De la búsqueda por palabras clave a un asistente de IA que encuentra la respuesta
Una empresa hotelera global con miles de hoteles y millones de interacciones con huéspedes al año respondía las preguntas del chat con Amazon Kendra. Los huéspedes recibían enlaces y fragmentos de documentos en lugar de respuestas, los resultados cambiaban según cómo se formulaba la pregunta y cada tema nuevo significaba más ajustes de sinónimos y relevancia. Lo reemplazamos con IA generativa en Amazon Bedrock. Los modelos Claude buscan en el propio conocimiento de la empresa por significado, y herramientas de IA identifican el hotel y consultan sus amenidades. Todo responde dentro del chat de Amazon Connect, con un agente en vivo a un paso.
- 88–92%
- primeras respuestas correctas, antes ~70%
- 15–20%
- mejora en la eficiencia de los agentes
- 9 meses
- del descubrimiento a la implementación completa
- Cero
- ajustes manuales de sinónimos
- La búsqueda del chat para huéspedes pasó de Amazon Kendra a IA generativa en Amazon Bedrock.
- La primera respuesta de la IA es correcta el 88–92% de las veces, antes alrededor del 70%.
- Los agentes identifican el hotel y consultan las amenidades; cualquier duda va a un agente en vivo con toda la conversación.
- Los huéspedes reciben respuestas en lugar de enlaces: la precisión de la primera respuesta pasó de ~70% al 88–92%.
- 15–20% más capacidad de los agentes con el mismo equipo.
- Una base para bots de voz, asistencia al agente y chat multilingüe.
- Los agentes solo ven los chats que el asistente no pudo terminar, con toda la conversación.
- Una consola de administración para gestionar prompts, agentes y feature flags.
- Implementado por fases, con feature flags para revertir rápido.
- RAG en Amazon Bedrock (Claude) con embeddings, recuperación semántica y llamadas a herramientas; orquestación con Lambda detrás del chat de Amazon Connect.
- Versionado de prompts, barreras de protección, umbrales de certeza y métricas propias de la IA en CloudWatch.
- Dos Zonas de disponibilidad, subredes privadas, KMS, WAF y CloudFront; Terraform y CI/CD con Bamboo.
Un chat, desde ambos lados
A la izquierda, el chat del huésped. A la derecha, lo que hace la IA: identifica el hotel, recupera el conocimiento correcto, escribe la respuesta en Amazon Bedrock o transfiere a una persona. Elija una pregunta para ver cada camino.
- Pregunta
- ¿Qué hotel?
- Buscar en el conocimiento
- Escribir la respuesta
- Listo
- Hotel
- —
- Tema
- —
- Qué tan segura está
- —
- Esperando una pregunta
- Mensajes
- 0
- Fuentes usadas
- 0
- Consultas
- 0
- Se necesita un agente
- …
Chats ilustrativos. El hotel, los huéspedes y las amenidades son ficticios; el flujo sigue el diseño en producción: un agente que identifica el hotel, recuperación semántica, respuestas generadas en Amazon Bedrock y un agente en vivo cuando hay poca certeza.
El desafío
Los huéspedes preguntan sobre reservas, amenidades, lealtad y políticas, y esperan una respuesta, no una lista de documentos. Kendra era bueno para encontrar documentos, pero no podía entender la intención, resumir ni seguir una conversación de varios turnos.
Así que los huéspedes recibían enlaces y fragmentos parciales, volvían a preguntar y terminaban con un agente en vivo. Las respuestas dependían de cómo se formulaba la pregunta. Cada nuevo caso de uso, como las preguntas frecuentes de un hotel o un cambio de política, significaba más ajustes manuales de índices, sinónimos y reglas de relevancia.
La empresa quería respuestas conversacionales, más chats resueltos sin un agente, menos ajustes y una base para bots de voz, asistencia al agente y chat multilingüe más adelante.
Qué hizo diferente esta modernización
Cambiar un servicio de AWS por otro es fácil. Lograr que un asistente de IA generativa responda de forma confiable, a escala empresarial, es el verdadero trabajo.
- 88–92%
de las primeras respuestas correctas, antes alrededor del 70%.
Medido revisando muestras de chats reales en producción, frente a una meta del 85%.
Cuando el hotel no está claro, el asistente pregunta antes de responder.
