Starting today, Amazon Elastic Compute Cloud (Amazon EC2) C7i instances powered by custom 4th Gen Intel Xeon Scalable processors (code-named Sapphire Rapids) are available in Europe (Milan) and Canada West (Calgary) regions. These custom processors, available only on AWS, offer up to 15% better performance over comparable x86-based Intel processors utilized by other cloud providers.
C7i instances deliver up to 15% better price-performance versus C6i instances and are a great choice for all compute-intensive workloads, such as batch processing, distributed analytics, ad-serving, and video encoding. C7i instances offer larger instance sizes, up to 48xlarge, and two bare metal sizes (metal-24xl, metal-48xl). These bare-metal sizes support built-in Intel accelerators: Data Streaming Accelerator, In-Memory Analytics Accelerator, and QuickAssist Technology that are used to facilitate efficient offload and acceleration of data operations and optimize performance for workloads. To learn more, visit the EC2 C7i instances Page.
Starting today, Amazon Elastic Compute Cloud (Amazon EC2) C7i instances powered by custom 4th Gen Intel Xeon Scalable processors (code-named Sapphire Rapids) are available in Europe (Milan) and Canada West (Calgary) regions. These custom processors, available only on AWS, offer up to 15% better performance over comparable x86-based Intel processors utilized by other cloud providers. C7i instances deliver up to 15% better price-performance versus C6i instances and are a great choice for all compute-intensive workloads, such as batch processing, distributed analytics, ad-serving, and video encoding. C7i instances offer larger instance sizes, up to 48xlarge, and two bare metal sizes (metal-24xl, metal-48xl). These bare-metal sizes support built-in Intel accelerators: Data Streaming Accelerator, In-Memory Analytics Accelerator, and QuickAssist Technology that are used to facilitate efficient offload and acceleration of data operations and optimize performance for workloads. To learn more, visit the EC2 C7i instances Page.
AWS CodeDeploy is now available in five additional AWS Regions: Asia Pacific (New Zealand), Asia Pacific (Thailand), Asia Pacific (Taipei), Asia Pacific (Malaysia), and Mexico (Central). AWS CodeDeploy is a fully managed deployment service that automates application deployments to Amazon EC2 instances, on-premises servers, AWS Lambda functions, and Amazon ECS services. Customers in these newly added regions can now access CodeDeploy locally, enabling lower latency and supporting data residency requirements.
With AWS CodeDeploy, developers and DevOps engineers can rapidly release new features while avoiding downtime during application deployments. The service eliminates error-prone manual deployment operations and scales seamlessly from a single instance to thousands, making it ideal for teams managing complex deployment pipelines across EC2 fleets, serverless Lambda functions, or containerized ECS workloads.
AWS CodeDeploy is now available across 34 AWS commercial regions, as well as AWS GovCloud (US) and the AWS China Regions.
AWS CodeDeploy is now available in five additional AWS Regions: Asia Pacific (New Zealand), Asia Pacific (Thailand), Asia Pacific (Taipei), Asia Pacific (Malaysia), and Mexico (Central). AWS CodeDeploy is a fully managed deployment service that automates application deployments to Amazon EC2 instances, on-premises servers, AWS Lambda functions, and Amazon ECS services. Customers in these newly added regions can now access CodeDeploy locally, enabling lower latency and supporting data residency requirements.
With AWS CodeDeploy, developers and DevOps engineers can rapidly release new features while avoiding downtime during application deployments. The service eliminates error-prone manual deployment operations and scales seamlessly from a single instance to thousands, making it ideal for teams managing complex deployment pipelines across EC2 fleets, serverless Lambda functions, or containerized ECS workloads.
AWS CodeDeploy is now available across 34 AWS commercial regions, as well as AWS GovCloud (US) and the AWS China Regions.
To learn more, visit the AWS CodeDeploy product page.
Amazon SageMaker Unified Studio gives project members full Git version control directly within the tools you already use – Query Editor, Visual ETL, Workflows, and Notebooks. The enhanced Repositories experience replaces the previous automatic sync approach with flexible, file-level version control. This brings a consistent source control experience across all project tools, including Notebooks, which previously had no Git support.
You choose exactly which files to track in Git by adding them to a repository on GitHub, GitLab, or Bitbucket – source control is not enforced at the project level, so you decide what gets versioned and when. When you’re ready, you commit and push all your changes in a single action. Repositories are decoupled from project creation, meaning you can add a repository to a project at any point after the project is created, as your needs evolve. Projects can connect to any number of repositories and branches at the same time, and you can create branches, pull updates, and resolve conflicts without ever leaving your project. If you use JupyterLab or Code Editor, you also retain full Git CLI access through the built-in terminal.
This feature is available in all AWS Regions where Amazon SageMaker Unified Studio is supported, for both IAM and IAM Identity Center domains. If your project uses the previous Git experience, you can opt in to the richer model by updating your project. To get started, see Working with repositories in the User Guide and Configuring Git connections in the Admin Guide.
