/
Thumbprint Furniture
Virginia, EE. UU.
SaaS B2B, tecnología para mobiliario comercial
Amazon Bedrock (Agentes, Bases de conocimiento), Anthropic Claude Haiku 4.5 a través de Amazon Bedrock, Amazon Titan Text Embeddings v2, Amazon Aurora Serverless v2 (PostgreSQL con pgvector), AWS Lambda, Amazon API Gateway, AWS Fargate, Amazon S3, AWS CloudFormation, Amazon CloudWatch
Thumbprint Furniture es una plataforma SaaS B2B que agiliza la especificación de mobiliario comercial para distribuidores, diseñadores y mayoristas. Su producto principal automatiza la planificación y especificación de espacios, pero los clientes finales no tenían una vía directa para descubrir y comprar muebles de proveedores externos a través del asistente. Avahi entregó un asistente de compra de muebles autónomo y basado en agentes en AWS que acepta consultas en lenguaje natural e imágenes de inspiración opcionales, recupera productos coincidentes de un catálogo multisuministrador seleccionado y devuelve una lista reducida clasificada con enlaces de compra directos. La solución se ejecuta en una arquitectura de AWS completamente sin servidor, construida alrededor de Amazon Bedrock, Anthropic Claude Haiku 4.5 y una base de conocimiento respaldada por pgvector, lo que le da a Thumbprint una experiencia de nivel de consumidor funcional que puede validar con usuarios reales y evolucionar hacia la producción.
Thumbprint Furniture es una startup respaldada por capital riesgo, fundada en 2023, que está construyendo una plataforma basada en la nube que automatiza el diseño y la especificación de mobiliario comercial. Sirve al ecosistema de mobiliario contractual comercial: distribuidores, diseñadores, mayoristas y fabricantes que dependen de herramientas fragmentadas y largos flujos de trabajo manuales para especificar y vender paquetes de muebles. La plataforma de la empresa combina visualización 3D, precios en tiempo real y generación automatizada de listas de materiales para comprimir un proceso que tradicionalmente lleva meses en cuestión de minutos.
Si bien la plataforma central de Thumbprint sobresale en la programación de espacios, la especificación y la documentación para usuarios profesionales, no ofrecía una vía directa para que un cliente final descubriera y comprara muebles de un conjunto aprobado de proveedores externos a través de una conversación natural. Los compradores que describían lo que querían, ya fuera un sofá moderno de mediados de siglo con un presupuesto específico o sillas de comedor del tamaño adecuado para un nicho particular, no tenían forma de traducir esa intención en una lista reducida seleccionada sin salir de la plataforma y volver a los sitios web fragmentados de los proveedores.
Sin una solución, Thumbprint se enfrentaba a dos riesgos relacionados. No podía validar una experiencia de compra de nivel de consumidor sobre su plataforma de especificación, y no podía demostrar una vía de monetización a través de flujos de referencia de proveedores. Construir esa experiencia directamente en la plataforma de producción existente habría conllevado un coste de integración significativo y habría retrasado la validación del cliente. Thumbprint necesitaba una forma de probar el concepto, recopilar señales de usuarios reales y reducir el riesgo de una futura decisión de integración.
Thumbprint eligió AWS como base para el asistente porque le proporcionó al equipo un entorno único y gestionado para la pila completa que requería la carga de trabajo: modelos fundacionales multimodales a través de Amazon Bedrock, una base de conocimiento gestionada con búsqueda vectorial nativa, computación sin servidor y embeddings alojados. La consolidación en AWS eliminó la sobrecarga operativa de unir proveedores de modelos, bases de datos vectoriales y capas de orquestación separadas, lo cual fue crítico dado el ajustado cronograma para el compromiso inicial.
La plataforma de AWS también le dio a Thumbprint margen para escalar. Los mismos primitivos arquitectónicos que impulsaron la construcción inicial (Amazon Bedrock Agents, Amazon Bedrock Knowledge Bases, Amazon Aurora Serverless v2, AWS Lambda y Amazon API Gateway) soportan cargas de trabajo de producción sin un paso de re-plataforma, lo que la convierte en una base duradera para la hoja de ruta más allá del compromiso inicial.
