Asistente hipotecario multi‑agente: cómo LendingTree lo construyó sobre Amazon Bedrock

Por qué un asistente hipotecario necesita más que un chatbot

Comprar una casa implica decisiones complejas: elegir entre compra o refinanciamiento, plazos a 15 o 30 años, tasas fijas o ajustables, y entender términos como puntos de descuento, comisiones de originación o la relación deuda‑ingreso. LendingTree, con más de 25 años ayudando a conectar consumidores con prestamistas, dio el siguiente paso: un asistente impulsado por IA que no solo responde preguntas básicas, sino que orienta, educa y conecta al usuario con ofertas reales.

Para LendingTree, los requisitos no eran opcionales: información precisa, orientación transparente y protección rigurosa de datos personales. En un sector regulado como el hipotecario, el filtrado de contenido, la redacción de información personal identificable (PII) y la supervisión de cumplimiento son indispensables. Ese conjunto de exigencias empujó a la compañía a construir una arquitectura multi‑agente sobre Amazon Bedrock, aprovechando sus modelos base y sus guardrails integrados.

Arquitectura general: tres agentes coordinados

La solución se apoya en tres agentes independientes: un Supervisor y dos trabajadores especializados —Educación y Matching— que se coordinan usando LangGraph y el Model Context Protocol (MCP). Todos los servicios corren en contenedores sobre Amazon ECS con AWS Fargate. Esta combinación permitió a LendingTree balancear flexibilidad de modelos con los controles de gobernanza que exige su equipo de cumplimiento.

Principales componentes:

• Interfaz de usuario: una aplicación React en contenedores sobre Amazon ECS con Fargate, accesible desde navegadores web y móviles.
• Amazon Bedrock Guardrails: filtran contenido (por ejemplo, detección de odio y profanidad), redactan PII y revisan amenazas en prompts entrantes.
• Clasificador de seguridad adicional: un LLM que aplica la política conversacional de LendingTree en paralelo con los guardrails, sin añadir latencia perceptible.
• Capa de lógica de negocio: reglas operacionales que, por ejemplo, enrutan casos complejos a soporte humano o desvían conversaciones fuera de tópico.

El Supervisor: cerebro y trazabilidad

El Supervisor actúa como orquestador y fue implementado con LangGraph como una máquina de estados que sigue un patrón plan‑y‑ejecución. Funciona como un equipo bien organizado: entiende el panorama, decide qué se debe hacer y delega tareas a los trabajadores especializados.

Su diseño se basa en un grafo de nodos y aristas: los nodos ejecutan trabajo (análisis de intención, planificación de ejecución, composición de respuesta) y las aristas determinan la siguiente acción según el resultado (enrutar a Educación, a Matching, o responder directamente). Esto hace que cada flujo sea explícito, auditable y trazable, lo cual es fundamental cuando se requiere supervisión y seguimiento en entornos regulados.

Para el análisis de intención y razonamiento complejo, el Supervisor utiliza Amazon Nova Pro; para respuestas conversacionales y clasificaciones ligeras, selecciona Amazon Nova Lite. Así se obtiene un balance entre capacidad de razonamiento, fiabilidad y control de costos.

Education worker: educar antes de recomendar

El trabajador de Educación tiene como objetivo explicar conceptos hipotecarios y diferencias entre productos en conversaciones interactivas y comprensibles. Corre su propio flujo de trabajo en LangGraph y utiliza Knowledge Bases administradas por Amazon Bedrock, la capacidad de retrieval augmented generation (RAG). Estas bases están respaldadas por Amazon OpenSearch Service como almacén vectorial, lo que garantiza que las respuestas estén aterrizadas en documentos reales en lugar de depender exclusivamente del conocimiento implícito del modelo.

Esto es clave para la confianza: cuando un usuario pregunta sobre lo que significa una determinada cláusula o cómo se comparan dos tipos de préstamo, las explicaciones se apoyan en fuentes concretas y rastreables.

Matching worker: conectar al usuario con ofertas reales

El trabajador de Matching se encarga de recolectar las preferencias del usuario y consultar las APIs internas de LendingTree para ofertas, elegibilidad y tasas. Interpreta criterios de calificación y ayuda al usuario a comparar opciones lado a lado según su situación real. En otras palabras, transforma una conversación en opciones financieras accionables y personalizadas.

Seguridad, cumplimiento y privacidad por diseño

LendingTree diseñó el flujo para que las verificaciones de seguridad se ejecuten en paralelo y no añadan latencia perceptible al usuario. Amazon Bedrock Guardrails realiza filtrado y redacción de PII, mientras que el clasificador de seguridad basado en un LLM aplica políticas conversacionales adicionales. La capa de negocio puede decidir cuándo escalar a un operador humano o restringir el acceso a información sensible.

Además, el Supervisor mantiene separación entre planificación y ejecución, lo que facilita la trazabilidad: si una interacción falla o genera un resultado inesperado, el equipo puede identificar exactamente qué nodo o decisión causó el problema.

Operaciones y despliegue

LendingTree eligió desplegar en Amazon ECS en lugar de la plataforma AgentCore porque la solución ya estaba en producción cuando AgentCore alcanzó disponibilidad general. AgentCore es una plataforma orientada a construir, conectar y optimizar agentes a escala, pero la decisión se basó en tiempos y en la infraestructura ya operativa.

La arquitectura utiliza conexión por pool sobre MCP para llamadas de baja latencia entre Supervisor y trabajadores, y aplica una selección automática de modelos según la complejidad de la tarea.

¿Qué significa esto para América Latina?

Aunque este proyecto fue implementado por LendingTree en EE. UU., el enfoque y las lecciones son relevantes para bancos, fintechs y reguladores en América Latina:

• La combinación de guardrails nativos de la plataforma y una capa de seguridad adicional ayuda a cumplir requisitos regulatorios locales y a proteger datos sensibles del usuario.
• El modelo multi‑agente permite separar funciones (educación vs. transacción), lo que facilita el cumplimiento y la auditoría en mercados con marcos regulatorios estrictos.
• El uso de RAG y fuentes documentales reduce riesgos de respuestas inventadas por modelos, un punto crítico cuando se trata de asesoría financiera.

Las organizaciones latinoamericanas pueden adoptar una arquitectura similar, cuidando la localización de contenidos, la integración con sistemas bancarios locales y el cumplimiento de normativas de protección de datos vigentes en cada país.

Conclusión

LendingTree demuestra que, en servicios financieros, un asistente conversacional eficaz va más allá de resolver preguntas simples: debe educar, conectar con ofertas reales y operar con trazabilidad y control. Su enfoque multi‑agente sobre Amazon Bedrock, con LangGraph y una estrategia de modelos escalables, ofrece un ejemplo práctico de cómo diseñar asistentes que cumplen con altos estándares de seguridad y cumplimiento. Para empresas en América Latina que buscan modernizar la experiencia hipotecaria o de crédito, la arquitectura de LendingTree ofrece ideas valiosas sobre la separación de responsabilidades, la verificación documental y la gobernanza necesaria para desplegar IA en producción.