Amazon SageMaker Unified Studio gives project members full Git version control directly within the tools you already use – Query Editor, Visual ETL, Workflows, and Notebooks. The enhanced Repositories experience replaces the previous automatic sync approach with flexible, file-level version control. This brings a consistent source control experience across all project tools, including Notebooks, which previously had no Git support.
You choose exactly which files to track in Git by adding them to a repository on GitHub, GitLab, or Bitbucket – source control is not enforced at the project level, so you decide what gets versioned and when. When you’re ready, you commit and push all your changes in a single action. Repositories are decoupled from project creation, meaning you can add a repository to a project at any point after the project is created, as your needs evolve. Projects can connect to any number of repositories and branches at the same time, and you can create branches, pull updates, and resolve conflicts without ever leaving your project. If you use JupyterLab or Code Editor, you also retain full Git CLI access through the built-in terminal.
This feature is available in all AWS Regions where Amazon SageMaker Unified Studio is supported, for both IAM and IAM Identity Center domains. If your project uses the previous Git experience, you can opt in to the richer model by updating your project. To get started, see Working with repositories in the User Guide and Configuring Git connections in the Admin Guide.
AWS Direct Connect now provides Border Gateway Protocol (BGP) route visibility, allowing you to view the routes exchanged between AWS and your on-premises routers across your private, transit, and public virtual interfaces (VIFs). You can now see which routes AWS accepted from your router and which routes AWS is advertising to your router, along with their AS path and BGP community values. This visibility helps network administrators troubleshoot routing issues, verify route propagation, and monitor their hybrid network connectivity.
With this feature, you can view accepted routes (routes AWS received from your router) and advertised routes (routes AWS sends to your router) directly in the Direct Connect console or programmatically using the ListVirtualInterfaceRoutes API action. Each route displays its prefix, address family, AS path, community values, and installation timestamp, giving you comprehensive insight into your routing topology. You can filter routes by prefix, AS path, community, or address family to quickly identify specific routing behaviors. This capability is particularly valuable when managing complex multi-region architectures, validating BGP policy configurations, or diagnosing unexpected traffic patterns.
This feature is available in all AWS commercial Regions and the AWS China Regions (Beijing, operated by Sinnet, and Ningxia, operated by NWCD).
AWS Direct Connect now provides Border Gateway Protocol (BGP) route visibility, allowing you to view the routes exchanged between AWS and your on-premises routers across your private, transit, and public virtual interfaces (VIFs). You can now see which routes AWS accepted from your router and which routes AWS is advertising to your router, along with their AS path and BGP community values. This visibility helps network administrators troubleshoot routing issues, verify route propagation, and monitor their hybrid network connectivity.
With this feature, you can view accepted routes (routes AWS received from your router) and advertised routes (routes AWS sends to your router) directly in the Direct Connect console or programmatically using the ListVirtualInterfaceRoutes API action. Each route displays its prefix, address family, AS path, community values, and installation timestamp, giving you comprehensive insight into your routing topology. You can filter routes by prefix, AS path, community, or address family to quickly identify specific routing behaviors. This capability is particularly valuable when managing complex multi-region architectures, validating BGP policy configurations, or diagnosing unexpected traffic patterns.
This feature is available in all AWS commercial Regions and the AWS China Regions (Beijing, operated by Sinnet, and Ningxia, operated by NWCD).
To learn more about BGP route visibility, visit the AWS Direct Connect documentation or access the feature through the Direct Connect console.
Amazon Redshift now supports Graviton-based RG instances on the trailing track. Starting today, rg.large and rg.12xlarge instance types are available for customers running workloads on the trailing track on patch P202 and onwards.
The trailing track is designed for customers who prioritize stability for production workloads, running on a version already validated through the leading track. With RG instances now available on both tracks, customers can take advantage of AWS Graviton-powered performance – delivering up to 2.4x faster query performance than RA3 instances at 30% lower price per vCPU.
Customers on the trailing maintenance track (patch P202 and later) can now create Amazon Redshift RG clusters in all AWS regions where RG is generally available. To get started, customers can provision a new cluster or resize an existing cluster to an rg.large or rg.12xlarge instance type using the AWS Management Console, AWS CLI, or AWS SDKs.For more information, see Amazon Redshift cluster versions.
Amazon Redshift now supports Graviton-based RG instances on the trailing track. Starting today, rg.large and rg.12xlarge instance types are available for customers running workloads on the trailing track on patch P202 and onwards. The trailing track is designed for customers who prioritize stability for production workloads, running on a version already validated through the leading track. With RG instances now available on both tracks, customers can take advantage of AWS Graviton-powered performance – delivering up to 2.4x faster query performance than RA3 instances at 30% lower price per vCPU. Customers on the trailing maintenance track (patch P202 and later) can now create Amazon Redshift RG clusters in all AWS regions where RG is generally available. To get started, customers can provision a new cluster or resize an existing cluster to an rg.large or rg.12xlarge instance type using the AWS Management Console, AWS CLI, or AWS SDKs.For more information, see Amazon Redshift cluster versions.
