¿Qué son los agentes de IA?

Si eres de los que encuentran la IA fascinante pero nebulosa, te intrigarán los agentes de IA. ¿Conoces esos grandes modelos de lenguaje (LLM) en los que las empresas han invertido miles de millones? Están obteniendo trabajos reales como cerebros detrás de los agentes de IA. ¿Y si los chatbots pudieran entender tus políticas de RR. HH. y mantener conversaciones matizadas con los empleados sobre ellas? ¿Y si un sistema de detección de fraudes pudiera actuar de forma autónoma para acabar con las transacciones fraudulentas en el momento en que se producen? ¿Qué pasaría si pudieras dar a un sistema de IA un objetivo y que hiciera autónomamente lo necesario para alcanzarlo?

Todos estos casos de uso son posibles con los agentes de IA.

Puedes incluso dotar a los agentes de herramientas -algoritmos, entradas sensoriales, fuentes de datos e incluso acceso a otros agentes- para que puedan realizar tareas complejas por sí mismos. Piensa en un robot de un almacén que se desplaza por los pasillos para verificar el stock combinando la información de una serie de sensores, cámaras y escáneres con su software de control y un sistema ERP de gestión de inventarios.

Lo que se denomina «IA agéntica» se está convirtiendo en una oportunidad apasionante para todo tipo de empresas, al hacer que la IA sea fácil de usar y mucho más útil.

¿Qué es la IA?

IA, o inteligencia artificial, hace referencia a los sistemas informáticos entrenados para simular la inteligencia humana. La mayoría de los sistemas de IA están programados para aprender, y algunos pueden mejorar su desempeño basándose en experiencias y nuevos datos, resolver problemas utilizando una amplia gama de entradas y perseguir metas y objetivos de forma metódica. En el avance más reciente, los sistemas de inteligencia artificial generativa (GenAI) pueden tomar decisiones e iniciar acciones de forma autónoma para alcanzar sus objetivos. La GenAI se utiliza en aplicaciones tan variadas como los coches autoconducidos, los motores de recomendación de medios de comunicación y herramientas como DALL-E y Midjourney, que crean imágenes basándose en prompts textuales.

La IA empresarial se refiere al trabajo en curso para aplicar la GenAI y las tecnologías relacionadas a las cargas de trabajo empresariales, con sistemas aumentados con los datos de la empresa. Piensa en atención al cliente, marketing personalizado y asistentes de RR.HH. y finanzas.

¿Qué son los agentes de IA?

Los agentes de IA son entidades de software a los que se pueden asignar tareas, examinar sus entornos, emprender acciones según lo prescrito por sus funciones y ajustarse en función de sus experiencias.

Las personas dan a los agentes de IA objetivos basados en el papel del agente y en las necesidades de la empresa. Con su objetivo en la mano, el agente puede hacer planes, realizar tareas y alcanzar la meta basándose en su entrenamiento, la aplicación en la que está integrado y el entorno más amplio en el que opera. Los agentes aprenden e iteran y pueden asumir roles específicos, conectarse con orígenes de datos y tomar decisiones por su cuenta. Los agentes avanzados tienen trabajos especializados que pueden implicar la ejecución de procesos de varios pasos que requieren juicio, se comunican de un modo que imita las interacciones humanas y a menudo cooperan con otros agentes. La naturaleza modular de los agentes permite flujos de trabajo complejos. La autonomía dada a los agentes está determinada por los humanos que los invocan. Al igual que cuando se contrata a un nuevo asistente, se le puede dar más autonomía a medida que demuestre su competencia.

Los agentes trabajan combinando el procesamiento del lenguaje natural, las capacidades de aprendizaje automático, la capacidad de recopilar datos mediante consultas a otras herramientas y sistemas, y el aprendizaje continuo para responder a preguntas y realizar tareas. Un buen ejemplo es un agente de IA de servicio al cliente. Cuando un cliente pregunta por un pedido: «¿Dónde están mis cosas?», el agente elabora su respuesta consultando el sistema de procesamiento de pedidos, consultando el sistema de rastreo del transportista a través de una API, y recopilando información sobre posibles condiciones meteorológicas u otros factores externos que pudieran retrasar la entrega.

El término IA agéntica se refiere a los sistemas que persiguen activamente metas y objetivos, en lugar de realizar una simple tarea o responder a una consulta. Estos sistemas a menudo pueden iniciar acciones, como que una IA de atención al cliente envíe proactivamente una consulta a un transportista para preguntarle por los retrasos en los envíos.