“¿Y el desayuno?” depende del hotel. El agente de identificación hace una pregunta de aclaración en lugar de adivinar, y recuerda el hotel durante el resto del chat.
Contenido depurado y organizado antes de que el nuevo modelo saliera a producción.
Las respuestas solo son tan buenas como el contenido. Definimos estándares de fragmentación y metadatos, y validamos el contenido antes de generar los embeddings.
Cada cambio de la IA se lanza de forma gradual, y es fácil de desactivar.
Los prompts se versionan y se lanzan por fases detrás de feature flags y canaries, así un cambio se puede revertir en minutos.
Se mide la calidad de las respuestas, no solo si los servidores están en línea.
Registramos las versiones de los prompts y los resultados, y revisamos las transcripciones con regularidad, así la calidad se mide, no se supone.
Qué cambió
- RespuestasAntes: Enlaces a documentos y fragmentos parcialesDespués: Una respuesta conversacional, basada en el conocimiento recuperado (RAG)
- Primera respuesta correctaAntes: Alrededor del 70% de las vecesDespués: 88–92%, según muestras de chats en producción
- ConversaciónAntes: Cada mensaje por separadoDespués: Varios turnos, con contexto de la sesión e historial
- Qué hotelAntes: Resultados de todos los hotelesDespués: Un agente que identifica el hotel correcto, y pregunta si no está claro
- AjustesAntes: Sinónimos, índices y reglas de relevancia manualesDespués: Recuperación semántica; prompts versionados y lanzados detrás de feature flags
- ConocimientoAntes: Documentos escritos para un índice de búsquedaDespués: Divididos en fragmentos, etiquetados por tema y hotel, y validados antes de generar los embeddings
- EscalamientoAntes: Las preguntas repetidas terminaban con un agenteDespués: Las respuestas con poca certeza pasan a un agente en vivo con toda la conversación
- ControlAntes: Los cambios necesitaban ingenierosDespués: Una consola de administración para prompts, agentes y feature flags, con acceso por rol
- SeguridadAntes: Búsqueda con acceso amplioDespués: Mínimo privilegio, cifrado con KMS, TLS, subredes privadas, AWS WAF en el perímetro
- ObservabilidadAntes: Solo métricas de infraestructuraDespués: Versiones de prompts, resultados de las respuestas y métricas de calidad de la IA en CloudWatch
Pase el cursor o toque un recuadro para ver qué reemplazó.
La respuesta correcta, a la primera.
Se acordaron dos KPI con el negocio: con qué frecuencia la primera respuesta de la IA es correcta sin reformular ni escalar, y cuántos chats se resuelven sin un agente. Ambos se compararon con la búsqueda basada en Kendra.
- Primera respuesta correctaAntes~70%Después88–92%
- Eficiencia de los agentesAntesLínea baseDespués+15–20%
- Ajuste de relevanciaAntesManual y continuoDespuésPrompts y herramientas en código
Precisión de la primera respuesta muestreada y revisada en transcripciones de chats en producción (meta del 85%). La mejora en la eficiencia de los agentes, según lo documentado para el proyecto.
Cómo se responde ahora la pregunta de un huésped
El huésped pregunta con sus propias palabras. El asistente identifica el hotel, encuentra el conocimiento, escribe la respuesta y transfiere a una persona cuando no está seguro.
- 01 · PreguntarEl huésped escribe una preguntaEn el chat de Amazon Connect. Lambda agrega el contexto de la sesión y la conversación hasta ese momento.
- 02 · Contexto¿Qué hotel?Si el hotel no está claro, el agente que identifica el hotel pregunta primero en lugar de adivinar.
- 03 · RecuperarBúsqueda semánticaLos embeddings encuentran los fragmentos de conocimiento más relevantes para ese hotel.
- 04 · ResponderAmazon Bedrock la escribeClaude genera una respuesta conversacional a partir del conocimiento recuperado, y llama a herramientas como la consulta de amenidades cuando hace falta.
- Respondido en el chat
- Agente en vivo
- 05 · EscalarSolo si hace faltaLos chats con poca certeza o sin resolver van a un agente en vivo, con toda la conversación.
Cómo lo hicimos
- 1Descubrir y diseñarTalleres con negocio, aplicaciones, seguridad y operaciones; arquitectura objetivo; entornos de desarrollo y UAT; KPI de línea base.
