Si tu plan para montar RAG en AWS era Amazon Kendra, hay que cambiarlo. AWS puso Kendra en modo mantenimiento con fecha del 30 de junio de 2026 y, desde el 30 de julio, el servicio ya no acepta clientes nuevos. La recomendación oficial para búsqueda y recuperación nueva es Amazon Bedrock Knowledge Bases.
No es una desconexión: quien ya tiene Kendra corriendo sigue con soporte, arreglos de errores y parches de seguridad. Lo que se detiene son las funciones nuevas. Y ahí está el punto que importa si estás diseñando algo hoy: un servicio que no va a recibir features es un mal lugar donde poner una arquitectura a tres años. Puedes confirmarlo en la nota de disponibilidad de Kendra en la documentación de AWS.
Esto cambia cómo se enseña y cómo se estudia el tema. En la Especialización en IA Generativa en AWS (27 horas, 10 sesiones, en vivo) la sesión de RAG trabaja Bedrock junto con Kendra y OpenSearch justamente para que sepas comparar las tres rutas, no para casarte con una. Abajo está el resumen de cómo elegir en 2026.
Las tres formas de hacer RAG en AWS hoy
- ▸Bedrock Knowledge Bases (RAG administrado). AWS se encarga del troceado, los embeddings, el índice y la sincronización con la fuente. Conectas S3 u otro origen, eliges el modelo de embeddings y consultas. Es la opción por defecto para la mayoría de los casos y la que AWS está empujando.
- ▸Tu propio vector store. OpenSearch Serverless, Aurora PostgreSQL con pgvector o Neptune Analytics. Acá controlas el índice, los analizadores, el sharding y la query. Más trabajo, y vale la pena cuando la búsqueda tiene reglas raras: filtros por permisos, sinónimos del negocio, mezcla de búsqueda léxica y vectorial afinada a mano.
- ▸Kendra, solo si ya lo tienes. Sigue sirviendo como buscador empresarial con sus conectores, y su índice GenAI funciona como retriever. Pero no es una opción para un proyecto nuevo: ya no puedes contratarlo.
Tres preguntas que resuelven la decisión
La primera: ¿quién mantiene esto en seis meses? Si la respuesta es "una persona que además tiene otras cuatro cosas", ve con Knowledge Bases. El RAG a mano se degrada rápido cuando nadie revisa el pipeline de ingesta.
La segunda: ¿qué forma tienen tus documentos? Un repositorio de PDFs escaneados no es lo mismo que una wiki en Markdown. Para contratos, facturas y escaneos, la pieza que decide la calidad no es el vector store sino la extracción previa; ahí entra Textract antes de cualquier embedding. Un RAG que recupera texto mal extraído responde con seguridad y se equivoca igual.
La tercera: ¿necesitas filtrar por permisos? Si el usuario A no puede ver los documentos del área B, eso se resuelve con metadatos en el índice y filtros en la consulta, y conviene decidirlo antes de cargar el primer documento. Reindexar medio millón de chunks porque olvidaste un campo es una tarde perdida y un susto con el equipo de seguridad.
Lo que no cambia con ningún servicio
El 80% de los RAG que responden mal no tienen un problema de modelo. Tienen un problema de recuperación: el fragmento correcto nunca llegó al prompt. Eso no lo arregla cambiar de Claude a otro modelo en Bedrock.
- ▸Troceado con sentido: por sección o por encabezado, no cada 500 caracteres a ciegas
- ▸Metadatos desde el día uno: fuente, fecha, área, nivel de acceso
- ▸Un set de 30 a 50 preguntas con su respuesta esperada para medir recuperación antes de medir generación
- ▸Guardrails de Bedrock encima, para filtrar temas y datos sensibles sin reescribir el prompt cada semana
Mide primero cuántas veces el documento correcto aparece entre los recuperados. Si ese número es bajo, todo lo demás es maquillaje.
Del RAG al agente
La recuperación es el primer escalón. El siguiente es que el sistema decida cuándo buscar, cuándo llamar a una API y cuándo pedir ayuda, que es donde entran Bedrock Agents y la orquestación. Si vas por ese camino, el taller de creación de agentes inteligentes con AWS es el paso natural después del RAG, y la ruta AI Agentic Engineer es el recorrido completo si quieres dedicarte a esto.
Qué te llevas si lo estudias ordenado
La Especialización en IA Generativa en AWS termina con una solución RAG construida por ti sobre Bedrock, con documentos procesados, guardrails configurados y el monitoreo encima: eso es lo que se enseña en las 10 sesiones, y cierra con el taller de preparación para el AIF-C01. Si lo que quieres es el papel primero, la preparación para la certificación AWS AI Practitioner va directo a ese examen.
Mientras tanto, si quieres ver estas decisiones discutidas en vivo con gente que las está tomando esta semana, en la Comunidad AI Builders hacemos un taller cada semana.



