DEV Community: John Bulla

Google ADK: Architecture and Essential Components

John Bulla — Sun, 02 Aug 2026 12:04:38 +0000

John BullaFollow

Nota: ✋ This post was originally published on my blog wiki-cloud.co

Introduction

The development of artificial intelligence solutions is evolving from traditional conversational assistants to systems capable of reasoning, using tools, querying information, executing processes, and collaborating with other agents.

In this context, Google Agent Development Kit (ADK) provides a framework for designing, developing, testing, and deploying AI-based agent applications. Its modular architecture allows you to build anything from a simple agent to multi-agent systems capable of coordinating complex business workflows.

Based on the official product guide, some research, and the experience of many developers, I present a high-level architecture of Google ADK with different components, which can be explained through the following layers:

User interfaces.
ADK Runtime and Runner.
Agent system.
Foundation components.
Models and knowledge.
Observability and governance.
Deployment options.

Each layer fulfills a specific function and integrates with the others to process user requests in an organized, secure, and scalable manner.

High-level architecture

Below I present the high-level architecture divided into layers and components, where I will explain each one of them:

User interfaces

The top layer of this high-level architecture represents the different channels through which users or applications can interact with the agents.

Google ADK doesn't require the use of a specific interface. Users and developers can interact with the agents through various options, including:

CLI: for running and testing agents from the command line.
Web UI: for interacting with agents through a web interface.
API Endpoints: for integrating agents with other applications or services.
Custom Frontends: such as corporate portals, mobile apps, conversational assistants, or messaging channels.

This separation allows the agent's logic to be independent of the user experience. The same agent system can be used from different channels without needing to modify its internal behavior.

For example, a support agent can handle inquiries from a web application, an internal chatbot, and an API used by other corporate applications.

Source: Google ADK

ADK Runtime & Runner

The ADK Runtime and Runner constitute the environment responsible for executing and coordinating the operation of the agents.

This layer acts as the operational engine of the architecture and is responsible for connecting the user interfaces with the agent system and the services they need.

Its main capabilities are:

Event Loop

The event loop is the central operating pattern that defines the interaction between the Runner and the custom code (agents, tools, callbacks, collectively referred to as “execution logic” or “logical components” in the design document). The event loop manages the sequence of actions that occur during an interaction.

Source: Google ADK

Orchestration

Orchestration controls how agents participate and in what order tasks are performed.

You can determine, for example:

Which agent should handle a request?
Whether multiple agents should execute sequentially?
Whether certain tasks can be processed in parallel?
When should an action be repeated?
When should control be transferred to another agent?
When should the execution flow end?

This capability is especially important in multi-agent architectures.

Service Management

Service management connects the Runner to the infrastructure components used by the application.

This includes services such as:

Sessions.
Memory.
State.
Artifacts.
Tools.
Evaluation services.
Observability systems.

Thanks to this separation, the agent's logic can remain decoupled from the mechanism used to store information or deploy the solution.

Agent System

The functional core of the architecture is the agent system. ADK allows combining different types of agents depending on the level of autonomy, control, and specialization required by the solution.

LLM Agents

LLM Agents use language models to interpret requests, reason about the context, and decide what action to take. Google ADKuse models from the Gemini family through Vertex AI or Google AI Studio to reason and make decisions.

This type of agent can:

Understand natural language.
Analyze information.
Generate responses.
Select tools.
Decide which agent should intervene.
Solve tasks that don't follow a completely deterministic flow.

For example, a customer service agent can analyze a request, check the status of an order, and determine whether to respond directly or transfer the case to a specialized agent.

Agent workflow

Workflows control the execution of other agents using more structured patterns. They are useful when the process requires predictable behavior and a defined execution order.

The main patterns are:

Sequential execution
Parallel execution
Execution using loops

Custom Agents

Custom agents allow you to implement specialized behaviors when agents based solely on language models or predefined flows are insufficient.

A custom agent can include:

Specific business logic.
Custom algorithms.
Deterministic validations.
Complex integrations.
Security rules.
Specialized data processing.
Advanced execution cycle control.

For example, an organization could create a custom agent to validate financial transactions by applying internal rules before allowing another agent to continue the process.

Foundation components

The ADK architecture relies on a set of components that preserve context, coordinate actions, and enable interaction with external systems. These components are essential for the agent to maintain continuity and perform tasks beyond a simple conversation. The basic or fundamental components are as follows:

Session

A session represents a continuous interaction between a user and an agent application. The session allows for the preservation of:

User messages.
Agent responses.
Tool calls.
Intermediate results.
Transfers between agents.
Events that occur during execution.

The session provides the necessary context to maintain a coherent conversation across multiple exchanges.

For example, if a user provides an order number at the beginning of a conversation, the agent can reuse it in subsequent requests within the same session.

State

State stores structured information that can change during execution. Unlike conversational history, state contains concrete values that agents can query or update. Some examples are:

User name.
Selected language.
Incident number.
Selected product.
Approval status.
Validation result.
Current step in a process.

State facilitates the construction of multi-step conversational flows and avoids relying solely on the text in the history.

Memory

Memory allows information to be stored and retrieved beyond a single session. It can be used to remember:

User preferences.
Previous interactions.
Related projects.
Previous decisions.
Relevant information from past conversations.

Memory helps deliver more personalized experiences and maintain continuity across different sessions.

It is important to distinguish between three concepts:

Session: represents a specific conversation.
State: stores structured values during execution.
Memory: stores reusable information long-term.

Events

Events are the fundamental units of information flow within the Agent Development Kit (ADK). They represent every significant occurrence during an agent's interaction lifecycle, from initial user input to final response, including all intermediate steps. Understanding events is crucial, as they are the primary means of communication between components, state management, and control flow direction. An event can correspond to:

A message.
An answer.
A call to a tool.
The result of a tool.
A change of state.
A transfer between agents.
A mistake.

The use of events allows you to reconstruct the path followed by the system and understand how a response was generated. It is also an important basis for traceability, debugging, and evaluation.

Tools

Tools allow agents to interact with external services and perform real-world actions. A tool can be:

A Python function.
An enterprise API.
A database query.
A Google Cloud service.
A ticketing system.
A search tool.
A SaaS application.
Another agent.
An MCP-compatible server.

When an agent needs information or needs to perform an action, they can select a tool, generate its parameters, and process the result. For example, a support agent can query a knowledge base, check the status of a service, and create a ticket on an external platform.

Artifacts

Artifacts represent a crucial mechanism for managing named and versioned binary data, associated with a specific user interaction session or persistently with a user across multiple sessions. They allow agents and tools to manage data beyond simple text strings, enabling more comprehensive interactions that include files, images, audio, and other binary formats.

Models and Knowledge

The models and knowledge layer provides the intelligence, context, and information sources used by the agents. This layer includes four main elements.

Gemini and other models

Google ADK is designed to integrate seamlessly with Gemini, although it can also use other third-party models depending on the solution's needs.

The model can handle:

Understanding user intent.
Reasoning about a problem.
Generate responses.
Select tools.
Classifying requests.
Summarizing information.
Coordinating agents.

An architecture can use different models depending on the task.

For example:

An advanced model for complex reasoning.
A faster model for classification.
A multimodal model for processing images or documents.
A specialized model for a specific task.
This flexibility allows for balancing quality, latency, and cost.

Long-Term Memory

Long-term memory retains relevant information obtained from previous interactions. It can be used to retrieve:

User preferences.
Historical decisions.
Project context.
Previous interactions.
Information associated with long-running processes.

Retrieval should be selective to avoid sending unnecessary information to the model. It is also important to implement data privacy, retention, and deletion policies.

Retrieval Augmented Generation (RAG)

The architecture can integrate Retrieval Augmented Generation mechanisms, known as RAG. This approach allows the agent to search for information in knowledge sources before generating a response. These sources can include:

Enterprise documentation.
Manuals.
Internal policies.
Knowledge bases.
Technical documents.
Repositories.
Vector databases.

RAG reduces reliance on general model knowledge and improves the accuracy of responses.

APIs, services and external systems

Agents can connect to internal and external systems using tools and integrations. Some examples include:

Enterprise APIs.
Databases.
ERP systems.
CRM systems.
Ticketing platforms.
SaaS services.
Storage systems.
Search engines.
Google Cloud services.
Third-party applications.

This capability allows agents not only to answer questions but also to access up-to-date information and perform actions within business processes.

Observability and governance

Observability and governance allow us to understand what happens within an agent as it performs a task. Through telemetry and structured logs, it's possible to analyze aspects such as its reasoning steps, tool calls, and the responses generated by the models. This information is especially useful during development, as it facilitates error identification, diagnosis of unexpected behavior, continuous agent improvement, and monitoring of system performance.

This layer consists of:

Traceability: Allows us to reconstruct the complete path of a request. This information is fundamental for analyzing errors and understanding the behavior of multi-agent systems.
Logs: Logs record important events that occur during execution. Logs facilitate incident investigation and operational monitoring.
Metrics: Metrics allow us to measure system performance and quality. These metrics help identify performance, cost, or design problems.
Evaluation: Evaluation allows us to verify whether the agents meet the expected objectives. In an agent-based system, it's not enough to evaluate the final response. It's also necessary to review whether the agent followed the correct process.
Alerts: Alerts notify you of unexpected behavior or critical conditions. They allow you to respond quickly before the problem affects a larger number of users.
Security: Security should be integrated into the entire architecture, enabling control over user authentication, role-based authorization and permissions, data protection, auditing, and more. For example, an agent can view an invoice but not modify it. Another authorized agent could make changes after human validation or approval.

Deployment Options

Una aplicación desarrollada con Google ADK puede desplegarse en diferentes entornos. La elección depende del nivel de control, escalabilidad, costos, integración, seguridad y operación requerida por la organización. A continuación se mencionan las opciones de despliegue más comunes:

Agent Runtime: This is a fully managed, auto-scaling service on Google Cloud, specifically designed to deploy, manage, and scale AI agents built with frameworks like ADK.
Cloud Run: Cloud Run allows you to deploy agents as serverless containers. Cloud Run can be used to expose the agent via an API or integrate it with events and other Google Cloud services.
Google Kubernetes Engine: Google Kubernetes Engine (GKE) is a managed Kubernetes service from Google Cloud that allows you to run agents in a container environment. GKE is a good option if you need greater control over the deployment and to run Open Models.
Other Environments: As an open-source, code-based framework, ADK can also be deployed in other compatible environments, such as on-premises infrastructure, private data centers, other container platforms, other cloud environments, and virtual machines. This flexibility allows you to tailor the deployment to sovereignty, regulatory, integration, or multicloud strategy requirements.

Conclusion

The Google ADK architecture provides a modular framework for building AI-based applications.

User interfaces allow access to the system from various channels. The Runtime and Runner coordinate execution. The agent system provides reasoning, orchestration, and specialized behaviors. Core components manage sessions, state, memory, events, tools, and artifacts.

The model and knowledge layer connects the agents to Gemini, other models, RAG systems, and external sources. Observability and governance enable control over performance, quality, and security. Finally, the various deployment options allow the solution to run in managed environments, serverless environments, Kubernetes, or on-premises infrastructure.

The main strength of ADK lies not only in connecting an application to a language model, but also in providing the necessary components to transform that model into an organized, extensible, observable agentic system ready to integrate with real-world business processes.

The appropriate design will depend on each use case, but should always maintain a balance between autonomy, control, security, and simplicity.

In future articles, we will delve deeper into this topic.

Google ADK: Arquitectura y componentes esenciales

John Bulla — Sun, 02 Aug 2026 11:43:27 +0000

John BullaFollow

Nota: ✋ Este post se publicó originalmente en mi blog wiki-cloud.co

Introducción

El desarrollo de soluciones de inteligencia artificial está evolucionando desde los asistentes conversacionales tradicionales hacia sistemas capaces de razonar, utilizar herramientas, consultar información, ejecutar procesos y colaborar con otros agentes.

En este contexto, Google Agent Development Kit (ADK) proporciona un framework para diseñar, desarrollar, probar y desplegar aplicaciones basadas en agentes de inteligencia artificial. Su arquitectura modular permite construir desde un agente sencillo hasta sistemas multiagente capaces de coordinar flujos de trabajo empresariales complejos.

De acuerdo con la guía oficial del producto, algunas investigaciones y a la experiencia de muchos desarrolladores, presento una arquitectura a alto nivel de Google ADK con diferentes componentes y puede explicarse mediante las siguientes capas:

Interfaces de usuario.
ADK Runtime y Runner.
Sistema de agentes.
Componentes fundamentales.
Modelos y conocimiento.
Observabilidad y gobierno.
Opciones de despliegue.

Cada capa cumple una función específica y se integra con las demás para procesar las solicitudes de los usuarios de forma organizada, segura y escalable.