Una forma de hacer que los agentes sean más útiles es incorporando generación aumentada por recuperación o RAG, una técnica que permite a los grandes modelos de lenguaje utilizar orígenes de datos externos específicos del rol u organización del agente. La RAG permite a los agentes encontrar e incorporar información actualizada y relevante de bases de datos externas, sistemas empresariales como un ERP, o documentos en sus respuestas, haciéndolas más informativas, precisas y relevantes para la audiencia. Por ejemplo, un agente de soporte informático podría tener en cuenta las interacciones anteriores con los clientes antes de decidir cuál es la mejor forma de abordar el problema en cuestión. Podría incluir en su respuesta enlaces a documentación útil o decidir abrir un ticket en nombre del cliente si es necesario escalar el problema.

Conclusiones clave

• Los agentes de IA son planificadores proactivos: trabajan para identificar los pasos necesarios para lograr el objetivo deseado.
• Al igual que con cualquier tecnología de IA, pueden ofrecer beneficios acordes con su entrenamiento y los datos que pueden aprovechar y los límites que los humanos establecen para su funcionamiento.
• Unos objetivos claramente definidos, alcanzables, medibles y cuantificables son esenciales para el éxito del agente de IA.
• Los pasos para implementar un agente son similares a los de cualquier implementación de IA y empiezan por definir claramente los parámetros de la tarea.

Explicación de los agentes de IA

Un agente de IA es una entidad de software que puede percibir su entorno, tomar acciones y aprender de sus experiencias. Piensa en ello como un asistente digital o un robot que puede realizar tareas de forma autónoma en función de la dirección humana. Los agentes de IA tienen características distintivas, sobre todo la capacidad de establecer objetivos, recopilar información y utilizar la lógica para planificar los pasos a seguir para alcanzar sus objetivos. Al estar respaldados por LLM que proporcionan la inteligencia necesaria para comprender la intención de las consultas, no dependen de palabras clave, scripts o semántica preconfigurada. Más bien, pueden recurrir a los datos retenidos de tareas anteriores, combinados con prompts basados en el chat, para idear soluciones de forma dinámica.

Los agentes de IA también aprenden por prueba y error. El aprendizaje de refuerzo es cuando un modelo de IA refina su proceso de toma de decisiones basándose en respuestas positivas, neutras y negativas. Imitan el ingenio humano y pueden utilizar herramientas, como aplicaciones y fuentes de datos empresariales y basadas en la nube, API y otros agentes, para lograr su objetivos. También pueden utilizar sistemas basados en IA y aprendizaje automático (ML) para analizar datos complejos, herramientas de procesamiento del lenguaje natural para procesar entradas, RAG para proporcionar contenidos actualizados y contextualmente adecuados, y servicios en la nube para los recursos informáticos necesarios para realizar su trabajo.

¿Cómo funcionan los agentes de IA?

Los agentes de IA trabajan combinando técnicas y tecnologías, como las que acabamos de anotar, para lograr sus objetivos asignados. Por ejemplo, un agente de recomendación podría utilizar el aprendizaje automático, aprovechando conjuntos de datos masivos para identificar patrones; el procesamiento del lenguaje natural para entender las solicitudes y comunicarse con los usuarios; e interfaces con herramientas empresariales, como un sistema ERP, una base de datos o sensores del Internet de las cosas, o fuentes de datos externas, incluido Internet, para recopilar información.

Los agentes de IA son planificadores. Pueden identificar las tareas y los pasos necesarios para lograr el objetivo asignado. Para nuestro agente de atención al cliente, saber dónde está un envío determinado requiere una serie de acciones. Primero accedería a las bases de datos con información sobre el pedido específico, como el ID de envío, el método de entrega y la fecha que se realizó. A continuación, utilizaría esos datos para consultar la base de datos del transportista mediante una interfaz de servicios web para ofrecer un seguimiento en tiempo real y una fecha de entrega estimada. El agente también podría mirar dónde se encuentra el envío en ese momento y cuánto ha tardado en el pasado en hacer el siguiente tramo de su viaje. Si está en una terminal de carga aérea en Boston y un huracán se está desplazando por la Costa Este, el agente podría deducir que es probable que se produzca un retraso y transmitir esa información al cliente.

