La infraestructura de IA detrás de los agentes de Wymaq
Cómo funciona la capa tecnológica que permite que humanos y agentes de IA trabajen juntos en Wymaq: proxy LLM, registro de consumo y AWS Bedrock con modelos de Anthropic.

En Wymaq, la inteligencia artificial no es una función aislada que activa un modelo cuando alguien escribe una consulta. Es una capa operativa completa donde equipos humanos y agentes de IA trabajan en paralelo, sobre las mismas herramientas, con el mismo objetivo: hacer que la gestión de maquinaria sea más simple y más inteligente para nuestros clientes.
Este post describe cómo está construida esa infraestructura y por qué tomamos las decisiones que tomamos.
Todo el tráfico pasa por un proxy LLM
El principio de diseño más importante de nuestra infraestructura de IA es la centralización del acceso. Tanto los miembros del equipo humano como los agentes automáticos llegan a los modelos de lenguaje a través de un único proxy LLM.
Eso significa que no hay integraciones directas con proveedores de modelos dispersas por múltiples servicios. Hay un punto de entrada, y ese punto de entrada hace tres cosas:
- Autentica cada solicitud y la asocia a un usuario, agente o flujo específico.
- Registra cada llamada: qué modelo se usó, cuándo, con qué parámetros y con qué consumo de tokens de entrada y salida.
- Enruta las solicitudes hacia el proveedor y modelo correcto según la tarea.
Esto permite que el equipo de Wymaq tenga visibilidad completa del uso real de IA en toda la organización. No como un dato contable abstracto, sino como información operativa: qué flujos consumen más, cuáles son más eficientes, dónde hay oportunidades de optimización.
Humanos y agentes usan las mismas herramientas
Un diseño frecuente en organizaciones que adoptan IA es construir dos sistemas paralelos: uno para las personas y otro para los agentes. Nosotros elegimos el camino opuesto.
Las herramientas que un analista de Wymaq usa para revisar una solicitud de alquiler son las mismas que puede invocar un agente de procesamiento automático. El acceso a datos, las capacidades de búsqueda, los sistemas de registro: todo está disponible para ambos tipos de actores a través de las mismas interfaces.
Esta decisión tiene implicancias prácticas importantes. Los flujos de trabajo se pueden diseñar de manera continua entre automatización y supervisión humana sin necesidad de conectores especiales. Cuando un agente no puede resolver algo con certeza suficiente, puede escalar a una persona sin fricción técnica. Y cuando una persona completa una tarea, el agente puede retomar desde donde se dejó.
AWS Bedrock como plataforma base
Toda la infraestructura de modelos está montada sobre AWS Bedrock. Esta elección responde a varios criterios que importan en un sistema productivo:
Seguridad y privacidad de datos. Los datos de los clientes de Wymaq —solicitudes, contratos, información de flota— nunca salen de nuestra infraestructura para entrenamiento de modelos de terceros. Bedrock garantiza que las llamadas de inferencia son privadas.
Disponibilidad y escalabilidad. Bedrock gestiona la capacidad automáticamente. No tenemos que dimensionar servidores de inferencia ni preocuparnos por picos de demanda cuando hay muchos agentes corriendo en paralelo.
Integración con el ecosistema AWS. La mayor parte de la infraestructura de Wymaq ya corre en AWS. Bedrock se integra de forma nativa con los servicios de logging, monitoreo e identidad que ya usamos, lo que simplifica la operación.
Los modelos de Anthropic como núcleo cognitivo
Dentro de Bedrock, los modelos que resuelven la mayoría de las tareas de razonamiento y generación en Wymaq son los de Anthropic: la familia Claude.
La elección de Anthropic no es arbitraria. El perfil de tareas que enfrentan los agentes de Wymaq requiere modelos que puedan seguir instrucciones complejas con precisión, razonar sobre documentos, mantener coherencia en conversaciones largas y operar con fiabilidad en flujos desatendidos. Los modelos de Anthropic combinan esas capacidades con un comportamiento predecible, lo que es crítico cuando los agentes toman acciones en sistemas productivos.
Según la naturaleza de cada tarea, el sistema puede enrutar hacia distintos modelos de la familia Claude: los más capaces para tareas de razonamiento profundo, y los más rápidos y económicos para tareas de clasificación o extracción estructurada de alta frecuencia.
El registro como fuente de mejora continua
Una de las ventajas menos obvias del proxy centralizado es que convierte cada llamada a un modelo en un dato estructurado. Con el tiempo, ese registro se convierte en un corpus de conocimiento operativo:
- Qué tipos de prompts producen los mejores resultados en cada contexto.
- Dónde los modelos fallan y requieren intervención humana.
- Cómo evoluciona el consumo de tokens a medida que se optimizan los flujos.
- Cuánto cuesta cada proceso automatizado en términos reales.
Este nivel de observabilidad es lo que permite iterar sobre los agentes con precisión, en lugar de hacerlo por intuición.
Los skills como bloques de proceso reproducible
El registro de llamadas cumple una función más allá de la observabilidad: es el insumo para identificar qué patrones valen la pena codificar.
Cuando un tipo de tarea se repite con suficiente frecuencia y los resultados son consistentemente buenos, ese patrón se convierte en un skill: una instrucción estructurada que define no solo qué debe hacer el agente, sino cuándo activarse, qué herramientas invocar y qué formato debe tener el output. Los skills son la forma en que Wymaq convierte aprendizaje operativo en proceso. No se documentan en wikis que nadie actualiza: se escriben como skills que los agentes ejecutan directamente.
Esto tiene dos consecuencias importantes. La primera es reproducibilidad: el agente siempre ejecuta el mismo skill de la misma manera, independientemente del canal o del contexto. La segunda es evolución centralizada: cuando un skill mejora —porque se detectó un error en el registro, porque cambió el criterio del equipo, porque el modelo se comporta mejor con una instrucción distinta— esa mejora se propaga a todos los agentes que lo usan sin intervención manual en cada uno.
El skill de sprint hygiene que ejecuta Rocío es un ejemplo concreto: define exactamente qué revisar en el tablero de Jira, cómo clasificar los problemas y cómo redactar el reporte en Slack. Lo que el equipo ve como un mensaje automático es la ejecución de un proceso codificado, revisable y mejorable como cualquier otro componente del sistema.
Cómo interactúa cada equipo con los agentes
El diseño de la infraestructura se vuelve concreto cuando se ve en acción. Los distintos equipos de Wymaq no interactúan con los agentes de la misma forma: cada uno usa los canales que ya forman parte de su flujo de trabajo diario.
El equipo de producto y desarrollo: Jira como interfaz de colaboración
Los desarrolladores y product managers de Wymaq trabajan con Jira como herramienta central de gestión. Los agentes de IA están integrados en ese mismo espacio: reciben tickets, hacen preguntas de clarificación, proponen criterios de aceptación, refinan historias de usuario y en algunos casos generan código o tests como punto de partida para el trabajo humano.
El resultado es una colaboración que se parece a tener un colega más en el tablero, no a usar una herramienta separada.