AWS Identity and Access Management (IAM) announces a major update to IAM Policy Simulator, the tool you use to test and validate the permissions your IAM policies grant before you deploy them. This update changes the simulator in three ways: it now lives in the IAM console, it can test service control policies (SCPs), and it adds flexibility to model more of the scenarios that security and platform teams simulate in practice.
IAM Policy Simulator is now part of the IAM console, replacing the standalone simulator site, so you can test policies in the same place you manage your identities and policies. You can also now include SCPs in your simulation to test how your organization’s SCP hierarchy interacts with identity and resource policies, and through the API, test how condition keys such as Region restrictions and tag requirements affect the outcome. Finally, new flexibility lets you exclude specific policies to model «what if I remove this policy?» scenarios, and cross-account simulations now report per-policy decisions for identity and resource-based policies, with the matched statements returned for a denied request reflecting only the policies that drove the decision. Together, these changes help teams automate policy unit testing, detect over-permissive access, and validate guardrails with greater confidence.
These features are available in all AWS Regions where IAM Policy Simulator is available. You can access IAM Policy Simulator in the IAM console by choosing Policy simulator in the navigation pane.
AWS Identity and Access Management (IAM) announces a major update to IAM Policy Simulator, the tool you use to test and validate the permissions your IAM policies grant before you deploy them. This update changes the simulator in three ways: it now lives in the IAM console, it can test service control policies (SCPs), and it adds flexibility to model more of the scenarios that security and platform teams simulate in practice.
IAM Policy Simulator is now part of the IAM console, replacing the standalone simulator site, so you can test policies in the same place you manage your identities and policies. You can also now include SCPs in your simulation to test how your organization’s SCP hierarchy interacts with identity and resource policies, and through the API, test how condition keys such as Region restrictions and tag requirements affect the outcome. Finally, new flexibility lets you exclude specific policies to model «what if I remove this policy?» scenarios, and cross-account simulations now report per-policy decisions for identity and resource-based policies, with the matched statements returned for a denied request reflecting only the policies that drove the decision. Together, these changes help teams automate policy unit testing, detect over-permissive access, and validate guardrails with greater confidence.
These features are available in all AWS Regions where IAM Policy Simulator is available. You can access IAM Policy Simulator in the IAM console by choosing Policy simulator in the navigation pane.
To learn more, see the following resources:
Testing IAM policies with the IAM policy simulator
API reference on SimulatePrincipalPolicy and SimulateCustomPolicy
Amazon MSK Express brokers now deliver data to streaming tables for Apache Iceberg, a new capability that continuously materializes Apache Kafka topics as Apache Iceberg tables on Amazon S3 Tables. Amazon MSK data delivery to streaming tables can reduce the cost of ingesting and delivering Apache Kafka data into Amazon S3 Tables by up to 60% versus self-managed deployments and reduces downstream query costs by up to 30% versus self-managed Apache Kafka deployments.
Customers rely on Apache Kafka to ingest real-time data for use cases like fraud detection and personalization and increasingly want to unify that data with Apache Iceberg tables for near real-time analytics but integrating the two forces them to operate complex custom pipelines, manage format conversions, and contend with the small-file problem, where high-volume ingestion creates many small parquet files that slow downstream queries and increase costs. With this capability, intelligent inline compaction eliminates the performance impact of small files and keeps query performance predictable without sacrificing data freshness, while built-in coordination resolves concurrent writer conflicts across high-throughput consumers. Amazon MSK supports throughput of up to 10 GB/s for delivery to Apache Iceberg on Amazon S3 Tables, and because this native capability adds no broker egress throughput, customers avoid the incremental infrastructure costs of scaling connector pipelines and match capacity to actual demand rather than peak. Customers deliver data to streaming tables and query or transform the data with any engine of their choice, including Apache Spark, Trino, or Apache Flink.
To get started, customers open the Amazon MSK console, select the Express cluster, and enable the capability in a few clicks, or use the MSK APIs or MCP server. Amazon MSK data delivery to streaming tables is available today in every AWS Region where Amazon MSK Express brokers are offered. For pricing information, visit the pricing page. To learn more, visit the Amazon MSK Developer Guide and Amazon MSK AI skills.
Amazon MSK Express brokers now deliver data to streaming tables for Apache Iceberg, a new capability that continuously materializes Apache Kafka topics as Apache Iceberg tables on Amazon S3 Tables. Amazon MSK data delivery to streaming tables can reduce the cost of ingesting and delivering Apache Kafka data into Amazon S3 Tables by up to 60% versus self-managed deployments and reduces downstream query costs by up to 30% versus self-managed Apache Kafka deployments.