Arquitectura alto nivel

A continuación presento la arquitectura a alto nivel dividida en capas y componentes donde explicare cado uno de ellos:

Interfaces de usuario

La capa superior de esta arquitectura a alto nivel representa los diferentes canales desde los que los usuarios o aplicaciones pueden interactuar con los agentes.

Google ADK no obliga a utilizar una interfaz concreta. Los usuarios y desarrolladores pueden interactuar con los agentes mediante distintas opciones, entre ellas:

CLI: para ejecutar y probar agentes desde la línea de comandos.
Web UI: para interactuar con los agentes desde una interfaz web.
API Endpoints: para integrar los agentes con otras aplicaciones o servicios.
Frontends personalizados: como portales corporativos, aplicaciones móviles, asistentes conversacionales o canales de mensajería.

Esta separación permite que la lógica del agente sea independiente de la experiencia de usuario. Un mismo sistema de agentes puede ser utilizado desde distintos canales sin necesidad de modificar su comportamiento interno.

Por ejemplo, un agente de soporte puede atender consultas desde una aplicación web, un chatbot interno y una API utilizada por otras aplicaciones corporativas.

Fuente: Google ADK

ADK Runtime & Runner

El ADK Runtime y Runner constituyen el entorno responsable de ejecutar y coordinar el funcionamiento de los agentes.

Esta capa actúa como el motor operativo de la arquitectura y se encarga de conectar las interfaces de usuario con el sistema de agentes y los servicios que estos necesitan.

Sus principales capacidades son:

Bucle de eventos

El bucle de eventos es el patrón operativo central que define la interacción entre el Runner y el código personalizado (agentes, herramientas, devoluciones de llamada, denominados colectivamente “lógica de ejecución” o “componentes lógicos” en el documento de diseño). El bucle de eventos gestiona la secuencia de acciones que se producen durante una interacción.

Fuente: Google ADK

Orquestación

La orquestación controla cómo participan los agentes y en qué orden se ejecutan las tareas.

Puede determinar, por ejemplo:

Qué agente debe atender una solicitud.
Si varios agentes deben ejecutarse secuencialmente.
Si determinadas tareas pueden procesarse en paralelo.
Cuando debe repetirse una acción.
Cuando debe transferirse el control a otro agente.
Cuando debe finalizar el flujo de ejecución.

Esta capacidad es especialmente importante en arquitecturas multiagente.

Gestión de Servicios

La gestión de servicios conecta el Runner con los componentes de infraestructura utilizados por la aplicación.

Esto incluye servicios como:

Sesiones.
Memoria.
Estado.
Artefactos.
Herramientas.
Servicios de evaluación.
Sistemas de observabilidad.

Gracias a esta separación, la lógica del agente puede mantenerse desacoplada del mecanismo utilizado para almacenar información o desplegar la solución.

Sistema de Agentes

El núcleo funcional de la arquitectura es el sistema de agentes. ADK permite combinar diferentes tipos de agentes dependiendo del nivel de autonomía, control y especialización requerido por la solución.

Agentes LLM

Los LLM Agents utilizan modelos de lenguaje para interpretar las solicitudes, razonar sobre el contexto y decidir qué acción realizar. Google ADK utilizan modelos de la familia Gemini a través de Vertex AI o Google AI Studio para razonar y tomar decisiones.

Este tipo de agente puede:

Comprender lenguaje natural.
Analizar información.
Generar respuestas.
Seleccionar herramientas.
Decidir qué agente debe intervenir.
Resolver tareas que no siguen un flujo completamente determinista.

Por ejemplo, un agente de atención al cliente puede analizar una solicitud, consultar el estado de un pedido y determinar si debe responder directamente o transferir el caso a un agente especializado.

Flujo de trabajo de agentes

Los flujos de trabajo controlan la ejecución de otros agentes mediante patrones más estructurados. Son útiles cuando el proceso requiere un comportamiento predecible y un orden de ejecución definido.

Los principales patrones son:

Ejecución secuencial
Ejecución paralela
Ejecución mediante bucles

Agentes personalizados

Los agentes personalizados permiten implementar comportamientos especializados cuando los agentes basados exclusivamente en modelos de lenguaje o los flujos predefinidos no son suficientes.

Un agente personalizado puede incluir:

Lógica de negocio específica.
Algoritmos propios.
Validaciones deterministas.
Integraciones complejas.
Reglas de seguridad.
Procesamiento especializado de datos.
Control avanzado del ciclo de ejecución.

Por ejemplo, una organización podría crear un agente personalizado para validar transacciones financieras aplicando reglas internas antes de permitir que otro agente continúe el proceso.

Componentes fundamentales

La arquitectura de ADK se apoya en un conjunto de componentes que conservan el contexto, coordinan las acciones y permiten interactuar con sistemas externos. Estos componentes son esenciales para que el agente mantenga continuidad y pueda ejecutar tareas más allá de una simple conversación. Los componentes básicos o fundamentales son los siguientes:

Sesión

Una sesión representa una interacción continua entre un usuario y una aplicación de agentes. La sesión permite conservar:

Mensajes del usuario.
Respuestas de los agentes.
Llamadas a herramientas.
Resultados intermedios.
Transferencias entre agentes.
Eventos producidos durante la ejecución.

La sesión proporciona el contexto necesario para mantener una conversación coherente a lo largo de varios intercambios.

Por ejemplo, si un usuario proporciona un número de pedido al comienzo de una conversación, el agente puede reutilizarlo en solicitudes posteriores dentro de la misma sesión.

Estado

El estado almacena información estructurada que puede cambiar durante la ejecución. A diferencia del historial conversacional, el estado contiene valores concretos que los agentes pueden consultar o actualizar. Algunos ejemplos son:

Nombre del usuario.
Idioma seleccionado.
Número de incidencia.
Producto elegido.
Estado de una aprobación.
Resultado de una validación.
Paso actual de un proceso.

El estado facilita la construcción de flujos conversacionales de varios pasos y evita depender únicamente del texto del historial.

Memoria

La memoria permite conservar y recuperar información más allá de una única sesión. Puede utilizarse para recordar:

Preferencias de los usuarios.
Interacciones anteriores.
Proyectos relacionados.
Decisiones previas.
Información relevante de conversaciones pasadas.

La memoria ayuda a ofrecer experiencias más personalizadas y a mantener continuidad entre diferentes sesiones.

Es importante diferenciar tres conceptos:

Sesión: representa una conversación específica.
Estado: almacena valores estructurados durante la ejecución.
Memoria: conserva información reutilizable a largo plazo.

Eventos

Los eventos son las unidades fundamentales del flujo de información dentro del Kit de Desarrollo de Agentes (ADK). Representan cada suceso significativo durante el ciclo de vida de la interacción de un agente, desde la entrada inicial del usuario hasta la respuesta final, incluyendo todos los pasos intermedios. Comprender los eventos es crucial, ya que son la principal vía de comunicación entre componentes, la gestión del estado y la dirección del flujo de control. Un evento puede corresponder a:

Un mensaje.
Una respuesta.
Una llamada a una herramienta.
El resultado de una herramienta.
Un cambio de estado.
Una transferencia entre agentes.
Un error.

El uso de eventos permite reconstruir el recorrido seguido por el sistema y entender cómo se generó una respuesta. También es una base importante para la trazabilidad, la depuración y la evaluación.

Herramientas

Las herramientas permiten que los agentes interactúen con servicios externos y ejecuten acciones reales. Una herramienta puede ser:

Una función de Python.
Una API empresarial.
Una consulta a una base de datos.
Un servicio de Google Cloud.
Un sistema de tickets.
Una herramienta de búsqueda.
Una aplicación SaaS.
Otro agente.
Un servidor compatible con MCP.

Cuando el agente necesita información o debe ejecutar una acción, puede seleccionar una herramienta, generar sus parámetros y procesar el resultado obtenido. Por ejemplo, un agente de soporte puede consultar una base de conocimiento, revisar el estado de un servicio y crear una incidencia en una plataforma externa.

Artefactos

Los artefactos representan un mecanismo crucial para gestionar datos binarios con nombre y versión, asociados a una sesión de interacción de usuario específica o de forma persistente a un usuario a lo largo de varias sesiones. Permiten que los agentes y herramientas gestionen datos más allá de simples cadenas de texto, posibilitando interacciones más completas que incluyan archivos, imágenes, audio y otros formatos binarios.

Modelos y Conocimiento

La capa de modelos y conocimientos proporciona la inteligencia, el contexto y las fuentes de información utilizadas por los agentes. Esta capa incluye cuatro elementos principales.

Gemini y otros modelos

Google ADK está diseñado para integrarse de forma natural con Gemini, aunque también puede utilizar otros modelos de terceros según las necesidades de la solución.

El modelo puede encargarse de:

Comprender la intención del usuario.
Razonar sobre un problema.
Generar respuestas.
Seleccionar herramientas.
Clasificar solicitudes.
Resumir información.
Coordinar agentes.

Una arquitectura puede utilizar diferentes modelos dependiendo de la tarea.

Por ejemplo:

Un modelo avanzado para razonamiento complejo.
Un modelo más rápido para clasificación.
Un modelo multimodal para procesar imágenes o documentos.
Un modelo especializado para una tarea concreta.

Esta flexibilidad permite equilibrar calidad, latencia y coste.

Memoria de largo plazo

La memoria de largo plazo conserva información relevante obtenida en interacciones anteriores. Puede utilizarse para recuperar:

Preferencias del usuario.
Decisiones históricas.
Contexto de proyectos.
Interacciones previas.
Información asociada a procesos de larga duración.

La recuperación debe realizarse de forma selectiva para evitar enviar al modelo información innecesaria. También es importante aplicar políticas de privacidad, retención y eliminación de datos.

Generación Aumentada de Recuperación – RAG

La arquitectura puede integrar mecanismos de Retrieval-Augmented Generation, conocidos como RAG. Este enfoque permite que el agente busque información en fuentes de conocimiento antes de generar una respuesta. Las fuentes pueden incluir:

Documentación empresarial.
Manuales.
Políticas internas.
Bases de conocimiento.
Documentos técnicos.
Repositorios.
Bases de datos vectoriales.

RAG permite reducir la dependencia del conocimiento general del modelo y mejorar la precisión de las respuestas.

APIs, servicios y sistemas externos

Los agentes pueden conectarse con sistemas internos y externos mediante herramientas e integraciones. Algunos ejemplos son:

APIs corporativas.
Bases de datos.
Sistemas ERP.
CRM.
Plataformas de tickets.
Servicios SaaS.
Sistemas de almacenamiento.
Motores de búsqueda.
Servicios de Google Cloud.
Aplicaciones de terceros.

Esta capacidad permite que el agente no solo responda preguntas, sino que también consulte información actualizada y ejecute acciones dentro de procesos empresariales.

Observabilidad y Gobierno

La observabilidad y el gobierno permite comprender qué ocurre dentro de un agente mientras ejecuta una tarea. A través de la telemetría y de registros estructurados, es posible analizar aspectos como sus pasos de razonamiento, las llamadas a herramientas y las respuestas generadas por los modelos. Esta información resulta especialmente útil durante el desarrollo, ya que facilita la identificación de errores, el diagnóstico de comportamientos inesperados, la mejora continua del agente y controlar el funcionamiento del sistema.

Esta capa se compone de:

Trazabilidad: Permite reconstruir el recorrido completo de una solicitud. Esta información es fundamental para analizar errores y comprender el comportamiento de sistemas multiagente.
Logs: Los logs registran eventos importantes producidos durante la ejecución. Los logs facilitan la investigación de incidencias y el seguimiento operativo.
Métricas: Las métricas permiten medir el rendimiento y la calidad del sistema. Estas métricas ayudan a identificar problemas de rendimiento, coste o diseño.
Evaluación: La evaluación permite comprobar si los agentes cumplen los objetivos esperados. En un sistema agentico no basta con evaluar la respuesta final. También es necesario revisar si el agente siguió el proceso adecuado.
Alertas: Las alertas notifican comportamientos inesperados o condiciones críticas. Las alertas permiten responder rápidamente antes de que el problema afecte a un mayor número de usuarios.
Seguridad: La seguridad debe formar parte de toda la arquitectura permitiendo tener control en la autenticación de usuarios, autorización por roles y permisos, protección de datos, auditoría, entre otros. Por ejemplo, un agente puede consultar una factura, pero no modificarla. Otro agente autorizado podría ejecutar cambios después de una validación o aprobación humana.