El equipo de operaciones: WhatsApp y Slack
El equipo de operaciones trabaja en movimiento y con tiempos de respuesta cortos. Para ellos, abrir un sistema específico para consultar un agente tiene un costo de adopción demasiado alto. Por eso los agentes de operaciones están disponibles directamente en WhatsApp y Slack.
Desde esos canales, alguien del equipo puede consultar el estado de una solicitud, pedir un resumen de actividad, recibir alertas automáticas o iniciar un flujo de gestión, todo dentro de la conversación que ya tiene abierta.

En Slack, los agentes cumplen otro rol: monitoreo proactivo y alertas automáticas. Rocío, la agente de sprint hygiene, revisa el estado del tablero de Jira y avisa directamente en Slack cuando hay tickets sin story points, historias estancadas o ítems sin actividad que pueden trabar el cierre del sprint.

La clave no es el canal en sí, sino que el mismo agente puede estar presente en múltiples canales porque su lógica y su acceso a herramientas no dependen del canal por donde llega el mensaje.
Una arquitectura pensada para crecer
La infraestructura actual de Wymaq no está diseñada para el volumen de IA que tenemos hoy. Está diseñada para el volumen que vamos a tener.
El proxy LLM puede incorporar nuevos modelos o proveedores sin cambiar los agentes que lo usan. El registro puede alimentar sistemas de evaluación automática. Los flujos híbridos humano-agente pueden evolucionar hacia mayor automatización a medida que los modelos mejoran y la confianza operativa crece.
El objetivo no es reemplazar el criterio humano con automatización. Es construir una organización donde ambos se potencien mutuamente, con la infraestructura adecuada para que eso sea posible.