Como socio de nivel Premier de AWS con una práctica centrada en GenAI, Avahi aportó experiencia práctica en los servicios de Amazon Bedrock y sin servidor que requería esta construcción. Thumbprint necesitaba un socio que pudiera diseñar y enviar un sistema funcional y bien arquitectado en semanas en lugar de meses, y que pudiera traducir un ambicioso concepto de compra basada en agentes en decisiones arquitectónicas concretas sin volver a debatir los fundamentos.
Más allá del ajuste técnico, Avahi ofreció una gestión de proyectos estructurada, una cadencia de entrega consistente y acceso a financiación de AWS que aceleró el inicio del compromiso. Thumbprint valoró la capacidad de pasar de una declaración de trabajo firmada a una aplicación en vivo y probable dentro del entorno de AWS con un socio que pudiera evaluar pragmáticamente las compensaciones a medida que avanzaba la entrega.
Avahi diseñó y entregó un asistente de compra de muebles completamente sin servidor y potenciado por GenAI en AWS. La aplicación presenta una interfaz web de pantalla dividida: un panel de chat a la izquierda, donde los usuarios describen lo que buscan en lenguaje natural, y un panel de resultados a la derecha que muestra recomendaciones de productos clasificadas junto con una lista persistente de “Mi selección”. Los usuarios pueden adjuntar una imagen de inspiración, ajustar las preferencias a mitad de la conversación y profundizar en cualquier recomendación con un enlace directo a la página del producto del proveedor.
En el centro de la solución se encuentra un Agente de Amazon Bedrock que se ejecuta en Anthropic Claude Haiku 4.5, que maneja la entrada multimodal, el contexto de múltiples turnos, la lógica de clarificación y la orquestación. Cuando el usuario envía una consulta, una ligera función Lambda de proxy de chat valida la solicitud, inyecta el contenido actual del carrito en el estado de la sesión de Bedrock, reenvía cualquier imagen de inspiración como contenido de bytes en línea y pasa el control al agente. El agente mantiene una comprensión continua de las preferencias del usuario (estilo, presupuesto, habitación, restricciones de tamaño) a lo largo de la conversación y muestra un breve resumen de la sesión cuando esas preferencias cambian.
La recuperación y la clasificación son gestionadas por una única función Lambda registrada como grupo de acciones de Bedrock. Ejecuta un pipeline determinista en cada invocación. Un enriquecedor de consultas fusiona el texto del usuario con etiquetas de estilo extraídas de cualquier imagen de inspiración y la memoria de sesión relevante. Un analizador de intenciones descompone la consulta enriquecida en un filtro de categoría, una entrada de búsqueda semántica, una restricción de presupuesto y restricciones de dimensiones. Luego, una búsqueda híbrida se ejecuta contra las Bases de conocimiento de Amazon Bedrock, combinando la similitud vectorial semántica en Amazon Titan Text Embeddings v2 con el filtrado de metadatos duros por categoría. Nos movimos hacia un presupuesto “local” (total por artículo) según la preferencia del cliente y un clasificador ponderado produce la lista final ordenada.
La base de conocimiento está respaldada por Amazon Aurora Serverless v2 con pgvector, elegido deliberadamente sobre otras tiendas de vectores. Aurora Serverless v2 puede pausarse automáticamente a cero unidades de capacidad cuando está inactivo, manteniendo los costes casi nulos entre sesiones, mientras que sigue ofreciendo búsqueda híbrida semántica y de metadatos en el momento de la consulta. Los datos del producto se rellenan mediante un pipeline de ingesta: las tareas de AWS Fargate rastrean los catálogos de proveedores aprobados, extraen datos de productos estructurados, descargan y almacenan en caché imágenes en Amazon S3, y normalizan categorías y precios. Un generador sidecar produce los documentos de embedding y los metadatos que ingieren las Bases de conocimiento de Amazon Bedrock. La capa de ingesta está deliberadamente aislada detrás de un contrato de adaptador, de modo que las integraciones de API de proveedores pueden reemplazar el rastreador en una implementación de producción sin afectar el resto del pipeline.