Ventajas de los agentes de IA

Los agentes de IA, como cualquier tecnología de IA, pueden ofrecer beneficios proporcionales a su entrenamiento y a los datos de los que disponen. Una característica que separa a los agentes de sus predecesores más estáticos es que pueden reconocer cuándo no tienen suficientes datos para tomar una decisión de alta calidad y tomar medidas para obtener más o mejores datos. La formulación de agentes dentro de las aplicaciones es una versión altamente aplicada de la IA. Por ello, las organizaciones descubrirán que, para tener éxito con los agentes, no se necesitan tanto gurús de la IA como personas que comprendan los procesos empresariales y, posiblemente, expertos en calidad de datos. Estos especialistas pueden definir los objetivos del agente, establecer parámetros y evaluar si se cumplen los objetivos empresariales, recurriendo a TI o al proveedor de software solo si creen que la propia IA funciona mal.

Los beneficios específicos citados por los primeros en adoptar agentes de IA incluyen:

• Disponibilidad 24/7. Los agentes de IA pueden operar continuamente, sin tiempo de inactividad. Y cuando se suministran desde la nube, los agentes pueden operar en cualquier lugar donde se encuentren los clientes, empleados u otros usuarios previstos.
• Precisión. Los agentes de IA pueden minimizar los errores humanos al realizar tareas repetitivas, y la gran cantidad de datos de los que pueden servirse conduce a decisiones más precisas y bien informadas. Por supuesto, eso se basa en que tengan acceso a fuentes de datos precisas, actualizadas y completas. A diferencia de las herramientas de GenAI de primera generación, los agentes pueden reconocer mejor cuándo no tienen suficiente información para tomar una decisión de calidad y buscar más datos según sea necesario.
• Coherencia. Se puede hacer que los agentes de IA sigan procesos y procedimientos prescriptivos, lo que ayuda a garantizar que las tareas se realicen siempre de la misma manera. Los agentes también pueden minimizar las variaciones derivadas de la fatiga humana o de las diferencias en la forma en que varios empleados pueden ejecutar un proceso.
• Ahorro de costos. Aunque los agentes de IA pueden reducir los costos operativos automatizando las tareas repetitivas que antes realizaban los humanos, también pueden descubrir y sugerir formas de optimizar los procesos reduciendo los errores que pueden costar dinero a la empresa.
• Análisis de datos. Los agentes de IA pueden procesar e interpretar conjuntos de datos masivos para actividades de análisis, como la planificación a largo plazo, la detección de fraudes y el mantenimiento predictivo para evitar fallas en los equipos. En los casos en los que el agente no puede analizar datos por cualquier motivo, puede solicitar otras herramientas para realizar el trabajo.
• Eficacia. Los agentes de IA pueden automatizar tareas y procesos, liberando a los empleados humanos para que se centren en actividades más complejas y estratégicas. Y no tienen vacaciones.
• Personalización. Con las campañas de marketing basadas en IA creadas por agentes, las empresas pueden dirigirse eficazmente a segmentos específicos de clientes, lo que a menudo se traduce en mayores tasas de conversión y menores costos de marketing. A nivel macro, la personalización es una tendencia por una razón: a muchos consumidores les gusta que las empresas recuerden y utilicen sus historiales de compra, preferencias e información personal.
• Escalabilidad. Aunque ampliar el uso de agentes de IA puede llevar tiempo, puede ser más fácil y menos costoso que añadir nuevos recursos humanos. Amplía el papel de los agentes a un ritmo deliberado, evaluando la calidad del trabajo con cada nueva tarea que se les asigne. Considera los datos y otros recursos de que dispone un agente y si son suficientes para alcanzar un nuevo objetivo. Y no olvides la capacitación: los empleados deben recibir entrenamiento sobre cómo sacar el máximo partido a los agentes que van a utilizar.

Desafíos de los agentes de IA

Los agentes de IA pueden ser difíciles de desarrollar y poner en producción principalmente porque dependen de modelos complejos, una infraestructura informática potente y grandes cantidades de datos que deben ser curados y mantenerse actualizados. Además, es necesaria la supervisión del talento informático para confirmar que los agentes pueden interactuar eficazmente con los humanos y adaptarse a situaciones inesperadas, y los expertos en negocios y datos tienen que ayudar con la configuración. Asegúrate de tener experiencia en procesamiento de lenguaje natural y aprendizaje automático y observa estos problemas.