Opciones de Despliegue

Agent Runtime: Es un servicio de escalado automático totalmente administrado en Google Cloud, diseñado específicamente para implementar, administrar y escalar agentes de IA creados con marcos de trabajo como ADK.
Cloud Run: Cloud Run permite desplegar agentes como contenedores serverless. Cloud Run puede utilizarse para exponer el agente mediante una API o integrarlo con eventos y otros servicios de Google Cloud.
Google Kubernetes Engine: Google Kubernetes Engine (GKE) es un servicio de Kubernetes administrado de Google Cloud que permite ejecutar agentes en un entorno de contenedores. GKE es una buena opción si se necesita mayor control sobre la implementación y para ejecutar Open Models.
Otros entornos: Al ser un framework abierto y basado en código, ADK también puede desplegarse en otros entornos compatibles como por ejemplo infraestructura local centros de datos privados, otras plataformas de contenedores, entornos on-premises, otras nubes y máquinas virtuales. Esta flexibilidad permite adaptar el despliegue a requisitos de soberanía, regulación, integración o estrategia multicloud.

Conclusión

La arquitectura de Google ADK proporciona una estructura modular para construir aplicaciones basadas en agentes de inteligencia artificial.

Las interfaces de usuario permiten acceder al sistema desde distintos canales. El Runtime y el Runner coordinan la ejecución. El sistema de agentes aporta razonamiento, orquestación y comportamientos especializados. Los componentes fundamentales gestionan las sesiones, el estado, la memoria, los eventos, las herramientas y los artefactos.

A su vez, la capa de modelos y conocimiento conecta los agentes con Gemini, otros modelos, sistemas RAG y fuentes externas. La observabilidad y el gobierno permiten controlar el rendimiento, la calidad y la seguridad. Finalmente, las distintas opciones de despliegue hacen posible ejecutar la solución en entornos administrados, serverless, Kubernetes o infraestructuras propias.

La principal fortaleza de ADK no consiste únicamente en conectar una aplicación con un modelo de lenguaje, sino en proporcionar los componentes necesarios para transformar ese modelo en un sistema agentic organizado, extensible, observable y preparado para integrarse con procesos empresariales reales.

El diseño adecuado dependerá de cada caso de uso, pero debería mantener siempre un equilibrio entre autonomía, control, seguridad y simplicidad.

En próximos artículos seguiremos profundizaremos más sobre el tema.

Otros artículos:

Google ADK: Introducción al desarrollo de agentes de IA

Espero sea de utilidad !!!

Síguenos:

👉Wiki Cloud | 👉X | 👉LinkedIn | 👉Github | 👉Youtube

Google ADK: Introduction to AI Agent Development

John Bulla — Sun, 26 Jul 2026 15:56:55 +0000

John BullaFollow

Nota: ✋ This post was originally published on my blog wiki-cloud.co

Introduction

Artificial intelligence is evolving at an unprecedented pace and is transforming how people and businesses interact with technology. Over the past few years, much of the focus has been on generative AI models, which can create text, images, code, audio, and other types of content from natural language instructions. These capabilities have marked a significant and transformative shift in how we perform many tasks, allowing AI to move from a specialized technology to an accessible tool for millions of users.

However, we are entering a new stage. Artificial intelligence models are no longer limited to simply answering questions or generating content. They can now be autonomous, understand objectives, analyze context, decide what steps to take, use tools, consult different sources of information, connect with APIs, execute actions, and collaborate with other specialized agents to complete more complex tasks.

This evolution is giving rise to what is known as agentic artificial intelligence, an approach in which AI systems can act with a greater level of autonomy and actively participate in business, technical, and operational processes. Instead of simply offering a recommendation, an agent can search for information, validate data, coordinate different activities, and execute a sequence of actions aimed at achieving a specific goal.

Within this new scenario appears Google Agent Development Kit, also known as Google ADK, is an open-source framework developed and designed by Google to facilitate the creation, evaluation, and deployment of artificial intelligence agents. ADK provides developers with a structure for defining agent behavior, connecting them to language models and external tools, managing sessions and memory, coordinating multi-agent systems, and evaluating their performance before deploying them to production.

Thanks to this code-based approach, Google ADK allows you to build everything from simple agents capable of answering questions and retrieving information to more advanced architectures made up of multiple agents that collaborate with each other. This way, teams can develop modular, scalable solutions tailored to real-world use cases, such as customer service, data analysis, process automation, technical support, and decision-making.

What is an artificial intelligence agent?

With this technological advance in artificial intelligence that is growing at an exponential speed, the question arises, What is an artificial intelligence agent?

An AI agent is an application that uses an artificial intelligence model to understand a situation, reason about it, and execute goal-oriented actions.

Unlike a traditional chatbot, which typically receives a question and generates a response, an agent can carry out a broader process based on the stated objective. For example, it can:

Interpret the user's request.
Analyze the available context.
Decide what steps to take.
Select and use tools.
Consult APIs, databases, or external services.
Delegate tasks to other agents.
Evaluate the results.
Deliver a response or perform an action.

In Google ADK, an agent is typically composed of an AI model, instructions that define its behavior, and optionally a set of tools that it can use to complete its tasks and fulfill the objective set by the user.

What is Google ADK?

Google ADK, whose initials mean Agent Development Kit, is an open-source framework provided by Google for creating, debugging, and deploying reliable, enterprise-ready artificial intelligence agents. These agents can reason, remember information, use tools, interact with other agents, and execute tasks in a coordinated manner. Thanks to its flexible approach, ADK allows you to start with simple agents and gradually evolve into sophisticated multi-agent systems capable of supporting everything from personal assistants to mission-critical enterprise workflows.

An agent created with ADK can receive a goal, analyze the user's request, decide what actions to take, use the available tools, and generate a response based on the results obtained.

Although ADK is specifically optimized for working with Gemini models and Google Cloud services, its architecture is flexible and allows the use of other models, tools, and deployment environments. Google presents it as an open framework for building, debugging, and deploying trusted agents at enterprise scale.

Currently, ADK has implementations for different languages, including Python, TypeScript, Go, Java and Kotlin, which facilitates its adoption by teams with different technological ecosystems.

Advantages of Google ADK

A continuación menciono las principales ventajas de trabajar con Google ADK:

Multi-agent system

Google ADK facilitates the creation of architectures composed of several specialized agents that can collaborate with each other. Each agent can assume a specific responsibility, use its own tools, and share information with other agents to solve more complex tasks.

This approach allows a problem to be divided into different areas of work. For example, one agent can be responsible for querying information, another for analyzing it, and a third for generating a final response. In this way, the solutions are more modular, easier to maintain, and prepared to evolve as project requirements increase.

Compatibility with different AI models

Although ADK is specially optimized to work with Gemini, its architecture allows the integration of different artificial intelligence models according to the needs of each solution.

This flexibility allows developers to select the most suitable model based on criteria such as cost, performance, response speed, reasoning capabilities, data privacy, or the environment where the application will run. In this way, developers are not limited to a single alternative and can adapt the architecture to different technological and business scenarios.

Extensive ecosystem of integrations and tools

Google ADK allows agents to connect to a wide range of tools, services, and information sources. Its integration with Gemini and Google Cloud facilitates access to capabilities such as data analytics, storage, search, code execution, and enterprise services.

Furthermore, agents can connect to APIs, databases, enterprise applications, and third-party tools. This allows them to do more than simply generate responses; they can also access up-to-date information, execute operations, and actively participate in real-world business processes.

Multiple coordination patterns

ADK offers different ways to organize and coordinate work between agents. Developers can build sequential, parallel, hierarchical, or delegation-based workflows, depending on the nature of the problem they want to solve.

For example, multiple agents can execute tasks simultaneously to reduce response time, follow a specific sequence, or work under the coordination of a supervisory agent. This variety of patterns allows for combining controlled processes with dynamic, AI-driven decisions.

Clear code and modular structure

ADK provides a syntax designed to facilitate the definition of agents, instructions, tools, and workflows through code. This allows for the organized development of solutions and keeps the various responsibilities of the application separate.

Its code-based approach promotes component reuse, version control, and the application of good software engineering practices. Developers can create simple agents with just a few lines of code and progressively expand the solution without having to completely redesign the architecture.

Complete development experience

Google ADK includes tools that support developers throughout the entire agent lifecycle. It allows them to create prototypes, run tests locally, inspect interactions, analyze tool usage, and debug system behavior.

It also offers capabilities to evaluate responses and validate the steps taken by agents. This helps detect errors, improve instructions, and verify that the solution performs as expected before being deployed in a production environment.

Its developer-oriented approach facilitates integration with practices such as automated testing, code review, continuous integration, and continuous deployment.

Compatibility with open protocols such as MCP and A2A

Google ADK promotes interoperability by adopting open protocols such as Model Context Protocol, known as MCP, and Agent2Agent, known as A2A.

MCP facilitates the connection of agents with external tools, data sources, and services through a standardized interface. A2A, on the other hand, allows agents developed with different technologies, languages, or platforms to communicate and collaborate with each other.

Adopting these protocols reduces dependence on proprietary integrations and facilitates the building of more open, extensible, and interoperable agent ecosystems.

Conclusion

Google Agent Development Kit represents a relevant proposal within the ecosystem of agentic artificial intelligence. Its open, code-based approach allows you to build everything from simple agents to multi-agent systems capable of collaborating, using tools, and participating in complex business processes.

ADK provides a framework for connecting models, instructions, tools, memory, sessions, and evaluation mechanisms. Furthermore, its integration with Google Cloud simplifies the process from local development to the deployment of scalable solutions.

More than just a tool for creating chatbots, Google AdK allows you to design applications capable of reasoning, acting, and collaborating. For this reason, it can become an important alternative for organizations that want to move from the experimental use of generative artificial intelligence to agents prepared to solve real-world problems in industry and people's daily lives.

In upcoming articles we will delve deeper into this topic.

I hope this information is useful.

Best Regards,

Follow me:

👉Wiki Cloud | 👉X | 👉LinkedIn | 👉Github | 👉Youtube

Google ADK: Introducción al desarrollo de agentes de IA

John Bulla — Sun, 26 Jul 2026 15:46:58 +0000

John BullaFollow

Nota: ✋ Este post se publicó originalmente en mi blog wiki-cloud.co

Introducción

La inteligencia artificial está evolucionando a una velocidad sin precedentes y está transformando la forma en que las personas y las empresas interactúan con la tecnología. Durante estos últimos años, gran parte de la atención se centró en los modelos de inteligencia artificial generativa, que son capaces de crear texto, imágenes, código, audio y otros tipos de contenido a partir de instrucciones en lenguaje natural. Estas capacidades marcaron un cambio importante y trascendental en la forma que que realizamos muchas tareas, ya que permitieron que la IA pasara de ser una tecnología especializada a convertirse en una herramienta accesible para millones de usuarios.

Sin embargo, estamos entrando en una nueva etapa. Los modelos de inteligencia artificial ya no se limitan únicamente a responder preguntas o generar contenido. Ahora pueden ser autónomos, comprender objetivos, analizar el contexto, decidir qué pasos deben seguir, utilizar herramientas, consultar diferentes fuentes de información, conectarse con APIs, ejecutar acciones y colaborar con otros agentes especializados para completar tareas más complejas.

Esta evolución está dando lugar a la llamada inteligencia artificial agéntica, un enfoque en el que los sistemas de IA pueden actuar con un mayor nivel de autonomía y participar activamente en procesos empresariales, técnicos y operativos. En lugar de limitarse a ofrecer una recomendación, un agente puede buscar información, validar datos, coordinar diferentes actividades y ejecutar una secuencia de acciones orientadas a alcanzar un objetivo concreto.

Dentro de este nuevo escenario aparece Google Agent Development Kit, conocido como Google ADK, un framework de código abierto desarrollado y diseñado por Google para facilitar la creación, evaluación y despliegue de agentes de inteligencia artificial. ADK proporciona a los desarrolladores una estructura para definir el comportamiento de los agentes, conectarlos con modelos de lenguaje y herramientas externas, gestionar sesiones y memoria, coordinar sistemas multiagente y evaluar su funcionamiento antes de llevarlos a producción.

Gracias a este enfoque basado en código, Google ADK permite construir desde agentes sencillos capaces de responder preguntas y consultar información hasta arquitecturas más avanzadas, formadas por varios agentes que colaboran entre sí. De esta manera, los equipos pueden desarrollar soluciones modulares, escalables y adaptadas a casos de uso reales, como la atención al cliente, el análisis de datos, la automatización de procesos, el soporte técnico, participar en la toma de decisiones.

¿Qué es un agente de inteligencia artificial?

Con este avance tecnologico en inteligencia artificial que crece a una velocidad exponencial, surge la pregunta, ¿Qué es un agente de inteligencia artificial?.

Un agente de IA es una aplicación que utiliza un modelo de inteligencia artificial para comprender una situación, razonar sobre ella y ejecutar acciones orientadas para alcanzar un objetivo.