Customers rely on Apache Kafka to ingest real-time data for use cases like fraud detection and personalization and increasingly want to unify that data with Apache Iceberg tables for near real-time analytics but integrating the two forces them to operate complex custom pipelines, manage format conversions, and contend with the small-file problem, where high-volume ingestion creates many small parquet files that slow downstream queries and increase costs. With this capability, intelligent inline compaction eliminates the performance impact of small files and keeps query performance predictable without sacrificing data freshness, while built-in coordination resolves concurrent writer conflicts across high-throughput consumers. Amazon MSK supports throughput of up to 10 GB/s for delivery to Apache Iceberg on Amazon S3 Tables, and because this native capability adds no broker egress throughput, customers avoid the incremental infrastructure costs of scaling connector pipelines and match capacity to actual demand rather than peak. Customers deliver data to streaming tables and query or transform the data with any engine of their choice, including Apache Spark, Trino, or Apache Flink.
To get started, customers open the Amazon MSK console, select the Express cluster, and enable the capability in a few clicks, or use the MSK APIs or MCP server. Amazon MSK data delivery to streaming tables is available today in every AWS Region where Amazon MSK Express brokers are offered. For pricing information, visit the pricing page. To learn more, visit the Amazon MSK Developer Guide and Amazon MSK AI skills.
La siguiente medida del impulso de la IA es la transformación del trabajo
Por: Jared Spataro, director de marketing, IA at Work, Microsoft.
En nuestra reciente llamada de resultados, compartimos que Microsoft 365 Copilot ha superado los 30 millones de plazas de pago, con más que duplicarse el número neto de asientos trimestre tras trimestre.1 Este es un hito importante, pero también una señal que apunta a un cambio mucho más amplio: en todos los sectores, la IA ha comenzado a pasar de ser asistente a participante activo, convirtiéndose en una parte esencial de cómo se realiza el trabajo, en lugar de ser solo una herramienta que la gente utiliza. Las organizaciones rediseñan los flujos de trabajo en torno a ello. Y los empleados dirigen a los agentes para que asuman tareas, proyectos y procesos, lo que amplía su agencia y aumenta su impacto.
La primera fase de la IA empresarial se definió por la adopción: despliegues, licencias y horas ahorradas, ganancias reales que seguirán acumulándose. La siguiente fase se definirá mediante la transformación. En Microsoft, nuestra misión es empoderar a cada persona y organización del planeta para lograr más, y nos entusiasma la creciente oportunidad de cumplir esa misión, ya que humanos y agentes colaboran para construir lo que antes era imposible.
Nuevos datos de las señales de telemetría Microsoft 365 Copilot, junto con ejemplos de nuestros clientes de todo el mundo y equipos dentro de Microsoft, demuestran esta transformación en acción. Se manifiesta de tres maneras: en la profundidad y amplitud del uso actual de la IA, en lo que la IA hace posible —desde trabajos más rápidos hasta nuevas capacidades— y en cómo las organizaciones la adaptan a roles específicos. Echemos un vistazo más de cerca, comencemos por la tecnología en sí.
Un cambio radical en la innovación
En los últimos meses, ha surgido un nuevo tipo de producto de IA: un modelo envuelto en un arnés agéntico capaz de cerrar su propio bucle de retroalimentación—planificar, ejecutar, probar y corregir su trabajo para entregar un resultado final. Este enfoque habilitó a Copilot Cowork, que estuvo disponible de manera general en junio. Cowork puede asumir trabajo de varios pasos: ustedes definen la tarea, y este la ejecuta de principio a fin y devuelve un resultado completado. Su diseño multimodelo les permite ejecutar los modelos que necesita una tarea, por lo que la capacidad escala con el trabajo a medida que hay más modelos disponibles. Y las pruebas muestran que Cowork era entre un 30% y un 40% más barato2 comparado con una sola opción de modelo. También hemos presentado nuestro primer agente en piloto automático, Microsoft Scout, que permanece activo en segundo plano, con su propia identidad y permisos, para mantener el trabajo en marcha incluso cuando su atención está en otra parte. Todos los resultados se basan en el Work IQ para entender el contexto que da forma al trabajo dentro de su organización, incluidos los roles, proyectos, prioridades y conocimientos institucionales de las personas, por lo que son de especial relevancia para su negocio.
Hemos visto un cambio radical no solo en los productos que entregamos a los clientes, sino también en la manera en que nuestros equipos de ingeniería los construyen. Aunque muchos empleados han contribuido a Cowork, el equipo principal se mantiene, de manera intencionada, pequeño: pasó de tres ingenieros al principio a solo nueve cuando el producto estuvo disponible en general. Y, sin embargo, la rapidez de lanzamiento al mercado fue notable, con Cowork que pasó de su inicio a la vista previa a ser utilizado por la mitad de las empresas Fortune 500 en el transcurso de seis meses. El avance llegó al reconstruir el proceso de desarrollo de software alrededor de agentes, lo que permitió que un equipo pequeño alcanzara niveles de velocidad, escala y automatización que habrían sido imposibles con los flujos de trabajo tradicionales de ingeniería.