• Parcialidad. Si un modelo de IA generativa que informa al agente se entrena con datos sesgados que incluyen lagunas en perspectivas o contenido dañino o prejuicioso, esos sesgos pueden reflejarse en su resultado. Por ejemplo, si una empresa incluye un lenguaje sexista en sus ofertas de empleo, un modelo de agente de RR. HH. podría facilitar la preferencia por los candidatos de un sexo sobre los de otro. Limitando lo que hacen los agentes y la gama de preguntas o tareas de las que se ocuparán, se puede reducir sustancialmente el sesgo, ya que los conjuntos de entrenamiento pueden ajustarse con mayor precisión al uso previsto del agente.
• Adaptabilidad. Aunque los agentes fueron diseñados para aprender y mejorar con el tiempo, pueden encontrarse con dificultades cuando se enfrentan a un entorno que cambia rápidamente o a solicitudes o resultados inesperados. Un culpable común es el sobreajuste, un desafío común de entrenamiento de IA en el que los modelos se adaptan demasiado a los datos en los que fueron entrenados, lo que dificulta la incorporación de nuevos datos. Por lo tanto, los agentes están limitados en su alcance. El concepto de que nunca es buena idea pedirle a un neurocirujano que haga de fontanero se aplica también a los agentes.
• Complejidad. Aunque los agentes de IA que se centran en tareas específicas y bastante repetitivas pueden ser relativamente sencillos de utilizar, a medida que las tareas asignadas se vuelven más sofisticadas y exigen una amplia gama de funciones, los agentes pueden resultar difíciles de diseñar, implementar y mantener. Como ocurre con cualquier nueva empresa, la mejor forma de adoptar agentes es dando pequeños pasos graduales.
• Dependencia de los datos. Al igual que toda la IA, los agentes necesitan datos de alta calidad para funcionar bien. Los agentes de IA que se integran con otros sistemas, como los de gestión del capital humano o los ERP, tienen ventaja, ya que estos sistemas acumulan intrínsecamente datos de alta calidad, pero puede ser necesario ajustarlos para gestionar las interacciones y el intercambio de datos. Las organizaciones deben asegurarse de que las fuentes de datos a las que recurren los agentes sean precisas, oportunas y estén disponibles.
• Interpretabilidad. Los sistemas de GenAI de primera generación funcionaban como "cajas negras", lo que dificultaba su análisis. Los agentes están diseñados para explicar mejor cómo se toman las decisiones y qué datos se tuvieron en cuenta al tomarlas. Empezar con tareas sencillas y pasar a otras más complicadas solo cuando se dominen las básicas puede ayudar a los profesionales a entender cómo hace su trabajo el agente. Además, cuando los agentes se equivocan, pueden aprender de las correcciones hechas por expertos. Esas interacciones contribuyen a una mejor comprensión de cómo hacen su trabajo.
• Operaciones con uso intensivo de recursos. Al igual que toda la IA, los agentes exigen una potencia computacional y un almacenamiento significativos. Cuando forman parte de aplicaciones suministradas desde la nube, depende del proveedor dotar a los sistemas de los recursos apropiados y ofrecer un rendimiento adecuado. Las aplicaciones locales necesitarán TI para garantizar recursos suficientes.
• Riesgos de seguridad. Para prestar el servicio que necesitan los profesionales de negocio, los agentes deben acceder a información propiedad de la empresa. Además, como los agentes pueden recordar al menos los resultados de las transacciones, es importante ayudar a garantizar que no proporcionen un acceso no deseado a datos confidenciales. Dado que la mayoría se suministrarán dentro de aplicaciones empresariales, corresponde al proveedor de software evitar que filtren datos de propiedad. Aun así, los agentes representan una nueva vía de ataque para malos actores y un nuevo conjunto de habilidades para los equipos de seguridad de las empresas, que necesitan evaluar continuamente si es posible la pérdida de datos.

Componentes de los agentes de IA

Los agentes de IA dependen de una serie de inputs para realizar su trabajo, y la combinación específica depende del tipo de agente. Un agente de atención al cliente conversará con los clientes, consultará sus historiales de compra y asistencia, y accederá a las bibliotecas de asistencia para responder a sus preguntas. Algunos agentes solo interactuarán con otros agentes. Un agente de consulta de base de datos puede crear consultas SQL para recuperar la información solicitada por otros agentes. Los que funcionan como asistentes virtuales miden el éxito en función de lo bien que realizan las tareas, a menudo basándose en comentarios de los humanos. Todos requieren una combinación única de componentes.