El frontend es una aplicación de una sola página de JavaScript puro alojada en Amazon S3, que llama a Amazon API Gateway, el cual se encuentra delante de la función Lambda de proxy de chat. La configuración en tiempo de ejecución se externaliza a un archivo de configuración ubicado junto con los activos estáticos, de modo que la misma compilación se implementa en cualquier entorno. La infraestructura se define en AWS CloudFormation a través de dos pilas, implementadas por GitHub Actions utilizando OpenID Connect para asumir un rol de implementación de IAM, eliminando cualquier clave de acceso de AWS de larga duración en el pipeline de CI/CD.
El pipeline de recuperación utiliza un contrato de herramienta generalizado, de modo que se pueden añadir nuevas capacidades, como un filtro de tiempo de entrega, un puntuador de compatibilidad de estilo o un reordenador de elementos vistos anteriormente, sin modificar el orquestador del pipeline ni ninguna herramienta existente. Esa extensibilidad es una elección de diseño deliberada para hacer que la transición de una construcción inicial a un sistema de producción sea aditiva en lugar de disruptiva.
El compromiso entregó un asistente de compra funcional y desplegado en AWS, proporcionando a Thumbprint una demostración práctica de una experiencia de compra basada en agentes que podía presentar a usuarios reales. Las decisiones arquitectónicas de la solución posicionan a Thumbprint para una ruta de baja fricción hacia la producción: la capa de adaptador en el pipeline de ingesta significa que pasar del rastreo a las API de proveedores no requiere cambios posteriores, la pausa automática en Aurora Serverless v2 mantiene los costes inactivos casi nulos entre sesiones, el contrato de herramienta generalizado en el pipeline de recuperación significa que se pueden añadir nuevas señales de clasificación sin interrumpir el comportamiento existente, y el CI/CD a través de GitHub Actions OpenID Connect elimina las credenciales de larga duración de la ruta de implementación.
El cliente aprobó el compromiso con un sentimiento positivo y está activamente planificando una fase de producción de seguimiento.
Thumbprint Furniture
Virginia, EE. UU.
SaaS B2B, tecnología para mobiliario comercial
Amazon Bedrock (Agentes, Bases de conocimiento), Anthropic Claude Haiku 4.5 a través de Amazon Bedrock, Amazon Titan Text Embeddings v2, Amazon Aurora Serverless v2 (PostgreSQL con pgvector), AWS Lambda, Amazon API Gateway, AWS Fargate, Amazon S3, AWS CloudFormation, Amazon CloudWatch
Thumbprint Furniture es una plataforma SaaS B2B que agiliza la especificación de mobiliario comercial para distribuidores, diseñadores y mayoristas. Su producto principal automatiza la planificación y especificación de espacios, pero los clientes finales no tenían una vía directa para descubrir y comprar muebles de proveedores externos a través del asistente. Avahi entregó un asistente de compra de muebles autónomo y basado en agentes en AWS que acepta consultas en lenguaje natural e imágenes de inspiración opcionales, recupera productos coincidentes de un catálogo multisuministrador seleccionado y devuelve una lista reducida clasificada con enlaces de compra directos. La solución se ejecuta en una arquitectura de AWS completamente sin servidor, construida alrededor de Amazon Bedrock, Anthropic Claude Haiku 4.5 y una base de conocimiento respaldada por pgvector, lo que le da a Thumbprint una experiencia de nivel de consumidor funcional que puede validar con usuarios reales y evolucionar hacia la producción.
Thumbprint Furniture es una startup respaldada por capital riesgo, fundada en 2023, que está construyendo una plataforma basada en la nube que automatiza el diseño y la especificación de mobiliario comercial. Sirve al ecosistema de mobiliario contractual comercial: distribuidores, diseñadores, mayoristas y fabricantes que dependen de herramientas fragmentadas y largos flujos de trabajo manuales para especificar y vender paquetes de muebles. La plataforma de la empresa combina visualización 3D, precios en tiempo real y generación automatizada de listas de materiales para comprimir un proceso que tradicionalmente lleva meses en cuestión de minutos.
