AWS e Salesforce unem Agentforce e Bedrock para processar evidências do setor público

Do armazenamento à inteligência: o salto do setor público

Agências do setor público processam grandes volumes de evidências não estruturadas — imagens de câmeras corporais, vídeos de vigilância e documentos escaneados — que precisam ser analisadas antes que alguém possa agir sobre elas. Um artigo do AWS Machine Learning Blog mostra como combinar Amazon Bedrock Data Automation com o Model Context Protocol (MCP) para transformar esses dados brutos em insights estruturados, expostos por meio de consultas em linguagem natural em um agente de IA como o Salesforce Agentforce.

O trabalho é a continuação de um post anterior sobre armazenamento de evidências no Amazon S3. O armazenamento, porém, era só metade do desafio: sem automação, revisar, classificar e extrair detalhes relevantes desses arquivos consome um tempo enorme de trabalho manual.

Como a arquitetura funciona

Dois fluxos trabalham juntos. O primeiro move arquivos de mídia e documentos para o Amazon S3 usando o conector de armazenamento externo do Agentforce Public Sector. O segundo, orientado a eventos, processa os dados de forma assíncrona:

• Quando um arquivo chega ao S3, uma notificação invoca uma função AWS Lambda;
• A Lambda gera um ID de documento, guarda metadados no Amazon DynamoDB e inicia um job do Bedrock Data Automation;
• O Data Automation extrai insights conforme o tipo de mídia — para documentos, texto e campos-chave; para imagens, descrições e detecção de objetos; para vídeo e áudio, transcrições e resumos por cena;
• Ao concluir, uma regra do EventBridge dispara outra Lambda que salva os resultados em um bucket de saída;
• No lado Salesforce, a conversa do usuário no Agentforce dispara uma ação que chama a AWS via MCP, passando pelo Amazon Bedrock AgentCore Gateway.

O usuário do Salesforce pode fazer upload de arquivos, fazer perguntas e receber insights sem sair do console — sem alternar entre sistemas nem gerenciar recursos da AWS diretamente.

Por que isso importa

O padrão é modular e extensível: cada componente — do pipeline de processamento ao caminho de consulta — opera de forma independente e pode ser adaptado às necessidades de cada agência. É possível adicionar lógica de processamento customizada na Lambda, guardar metadados extras no DynamoDB ou conectar outros frontends de agente via MCP sem tocar no pipeline de dados.

O exemplo de código (AWS CDK) é fornecido para demonstrar o padrão e não está pronto para produção — a recomendação dos autores é revisar e endurecer a solução antes do uso real. Ainda assim, a arquitetura ilustra uma tendência clara para o setor público: usar agentes de IA e MCP para transformar evidências brutas em inteligência acionável, reduzindo drasticamente o tempo de análise manual.