Microsoft Scout también comenzó con un pequeño grupo de personas que trabajan junto a agentes autónomos con contexto compartido, evaluaciones y especificaciones claras, y de nuevo pasó de un concepto inicial a un producto funcional en cuestión de semanas en lugar de meses. «En el pasado, dedicaba mucho tiempo a ayudar a los equipos a crecer: alinear grupos grandes, coordinar el trabajo y asegurarme de que todo avanzara en conjunto», dice Omar Shahine, vicepresidente corporativo de Microsoft Scout. «Ahora se trata más de crear las condiciones para que los equipos expertos avancen rápido, experimenten de manera segura y capturen de manera continua lo que aprenden para que cada proyecto empiece más adelante que el anterior.» Equipos de frontera como estos —ágiles, enfocados y definidos por la colaboración humano-agente— proporcionan una señal clara de cómo se transformará el trabajo del conocimiento en los meses y años venideros.
Profundidad y amplitud de uso
A medida que los productos de IA y su enfoque para desarrollarlos maduran, el uso de Copilot en organizaciones también se profundiza y se amplía. Solo en el último año, el número de conversaciones por usuario casi se ha duplicado,3 mientras que el número de usuarios que interactúan con múltiples funciones de Copilot creció en tres dígitos.4 Y el hecho de que la interacción media semanal con Copilot esté ahora a la par con Outlook y Teams5 demuestra la rapidez con la que la IA se convierte en parte del trabajo cotidiano.
Cuando analizamos lo que la gente pide más a Copilot Cowork en una semana, vemos un aumento de solicitudes que abarcan varios pasos, como analizar un conjunto de datos y redactar el correo que lo explica o investigar un problema y escribir el código para resolverlo. Si tenemos en cuenta estos flujos de trabajo de varios pasos, el trabajo relacionado con el análisis representa el 49% de todas las tareas, frente al 29% cuando el análisis se realiza como tarea independiente.6 En otras palabras, los datos sugieren que la IA va más allá de ayudar a las personas a completar tareas para ayudarles a completar flujos de trabajo completos.
En cuanto a ampliaciones, los primeros adoptantes como la manufactura, la banca y el software/tecnología se mantienen como las industrias con mayor número de agentes activos en el ecosistema de Microsoft 365. Pero lo sorprendente es que industrias como la automoción y la sanidad han comenzado a emerger como algunas de las adoptantes de agentes de más rápido crecimiento,7 lo que señala que el valor por agente se extiende mucho más allá de los primeros líderes.
La señal más clara de este impulso puede ser la rapidez con la que las organizaciones escalan Copilot en sus plantillas. El número de nuestros clientes con más de 50.000 asientos ha aumentado más de 7 veces año tras año. Mientras tanto, el número de clientes empresariales que despliegan Copilot a la mayoría de sus trabajadores de información creció casi un 75% trimestre tras trimestre, una señal de lo central que se ha convertido Copilot en sus operaciones. Y el tiempo que tarda en alcanzar un uso alto, es decir, un uso activo mensual superior al 80% en la base de usuarios de un cliente, ha caído de meses a solo días en el último año.8 En conjunto, estos cambios indican que las organizaciones integran cada vez más la IA y los agentes en el flujo del trabajo cotidiano.
Lo que la IA hace posible
En su forma más básica, la velocidad habilitada por IA genera eficiencias. Pero las organizaciones que lo hacen bien van más allá de la eficiencia por el simple hecho de ser eficiente y han empezado a ver cómo la IA cambia el trabajo en sí —e incluso puede ampliar lo que una organización es capaz de hacer.
Por ejemplo, el propio equipo de Cadena de Suministro en la Nube de Microsoft adoptó un enfoque de «lean before agents». Primero mapeó y simplificó seis flujos de trabajo de extremo a extremo y construyó una base de datos compartida, luego desplegó más de 70 agentes diseñados en específico para planificación, aprovisionamiento, cumplimiento y logística. El resultado fue una reducción del 75% en el tiempo de ciclo en los flujos de trabajo seleccionados, con la lección incorporada: simplifica el trabajo en sí antes de automatizar en lugar de superponer agentes sobre un proceso roto.
El tiempo de ciclo es una medida del progreso. La calidad de las decisiones que hay debajo es otra. En la empresa de gestión inteligente de energía Eaton, el análisis de la causa raíz había dependido durante mucho tiempo de investigaciones que consumían mucho tiempo. Para aliviar la carga, la empresa ha comenzado a utilizar un agente de calidad impulsado por IA que ayuda a los expertos a revisar informes sobre problemas de calidad en la fabricación para identificar con rapidez posibles causas raíz, tendencias e información de los proveedores. Aplicado en alrededor de 5.000 informes hasta ahora, ha acelerado el análisis, reforzado la toma de decisiones basada en datos y permitido acciones tempranas de identificación y prevención de riesgos, lo que mantiene al equipo de expertos de Eaton en el centro de cada decisión.