A diferencia de un chatbot tradicional, que normalmente recibe una pregunta y genera una respuesta, un agente puede realizar un proceso más amplio de acuerdo al objetivo planteado, como por ejemplo:

Interpretar la solicitud del usuario.
Analizar el contexto disponible.
Decidir qué pasos debe seguir.
Seleccionar y utilizar herramientas.
Consultar APIs, bases de datos o servicios externos.
Delegar tareas en otros agentes.
Evaluar los resultados.
Entregar una respuesta o ejecutar una acción.

En Google ADK, un agente suele estar compuesto por un modelo de IA, unas instrucciones que definen su comportamiento y opcionalmente un conjunto de herramientas que puede utilizar para completar sus tareas y cumplir con el objetivo propuesto por el usuario.

¿Qué es Google ADK?

Google ADK, cuyas siglas significan Agent Development Kit (Kit de Desarrollo de Agentes), es un framework de código abierto proporcionado por Google para crear, depurar e implementar agentes de inteligencia artificial fiables y preparados para entornos empresariales. Estos agentes pueden razonar, recordar información, utilizar herramientas, interactuar con otros agentes y ejecutar tareas de forma coordinada. Gracias a su enfoque flexible, ADK permite comenzar con agentes sencillos y evolucionar progresivamente hacia sofisticados sistemas multiagente, capaces de dar soporte tanto a asistentes personales como a flujos de trabajo empresariales de misión crítica.

Un agente creado con ADK puede recibir un objetivo, analizar la solicitud del usuario, decidir qué acciones debe realizar, utilizar las herramientas disponibles y generar una respuesta basada en los resultados obtenidos.

Aunque ADK está especialmente optimizado para trabajar con los modelos de Gemini y los servicios de Google Cloud, su arquitectura es flexible y permite utilizar otros modelos, herramientas y entornos de despliegue. Google lo presenta como un framework abierto para construir, depurar y desplegar agentes confiables a escala empresarial.

Actualmente, ADK dispone de implementaciones para diferentes lenguajes, entre ellos Python, TypeScript, Go, Java y Kotlin, lo que facilita su adopción por equipos con distintos ecosistemas tecnológicos.

Ventajas de Google ADK

A continuación menciono las principales ventajas de trabajar con Google ADK:

Sistema Multi agentes

Google ADK facilita la creación de arquitecturas compuestas por varios agentes especializados que pueden colaborar entre sí. Cada agente puede asumir una responsabilidad concreta, utilizar sus propias herramientas y compartir información con otros agentes para resolver tareas más complejas.

Este enfoque permite dividir un problema en diferentes áreas de trabajo. Por ejemplo, un agente puede encargarse de consultar información, otro de analizarla y un tercero de generar una respuesta final. De esta manera, las soluciones son más modulares, fáciles de mantener y preparadas para evolucionar a medida que aumentan los requisitos del proyecto.

Compatibilidad con diferentes modelos de IA

Aunque ADK está especialmente optimizado para trabajar con Gemini, su arquitectura permite integrar diferentes modelos de inteligencia artificial según las necesidades de cada solución.

Esta flexibilidad permite seleccionar el modelo más adecuado en función de criterios como el coste, el rendimiento, la velocidad de respuesta, la capacidad de razonamiento, la privacidad de los datos o el entorno donde se ejecutará la aplicación. De este modo, los desarrolladores no están limitados a una única alternativa y pueden adaptar la arquitectura a distintos escenarios tecnológicos y empresariales.

Amplio ecosistema de integraciones y herramientas

Google ADK permite conectar los agentes con un amplio conjunto de herramientas, servicios y fuentes de información. Su integración con Gemini y Google Cloud facilita el acceso a capacidades como análisis de datos, almacenamiento, búsqueda, ejecución de código y servicios empresariales.

Además, los agentes pueden conectarse con APIs, bases de datos, aplicaciones corporativas y herramientas de terceros. Esto permite que no se limiten a generar respuestas, sino que también puedan consultar información actualizada, ejecutar operaciones y participar activamente en procesos reales de negocio.

Múltiples patrones de coordinación

ADK ofrece diferentes formas de organizar y coordinar el trabajo entre agentes. Los desarrolladores pueden construir flujos secuenciales, paralelos, jerárquicos o basados en delegación, dependiendo de la naturaleza del problema que desean resolver.

Por ejemplo, varios agentes pueden ejecutar tareas al mismo tiempo para reducir el tiempo de respuesta, seguir una secuencia determinada o trabajar bajo la coordinación de un agente supervisor. Esta variedad de patrones permite combinar procesos controlados con decisiones dinámicas basadas en inteligencia artificial.

Código claro y estructura modular

ADK proporciona una sintaxis orientada a facilitar la definición de agentes, instrucciones, herramientas y flujos de trabajo mediante código. Esto permite construir soluciones de manera organizada y mantener separadas las distintas responsabilidades de la aplicación.

Su enfoque basado en código favorece la reutilización de componentes, el control de versiones y la aplicación de buenas prácticas de ingeniería de software. Los desarrolladores pueden crear agentes sencillos con pocas líneas de código y ampliar progresivamente la solución sin tener que rediseñar completamente la arquitectura.

Experiencia de desarrollo completa

Google ADK incorpora herramientas que acompañan al desarrollador durante todo el ciclo de vida de un agente. Permite crear prototipos, ejecutar pruebas localmente, inspeccionar las interacciones, analizar el uso de herramientas y depurar el comportamiento del sistema.

También ofrece capacidades para evaluar respuestas y validar los pasos seguidos por los agentes. Esto ayuda a detectar errores, mejorar las instrucciones y comprobar que la solución actúa de acuerdo con los resultados esperados antes de ser desplegada en un entorno productivo.

Su enfoque orientado al desarrollador facilita la integración con prácticas como pruebas automatizadas, revisión de código, integración continua y despliegue continuo.

Compatibilidad con protocolos abiertos como MCP y A2A

Google ADK promueve la interoperabilidad mediante la adopción de protocolos abiertos como Model Context Protocol, conocido como MCP, y Agent2Agent, conocido como A2A.

MCP facilita la conexión de los agentes con herramientas, fuentes de datos y servicios externos mediante una interfaz estandarizada. Por su parte, A2A permite que agentes desarrollados con diferentes tecnologías, lenguajes o plataformas puedan comunicarse y colaborar entre sí.

La adopción de estos protocolos reduce la dependencia de integraciones propietarias y facilita la construcción de ecosistemas de agentes más abiertos, extensibles e interoperables.

Conclusiones

Google Agent Development Kit representa una propuesta relevante dentro del ecosistema de la inteligencia artificial agéntica. Su enfoque abierto y basado en código permite construir desde agentes sencillos hasta sistemas multiagente capaces de colaborar, utilizar herramientas y participar en procesos empresariales complejos.

ADK proporciona una estructura para conectar modelos, instrucciones, herramientas, memoria, sesiones y mecanismos de evaluación. Además, su integración con Google Cloud facilita el camino desde el desarrollo local hasta el despliegue de soluciones escalables.

Más que una herramienta para crear chatbots, Google ADK permite diseñar aplicaciones capaces de razonar, actuar y colaborar. Por esta razón, puede convertirse en una alternativa importante para las organizaciones que quieran avanzar desde el uso experimental de la inteligencia artificial generativa hacia agentes preparados para resolver problemas reales de la industria y de la vida diaria de las personas.

En proximos artículos profundizaremos más sobre el tema.

Espero sea de utilidad !!!

Síguenos:

👉Wiki Cloud | 👉X | 👉LinkedIn | 👉Github | 👉Youtube

AlloyDB Omni: PostgreSQL Optimized for Hybrid and Multicloud Environments

John Bulla — Sat, 20 Sep 2025 16:56:23 +0000

Note: ✋ This post was originally published on my blog wiki-cloud.co

Introduction

In today’s technology landscape, flexibility and performance have become essential. Companies no longer operate in a single environment; they combine the cloud, their own data centers (on-premises), and hybrid architectures that leverage the best of both worlds.

In this context, Google Cloud introduces AlloyDB Omni to solve precisely this challenge, with a proposal that extends the power of its next-generation database beyond the limits of its own cloud.

AlloyDB Omni is Google Cloud’s self-managed version of AlloyDB and represents a significant evolution in the PostgreSQL ecosystem, combining the flexibility and performance of the PostgreSQL database, allowing organizations to leverage AlloyDB’s advanced features with the ability to run outside of Google Cloud, including in data centers (on-premises), on laptops, on cloud-based VM instances, in containers, or on Kubernetes.

What is AlloyDB Omni?

AlloyDB Omni is a downloadable, packaged version of AlloyDB, Google Cloud's PostgreSQL-compatible database designed for the most demanding workloads, incorporating key improvements in flexibility, performance, storage, and more.

Unlike AlloyDB (which is a fully managed service exclusive to Google Cloud), AlloyDB Omni is designed to run wherever you choose to deploy the database, which can be in an on-premises data center, on your laptop, VM instances, containers, Kubernetes, or even other public clouds.

This is ideal for businesses that have requirements for keeping their data on-premises, low latency, or simply prefer to maintain full control over their hardware.

In a previous article wrote about AlloyDB, we recall that AlloyDB maintains full compatibility with PostgreSQL, which makes it much easier to migrate existing applications without the need for costly code changes.

Fuente: Google Cloud

Key Features and Benefits

AlloyDB Omni inherits the best of the managed AlloyDB version in Google Cloud, bringing high performance, PostgreSQL compatibility, and deployment flexibility. Key advantages include:

🚀 Superior Performance: Includes optimizations to the execution engine incorporating key Google innovations, delivering up to 2x the performance of standard PostgreSQL for transactional operations and up to 100x the speed of analytical queries, thanks to its in-memory columnar engine. This makes it an ideal choice for HTAP (hybrid transactional and analytical processing) workloads.
🔗 Full PostgreSQL Compatibility: Built on the foundation of PostgreSQL, AlloyDB Omni is 100% compatible with the existing ecosystem. It supports standard PostgreSQL applications, drivers, extensions, and tools, facilitating frictionless migrations and the use of conventional management and replication utilities.
🛡️ Security and Compliance: Designed for environments with high regulatory or compliance requirements, where the public cloud is not always a viable option.
⚙️ Flexible Deployment: It can run in on-premises data centers, virtual machines, Kubernetes, or even other public clouds, offering true hybrid and multi-cloud portability.
📊 Data Governance and Control: It allows for full data sovereignty, ensuring that organizations decide exactly where their data will reside to meet strict security, data residency, and regulatory compliance policies.
🔍 Query Optimization: Includes an intelligent indexing advisor capable of analyzing the most frequent queries and recommending additional indexes to improve overall system performance.
🤖 AI Features: ncorporates AlloyDB AI, which enables native integration with generative artificial intelligence models compatible with Vertex AI and other frameworks, expanding analysis and automation capabilities.

Use cases

On-premises modernization: For companies already running PostgreSQL in their own data centers and looking to improve performance and scalability without immediately migrating to the cloud. AlloyDB Omni also enables gradual migration and workload distribution across hybrid and multi-cloud environments.
Low latency and data residency: Ideal for applications that require data to be physically close to users or that must comply with strict data sovereignty and residency regulations, where the public cloud is not viable.
Local development and testing: Development teams can count on an on-premises experience identical to AlloyDB in the cloud, accelerating build, testing, and validation cycles before going live.
Regulatory compliance: Designed for organizations in sectors such as banking, healthcare, and government, which must operate under strict security and compliance regulations that limit the use of public cloud services.

Conclusions

AlloyDB Omni marks a key strategic move by Google Cloud and a bold step toward democratizing high-performance databases. By extending AlloyDB's innovation beyond the confines of its own cloud, it gives organizations the freedom to modernize PostgreSQL workloads on their own terms, regardless of their location—in the cloud, on-premises, or in hybrid configurations.

With the promise of improving performance, simplifying management, and future-proofing data infrastructure, AlloyDB Omni is positioned as an alternative worth considering. Ultimately, it opens up new possibilities for driving hybrid and multi-cloud strategies with greater flexibility and control.

Resources

Hope will be useful !!!

Follow us:

👉Wiki Cloud | 👉Twitter | 👉LinkedIn | 👉Youtube

AlloyDB Omni: PostgreSQL optimizado para entornos híbridos y multicloud

John Bulla — Sat, 20 Sep 2025 16:25:52 +0000

Nota: ✋ Este post se publicó originalmente en mi blog wiki-cloud.co

Introducción

En el panorama tecnológico actual, la flexibilidad y el rendimiento se han vuelto imprescindibles. Las empresas ya no operan en un único entorno; combinan la nube, sus propios centros de datos (on-premises) y arquitecturas híbridas que aprovechan lo mejor de ambos mundos.

