Búsqueda web en agentes de IA: cómo Gen Digital lanzó Norton Revamp con un equipo pequeño y 99,9% de disponibilidad

Un equipo pequeño de ingenieros, un producto lanzado en marzo de 2026 y una decisión que explica buena parte del resultado: no construir su propio rastreador web. Gen Digital, la compañía detrás de Norton, apostó por la búsqueda web en agentes de IA para que cada sugerencia de contenido de Norton Revamp (su plataforma de reputación profesional) se base en información de hoy y con fuentes citadas, no en lo que el modelo aprendió hace meses. Según un resumen de AI Digest, el sistema mantiene un 99,9% de disponibilidad desde su lanzamiento.

Norton Revamp ayuda a profesionales a construir presencia online: analiza sus publicaciones, propone ideas en su propia voz y los guía hasta publicar en LinkedIn y X. Su núcleo es un motor de noticias curado por IA que usa Web Search de Amazon Bedrock AgentCore, un servicio gestionado compatible con el Model Context Protocol (MCP). El agente envía una consulta en lenguaje natural y recibe fragmentos, URL, títulos y fechas de publicación. El flujo es dirigido por eventos: Amazon Nova genera las búsquedas a partir del objetivo del usuario, su actividad reciente y su nivel de interacción. Un sistema propio de aprendizaje clasifica los resultados por relevancia, actualidad y credibilidad de la fuente, y Nova Lite redacta las sugerencias. Claude entra para tareas de razonamiento complejo y Stability AI para las imágenes.

Por qué Gen descartó los rastreadores y las API de noticias

El equipo evaluó tres alternativas antes de decidir. Los rastreadores propios exigen mantenimiento y siempre van un paso por detrás del tiempo real. Las API de noticias de terceros añadían contratos, gestión de claves y, sobre todo, datos saliendo del entorno AWS. Las bases de conocimiento estáticas, dicen, estaban «perpetuamente desactualizadas». AWS vende Web Search como una herramienta totalmente gestionada y con cero salida de datos del entorno seguro del cliente. Para un grupo de ciberseguridad, ese argumento pesa tanto como la frescura de la información.

La plataforma ejecuta cuatro etapas: un escaneo completo de hasta 1.000 publicaciones históricas con análisis por lotes en Bedrock, un escaneo diario incremental con EventBridge, una generación semanal de metas que combina el historial con tendencias en vivo y un coaching síncrono en tres pasos (Analizar, Refinar, Publicar), cada uno anclado en resultados de búsqueda. La infraestructura incluye ECS, Lambda, DynamoDB y despliegues blue-green con Terraform.

El otro hallazgo está en cómo lo construyeron. Con un enfoque de desarrollo nativo de IA, el equipo reporta funciones implementadas 3 veces más rápido, un 70% del código de interfaz generado por IA y una cobertura de pruebas del 85%, según AI Digest. La generación de código repetitivo se aceleró un 90%, la documentación un 80% y las pruebas un 70%. El costo: revisar lo que produce la IA consumió entre 20% y 30% del tiempo. Superpower Daily destaca justamente esa contrapartida. Conviene leer las cifras con cautela: salen de un blog de AWS firmado por el propio equipo, sin datos públicos de costos ni de usuarios.

Qué puedes aplicar en tu empresa con búsqueda web en agentes de IA

El caso no es solo para empresas de contenido. Cualquier agente que responda sobre mercado, competencia, regulación o riesgos sufre el mismo problema: los modelos no saben qué pasó ayer. Esto es lo que se desprende de la experiencia de Gen:

Invierte en la generación de consultas, no solo en el modelo. Gen usa un LLM para traducir objetivo, actividad y engagement en búsquedas precisas. Ahí está buena parte de la calidad.

Cierra el ciclo con señales de uso. Los datos de interacción realimentan las consultas, así que el sistema mejora con cada sesión.

Ajusta el caché a la frescura que necesitas. Su práctica recomendada es usar tiempos de vida (TTL) distintos según el tipo de dato: una alerta de amenazas caduca antes que un análisis sectorial.

Valida la credibilidad de las fuentes. Que un resultado venga citado no lo hace fiable. Gen añadió su propia capa de ranking.

Define el reparto humano-IA. Ellos reservaron para personas la arquitectura, la seguridad, la lógica de negocio y la personalización. La IA hizo código, documentación y pruebas.

El anclaje en fuentes verificables es un patrón que se repite: Qlik logró 100.000 hallazgos con fuentes verificables en Amazon Bedrock, y otro caso muestra cómo un retailer redujo las alucinaciones del 15% al 1,5% sin cambiar de modelo. Si tu agente inventa datos, el problema suele estar en lo que le das como contexto.

Cuándo conviene adoptar IA en tiempo real y qué errores evitar

El momento es ahora si tu producto depende de «lo que está pasando» y hoy lo cubres con procesos manuales o proveedores externos caros. La lección de Gen es empezar por una función concreta, con un equipo reducido, y apoyarte en servicios gestionados para no pagar mantenimiento de infraestructura. Tres errores a evitar: confiar en la salida de la IA sin revisión (presupuesta ese 20-30% de tiempo), ignorar el gobierno de datos al elegir proveedores de búsqueda y medir solo velocidad de desarrollo. Como señalan otros casos, escribir código ya no es el cuello de botella; lo es revisarlo y decidir qué construir.

Norton Revamp demuestra que un equipo pequeño puede lanzar un producto con información actual y citada si elige bien dónde no reinventar la rueda. La pregunta para tu organización: ¿qué decisiones de tu negocio dependen de información que hoy llega tarde y podría resolverse con búsqueda web en agentes de IA?