Otras organizaciones han comenzado a descubrir lo que es posible a través de empoderar a quienes están más cerca del problema para construir soluciones. Premera Blue Cross se propuso permitir que los empleados creen sus propios agentes de IA para aliviar el trabajo manual repetitivo y abordar los retrasos crecientes y los flujos de trabajo manuales. El plan de salud, que sirve a miembros de Washington y Alaska, comenzó al incorporar Microsoft 365 Copilot y Copilot Studio en las herramientas que su personal ya utilizaba cada día, respaldado por formación y medidas claras para que los empleados pudieran experimentar sin poner en riesgo la confianza de los miembros. Desde entonces, el equipo ha formado más de 900 agentes y sigue su crecimiento, incluido un agente de exhibición contratado cuyo procesamiento inteligente de documentos redujo el flujo de trabajo manual de 30 a 45 minutos a unos tres, lo que liberó a los empleados para centrarse en los miembros que necesitan acceso a atención o respuestas a preguntas críticas.
Más adelante, la IA puede desbloquear la capacidad de realizar trabajos que antes no se podían hacer. En Levi Strauss & Co., donde la IA se ha comenzado a integrar en todo el negocio, desde la visión del consumidor hasta los recursos humanos (RRHH), un agente analizó 1.100 procedimientos operativos estándar de finanzas y catalogó 18.000 tareas individuales en un día, para crear una visión detallada del trabajo que de otro modo no habría surgido. «El agente valoró una oportunidad que yo había supuesto que era imposible de cuantificar», dijo Lisa Sterling, vicepresidenta de Finanzas en Levi’s.
Y en la organización global de consultoría EY, un Agente Autónomo de Aprovisionamiento (ASA, por sus siglas en inglés) automatiza transacciones de bajo coste y bajo riesgo a lo largo del proceso de compra, desde la requisición y negociación hasta la creación de órdenes de compra. Puede negociar con uno o varios proveedores a la vez en cuanto a costes, plazos de entrega y condiciones de garantía, lo que mantiene a las personas informadas para la validación y la escalada. Desde su piloto de octubre de 2025, la ASA ha apoyado más de 200 transacciones y se espera que gestione 1.500 en el próximo año. El resultado es un proceso de adquisiciones más rápido y eficiente que ayuda a los equipos a obtener más valor de los proveedores, para asegurar que las decisiones importantes permanezcan en manos de las personas.
Especialización a gran escala
La diferencia entre que las organizaciones vean cambios como estos y las que aún esperan no es que tan amplio que han desplegado la IA, sino lo bien que la han adaptado al trabajo. Sin embargo, el patrón de despliegue más común se mantiene de propósito general: dar a todos la misma herramienta y dejar que ellos la resuelvan. Las organizaciones que generan el valor más distintivo hacen algo diferente: empiezan por cómo funcionan en realidad roles específicos y luego construyen la IA alrededor de esos patrones.
Un ejemplo: S&P Global Commodity Insights ha mostrado cómo la IA puede hacer accesible a más personas una experiencia profunda y especializada al incorporar inteligencia de confianza directo al flujo de trabajo. A medida que crecía la demanda de datos preparados para IA, la empresa utilizó conectores Microsoft Copilot Agent Builder y Microsoft Graph para crear un agente Copilot en Microsoft Teams, para ofrecer a los clientes una forma más sencilla de acceder e interactuar con sus investigaciones de productos básicos e información de mercado. Al ofrecer una extracción de datos un 95% más rápida y un análisis comparativo un 98% más rápido, la solución ayuda a los clientes a convertir grandes cantidades de información en inteligencia accionable más rápido, para permitir una toma de decisiones más rápida e informada en los mercados globales de energía y materias primas.
El equipo de ventas de Microsoft mapeó distintas personalidades de vendedores a agentes dedicados a la IA —Investigador, Agente Analista, Agente de Ventas, Agente de Acuerdos y MSXi Copilot (un agente de inteligencia de ventas e informes)—cada uno diseñado para adaptarse a momentos concretos de cómo los vendedores emplean su tiempo. Con los agentes que asumen más tareas administrativas y de coordinación, el tiempo dedicado al vendedor a actividades de atención al cliente se duplicó, al pasar del 25% al 50%. El grupo piloto registró un 9,4% más de ingresos per persona y un 20% más rápido en el cierre de operaciones, y en una encuesta informó de un aumento de 3 veces en la adopción de casos de uso prioritarios.9
Kantar adoptó un enfoque desde cero. En la empresa de datos y análisis de marketing, se construye y amplia un «agente de personas» para consultas de RRHH (en realidad un sistema de unos 10 agentes con 60 temas y flujos relacionados que trabajan juntos) mediante la colaboración de personas que en verdad gestionan y apoyan estas solicitudes en todo su equipo de Personas. Ya resuelve una proporción creciente sin intervención humana: una carta de verificación de empleo que antes tardaba tres días ahora se devuelve en 120 segundos. Kantar informa que la cuota de consultas a RRHH gestionadas de esta manera ha aumentado de cero en febrero a cerca del 40%, frente a un objetivo de cierre de año del 95%.
