Sistema multiagente de IA: Bayer resuelve el 80% de las consultas sin ingenieros y baja un diagnóstico de 1 hora a 10 minutos

Cuando un fitomejorador de Bayer Crop Science preguntaba por qué había fallado su flujo de trabajo de fenotipado, el diagnóstico podía llevar más de una hora de búsqueda manual en logs y de espera a que un ingeniero tuviera tiempo. Hoy tarda menos de 10 minutos. Detrás hay un sistema multiagente de IA con 22 agentes especialistas en producción que, en su primera fase, resuelve cerca del 80% de las preguntas de los usuarios sin que intervenga un ingeniero.

El caso, publicado por AWS, tiene un punto de partida poco habitual: el problema ya no era ejecutar modelos, sino entenderlos. Bayer opera cientos de configuraciones de machine learning sobre datos de genómica, ensayos de campo, imágenes y condiciones ambientales, a través de cultivos, regiones y equipos. Para que cada ejecución fuera repetible y gobernada, construyó el Connected Decision Engine (CDE). Con la adopción, el cuello de botella se desplazó: explicar un resultado exigía combinar APIs, documentación, metadatos, dashboards y logs. La respuesta fue el Agentic Decision Engine (ADE), una interfaz en lenguaje natural sobre el CDE en la que un agente supervisor clasifica cada pregunta y la deriva a un especialista.

Cómo funciona este sistema multiagente de IA sobre Amazon Bedrock AgentCore

ADE corre sobre Amazon Bedrock AgentCore, que aloja los agentes con sesiones aisladas por usuario. El equipo mantuvo su propia orquestación con LangGraph, elegida por su control de flujo explícito y sus checkpoints para procesos de varios pasos. Esa flexibilidad (traer tu propio framework y modelos) fue uno de los tres motivos de la elección. Los otros dos fueron el runtime gestionado y el acceso a herramientas mediante AgentCore Gateway, que expone las APIs como herramientas MCP y mantiene autenticación y autorización fuera del código de los agentes.

La arquitectura separa responsabilidades: DynamoDB guarda el estado de LangGraph, Aurora PostgreSQL las sesiones y el feedback, ElastiCache cachea respuestas y OpenSearch Serverless indexa el contenido para RAG. Cada uno de los 22 agentes tiene un dominio, herramientas y datos propios. Entre ellos están el experto de dominio, el operacional, el de resolución de problemas y el de visualización. Un patrón propio, «Models as Skill», convierte el código y la documentación de cada modelo en definiciones de habilidad en un registro central, de modo que los agentes responden desde la implementación real del modelo y no desde conocimiento genérico.

Otro dato relevante es cómo operó el proyecto. Bayer contrató AWS Unified Operations, que aportó un Technical Account Manager y un ingeniero especialista en IA generativa. Participaron en tres reuniones técnicas semanales desde el diseño hasta producción, como parte del equipo y no como escalamiento posterior. Según el propio AWS, Bayer conservó la propiedad de la arquitectura y la decisión final. Conviene leer las cifras con cautela: el 80% y los 10 minutos provienen de la publicación del proveedor y de Bayer, y el diagnóstico de 10 minutos se describe para un caso concreto.

El caso encaja con la estrategia más amplia de Bayer. En una charla con Slalom y AWS, su CIO y responsable de transformación digital, Amanda McClerren, habló de romper silos de datos y de centralizar el desarrollo de modelos para mejorar la productividad de los equipos de ciencia de datos. ADE es la capa que hace utilizable esa base.

Lecciones de agentes de IA en producción para tu organización

El artículo detalla cinco decisiones de diseño. Las dos primeras dejan lecciones aplicables hoy:

Externaliza el estado, no confíes en la sesión. La sesión del runtime sirve para la ejecución activa, pero no es un almacén duradero. Bayer escribe los checkpoints en DynamoDB para retomar flujos tras escalados, reinicios o cambios de sesión.

Una identidad, un mecanismo por frontera de confianza. Entra ID sigue siendo la fuente de identidad del usuario, mientras que los servicios se autorizan entre sí con mecanismos nativos de AWS. No fuerces un único token a través de todas las fronteras.

Especializa antes que generalizar. Veintidós agentes acotados son más fáciles de probar y gobernar que uno que lo hace todo. Un supervisor que clasifica la intención y combina resultados mantiene la experiencia unificada.

Pon la autorización fuera del código del agente. Un gateway que centraliza el acceso a herramientas facilita auditar qué puede hacer cada agente. Es el mismo principio que explicamos en el caso de un gateway MCP para agentes de IA que redujo el onboarding de ingenieros de 2 días a 2 minutos.

Incorpora operaciones desde el diseño. Tener a quienes operarán la plataforma en las decisiones de arquitectura evita sorpresas en producción.

Si quieres replicarlo, empieza por la pregunta más repetida que hoy llega a tu equipo técnico, por ejemplo «¿por qué falló este proceso?». Es el caso de uso con retorno medible más rápido: mide el tiempo de diagnóstico antes y después, y el porcentaje de consultas resueltas sin escalar. Después define la gobernanza: qué datos ve cada agente, qué herramientas puede invocar y cómo se registra cada acción.

Planifica también la evaluación continua. Un sistema con decenas de agentes necesita pruebas sistemáticas, algo que muestra el caso de Elastic y su framework único de evaluación de agentes. Y si dudas entre un agente generalista y varios especializados, las lecciones de Spotify sobre arquitectura multiagente ofrecen un contrapunto útil.

El momento de apostar por un sistema multiagente de IA

Bayer no empezó por los agentes: primero construyó una plataforma que ya hacía repetibles y auditables sus flujos de ML. La IA agéntica funciona cuando hay datos, metadatos y APIs ordenados sobre los que razonar. Si tu organización ya tiene ese cimiento y su equipo técnico pierde horas explicando resultados, el momento puede ser ahora. La pregunta es qué proceso de tu empresa sigue dependiendo de que alguien «sepa en qué sistema mirar», y si un sistema multiagente de IA podría dejar de depender de ese conocimiento.