• Acción. Los actuadores o interfaces permiten a los agentes interactuar con su entorno. Las acciones pueden ser físicas, como girar una perilla, pilotar un vehículo autoconducido o controlar un brazo robótico; cognitivas, como decidir entre varias opciones para una apuesta o crear una lista de posibles formas de lograr un jaque mate; o comunicativas, como redactar un correo electrónico, transcribir audio o hacer y responder preguntas.
• Objetivos/utilidad. Los objetivos y la utilidad están relacionados. Los objetivos definen el resultado deseado para el agente, como por ejemplo que un asistente de RRHH elabore con éxito una descripción de un puesto de trabajo con los aportes de un reclutador y un gerente de contratación. La utilidad mide qué tan bien el agente logra sus objetivos y puede estar representado por un valor numérico. Un agente de juego medirá la utilidad por los partidos ganados, mientras que la utilidad de un vehículo autónomo se basa en gran medida en su historial de seguridad y las puntuaciones de los pilotos.
• Aprendizaje. Los agentes de IA pueden mejorar sus resultados incorporando lecciones de las tareas realizadas. El aprendizaje de un LLM se detiene cuando termina su entrenamiento, pero observando qué combinaciones de datos propios y preguntas producen los mejores resultados, un agente puede mejorar en las tareas con el tiempo. Los agentes también pueden adquirir nuevos conocimientos a partir de un entrenamiento adicional, ya sea supervisado, no supervisado o de aprendizaje por refuerzo. El reclutador puede calificar al agente en la descripción del trabajo que produjo, agregando a su puntuación de utilidad; el agente luego utiliza dichos datos para guiar la escritura futura.
• Memoria. Se refiere a la capacidad del agente para almacenar información de experiencias pasadas, recuperarla y utilizarla para tomar decisiones más informadas y adaptarse a nuevas circunstancias. La memoria es esencial para que los agentes de IA mejoren su desempeño a lo largo del tiempo.
• Percepción. Los agentes de IA pueden utilizar sensores u otros mecanismos para recopilar y percibir información de sus entornos. Piensa en una cámara para reconocer objetos y detectar patrones o en un micrófono para capturar y procesar consultas habladas. Los agentes también pueden utilizar sensores para ayudar a manipular objetos o navegar por sus propias posiciones en el mundo físico.
• Razonamiento. La toma de decisiones lógica basada en datos, reglas, probabilidades y patrones aprendidos es fundamental para un agente de IA. El razonamiento es lo que permite a un agente identificar múltiples opciones diferentes y decidir el curso de acción óptimo basándose en la información disponible y en los criterios de resultado.

Tipos de agentes de IA

1. Agentes reactivos simples. Estos agentes operan basándose en un conjunto de reglas de condición/acción y reaccionan a las entradas sin tener en cuenta el contexto más amplio o la historia. Un ejemplo es un chatbot básico programado para responder a palabras clave o frases predefinidas, pero incapaz de entender el contexto o entablar una conversación amplia.
2. Agentes reactivos basados en modelos. Estos agentes tienen modelos internos del entorno relevantes para sus funciones, lo que les permite considerar la situación actual y los efectos de diversas acciones antes de decidir qué hacer. Los coches autónomos son un buen ejemplo. Su "mundo" es el camino inmediato a su alrededor. Necesitan rastrear los movimientos de las cosas dentro de su mundo y tomar decisiones sobre qué tan rápido pueden viajar y si necesitan frenar o tomar acciones evasivas cuando los objetos se mueven hacia ellos.
3. Agentes basados en objetivos. Estos agentes se basan en las capacidades de los agentes reflejos al considerar objetivos a largo plazo y planificar sus acciones en consecuencia. Tienen un proceso de toma de decisiones más sofisticado que los agentes reflejos. Por ejemplo, un agente de ajedrez o de go necesita mirar varias jugadas por delante y tener una estrategia para ganar, que puede incluir hacer sacrificios a corto plazo.
4. Agentes basados en la utilidad. Estos agentes toman decisiones basadas en la maximización de la utilidad deseada, es decir, la medida del éxito del agente de IA en la consecución de sus objetivos a lo largo del tiempo. Esto significa que eligen las acciones de forma más estratégica, seleccionando las que tienen más probabilidades de conducir a resultados positivos o minimizar los negativos a largo plazo. Pretenden maximizar la satisfacción o los beneficios incluso cuando se enfrentan a objetivos contrapuestos, alcanzando un equilibrio. Mientras que un agente basado en objetivos podría tratar de ganar un juego, un agente basado en utilidades tratará de optimizar continuamente un objetivo continuo, como minimizar el uso de energía o maximizar las ventas de un producto de alto margen.
5. Agentes de aprendizaje. Estos agentes perfeccionan su desempeño con el tiempo, ingiriendo nuevos datos y refinando las respuestas en función de las interacciones con los usuarios. Los motores de recomendación son agentes de aprendizaje. La precisión mejora con el tiempo, tanto si el agente sugiere películas y programas de TV, como música o artículos que el consumidor desee comprar.