Con este contexto, Google Cloud presenta AlloyDB Omni para resolver precisamente este desafío, con una propuesta que extiende el poder de su base de datos de última generación más allá de los límites de su propia nube.

AlloyDB Omni es la versión autogestionada de AlloyDB de Google Cloud que representa una evolución significativa en el ecosistema de PostgreSQL, que combina la flexibilidad y el rendimiento de la base de datos de PostgreSQL, donde las organizaciones pueden disfrutar de las características avanzadas de AlloyDB con la posibilidad de ejecutarse fuera de Google Cloud, incluyendo centros de datos (on-premises), equipos portátiles, en instancias de VM basadas en la nube, en contenedores o en Kubernetes.

¿Qué es AlloyDB Omni?

AlloyDB Omni es una versión empaquetada y descargable de AlloyDB, la base de datos PostgreSQL compatible de Google Cloud diseñada para las cargas de trabajo más exigentes, que incorpora mejoras clave en flexibilidad, rendimiento, almacenamiento, entre otras.

A diferencia de AlloyDB (que es un servicio totalmente gestionado exclusivo de Google Cloud), AlloyDB Omni está diseñado para ser ejecutado en el entorno que decidamos desplegar la base de datos, que puede ser un centro de datos local, el portátil, instancias de VM, contenedores, Kubernetes o incluso en otras nubes públicas.

Esto es ideal para empresas que tienen requisitos de mantener sus datos en su infraestructura local, baja latencia o simplemente prefieren mantener el control total sobre su hardware.

En un artículo anterior sobre AlloyDB, se recuerda que AlloyDB mantiene una compatibilidad total con PostgreSQL, lo que facilita enormemente la migración de aplicaciones existentes sin necesidad de realizar cambios costosos en el código.

Fuente: Google Cloud

Características y beneficios clave

AlloyDB Omni hereda lo mejor de la versión gestionada de AlloyDB en Google Cloud, incorporando innovaciones de alto rendimiento, compatibilidad total con PostgreSQL y la flexibilidad de ejecutarse en múltiples entornos. Entre sus principales ventajas se destacan:

🚀 Rendimiento superior: Incorpora optimizaciones que ofrecen hasta 2× más rendimiento frente a PostgreSQL estándar para operaciones transaccionales, y hasta 100× más velocidad en consultas analíticas gracias a su motor de columnas en memoria. Ideal para cargas HTAP (procesamiento híbrido transaccional y analítico).
🔗 Compatibilidad total con PostgreSQL: Construido sobre los cimientos de PostgreSQL, AlloyDB Omni es 100% compatible con el ecosistema existente. Permite usar aplicaciones, controladores, extensiones y herramientas estándar de PostgreSQL, lo que facilita migraciones sin fricciones y el uso de utilidades convencionales de administración y replicación.
🛡️ Seguridad y cumplimiento: Diseñado para entornos con altos requisitos regulatorios o de compliance, donde la nube pública no siempre es una opción viable.
⚙️ Despliegue flexible: Puede ejecutarse en data centers locales (on-premises), en máquinas virtuales, en Kubernetes o incluso en otras nubes públicas, ofreciendo una verdadera portabilidad híbrida y multicloud.
📊 Gobernanza y control de datos: Permite mantener la soberanía total sobre los datos, asegurando que las organizaciones decidan exactamente dónde residirán sus datos para cumplir con políticas estrictas de seguridad, residencia de datos y regulaciones.
🔍 Optimización de consultas: Incluye un asesor de indexación inteligente, capaz de analizar las consultas más frecuentes y recomendar índices adicionales para mejorar el rendimiento global del sistema.
🤖 Funcionalidades de IA: Incorpora AlloyDB AI, que habilita la integración nativa con modelos de inteligencia artificial generativa, compatibles con Vertex AI y otros frameworks, ampliando las capacidades de análisis y automatización.

Casos de uso

Modernización on-premises: Para empresas que ya ejecutan PostgreSQL en sus propios centros de datos y buscan mejorar rendimiento y escalabilidad sin migrar inmediatamente a la nube. AlloyDB Omni permite también realizar una migración gradual y una distribución de cargas de trabajo entre entornos híbridos y multicloud.
Baja latencia y residencia de datos: Ideal para aplicaciones que necesitan que los datos estén físicamente cerca de los usuarios o que deban cumplir con regulaciones estrictas de soberanía y residencia de datos, donde la nube pública no es viable.
Desarrollo y pruebas locales: Los equipos de desarrollo pueden contar con una experiencia local idéntica a la de AlloyDB en la nube, lo que acelera los ciclos de construcción, pruebas y validación antes de pasar a producción.
Cumplimiento regulatorio: Diseñado para organizaciones en sectores como banca, salud o gobierno, que deben operar bajo normativas estrictas de seguridad y compliance que limitan el uso de servicios en la nube pública.

Conclusión

AlloyDB Omni marca un movimiento estratégico clave de Google Cloud y un paso audaz hacia la democratización de las bases de datos de alto rendimiento. Al extender la innovación de AlloyDB más allá de los límites de su propia nube, brinda a las organizaciones la libertad de modernizar cargas de trabajo PostgreSQL bajo sus propios términos, sin importar dónde se encuentren, si en la nube, en entornos on-premises o en configuraciones híbridas.

Con la promesa de mejorar el rendimiento, simplificar la gestión y preparar la infraestructura de datos para el futuro, AlloyDB Omni se posiciona como una alternativa que merece ser considerada. En definitiva, abre nuevas posibilidades para impulsar estrategias híbridas y multinube con mayor flexibilidad y control.

Recursos

Espero sea de utilidad !!!

Saludos,

Síguenos:

👉Wiki Cloud | 👉Twitter | 👉LinkedIn | 👉Youtube

AlloyDB: The Enterprise Database for the Modern Cloud

John Bulla — Sun, 29 Jun 2025 17:45:53 +0000

Note: ✋ This post was originally published on my blog wiki-cloud.co

Introduction

In an environment where modern applications demand maximum performance, high availability and low latency, speed, scalability and reliability are essential requirements in any database system. Organizations need database solutions that not only meet their needs today, but are also future-proof.

In this context, AlloyDB emerges as a strategic proposal of Google Cloud in the field of relational databases for the enterprise environment, which combines the robustness and flexibility of the open source ecosystem of PostgreSQL, with the power and reliability of an enterprise-level cloud infrastructure such as Google Cloud Platform (GCP), offering a modern, scalable and ready to face critical workloads platform.

AlloyDB is positioned as an ideal solution for:

Companies looking to modernize Oracle or SQL Server, environments, avoiding proprietary licenses.
Critical workloads requiring high availability, low maintenance and dynamic scalability.
Teams already working on Google Cloud and need to easily integrate artificial intelligence capabilities, advanced analytics and serverless services.

With AlloyDB, organizations can move towards a more agile, powerful and future-proof data infrastructure.

What is AlloyDB?

PostgreSQL is one of the most powerful and reliable open-source relational databases on the market. It uses the SQL language and is designed to handle complex workloads securely, efficiently, and scalably. Its development began in 1986, as part of the POSTGRES project at the University of California at Berkeley, and since then it has accumulated more than 35 years of continuous innovation.

Thanks to its robust architecture, focus on data integrity and committed global community, PostgreSQL has become the open source database of choice for businesses, governments and developers. It is highly extensible with advanced features such as PostGIS for geospatial data, compatible with multiple operating systems and compliant ACID (Atomicity, Consistency, Isolation, Durability) principles since 2001, making it ideal for building modern, high-performance solutions.

On this solid foundation, Google Cloud developed AlloyDB, a fully managed relational database, fully compatible with PostgreSQL, including its most popular extensions. AlloyDB was designed specifically for enterprise environments that require extreme performance, high availability and uncompromised scalability.

In essence, AlloyDB is a cloud-optimized version of PostgreSQL that leverages key Google Cloud innovations in resiliency, reliability and operational efficiency. Existing applications and tools can continue to function without modification, thanks to its support for standard PostgreSQL connections and queries.

Its modern architecture separates compute from storage, allowing it to scale independently and efficiently. In addition, it integrates advanced technologies such as vectorized processing, persistent memory and predictive load analysis, maximizing response speed and reducing operational overhead.

History of AlloyDB for PostgreSQL

Google launched AlloyDB for PostgreSQL in May 2022 during the Google I/O event and later at Google Cloud Next, as a strategic response to the limitations of traditional cloud databases. Their goal was to offer a modern solution, natively designed for the cloud, seeking to optimize the performance and scalability of PostgreSQL, and also to demonstrate their expertise building world-class databases, based on proprietary technologies such as Spanner, Bigtable and Firestore.

Before the launch of AlloyDB, Google Cloud offered Cloud SQL, a managed service for databases such as PostgreSQL, MySQL and SQL Server. However, like other solutions on the market, it had limitations of traditional architectures, with poor optimization for mixed loads, storage bottlenecks and mostly vertical scalability. This left a gap for organizations that needed greater performance, flexibility and resiliency, especially in critical or data-intensive applications.

Common uses

High performance transactional loads

Ideal for critical applications such as e-commerce, fintech or gaming. AlloyDB offers more than 4 times the performance of standard PostgreSQL thanks to its optimized architecture, allowing fast responses, flexible scalability and lower operational load.

Source: Google Cloud

Real-time analytics

AlloyDB allows you to run analytical queries directly on operational data, with an integrated columnar engine that delivers up to 100 times faster than traditional PostgreSQL. Perfect for live dashboards, fraud detection and customer behavior analysis.

Source: Google Cloud

Generative AI applications

With AlloyDB AI, you can store and query vectors, generate embeddings directly from the database and connect with models in Vertex AI and other platforms, enabling assets such as chatbots, semantic search or advanced recommendation systems.

Source: Google Cloud

Legacy database modernization

AlloyDB offers a simple path to migrate from PostgreSQL or other legacy databases such as Oracle or SQL Server, with support for tools such as Database Migration Service (DMS), obtaining a managed, scalable environment without proprietary licenses.

Source: Google Cloud

Hybrid and multicloud deployments

AlloyDB Omni allows you to run the same AlloyDB engine in on-premises environments or in other clouds, making it easy to meet specific data sovereignty or regulatory requirements. It is a downloadable edition that offers the same functionality and performance as the cloud service, allowing you to standardize a single database across multiple environments with complete flexibility.

Source: Google Cloud

How does AlloyDB work?

Applications connect to AlloyDB in the same way they would connect to any standard PostgreSQL database, using the same protocols and query language. This means that no changes to existing applications are required to start using AlloyDB.

Behind the scenes, AlloyDB is built on a cloud-optimized architecture that combines different components designed to deliver high availability, maximum performance and high throughput. In addition, Google Cloud management tools allow you to monitor system health, and automatically adjust size and scale based on application demand, ensuring efficiency and operational continuity.

In AlloyDB, all the resources of a database deployment, logs and configurations are organized within a cluster, running in a single Google Cloud region and in a Virtual Private Cloud (VPC).

Each cluster consists of nodes, which are virtual machines running the PostgreSQL database engine. These nodes are grouped into instances, each with a private, static IP address in the VPC, allowing applications to easily connect using standard PostgreSQL protocols.

There are two types of instances in AlloyDB:

Primary instance: It is the main access point for reading and writing. It can be configured as:

💡 High Availability (HA): It includes two nodes, one active and one standby, with automatic failover in the event of a failure.

💡 Basic: It has a single node and is designed for development or testing environments without critical availability requirements.

Read pool instances: These are optional and are composed of one or more read-only nodes (up to 20 per cluster). AlloyDB automatically distributes queries among these nodes to improve performance.

In addition, AlloyDB allows instances to scale dynamically, adjusting the number of nodes, memory and compute capacity according to the needs of the application, without affecting the data or requiring long downtime. This is possible because data is stored separately in a flexible, compute-independent storage tier.

Source: Google Cloud

Conclusions

AlloyDB for PostgreSQL marks a significant advance in the evolution of relational databases in the cloud. It integrates the robustness and compatibility of the PostgreSQL open source ecosystem with a modern architecture, optimized from the ground up to deliver high performance, scalability and availability in demanding environments.

Unlike traditional solutions or legacy managed services, AlloyDB was built from the ground up as a truly cloud-native engine. It incorporates separation of compute and storage, persistent caching, continuous backup, and advanced capabilities for analytical, transactional, and generative AI workloads.

Resources

Review the following resources for learn more about the AllowDB::

I hope this information is useful.

