A AWS publicou em 14 de outubro de 2026 um guia técnico que ensina a construir um sistema de agentes de IA capaz de produzir apresentações de PowerPoint a partir de relatórios trimestrais, documentos de conformidade e análises de mercado. O ponto de partida é a rotina de uma equipe de serviços financeiros, que consome horas toda semana lendo centenas de páginas, extraindo indicadores, estruturando slides e criando imagens de apoio.
Com o Amazon Bedrock AgentCore, esse fluxo vira uma tarefa automatizada: nos testes internos da própria AWS, a apresentação fica pronta em menos de 90 segundos.
Um supervisor no comando
A arquitetura aposta em um único agente supervisor hospedado no AgentCore runtime, a camada da AWS para construir, conectar e otimizar agentes em escala, com liberdade de escolha de framework e de modelo. A lógica de orquestração é implementada com o Strands Agents, um SDK de código aberto para criação de agentes.
O código roda em um contêiner isolado, com gerenciamento de sessão, identidade embutida e observabilidade.
O supervisor expõe duas ferramentas. A primeira, generate_pptx, aciona uma função Lambda que monta o arquivo: busca conteúdo na base de conhecimento, gera o esqueleto dos slides, cria as imagens e junta tudo no documento final.
A segunda, generate_summary, extrai e sintetiza informações da base usando RAG para entregar respostas precisas e ancoradas no material de origem. Cabe ao agente decidir se a solicitação pede geração de documento, resumo ou as duas coisas, e então chamar a ferramenta adequada.
Novas capacidades podem ser adicionadas como ferramentas inéditas, sem alterar as que já existem.
Por trás da redação dos textos está o Anthropic Claude Sonnet 4.6, disponível no Amazon Bedrock. A busca vetorial é feita com o Amazon Titan Text Embeddings v2, e as imagens dos slides saem do Stability AI Stable Image Inpaint, também disponível no Bedrock.
A AWS mantém ainda um repositório público com os ativos de código da solução.
RAG para ancorar cada slide
O segundo pilar da solução é o pipeline de Retrieval Augmented Generation, que ataca um problema clássico dos sistemas de IA generativa: entregar informação atualizada e fiel aos dados da empresa, em vez de depender apenas do que o modelo aprendeu no treinamento. A implementação usa o Amazon Bedrock Knowledge Bases, que combina busca vetorial com modelos de linguagem de grande porte.
O percurso começa com o envio dos documentos corporativos para o Amazon Simple Storage Service (Amazon S3). Em seguida, o sistema divide e interpreta os arquivos, com tratamento especial para conteúdo multimodal, incluindo tabelas, gráficos e imagens.
Cada trecho é convertido em vetores de alta dimensão pelo Amazon Titan Text Embeddings v2, que capturam o significado semântico do texto. Esses vetores ficam armazenados no Amazon OpenSearch Serverless, formando um banco de dados pesquisável.
No momento da consulta, o pedido do usuário vira um embedding e dispara uma busca por similaridade, que recupera os trechos mais relevantes. Só então esses trechos alimentam o modelo de linguagem, responsável por gerar uma resposta fundamentada no material original.
Segurança e integração com o ambiente corporativo
Para encaixar o sistema em aplicações que já existem, a AWS incluiu uma API REST construída com minimal APIs do.NET 8, o que permite a integração por chamadas HTTP padrão. O processamento sem servidor fica a cargo do AWS Lambda, incluindo funções em contêiner para a geração dos arquivos PowerPoint.
A camada de proteção combina isolamento de rede em Amazon Virtual Private Cloud (Amazon VPC), criptografia com AWS Key Management Service (AWS KMS) e controle de acesso baseado no princípio do menor privilégio com AWS Identity and Access Management (IAM). O desenho também utiliza o Amazon Bedrock Guardrails para manter o conteúdo gerado dentro de limites definidos, o que ajuda a evitar respostas desalinhadas com as fontes corporativas.
Por que isso importa
O caso descrito interessa menos pelo PowerPoint em si e mais pelo padrão de arquitetura que ele revela. Em vez de concentrar recuperação, estruturação, redação, geração de imagens e montagem do arquivo em uma função monolítica, a AWS separa responsabilidades e deixa um supervisor decidir o caminho.
Isso torna o sistema extensível: basta declarar uma nova ferramenta para incorporar uma capacidade adicional.
A promessa central é reduzir o tempo gasto na produção de materiais que hoje dependem de trabalho manual intensivo, mantendo o conteúdo atrelado aos documentos de origem. Para equipes que lidam com relatórios extensos e exigências de conformidade, é justamente esse vínculo com a fonte — e não a velocidade de geração, que costuma determinar se uma ferramenta de IA generativa pode ou não entrar no fluxo de trabalho.