Si bien la plataforma central de Thumbprint sobresale en la programación de espacios, la especificación y la documentación para usuarios profesionales, no ofrecía una vía directa para que un cliente final descubriera y comprara muebles de un conjunto aprobado de proveedores externos a través de una conversación natural. Los compradores que describían lo que querían, ya fuera un sofá moderno de mediados de siglo con un presupuesto específico o sillas de comedor del tamaño adecuado para un nicho particular, no tenían forma de traducir esa intención en una lista reducida seleccionada sin salir de la plataforma y volver a los sitios web fragmentados de los proveedores.
Sin una solución, Thumbprint se enfrentaba a dos riesgos relacionados. No podía validar una experiencia de compra de nivel de consumidor sobre su plataforma de especificación, y no podía demostrar una vía de monetización a través de flujos de referencia de proveedores. Construir esa experiencia directamente en la plataforma de producción existente habría conllevado un coste de integración significativo y habría retrasado la validación del cliente. Thumbprint necesitaba una forma de probar el concepto, recopilar señales de usuarios reales y reducir el riesgo de una futura decisión de integración.
Thumbprint eligió AWS como base para el asistente porque le proporcionó al equipo un entorno único y gestionado para la pila completa que requería la carga de trabajo: modelos fundacionales multimodales a través de Amazon Bedrock, una base de conocimiento gestionada con búsqueda vectorial nativa, computación sin servidor y embeddings alojados. La consolidación en AWS eliminó la sobrecarga operativa de unir proveedores de modelos, bases de datos vectoriales y capas de orquestación separadas, lo cual fue crítico dado el ajustado cronograma para el compromiso inicial.
La plataforma de AWS también le dio a Thumbprint margen para escalar. Los mismos primitivos arquitectónicos que impulsaron la construcción inicial (Amazon Bedrock Agents, Amazon Bedrock Knowledge Bases, Amazon Aurora Serverless v2, AWS Lambda y Amazon API Gateway) soportan cargas de trabajo de producción sin un paso de re-plataforma, lo que la convierte en una base duradera para la hoja de ruta más allá del compromiso inicial.
Como socio de nivel Premier de AWS con una práctica centrada en GenAI, Avahi aportó experiencia práctica en los servicios de Amazon Bedrock y sin servidor que requería esta construcción. Thumbprint necesitaba un socio que pudiera diseñar y enviar un sistema funcional y bien arquitectado en semanas en lugar de meses, y que pudiera traducir un ambicioso concepto de compra basada en agentes en decisiones arquitectónicas concretas sin volver a debatir los fundamentos.
Más allá del ajuste técnico, Avahi ofreció una gestión de proyectos estructurada, una cadencia de entrega consistente y acceso a financiación de AWS que aceleró el inicio del compromiso. Thumbprint valoró la capacidad de pasar de una declaración de trabajo firmada a una aplicación en vivo y probable dentro del entorno de AWS con un socio que pudiera evaluar pragmáticamente las compensaciones a medida que avanzaba la entrega.
Avahi diseñó y entregó un asistente de compra de muebles completamente sin servidor y potenciado por GenAI en AWS. La aplicación presenta una interfaz web de pantalla dividida: un panel de chat a la izquierda, donde los usuarios describen lo que buscan en lenguaje natural, y un panel de resultados a la derecha que muestra recomendaciones de productos clasificadas junto con una lista persistente de “Mi selección”. Los usuarios pueden adjuntar una imagen de inspiración, ajustar las preferencias a mitad de la conversación y profundizar en cualquier recomendación con un enlace directo a la página del producto del proveedor.
En el centro de la solución se encuentra un Agente de Amazon Bedrock que se ejecuta en Anthropic Claude Haiku 4.5, que maneja la entrada multimodal, el contexto de múltiples turnos, la lógica de clarificación y la orquestación. Cuando el usuario envía una consulta, una ligera función Lambda de proxy de chat valida la solicitud, inyecta el contenido actual del carrito en el estado de la sesión de Bedrock, reenvía cualquier imagen de inspiración como contenido de bytes en línea y pasa el control al agente. El agente mantiene una comprensión continua de las preferencias del usuario (estilo, presupuesto, habitación, restricciones de tamaño) a lo largo de la conversación y muestra un breve resumen de la sesión cuando esas preferencias cambian.