Best Regards,

Follow me:

👉Wiki Cloud | 👉X | 👉LinkedIn | 👉Github | 👉Youtube

AlloyDB: La base de datos empresarial para la nube moderna

John Bulla — Sun, 29 Jun 2025 12:42:51 +0000

Nota: ✋ Este post se publicó originalmente en mi blog wiki-cloud.co

Introducción

En un entorno donde las aplicaciones modernas demandan un máximo rendimiento, una alta disponibilidad y una baja latencia, se suman la velocidad, la escalabilidad y la confiabilidad como requerimientos esenciales en cualquier sistema de base de datos. Las organizaciones necesitan soluciones de bases de datos que no solo satisfagan sus necesidades actuales, sino que también estén preparadas para el futuro.

En este contexto, AlloyDB emerge como una propuesta estratégica de Google Cloud en el ámbito de las bases de datos relacionales para el entorno empresarial, que combina la solidez y flexibilidad del ecosistema open source de PostgreSQL, con el poder y la confiabilidad de una infraestructura cloud de nivel empresarial como Google Cloud Platform (GCP), ofreciendo una plataforma moderna, escalable y lista para afrontar cargas de trabajo críticas.

AlloyDB se posiciona como una solución ideal para:

Empresas que buscan modernizar entornos Oracle o SQL Server, evitando licencias propietarias.
Cargas de trabajo críticas que requieren alta disponibilidad, bajo mantenimiento y escalabilidad dinámica.
Equipos que ya trabajan en Google Cloud y necesitan integrar fácilmente capacidades de inteligencia artificial, analítica avanzada y servicios serverless.

Con AlloyDB, las organizaciones pueden avanzar hacia una infraestructura de datos más ágil, potente y preparada para el futuro.

¿Qué es AlloyDB?

PostgreSQL es una de las bases de datos relacionales de código abierto más poderosas y confiables del mercado. Utiliza el lenguaje SQL y está diseñada para gestionar cargas de trabajo complejas de forma segura, eficiente y escalable. Su desarrollo comenzó en 1986, como parte del proyecto POSTGRES de la Universidad de California en Berkeley, y desde entonces ha acumulado más de 35 años de innovación continua.

Gracias a su arquitectura robusta, su enfoque en la integridad de los datos y una comunidad global comprometida, PostgreSQL se ha convertido en la base de datos open source preferida por empresas, gobiernos y desarrolladores. Es altamente extensible con funciones avanzadas como PostGIS para datos geoespaciales, compatible con múltiples sistemas operativos y cumple con los principios ACID (Atomicity, Consistency, Isolation, Durability) desde 2001, lo que la hace ideal para construir soluciones modernas y de alto rendimiento.

Sobre esta base sólida, Google Cloud desarrolló AlloyDB, una base de datos relacional completamente gestionada, totalmente compatible con PostgreSQL, incluidas sus extensiones más populares. AlloyDB fue diseñada específicamente para entornos empresariales que requieren rendimiento extremo, alta disponibilidad y escalabilidad sin compromisos.

En esencia, AlloyDB es una versión optimizada de PostgreSQL para la nube, que aprovecha innovaciones clave de Google Cloud en resiliencia, confiabilidad y eficiencia operativa. Las aplicaciones y herramientas existentes pueden seguir funcionando sin modificaciones, gracias a su compatibilidad con conexiones y consultas estándar de PostgreSQL.

Su arquitectura moderna separa el cómputo del almacenamiento, lo que permite escalar de manera independiente y eficiente. Además, integra tecnologías avanzadas como procesamiento vectorizado, memoria persistente y análisis predictivo de carga, lo que maximiza la velocidad de respuesta y reduce la carga operativa.

Usos Comunes

Cargas transaccionales de alto rendimiento

Ideal para aplicaciones críticas como e-commerce, fintech o gaming. AlloyDB ofrece más de 4 veces el rendimiento de PostgreSQL estándar gracias a su arquitectura optimizada, permitiendo respuestas rápidas, escalabilidad flexible y menor carga operativa.

Fuente: Google Cloud

Analítica en tiempo real

AlloyDB permite ejecutar consultas analíticas directamente sobre los datos operativos, con un motor de columnas integrado que brinda hasta 100 veces más velocidad que PostgreSQL tradicional. Perfecto para dashboards en vivo, detección de fraudes y análisis de comportamiento de clientes.

Fuente: Google Cloud

Aplicaciones de IA generativa

Con AlloyDB AI, puede almacenar y consultar vectores, generar embeddings directamente desde la base de datos y conectarse con modelos en Vertex AI y otras plataformas, habilitando activos como chatbots, búsquedas semánticas o sistemas de recomendación avanzados.

Fuente: Google Cloud

Modernización de bases de datos heredadas

AlloyDB ofrece una ruta simple para migrar desde PostgreSQL u otras bases legacy como Oracle o SQL Server, con soporte de herramientas como Database Migration Service (DMS), obteniendo un entorno administrado, escalable y sin licencias propietarias.

Fuente: Google Cloud

Despliegues híbridos y multicloud

AlloyDB Omni permite ejecutar el mismo motor de AlloyDB en entornos on-premise o en otras nubes, lo que facilita el cumplimiento de requisitos de soberanía de datos o regulaciones específicas. Se trata de una edición descargable que ofrece la misma funcionalidad y rendimiento que el servicio en la nube, lo que te permite estandarizar una única base de datos en múltiples entornos con total flexibilidad.

Fuente: Google Cloud

¿Cómo funciona AlloyDB?

Las aplicaciones se conectan a AlloyDB de la misma forma en que lo harían con cualquier base de datos PostgreSQL estándar, utilizando los mismos protocolos y lenguaje de consulta. Esto significa que no se requieren cambios en las aplicaciones existentes para comenzar a usar AlloyDB.

Detrás de escena, AlloyDB está construido sobre una arquitectura optimizada en la nube que combina distintos componentes diseñados para ofrecer alta disponibilidad, máximo rendimiento y gran capacidad de procesamiento. Además, las herramientas de administración de Google Cloud permiten monitorear el estado del sistema, y ajustar automáticamente el tamaño y escala según la demanda de las aplicaciones, asegurando eficiencia y continuidad operativa.

En AlloyDB, todos los recursos de una implementación de bases de datos, registros y configuraciones se organizan dentro de un clúster, que se ejecuta en una única región de Google Cloud y en una Virtual Private Cloud (VPC).

Cada clúster está formado por nodos, que son máquinas virtuales que ejecutan el motor de base de datos PostgreSQL. Estos nodos se agrupan en instancias, cada una con una dirección IP privada y estática en la VPC, lo que permite a las aplicaciones conectarse fácilmente usando los protocolos estándar de PostgreSQL.

Existen dos tipos de instancias en AlloyDB:

Instancia principal: Es el punto de acceso principal para lectura y escritura. Puede configurarse como: > 💡 Alta disponibilidad (HA): Incluye dos nodos, uno activo y otro en espera, con conmutación automática en caso de falla. > 💡 Básica: Tiene un solo nodo y está pensada para entornos de desarrollo o pruebas sin requisitos críticos de disponibilidad.
Instancias de grupo de lectura: Estas son opcionales y están compuestas por uno o más nodos dedicados solo a lectura (hasta 20 por clúster). AlloyDB distribuye automáticamente las consultas entre estos nodos para mejorar el rendimiento.

Además, AlloyDB permite escalar dinámicamente las instancias, ajustando el número de nodos, la memoria y la capacidad de cómputo según las necesidades de la aplicación, sin afectar los datos ni requerir largos tiempos de inactividad. Esto es posible gracias a que los datos se almacenan de forma separada en una capa de almacenamiento flexible, independiente del cómputo.

Fuente: Google Cloud

Conclusiones

AlloyDB for PostgreSQL marca un avance significativo en la evolución de las bases de datos relacionales en la nube. Integra la solidez y compatibilidad del ecosistema open source de PostgreSQL con una arquitectura moderna, optimizada desde su diseño para ofrecer alto rendimiento, escalabilidad y disponibilidad en entornos exigentes.

A diferencia de soluciones tradicionales o servicios administrados heredados, AlloyDB fue construido desde cero como un motor verdaderamente nativo de la nube. Incorpora separación entre cómputo y almacenamiento, caché persistente, respaldo continuo y capacidades avanzadas para cargas analíticas, transaccionales y de inteligencia artificial generativa.

Recursos

Consulte los siguientes recursos para obtener más información sobre el servicio de AlloyDB:

Espero sea de utilidad !!!

Saludos,

Síguenos:

👉Wiki Cloud | 👉Twitter | 👉LinkedIn | 👉Youtube

AWS Transform for Mainframe: A new era for Legacy System Modernization

John Bulla — Sat, 14 Jun 2025 15:38:31 +0000

Note: ✋ This post was originally published on my blog wiki-cloud.co

Introduction

A central component in many traditional business infrastructures has been the mainframe, a platform that for decades has served as the backbone of critical applications, especially in sectors such as banking, insurance, retail, government, among others.

Mainframe systems are known for their reliability, high performance, and ability to process large volumes of transactions. However, they represent a significant challenge today because they are expensive to maintain, difficult to integrate with modern technologies, and there is a growing shortage of professionals trained in languages such as COBOL, PL/I or assembler.

One of the biggest challenges facing organizations is precisely the migration of applications written in COBOL to modern programming languages. This difficulty responds in large part to a generational shift in the technology workforce, because younger developers are trained in contemporary languages such as Java code generation or Python, and many of the experienced professionals continue to master older technologies such as COBOL where most are already retiring. Despite this context, COBOL is not going away anytime soon and will continue tobe an essential component in many critical business systems.

💡 According to Reuters, 43 % of banking systems still rely on COBOL, and it is currently estimated that there are more than 220 billion lines of COBOL code active worldwide.

At the same time, the growing need to drive digital innovation and respond with agility to market changes has led many organizations to explore alternatives that are more flexible, scalable and aligned with cloud environments.

In this scenario, many organizations are beginning to consider the use of Generative Artificial Intelligence solutions as a key tool to accelerate and automate the modernization process of their Mainframe systems. These technologies can facilitate the transition to modern platforms without the need to completely redesign application functionality or alter the behavior of workloads currently running on Mainframe environments.

As part of its innovation plan, AWS made available AWS Transform for Mainframe, an innovative solution designed to modernize legacy systems. This was presented as “Amazon Q Developer Transform capability for Mainframe” during re:Invent 2024 and is now generally available. This service incorporates a specialized AI agent to significantly accelerate modernization processes that traditionally took several years, helping organizations complete their transformations and/or modernizations in a more agile and efficient manner.

What is AWS Transform for Mainframe?

AWS Transform for Mainframe is a service designed to accelerate the modernization of legacy applications in mainframe environments through the use of Generative AI (GenAI). This solution automates traditionally complex tasks such as COBOL code analysis, mainframe system documentation, business rule extraction, decomposition of monolithic applications into functional domains, and code refactoring.

By intelligently decomposing applications, AWS Transform allows you to plan and execute the migration sequence more efficiently, enabling the parallel transformation of business functions. This not only accelerates the modernization process but also improves decision-making, operational agility, and overall migration efficiency.

Source: AWS

💡 Note: Currently AWS Transform for Mainframe is only available in the regions of: USA (Northern Virginia) and Europe (Frankfurt).

AWS Transform Agents for Mainframe

As part of the Mainframe application transformation process, AWS Transform for Mainframe incorporates a series of specialized agents designed to facilitate and automate the modernization of legacy code to modern languages such as Java code generation. These agents enable critical analysis, refactoring and conversion tasks to be performed more quickly and accurately, optimizing each stage of the transformation process. The agents are described below:

Agent	Description	Key capabilities
Code Analysis Agent	This agent is responsible for analyzing legacy COBOL code to understand its structure, identify dependencies, detect missing artifacts and prepare the ground for automated Java code generation. Its in-depth analysis assesses the technical complexity of the codebase and automatically categorizes components.	- Cyclomatic complexity analysis to determine code stability. - Identification of internal and external dependencies. - Detection of missing or inconsistent artifacts. - Automatic classification of code according to functionality.
Documentation Generation Agent	This agent generates detailed technical and functional documentation from existing COBOL code. It can process millions of lines of code in minutes, identify the underlying business logic and provide clear descriptions tailored to the profile of each user (developers, analysts, business leaders). In addition, it can be integrated with knowledge bases to enrich the technical and domain context.	- Automatic expansion of customized acronyms. - Component and person-driven documentation generation. - Intelligent business logic summaries. - Context-sensitivity of code and functional domains. - Integration with knowledge bases.
Code Decomposition Agent	This agent identifies the boundaries between technical and business domains within monolithic code, making it easier to prepare for iterative, segmented migration to the AWS cloud. It is key to moving towards more modular and decoupled architectures.	- Detailed analysis of dependencies between code and data. - Logical separation of business and technical domains. - Improved detection of hidden dependencies. - Simplified initialization mechanism for code segmentation.
Migration Plan Agent	This agent assists in strategic migration planning, allowing users to define priorities, constraints and objectives. Based on these inputs, the agent generates optimized sequences of migration waves, providing different options to adapt the plan to business needs.	- Interactive and dynamic planning of migration waves. - Generation of multiple transformation scenarios based on customized criteria. - Prioritization based on technical complexity, business value, and dependencies.
Code Refactoring Agent	This agent has the ability to automatically refactor code, maintaining its functional equivalence and preparing it to run in a modern environment. It operates under human supervision, allowing to validate each step of the process to ensure that the new code is complete, maintainable and aligned with the defined functional domains.	- Automatic transformation of the code to modern languages (e.g. Java). - Guarantee of functional equivalence with respect to the original system. - Refactoring based on previously identified domains and components. - Horizontal scalability to handle large volumes of code simultaneously.