- 2Framework baseOrquestación con Lambda, integración con el chat de Amazon Connect, las primeras llamadas a Bedrock, esquemas de solicitudes y sesiones, registros y reintentos.
- 3Entender y recuperarReformulación de consultas, división en fragmentos y metadatos, el pipeline de embeddings y la recuperación semántica, comparados con los resultados anteriores por palabras clave.
- 4Optimizar las respuestasPlantillas de prompts, barreras de protección sobre el tono y la extensión, umbrales de certeza, lógica de alternativas y de aclaración.
- 5IA agénticaEl agente que identifica el hotel: cuándo preguntar, herramientas de consulta estructuradas y el contexto conservado durante la conversación.
- 6Administración, seguridad y preparaciónConsola de administración con acceso por rol, refuerzo de IAM, verificaciones de KMS y TLS, paneles, runbooks y una revisión de preparación operativa.
- 7UAT y puesta en producciónUAT formal, despliegue mediante CI/CD e infraestructura como código, tráfico por fases con feature flags y canaries, y luego hypercare.
El resultado
- La búsqueda del chat para huéspedes pasó de Amazon Kendra a IA generativa en Amazon Bedrock
- La precisión de la primera respuesta pasó de alrededor del 70% al 88–92%
- Mejora del 15–20% en la eficiencia de los agentes
- Herramientas agénticas para identificar el hotel y consultar amenidades, con preguntas de aclaración cuando falta contexto
- Conversaciones de varios turnos, con transferencia a un agente en vivo que recibe todo el historial
- Una consola de administración para prompts, agentes y feature flags
- Implementación en producción por fases con feature flags y lanzamientos canary
- Sin ajustes manuales de sinónimos ni de relevancia
- IA
- Amazon Bedrock
- Modelos Claude
- Generación aumentada por recuperación (RAG)
- Llamadas a herramientas
- Agentes
- Identificación del hotel
- Consulta de amenidades
- Conocimiento
- Embeddings
- Almacén vectorial (Amazon OpenSearch)
- Base de conocimiento en Amazon S3
- Centro de contacto
- Chat de Amazon Connect
- Transferencia a un agente en vivo
- Cómputo y perímetro
- AWS Lambda
- Amazon CloudFront
- AWS WAF
- Seguridad y operaciones
- AWS IAM
- AWS KMS
- Amazon CloudWatch
- Dynatrace
- Entrega
- Terraform
- CI/CD con Bamboo
- AWS CDK
Cinco lecciones definen ahora cómo construimos IA generativa para centros de contacto. Las respuestas necesitan gobierno de prompts, o el tono y la extensión se desvían. La calidad depende tanto del contenido y de cómo se divide como del modelo. Las preguntas vagas necesitan un agente que primero aclare, no que adivine. La IA necesita su propia observabilidad. Y debe llegar a los clientes por fases, detrás de feature flags.
Un socio validado por AWS, justo en este tipo de trabajo.
- AWS Advanced Tier Services PartnerReconocido por AWS por su historial de entregas, su personal certificado y los resultados de sus clientes.
- AWS Migration Services CompetencyValidado por AWS para migrar y modernizar cargas de trabajo en AWS a gran escala.
- Amazon Connect Delivery PartnerValidado por AWS para implementar Amazon Connect, incluidas migraciones desde Avaya, Genesys, Cisco y otras plataformas.
- AWS AI Services CompetencyValidado por AWS para incorporar IA en productos reales, incluido el centro de contacto.
- Socio de AWS Experience-Based Acceleration (EBA)Realizamos proyectos EBA con AWS para acelerar migraciones con sprints prácticos y de duración definida.
- Certificación ISO/IEC 27001Nuestro sistema de gestión de seguridad de la información está certificado de forma independiente según la norma internacional.
- SOC 2 Type IIAuditores independientes han evaluado nuestros controles de seguridad a lo largo del tiempo, no solo en un momento puntual.
Más trabajos
Todos los casos de éxito →- Amazon Connect
- Amazon Lex
- AWS Lambda
- Amazon Connect
- Flujos de contacto
- AWS Lambda
- Amazon EKS
- Amazon Kinesis
- Amazon DynamoDB








