Agentic Data Ingestion es una solución de referencia de AWS que usa modelos de Amazon Bedrock, agentes Strands en Amazon Bedrock AgentCore, Step Functions y AWS Glue para proponer mapeos de datos, generar transformaciones y ejecutar trabajos ETL. Cada archivo cargado en Amazon S3 inicia una ejecución; las fuentes JDBC se procesan bajo demanda o con una programación. AWS describe revisiones humanas dentro del flujo, no una canalización de streaming continuo. AWS explica la arquitectura y el flujo de la solución.
La automatización prepara el mapeo y el código; las revisiones humanas siguen siendo parte del proceso antes de ejecutar la canalización.
Qué fuentes procesa y cómo las prueba
La solución admite archivos CSV, TSV, delimitados por barras verticales, JSON, Parquet, Avro, ORC y Excel .xlsx; en este último caso, procesa una hoja por ejecución. También contempla bases PostgreSQL, Amazon Aurora, MySQL, MariaDB, Oracle y SQL Server mediante conectores JDBC de AWS Glue. Para las cargas incrementales desde bases de datos, utiliza una marca de agua —un valor de fecha y hora o numérico— para seleccionar filas posteriores a la última ejecución.
| Origen | Entradas | Frecuencia documentada | Base de la prueba |
| Archivos en Amazon S3 | CSV, TSV, delimitados por barras verticales, JSON, Parquet, Avro, ORC y .xlsx | Cada archivo cargado inicia una ejecución | Transformación en una sesión interactiva de Glue, con la misma versión de Spark que el trabajo y una muestra de 100 filas |
| Base de datos JDBC | PostgreSQL, Amazon Aurora, MySQL, MariaDB, Oracle y SQL Server | Bajo demanda o programada; las cargas incrementales usan una marca de agua | Filas generadas a partir del esquema, porque la sesión de prueba no accede a la base de datos |
Ese contraste importa al valorar la prueba: en la ruta de archivos, la transformación se ejecuta sobre una muestra de datos. En la ruta JDBC, la prueba usa filas sintéticas basadas en el esquema, no registros de la base de datos. Para los archivos, AWS comprueba el recuento de registros, los valores nulos y el cumplimiento del esquema.
Los destinos son tablas Apache Iceberg en Amazon S3 Tables, bases de datos relacionales mediante JDBC —incluido Amazon RDS— o archivos Parquet particionados en un bucket de S3. S3 Tables permite añadir datos, sobrescribirlos o fusionarlos con los existentes.
Las diez etapas y sus revisiones humanas
El flujo de trabajo convierte la propuesta del modelo en un trabajo de Glue a través de diez etapas ordenadas:
- Validar el archivo para comprobar que la entrada puede procesarse.
- Extraer el esquema de los datos de origen.
- Comparar los esquemas de origen y destino.
- Proponer el mapeo de campos entre ambos esquemas.
- Generar el código de transformación.
- Probar la transformación antes de crear el trabajo.
- Preparar la infraestructura necesaria para el destino.
- Crear el trabajo de AWS Glue.
- Registrar las comprobaciones de calidad.
- Ejecutar la canalización.
La primera revisión humana llega después del mapeo. Solo puede omitirse si cada pareja de campos tiene una confianza alta y la respalda una coincidencia de nombre; los mapeos reutilizados pasan por revisión de forma predeterminada. La segunda aprobación se solicita después de probar el código. Si el flujo no puede determinar si hace falta una revisión, la puerta de aprobación bloquea el avance. Las solicitudes de revisión registran quién las aprobó y caducan a las 72 horas.
Para decidir si este flujo encaja, fíjate en qué datos prueba cada ruta y en los puntos donde exige aprobación, no solo en que genere código.
Cómo limita y comprueba el código generado
El modelo no construye todo el trabajo desde cero: las plantillas Jinja2, revisadas para cada destino, aportan una estructura fija. En los ejemplos de AWS, el modelo suele escribir un bloque de transformación de entre 5 y 15 líneas. Ese bloque se comprueba contra una lista de elementos permitidos, y los parámetros necesarios del trabajo se analizan y validan antes de crearlo.
El código generado se prueba de forma aislada con un rol de solo lectura. Los trabajos de canalización usan roles de IAM con permisos acotados y un límite de permisos; los entornos de ejecución de los agentes tienen roles separados. AWS también describe cifrado en tránsito y en reposo, credenciales JDBC referenciadas mediante ARN de Secrets Manager y autenticación de Cognito con MFA activada de forma predeterminada.
Un agente de recuperación puede iniciar un nuevo intento ante ciertos errores de esquema o tipo de dato y ante un error de falta de memoria. No reintenta si el trabajo fallido podría haber escrito datos o si repetirlo no resolvería el problema, como ocurre con permisos ausentes.
Qué exige el despliegue y qué cambia fuera de EE. UU.
El ejemplo requiere permisos de AWS en la región elegida y en us-east-1, acceso a Claude Sonnet 4.6, Node.js 20 o posterior, Python 3.12 o posterior, AWS CLI, Docker y capacidad para crear imágenes ARM64 o usar QEMU. También necesita alrededor de 100 GB de espacio libre y una aplicación de autenticación. El despliegue crea ocho pilas de CloudFormation.
La configuración de ejemplo emplea el perfil de inferencia entre regiones us.anthropic.claude-sonnet-4-6, que AWS describe como disponible solo desde regiones de AWS en Estados Unidos. Para desplegar fuera de EE. UU., AWS indica que hay que cambiar el identificador del modelo. Por tanto, una instalación en España no puede usar sin cambios ese perfil de ejemplo.
El panel también tiene una limitación importante para equipos: por defecto, cualquier usuario que inicia sesión obtiene acceso completo. La solución no incluye federación de identidades ni acceso al panel basado en roles; AWS los señala como trabajo de endurecimiento para producción.
Si se omite la configuración inicial de acceso al modelo, el despliegue puede terminar, pero fallan los pasos de IA con un error AccessDeniedException. La primera llamada al modelo requiere una configuración única con las credenciales de la persona que despliega. Al retirar el ejemplo, también pueden quedar recursos creados para canalizaciones, datos, tablas, secretos, bases de datos, roles de IAM y pilas; la pila de arranque de CDK permanece salvo que se elimine por separado.
A qué corresponden los costes estimados por AWS
AWS estima entre 0,10 y 0,25 USD por ejecución de muestra y entre 15 y 20 USD al mes para mantener inactiva la instalación. Las cifras corresponden a una prueba en us-west-2, con archivos de muestra de siete u ocho columnas y precios públicos de AWS; no describen otros tamaños de carga ni una tarifa específica para España.
En el desglose de AWS, las llamadas a modelos de Bedrock cuestan entre 0,05 y 0,14 USD por ejecución; las pruebas en sesiones interactivas de Glue, entre 0,01 y 0,02 USD por intento; y el trabajo de Glue, alrededor de 0,02 USD por ejecución. AgentCore Runtime, Step Functions, DynamoDB, S3 y CloudWatch suman menos de 0,05 USD por ejecución en esa estimación. Para la instalación inactiva, AWS calcula unos 14 USD para dos ACL web de WAF y sus reglas, hasta 5 USD para CloudWatch según el uso de la capa gratuita, y aproximadamente 1 USD para almacenamiento y un secreto.