Source: AWS

Conclusions

Modernizing mainframe systems no longer has to be a lengthy, costly or risky process. With AWS Transform for Mainframe, organizations now have a comprehensive solution based on Agentic AI, capable of automating critical tasks such as COBOL code analysis, technical documentation, business rule extraction, migration wave planning, and refactoring to modern languages such as Java.

With its specialized agents, AWS Transform for Mainframe not only accelerates transformation and modernization projects, but significantly reduces the technical complexity and human effort required, allowing companies to continue to innovate without compromising the stability of their current operations. This hybrid approach between intelligent automation and human oversight opens the door to scalable, secure modernization aligned with business needs in today's digital world.

Resources

Review the following resources for learn more about the AWS Transfrom for Mainframe service:

I hope this information is useful.

Best Regards,

Follow me:

👉Wiki Cloud | 👉X | 👉LinkedIn | 👉Github | 👉Youtube

AWS Transform para Mainframe: Una nueva era para la modernización de sistemas legacy

John Bulla — Fri, 13 Jun 2025 19:57:21 +0000

Nota: ✋ Este post se publicó originalmente en mi blog wiki-cloud.co

Introducción

Un componente central en muchas infraestructuras empresariales tradicionales ha sido el mainframe, una plataforma que durante décadas ha funcionado como la columna vertebral de aplicaciones críticas, especialmente en sectores como la banca, los seguros, el retail, el gobierno, entre otros.

Los sistemas de Mainframe se destacan por su fiabilidad, alto rendimiento y capacidad para procesar grandes volúmenes de transacciones. No obstante, hoy representan un reto significativo porque son costosos de mantener, difíciles de integrar con tecnologías modernas, y existe una creciente escasez de profesionales capacitados en lenguajes como COBOL, PL/I o ensamblador.

Uno de los mayores desafíos que enfrentan las organizaciones es precisamente la migración de aplicaciones escritas en COBOL hacia lenguajes de programación modernos. Esta dificultad responde en gran parte a un cambio generacional en la fuerza laboral tecnológica, porque los desarrolladores más jóvenes se forman en lenguajes contemporáneos como Java o Python, y muchos de los profesionales con experiencia continúan dominando tecnologías más antiguas como COBOL donde la mayoría ya están jubilando. A pesar de este contexto, COBOL no desaparecerá pronto y seguirá siendo un componente esencial en muchos sistemas empresariales críticos.

💡 Según Reuters, el 43 % de los sistemas bancarios aún dependen de COBOL, y actualmente se estima que existen más de 220 mil millones de líneas de código COBOL activas en todo el mundo.

Al mismo tiempo, la creciente necesidad de impulsar la innovación digital y responder con agilidad a los cambios del mercado, ha llevado a muchas organizaciones a explorar alternativas más flexibles, escalables y alineadas con entornos de nube.

En este escenario, muchas organizaciones están comenzando a considerar el uso de soluciones de Inteligencia Artificial Generativa como una herramienta clave para acelerar y automatizar el proceso de modernización de sus sistemas de Mainframe. Estas tecnologías permiten facilitar la transición hacia plataformas modernas sin necesidad de rediseñar completamente la funcionalidad de las aplicaciones, ni alterar el comportamiento de las cargas de trabajo que actualmente se ejecutan en entornos Mainframe.

AWS dentro de su plan de innovación puso a disposición AWS Transform para Mainframe, una solución innovadora diseñada para modernizar sistemas legacy. Esta fue presentada como “Amazon Q Developer Transform capability for Mainframe” durante re:Invent 2024 y ahora se encuentra disponible para el público en general. Este servicio incorpora un agente de IA especializado que permite acelerar de forma significativa los procesos de modernización que, tradicionalmente, tomaban varios años, ayudando así a las organizaciones a completar sus transformaciones y/o modernizaciones de manera más ágil y eficiente.

¿Qué es AWS Transform para Mainframe?

AWS Transform para Mainframe es un servicio que está diseñado para acelerar la modernización de aplicaciones legacy en entornos de Mainframe mediante el uso de IA Generativa (GenAI). Esta solución automatiza tareas tradicionalmente complejas, como el análisis de código COBOL, la documentación de sistemas de Mainframe, la extracción de reglas de negocio, la descomposición de aplicaciones monolíticas en dominios funcionales y la refactorización de código.

Al descomponer inteligentemente las aplicaciones, AWS Transform permite planificar y ejecutar la secuencia de migración de manera más eficiente, posibilitando la transformación paralela de funciones empresariales. De este modo, no solo se acelera el proceso de modernización, sino que también se mejora la toma de decisiones, la agilidad operativa y la eficiencia general de la migración.

Fuente: AWS

💡 Nota: Actualmente AWS Transform para Mainframe está únicamente disponible en las regiones de: USA (Norte de Virginia) y Europa (Frankfurt).

Agentes de AWS Transform para Mainframe

Como parte del proceso de transformación de aplicaciones de Mainframe, AWS Transform para Mainframe incorpora una serie de agentes especializados diseñados para facilitar y automatizar la modernización del código legacy hacia lenguajes modernos como Java. Estos agentes permiten realizar tareas críticas de análisis, refactorización y conversión de forma más ágil y precisa, optimizando cada etapa del proceso de transformación. A continuación, se describen los agentes:

Agente	Descripción	Capacidades clave
Agente para el análisis de código	Este agente se encarga de analizar el código legacy en COBOL para comprender su estructura, identificar dependencias, detectar artefactos faltantes y preparar el terreno para la generación automatizada de código en Java. Su análisis profundo permite evaluar la complejidad técnica de la base de código y categorizar componentes automáticamente.	- Análisis de complejidad ciclomática para determinar la estabilidad del código. - Identificación de dependencias internas y externas. - Detección de artefactos ausentes o inconsistentes. - Clasificación automática del código según su funcionalidad.
Agente para la generación de documentación	Este agente genera documentación técnica y funcional detallada a partir del código COBOL existente. Puede procesar millones de líneas de código en minutos, identificar la lógica de negocio subyacente y ofrecer descripciones claras y adaptadas al perfil de cada usuario (desarrolladores, analistas, líderes de negocio). Además, se puede integrar con bases de conocimiento para enriquecer el contexto técnico y de dominio.	- Expansión automática de acrónimos personalizados. - Generación de documentación orientada a componentes y personas (persona-driven). - Resúmenes inteligentes de lógica de negocio. - Sensibilidad al contexto del código y sus dominios funcionales. - Integración con bases de conocimiento.
Agente para la descomposición de código	Este agente identifica los límites entre dominios técnicos y de negocio dentro del código monolítico, facilitando su preparación para una migración iterativa y segmentada hacia la nube de AWS. Es clave para avanzar hacia arquitecturas más modulares y desacopladas.	- Análisis detallado de dependencias entre código y datos. - Separación lógica de dominios de negocio y técnicos. - Detección mejorada de dependencias ocultas. - Mecanismo de inicialización simplificado para la segmentación del código.
Agente para el plan de migración	Este agente asiste en la planificación estratégica de la migración, permitiendo a los usuarios definir prioridades, restricciones y objetivos. Basado en estos insumos, el agente genera secuencias optimizadas de olas de migración, proporcionando diferentes opciones para adaptar el plan a las necesidades del negocio.	- Planificación interactiva y dinámica de olas de migración. - Generación de múltiples escenarios de transformación basados en criterios personalizados. - Priorización basada en complejidad técnica, valor de negocio y dependencias.
Agente para la refactorización de código	Este agente tiene la capacidad de refactorizar automáticamente el código, manteniendo su equivalencia funcional y preparándolo para ejecutarse en un entorno moderno. Opera bajo supervisión humana, permitiendo validar cada etapa del proceso para asegurar que el nuevo código sea completo, mantenible y alineado con los dominios funcionales definidos.	- Transformación automática del código a lenguajes modernos (por ejemplo, Java). - Garantía de equivalencia funcional respecto al sistema original. - Refactorización basada en dominios y componentes identificados previamente. - Escalabilidad horizontal para manejar grandes volúmenes de código simultáneamente.

Fuente: AWS

Conclusiones

La modernización de sistemas de Mainframe ya no tiene que ser un proceso largo, costoso ni riesgoso. Con AWS Transform para Mainframe, las organizaciones ahora cuentan con una solución integral basada en Agentic AI, capaz de automatizar tareas críticas como el análisis de código COBOL, la documentación técnica, la extracción de reglas de negocio, la planificación de olas de migración y la refactorización a lenguajes modernos como Java.

Gracias a sus agentes especializados, AWS Transform para Mainframe no solo acelera los proyectos de transformación y modernización, sino que reduce significativamente la complejidad técnica y el esfuerzo humano requerido, permitiendo que las empresas continúen innovando sin comprometer la estabilidad de sus operaciones actuales. Este enfoque híbrido entre automatización inteligente y supervisión humana abre la puerta a una modernización escalonada, segura y alineada con las necesidades del negocio en el mundo digital actual.

Recursos

Consulte los siguientes recursos para obtener más información sobre el servicio de AWS Transform para Mainframe:

Espero sea de utilidad !!!

Saludos,

Síguenos:

👉Wiki Cloud | 👉X | 👉LinkedIn | 👉Github | 👉Youtube

Transform enterprise workloads with AWS Transform and Agentic AI

John Bulla — Fri, 13 Jun 2025 19:24:40 +0000

Note: ✋ This post was originally published on my blog wiki-cloud.co

Introduction

In an increasingly dynamic business environment, the ability to adapt quickly to technological changes has become a key factor for competitiveness. Organizations that depend on legacy applications or obsolete architectures, many of which were developed years or even decades ago, face significant challenges, such as difficulty in scaling, high maintenance costs, limited integration with modern technologies and slower development cycles.

Modernizing these applications is not simply a technical issue; it's a strategic necessity to drive innovation, improve customer experience, and reduce time to market. However, transforming complex and critical systems is no simple task. It requires careful planning, a deep understanding of existing dependencies, and an approach that minimizes operational risks.

Transforming or modernizing enterprise workloads continues to be a critical challenge for many organizations. Despite the advancement of cloud computing, data shows a strong reliance on traditional infrastructures.

Source: AWS

💡 According to Gartner, 70% of workloads still run in on-premisesenvironments, reflecting a significant opportunity and urgency for modernization.

💡 According to McKinsey, 70% of the enterprise software used by Fortune 500 companies was written more than 20 years ago. This legacy software, while still functional, is often built on obsolete technologies that are difficult to scale, maintain, or integrate with modern solutions.

💡 ISG Research highlights that the average time to complete a migration or modernization is 1.5 years, which it reveals the complexity and duration of these processes when there is a lack of appropriate tools or automated approaches.

In this context AWS Transform enters into play (previously presented as Amazon Q Developer transformation capabilities at re:Invent 2024), an AWS commitment to modernizing these types of applications, infrastructure, and systems by leveraging the capabilities of Artificial Intelligence (AI) and Agentic AI, which is currently available to the public (GA) since mid-May 2025.

What is AWS Transform?

AWS Transform is a revolutionary service that uses Agentic AI with the goal of accelerating and simplifying the migration and modernization of infrastructure, applications and source code. In other words, it is a service that uses specialized AI agents that help eliminate the heavy lifting of transformation by automating complex migration and modernization tasks for .NET, Mainframe and VMware application workloads. Additionally, it offers an assessment service, where workload migration planning and business case generation is performed.

AWS Transform through Agentic AI utilizes AWS advances in foundational models, LLMs, machine learning, neural networks, automated reasoning, and AI infrastructure to deliver a fully advanced migration and modernization experience.

Currently AWS Transform offers three types of transformation agents which are for .NET applications, Mainframe (COBOL z/OS) applications and VMware.

After running many transformations for various customers by AWS, it can be concluded (data AWS Blog) that:

💡 The AWS Transform for .NET can modernize Windows-based .NET applications to Linux up to four times faster than traditional methods and achieve savings of up to 40% in licensing costs.