La recuperación y la clasificación son gestionadas por una única función Lambda registrada como grupo de acciones de Bedrock. Ejecuta un pipeline determinista en cada invocación. Un enriquecedor de consultas fusiona el texto del usuario con etiquetas de estilo extraídas de cualquier imagen de inspiración y la memoria de sesión relevante. Un analizador de intenciones descompone la consulta enriquecida en un filtro de categoría, una entrada de búsqueda semántica, una restricción de presupuesto y restricciones de dimensiones. Luego, una búsqueda híbrida se ejecuta contra las Bases de conocimiento de Amazon Bedrock, combinando la similitud vectorial semántica en Amazon Titan Text Embeddings v2 con el filtrado de metadatos duros por categoría. Nos movimos hacia un presupuesto “local” (total por artículo) según la preferencia del cliente y un clasificador ponderado produce la lista final ordenada.
La base de conocimiento está respaldada por Amazon Aurora Serverless v2 con pgvector, elegido deliberadamente sobre otras tiendas de vectores. Aurora Serverless v2 puede pausarse automáticamente a cero unidades de capacidad cuando está inactivo, manteniendo los costes casi nulos entre sesiones, mientras que sigue ofreciendo búsqueda híbrida semántica y de metadatos en el momento de la consulta. Los datos del producto se rellenan mediante un pipeline de ingesta: las tareas de AWS Fargate rastrean los catálogos de proveedores aprobados, extraen datos de productos estructurados, descargan y almacenan en caché imágenes en Amazon S3, y normalizan categorías y precios. Un generador sidecar produce los documentos de embedding y los metadatos que ingieren las Bases de conocimiento de Amazon Bedrock. La capa de ingesta está deliberadamente aislada detrás de un contrato de adaptador, de modo que las integraciones de API de proveedores pueden reemplazar el rastreador en una implementación de producción sin afectar el resto del pipeline.
El frontend es una aplicación de una sola página de JavaScript puro alojada en Amazon S3, que llama a Amazon API Gateway, el cual se encuentra delante de la función Lambda de proxy de chat. La configuración en tiempo de ejecución se externaliza a un archivo de configuración ubicado junto con los activos estáticos, de modo que la misma compilación se implementa en cualquier entorno. La infraestructura se define en AWS CloudFormation a través de dos pilas, implementadas por GitHub Actions utilizando OpenID Connect para asumir un rol de implementación de IAM, eliminando cualquier clave de acceso de AWS de larga duración en el pipeline de CI/CD.
El pipeline de recuperación utiliza un contrato de herramienta generalizado, de modo que se pueden añadir nuevas capacidades, como un filtro de tiempo de entrega, un puntuador de compatibilidad de estilo o un reordenador de elementos vistos anteriormente, sin modificar el orquestador del pipeline ni ninguna herramienta existente. Esa extensibilidad es una elección de diseño deliberada para hacer que la transición de una construcción inicial a un sistema de producción sea aditiva en lugar de disruptiva.
El compromiso entregó un asistente de compra funcional y desplegado en AWS, proporcionando a Thumbprint una demostración práctica de una experiencia de compra basada en agentes que podía presentar a usuarios reales. Las decisiones arquitectónicas de la solución posicionan a Thumbprint para una ruta de baja fricción hacia la producción: la capa de adaptador en el pipeline de ingesta significa que pasar del rastreo a las API de proveedores no requiere cambios posteriores, la pausa automática en Aurora Serverless v2 mantiene los costes inactivos casi nulos entre sesiones, el contrato de herramienta generalizado en el pipeline de recuperación significa que se pueden añadir nuevas señales de clasificación sin interrumpir el comportamiento existente, y el CI/CD a través de GitHub Actions OpenID Connect elimina las credenciales de larga duración de la ruta de implementación.
El cliente aprobó el compromiso con un sentimiento positivo y está activamente planificando una fase de producción de seguimiento.
Exploremos juntos sus oportunidades de IA de alto impacto en una sesión gratuita