El equipo de Operaciones de Personas de Microsoft gestiona más de un millón de interacciones con empleados al año en más de 100 sistemas, para realizar trabajos que tienen un peso real para las personas. Utilizan Frontier Tuning para escalar la experiencia en RRHH a través de sus procesos y momentos con los empleados, en lugar de mejorar una tarea a la vez, a través de capturar la experiencia de los profesionales como tareas, habilidades y rúbricas que definen los estándares de calidad. El resultado es un sistema impulsado por IA que puede asumir trabajo operativo con el contexto, los estándares y el conocimiento institucional necesarios para el éxito, lo que transforma el conocimiento de sus profesionales en capacidad organizativa. El equipo puede observar cómo funciona el agente en el trabajo real y ajustar las palancas—herramientas, contexto, habilidades y el propio modelo—para garantizar un rendimiento consistente. El agente desarrollado con Frontier Tuning ya está activo en Operaciones de Personas, para ofrecer una mejora 5 veces mayor en la finalización exitosa de tareas en comparación con un modelo base de propósito general.10 A medida que las actividades rutinarias son cada vez más gestionadas por la IA, los expertos en Operaciones de Recursos Humanos de Microsoft pueden centrarse en las complejas interacciones con los empleados, las decisiones matizadas y el trabajo estratégico donde la visión humana más importa.
¿Qué sigue ahora?
A medida que la tecnología de IA avanza y las organizaciones de todo el mundo empiezan a ver surgir un valor real, las medidas que importan también cambian. Veremos un mayor enfoque en la profundidad de uso, cambios medibles en el propio trabajo, el crecimiento y gobernanza de los agentes, el rediseño de roles y flujos de trabajo, y la aparición de capacidades que antes no existían. Las organizaciones que construyen ventajas duraderas son aquellas donde la tecnología, los modelos operativos y la agencia humana evolucionan juntos. Eso es la Frontier Firm que comienza a tomar forma.
Notas
1Microsoft Q4 llamada de resultados.
2Este análisis fue realizado por equipos internos de Microsoft. El análisis comparó 125 pruebas en un total de 12 prompts de datos de trabajo ligero, medio y pesado en Copilot Cowork y Claude Cowork con su conector Microsoft 365, ambos usando el modelo Opus 4.8. Para Copilot Cowork, los costes se calcularon a través de tasas variables basadas en modelos relevantes, contexto, herramientas y tiempo de ejecución de nuestros registros internos. Para Claude Cowork, los costes se calculaban con tasas de API disponibles de manera pública, basadas en el uso de tokens y el uso del conector Microsoft 365. Utilizamos estos costes para obtener un precio total por partida y comparamos los precios entre conjuntos de prompts ligeros, medianos y pesados entre Copilot Cowork y Claude Cowork con su conector Microsoft 365. Resultados de ahorro de costes basados en pruebas realizadas en junio de 2026. Los costes reales y los posibles ahorros pueden variar según el uso, la configuración, el tiempo y otros factores.
3Microsoft Q4 Resultados de la conferencia.
4Basado en señales de productividad agregadas y anonimizadas de Microsoft 365 Copilot, el número de usuarios activos mensuales de Copilot de M365 que utilizan 2 o más funciones únicas basadas en Copilot durante un periodo de 28 días. Incluye a todos los países y clientes empresariales en junio de 2025 y junio de 2026.
5Microsoft Q4 Llamada de resultados.
6Basado en señales de productividad agregadas y anonimizadas de Microsoft 365 Copilot, la telemetría de Cowork desde el 19 de julio de 2026 hasta el 26 de julio de 2026, a través del análisis de las tareas más comunes que los clientes delegaron a Copilot Cowork durante el periodo de informe.
7Basado en señales de productividad agregadas y anonimizadas de Microsoft 365 Copilot, los Agentes Activos Mensuales mide el recuento de agentes activos únicos observados mediante telemetría entre Agentes Declarativos, Agentes del Motor Personalizado y Agentes de SharePoint. La métrica se calcula a lo largo de una ventana móvil de 28 días. Un agente se considera «activo» si, dentro de ese periodo de 28 días, cumple al menos uno de dos criterios: (1) tiene al menos un día de uso iniciado por el usuario, o (2) completa al menos una ejecución autónoma. Cada agente que cumple los requisitos se cuenta una vez, sin importar cuántas veces se haya utilizado, para asegurar una medida desduplicada de la base activa de agentes. El crecimiento se evalúa durante un periodo de 12 meses que abarca de junio de 2025 a junio de 2026, para después comparar el recuento de agentes activos al inicio y al final del periodo.
8Microsoft en la llamada de resultados del cuarto trimestre.
