica, usando Titan Text Embeddings v2). CloudWatch monitorea fallas de pipeline e invocación.
La Knowledge Base usa chunking jerárquico — chunks padre de 1,500 tokens para contexto completo del diagrama, chunks hijo de 300 tokens para recuperación a nivel de entidad — indexando solo los prefijos `metadata/` y `mermaid/`, sin tocar los binarios SVG. Esto permite preguntas como "¿qué estrategia de reconexión usa el sistema?" y obtener de vuelta el diagrama de actividad relevante con su descripción, sin que nadie tenga que ir a buscarlo manualmente.
Para un repositorio mediano (~1,500 archivos), AWS calcula ~$0.24 de inferencia por generación (29,000 tokens de entrada + 10,000 de salida) más ~$0.04 de CodePipeline/CodeBuild/ingesta — **total aproximado de $0.28 por corrida**. Escalado a portafolios reales: 5 repos salen en ~$5.60/mes, 20 repos en ~$22.40/mes, 100 repos en ~$112/mes. AWS estima que una organización con 20 repositorios recupera entre $2,000 y $8,000 anuales en tiempo de desarrollador ahorrado — un ROI que se sostiene porque el costo marginal por diagrama es centavos, no horas de un ingeniero senior.
El caso real reportado (20 repositorios, 7 tipos de diagrama cada uno, cero overhead manual donde antes tomaba 2-4 horas por repositorio) después de seis meses en producción: tiempos de entrega de 10 días a 3 días, throughput de mensajes duplicado, tiempo medio de recuperación de incidentes 20% menor, incidentes de producción 30% menos, preparación de auditoría de 2 semanas a 2 días, onboarding de nuevos desarrolladores de 4 semanas a 1 semana, y 40% de ahorro de costo frente a llamadas de un solo intento sin el ciclo de validación.
<div class="highlight"> Lo que hace que estos números sean creíbles y no marketing: son consecuencia directa de resolver el problema original (documentación desactualizada = onboarding lento + incidentes que tardan más en diagnosticarse), no de una promesa genérica de "productividad con IA". </div>
Si tu empresa mantiene microservicios y la documentación de arquitectura vive en la cabeza de dos o tres personas senior, este patrón — agente + pipeline CI/CD + Knowledge Base semántica — es replicable sin depender de .NET ni de esta implementación específica: el mismo enfoque de "escanear código, generar diagramas validados iterativamente, indexar la metadata para búsqueda" aplica a cualquier stack. El requisito técnico real (nivel "300-400" según AWS) es tener CI/CD ya andando y acceso a Bedrock con un modelo Claude y Titan embeddings habilitados en la región — no hace falta construir el agente desde cero si ya tenés la infraestructura de pipeline.
Carlos Montiel es arquitecto de soluciones IA empresarial. Implementa LLMs, Agentes, RAG y orquestadores en empresas de Guatemala y Latinoamérica. Contáctalo para una consultoría.
Contactar a Carlos Montiel