💡 The AWS Transform for Mainframe can break down monolithic COBOL z/OS applications into components that can run in the cloud in minutes instead of months.

💡 The AWS Transform for VMware can automate the conversion of VMware on-premises network configurations to their AWS equivalents up to 80 times faster than manual techniques.

AWS Transform leverages the conversational expertise of Amazon Q, which acts as an expert transformation assistant. This assistant actively collaborates in defining modernization and/or transformation project objectives, evaluating business plans and cost savings projections. It also facilitates the review and adaptation of transformation and/or modernization plans, as well as the validation of suggestions related to code and infrastructure, all through specialized agents.

AWS Transform enables seamless collaboration across cross-functional teams through a unified web experience, where it is possible to manage tasks, track progress and coordinate efforts at every stage of the process. In this way, AWS Transform provides full control and continuous visibility into transformation and/or modernization plans, ensuring execution aligned with business objectives.

Benefits

The key benefits of using AWS Transformation are highlighted below:

Accelerate modernization and migration: Delegate complex and labor-intensive transformation tasks during the discovery, planning and execution phases to Amazon Q Developer agents with expertise in languages, frameworks and infrastructure, enabling developers and the project team to continue to innovate.
Deliver large-scale projects and reduce costs by up to 40%: Efficiently transform complex, large-scale projects by modernizing components in parallel, improving team collaboration, and reducing costs through a unified web experience.
Increase innovation, security, and performance: Address application vulnerabilities, adopt high-performance integrations and frameworks, and leverage modern AWS systems and services to continue to innovate.

What is Agentic AI?

Now we ask ourselves, what is Agentic AI? Agentic AI (also known as AI Agents or Artificial Intelligence Agent) is nothing more than a class of artificial intelligence that emphasizes software agents that act autonomously or semi-autonomously to achieve specific goals, making decisions, executing complex tasks and adapting to the context of the transformation project dynamically, all with minimal human intervention. Unlike passive models that only respond to direct inputs, intelligent AI agents can plan, reason, interact with other systems, collaborate with humans and continuously learn from their environment and experience.

Agentic AI is characterized by:

Autonomy: It operates without constant user intervention.
Defined goals: It executes actions aimed at specific results.
Reasoning and planning: It can evaluate different paths to achieve a goal.
Interaction: It communicates with humans and systems.
Continuous learning: It improves with experience.

AWS Transform incorporates Agentic AI principles through its integration with Amazon Q and other intelligent components of the AWS ecosystem. AWS Transform is a practical example of Agentic AI applied to technology modernization, where intelligent agents not only assist, but actively participate in decision making, task execution and cross-team collaboration.

Looking ahead to 2028, significant changes are anticipated on multiple fronts. Below is the projection proposed by Gartner® that illustrates how agentic AI will redefine the digital and business landscape:

Sorce: Gartner®

💡 By 2028, 33% of enterprise software applications will include Agentic AI, up from less than 1% in 2024.

💡 By 2028, AI agent machine customers will replace 20% of the interactions at human-readable digital storefronts.

💡 By 2028, at least 15% of day-to-day work decisions will be made autonomously through Agentic AI, up from zerp percent in 2024.

Conclusions

AWS Transform epresents a step forward for organizations looking to leave their legacy applications behind and embrace new technologies with cloud and artificial intelligence support. With its focus on automation, data-driven analytics and native integration with the AWS ecosystem, this service becomes a strategic ally on the path to technology modernization.

Whether you're modernizing a critical financial system or scaling a growing web application, AWS Transform offers the tools you need to do it securely, efficiently, and sustainably.

Resources

Review the following resources for learn more about the AWS Transfrom service:

I hope this information is useful.

Best Regards,

Follow me:

👉Wiki Cloud | 👉X | 👉LinkedIn | 👉Github | 👉Youtube

Transforma cargas de trabajo empresariales con AWS Transform e IA Agéntica

John Bulla — Thu, 12 Jun 2025 08:46:01 +0000

Nota: ✋ Este post se publicó originalmente en mi blog wiki-cloud.co

Introducción

En un entorno empresarial cada vez más dinámico, la capacidad de adaptarse rápidamente a los cambios tecnológicos se ha convertido en un factor clave para la competitividad. Las organizaciones que dependen de aplicaciones legacy o con arquitecturas ya obsoletas, donde muchas de estas fueron desarrolladas hace años o incluso décadas, se enfrentan a desafíos importantes como la dificultad para escalar, altos costos de mantenimiento, limitaciones en la integración con tecnologías modernas y ciclos de desarrollo más lentos.

La modernización de estas aplicaciones no es simplemente una cuestión técnica, es una necesidad estratégica para impulsar la innovación, mejorar la experiencia de los clientes y reducir el time to market. Sin embargo, transformar sistemas complejos y críticos no es una tarea sencilla. Requiere de una planificación cuidadosa, un conocimiento profundo de las dependencias existentes y establecer un enfoque que minimice los riesgos operativos.

La transformación o modernización de cargas de trabajo empresariales sigue siendo un desafío crítico para muchas organizaciones. A pesar del avance de la computación en la nube, los datos muestran que aún existe una fuerte dependencia de infraestructuras tradicionales.

Fuente: AWS

💡 Según Gartner, el 70 % de las cargas de trabajo aún se ejecutan en entornos on-premises, lo que refleja una gran oportunidad y urgencia de modernización.

💡 Según McKinsey, el 70 % del software empresarial utilizado por las compañías Fortune 500 fue escrito hace más de 20 años. Este software legacy, aunque aún es funcional, suele estar construido sobre tecnologías obsoletas, difíciles de escalar, mantener o integrar con soluciones modernas.

💡 ISG Research destaca que el tiempo promedio para completar una migración o modernización es de 1.5 años, lo que revela la complejidad y duración de estos procesos cuando se carece de herramientas adecuadas o enfoques automatizados.

En este contexto es donde entra en juego AWS Transform (previamente presentado como capacidades de transformación de Amazon Q Developer en el re:Invent 2024), una apuesta de AWS para modernizar este tipo aplicaciones, infraestructura y sistemas aprovechando las capacidades de la Inteligencia Artificial (IA) y la IA Agéntica, que actualmente se encuentra disponible al público (GA) desde mediados del mes de Mayo de 2025.

¿Qué es AWS Transform?

AWS Transform es un servicio revolucionario que utiliza IA Agéntica con el objetivo de acelerar y simplificar la migración y modernización de la infraestructura, aplicaciones y código fuente. En otras palabras es un servicio que utiliza agentes de IA especializados que ayudan a eliminar el trabajo pesado de transformación mediante la automatización de tareas complejas de migración y modernización para cargas de trabajo de aplicaciones .NET, Mainframe y VMware. Adicionalmente ofrece un servicio de assessment, donde se realiza la planeación de la migración de las cargas de trabajo y la generación de casos de negocio.

AWS Transform por medio de la IA Agéntica utiliza los avances de AWS en los modelos fundacionales, LLMs, aprendizaje automático, redes neuronales, razonamiento automatizado, e infraestructura de IA para ofrecer una experiencia de migración y modernización totalmente avanzada.

Actualmente AWS Transform ofrece tres tipos de agentes de transformación que son para aplicaciones .NET, aplicaciones de Mainframe (COBOL z/OS) y VMware.

Después de ejecutar muchas transformaciones para varios clientes por parte de AWS, se puede concluir (datos Blog de AWS) que:

💡 El agente de AWS Transform para .NET puede modernizar aplicaciones .NET basadas en Windows a Linux hasta cuatro veces más rápido que los métodos tradicionales y lograr ahorros de hasta el 40% en costos de licencias.

💡 El agente de AWS Transform para Mainframe puede desglosar aplicaciones COBOL z/OS monolíticas en componentes que se pueden ejecutar en la nube en minutos en lugar de meses.

💡 El agente de AWS Transform para VMware puede automatizar la conversión de configuraciones de red on-premises de VMware a sus equivalentes en AWS hasta 80 veces más rápido que las técnicas manuales.

AWS Transform aprovecha la experiencia conversacional de Amazon Q, que actúa como un asistente experto en transformación. Este asistente colabora activamente en la definición de objetivos del proyecto de modernización y/o transformación, en la evaluación de planes de negocio y proyecciones de ahorro de costos. Además, facilita la revisión y adaptación de los planes de transformación y/o modernización, así como la validación de sugerencias relacionadas con el código y la infraestructura, todo ello a través de agentes especializados.

AWS Transform permite una colaboración fluida entre equipos multifuncionales mediante una experiencia web unificada, donde es posible gestionar tareas, hacer seguimiento del progreso y coordinar esfuerzos en cada etapa del proceso. De esta manera, AWS Transform ofrece un control total y visibilidad continua sobre los planes de transformación y/o modernización, garantizando una ejecución alineada con los objetivos del negocio.

Beneficios

A continuación se destacan los principales beneficios de usar AWS Transformation:

Acelera la modernización y la migración: Delega tareas de transformación complejas y que requieren mucho trabajo durante las fases de descubrimiento, planificación y ejecución a agentes de Amazon Q Developer con experiencia en lenguajes, frameworks e infraestructura, lo que les permitirá a los desarrolladores y al equipo de proyecto seguir innovando.
Entrega proyectos a gran escala y reducir los costos hasta en un 40%: Transforma de manera eficiente proyectos complejos y a gran escala gracias a la modernización de los componentes en paralelo, la mejora de la colaboración en equipo y la reducción de costos mediante una experiencia web unificada.
Aumenta la innovación, la seguridad y el rendimiento: Aborda las vulnerabilidades de las aplicaciones, adopta integraciones y frameworks de alto rendimiento y aprovecha los sistemas y servicios modernos de AWS para continuar innovando.

¿Qué es IA Agéntica?

Ahora nos preguntamos ¿Qué es la IA Agéntica?, La IA Agéntica (también conocida como AI Agents o Agente de Inteligencia Artificial) no es más que una clase de inteligencia artificial que hace énfasis a agentes de software que actúan de manera autónoma o semiautónoma con el fin de alcanzar objetivos específicos, tomando decisiones, ejecutando tareas complejas y adaptándose al contexto del proyecto de transformación de manera dinámica, todo ello con una mínima intervención humana. A diferencia de modelos pasivos que solo responden a entradas directas, los agentes inteligentes de IA pueden planificar, razonar, interactuar con otros sistemas, colaborar con humanos y aprender continuamente a partir de su entorno y experiencia.

Una IA agéntica se caracteriza por:

Autonomía: opera sin intervención constante del usuario.
Objetivos definidos: ejecuta acciones orientadas a resultados específicos.
Razonamiento y planificación: puede evaluar diferentes caminos para alcanzar una meta.
Interacción: se comunica con humanos y sistemas.
Aprendizaje continuo: mejora con la experiencia.

AWS Transform incorpora principios de IA Agéntica a través de su integración con Amazon Q y otros componentes inteligentes del ecosistema AWS. AWS Transform es un ejemplo práctico de IA Agéntica aplicada a la modernización tecnológica, donde agentes inteligentes no solo asisten, sino que participan activamente en la toma de decisiones, ejecución de tareas y colaboración entre equipos.

De cara a 2028, se anticipan cambios significativos en múltiples frentes. A continuación, se presenta la proyección propuesta por Gartner® que ilustra cómo la IA agéntica redefinirá el panorama digital y empresarial:

Fuente: Gartner®

💡 Para 2028, el 33% de las aplicaciones de software empresarial incluirán IA Agéntica, frente a menos del 1% en 2024.

💡 Para 2028, la IA Agéntica actuará como clientes automatizados, reemplazando el 20% de las interacciones en plataformas digitales orientadas al usuario.

💡 Para el 2028, al menos el 15% de las decisiones laborales cotidianas se tomarán de forma autónoma a través de la IA Agéntica, frente 0% en 2024.

Conclusiones

AWS Transform representa un paso adelante para las organizaciones que buscan dejar atrás sus aplicaciones legacy y adoptar nuevas tecnologías con la nube y el soporte de la inteligencia artificial. Con su enfoque en la automatización, el análisis basado en datos y la integración nativa con el ecosistema AWS, este servicio se convierte en un aliado estratégico en el camino hacia la modernización tecnológica.

Ya sea que se trate de modernizar un sistema financiero crítico o de escalar una aplicación web en crecimiento, AWS Transform ofrece las herramientas necesarias para lograrlo de forma segura, eficiente y sostenible.

Recursos

Consulte los siguientes recursos para obtener más información sobre el servicio de AWS Transform:

Espero sea de utilidad !!!

Saludos,

Síguenos:

👉Wiki Cloud | 👉X | 👉LinkedIn | 👉Github | 👉Youtube