9Datos internos del equipo de ventas de Microsoft basados en 687 vendedores de Microsoft 365 Copilot desde enero hasta junio de 2024, en comparación con vendedores con bajo uso de Copilot.
10El éxito se definió como una «carrera perfecta»: la tarea obtuvo una puntuación de 100/100 según criterios de evaluación definidos por humanos. Las tareas se evaluaron a través de múltiples ejecuciones para tener en cuenta la variabilidad en las rutas de finalización, la secuenciación de tareas y la selección de herramientas, contándose solo resultados consistentemente perfectos como exitosos.
On 7/30, OpenAI announced updated pricing for GPT-5.6 Terra and GPT-5.6 Luna.
GPT-5.6 Terra is the balanced model for everyday production work, delivering GPT-5.5-level performance at lower cost. GPT-5.6 Luna is the fast, affordable model for high-volume inference tasks where latency and cost per token matter most. GPT-5.6 Sol pricing remains unchanged. Pricing on Amazon Bedrock matches OpenAI first-party rates, and usage counts toward your existing AWS commitments.
GPT-5.6 Sol is available in US East (N. Virginia) and US East (Ohio). GPT-5.6 Terra and Luna are available in US East (N. Virginia), US East (Ohio), and US West (Oregon). For more details on the update, see the OpenAI blog. For the latest pricing information for GPT-5.6 models on Amazon Bedrock, please visit the Amazon Bedrock pricing page.
On 7/30, OpenAI announced updated pricing for GPT-5.6 Terra and GPT-5.6 Luna.
GPT-5.6 Terra is the balanced model for everyday production work, delivering GPT-5.5-level performance at lower cost. GPT-5.6 Luna is the fast, affordable model for high-volume inference tasks where latency and cost per token matter most. GPT-5.6 Sol pricing remains unchanged. Pricing on Amazon Bedrock matches OpenAI first-party rates, and usage counts toward your existing AWS commitments.
GPT-5.6 Sol is available in US East (N. Virginia) and US East (Ohio). GPT-5.6 Terra and Luna are available in US East (N. Virginia), US East (Ohio), and US West (Oregon). For more details on the update, see the OpenAI blog. For the latest pricing information for GPT-5.6 models on Amazon Bedrock, please visit the Amazon Bedrock pricing page.
AWS Transit Gateway now supports Policy-Based Routing (PBR), giving network administrators granular control over how traffic is forwarded across their AWS network. With PBR, forwarding decisions can be based on a combination of packet attributes including source and destination IP addresses, ports, and protocol rather than destination IP address alone.
Previously, customers needing traffic steering or workload isolation had to build multi-VPC architectures with additional routing hops, adding complexity and operational overhead. PBR eliminates this by extending Transit Gateway’s native routing capabilities, enabling security architects and enterprise network teams to classify and direct traffic inline without extra infrastructure. Customers associate a policy table with a Transit Gateway attachment and define an ordered set of rules. Each rule classifies traffic and directs matching packets to a specified route table using first-match-wins logic. This supports use cases such as steering sensitive workloads through AWS Network Firewall or third-party inspection appliances, routing application traffic over AWS Direct Connect or AWS VPN paths based on source, port, or protocol, and isolating production and development environments into separate routing domains to limit lateral movement.
Policy-Based Routing for AWS Transit Gateway is available in all commercial AWS Regions where Transit Gateway is available. You can configure PBR using the AWS Management Console, AWS Command Line Interface (CLI), and the AWS Software Development Kit (SDK). PBR incurs no additional charge beyond standard Transit Gateway fees. To learn more about Policy-Based Routing for AWS Transit Gateway, visit the AWS Transit Gateway product page .
AWS Transit Gateway now supports Policy-Based Routing (PBR), giving network administrators granular control over how traffic is forwarded across their AWS network. With PBR, forwarding decisions can be based on a combination of packet attributes including source and destination IP addresses, ports, and protocol rather than destination IP address alone. Previously, customers needing traffic steering or workload isolation had to build multi-VPC architectures with additional routing hops, adding complexity and operational overhead. PBR eliminates this by extending Transit Gateway’s native routing capabilities, enabling security architects and enterprise network teams to classify and direct traffic inline without extra infrastructure. Customers associate a policy table with a Transit Gateway attachment and define an ordered set of rules. Each rule classifies traffic and directs matching packets to a specified route table using first-match-wins logic. This supports use cases such as steering sensitive workloads through AWS Network Firewall or third-party inspection appliances, routing application traffic over AWS Direct Connect or AWS VPN paths based on source, port, or protocol, and isolating production and development environments into separate routing domains to limit lateral movement. Policy-Based Routing for AWS Transit Gateway is available in all commercial AWS Regions where Transit Gateway is available. You can configure PBR using the AWS Management Console, AWS Command Line Interface (CLI), and the AWS Software Development Kit (SDK). PBR incurs no additional charge beyond standard Transit Gateway fees. To learn more about Policy-Based Routing for AWS Transit Gateway, visit the AWS Transit Gateway product page .
