Panasonic Avionics construyó sobre Amazon Bedrock un sistema de varios agentes que diagnostica fallos de los sistemas de entretenimiento y conectividad a bordo en toda su flota. El sistema ingiere datos de fallos, los correlaciona con revisiones de sistema y búsqueda de contexto histórico, y sugiere una causa y una acción. AWS publicó el caso el 21 de agosto: mejoras de entre el 20% y el 40% en eficiencia operativa según el proceso, y una caída de horas de análisis manual a minutos.
Para Carla, el proceso equivalente en una empresa mediana es el soporte técnico de primer nivel: alguien revisando registros y tickets para decidir a qué equipo escalar un fallo. Hoy ese trabajo lo hace una persona con experiencia acumulada, comparando el caso actual con los que recuerda. El sistema de Panasonic reemplaza esa memoria con búsqueda vectorial sobre el histórico de incidentes.
El propio caso de AWS reconoce que los resultados varían según los datos y que los incidentes relevantes siguen pasando por revisión humana antes de ejecutar cualquier acción. Lo que no dice el caso es el nivel de inversión detrás: Bedrock, SageMaker, Glue y una base vectorial dedicada, más un histórico de datos ya limpio. Sin eso, un proyecto así no arranca.
Qué hacer ahora: antes de replicar el patrón, audita si tu histórico de incidentes de soporte está en un formato que un sistema pueda leer y correlacionar. Si los tickets viven repartidos entre un correo, una hoja de cálculo y la memoria de dos personas, ese es el primer proyecto, no la IA.