Casos de uso de agentes de IA

Los casos ideales de uso de agentes de IA suelen tener datos relacionados y otros sistemas, como un CRM o un ERP, en los que se basan los agentes de IA. También están orientados a las tareas: piensa en responder a una pregunta de un cliente o en llevar a un pasajero del punto A al punto B. Busca trabajos que aprovechen la capacidad de los agentes para mejorar su rendimiento con el tiempo y para tomar decisiones basadas en su comprensión del entorno y de los objetivos asignados.

Los casos de uso populares actuales incluyen

• Vehículos autónomos. Los coches autónomos navegan y toman decisiones basándose en su entorno.
• Recomendaciones de contenidos. Las sugerencias personalizadas en plataformas como Netflix o YouTube pueden aumentar la adherencia de estos productos.
• Atención al cliente. Los chatbots automatizados para responder a las consultas de los clientes, que pueden ir más allá de las respuestas preformateadas, son clave para la satisfacción del cliente.
• Finanzas. Los agentes utilizados por las empresas de servicios financieros incluyen sistemas de negociación automatizados y detección de fraudes.
• Juegos. Un ejemplo son los agentes que actúan como NPC o personajes no jugadores, con un comportamiento adaptativo que puede ayudar a los desarrolladores de videojuegos a centrarse más en las tramas principales.
• Atención sanitaria. Los agentes de IA que ayudan a diagnosticar afecciones médicas o a gestionar la atención al paciente se entrenan con historias clínicas e imágenes médicas (normalmente anonimizadas) que les enseñan a identificar patrones para que puedan predecir resultados y factores de riesgo y sugerir cursos de acción.
• Asistentes personales. Los asistentes virtuales, como Siri o Google Assistant, son ejemplos de agentes que aprenden a través de las interacciones con los clientes.
• Sector minorista. Las opciones en el comercio minorista son casi infinitas. Por ejemplo, Neostar ofrece una plataforma para comprar, vender y dar servicio a automóviles usados. Utiliza un agente para potenciar los comunicados individualizados con los clientes, con listas de productos recomendados para destacar las sugerencias de vehículos en los mensajes de correo electrónico que vuelven a atraer a los clientes y los llevan de vuelta al sitio web de Neostar.
• Robótica. Los robots dirigidos por IA pueden ser controlados por agentes que perciben su entorno, toman decisiones y emprenden acciones. Los robots utilizados en las cadenas de fabricación y montaje, por ejemplo, confían en agentes de IA para realizar tareas que incluyen el retiro, el embalaje y el control de calidad.
• Hogares inteligentes. Gestionar los sistemas domóticos y responder a preguntas verbales son trabajos populares para los agentes, como lo son las cámaras de seguridad, los timbres y las alarmas que utilizan IA para detectar y responder a posibles amenazas.
• Gestión de cadena de suministro. La optimización de la logística puede incluir el uso de agentes que analicen los datos de inventario para identificar los artículos de baja rotación, detectar cambios en los patrones de demanda y ajustar los niveles de inventario según corresponda, lo que puede reducir los costos de mantenimiento.

6 mejores prácticas de agentes de IA

Al igual que con cualquier inversión en tecnología, deseas que tus agentes de IA ofrezcan de forma rentable la funcionalidad deseada ahora y en el futuro. En caso de agentes integrados en aplicaciones, las mejores prácticas son similares a las que utilizarías para un nuevo empleado, como supervisar cuidadosamente los primeros resultados y aumentar la complejidad del trabajo a medida que el empleado domina cada tarea asignada.

Para las empresas que deseen crear sus propios agentes adaptados a necesidades únicas, el proceso es más complicado. Considera estos seis requisitos y las posibles mejores prácticas para abordarlos.

1. Establecer objetivos claros. Los objetivos claramente definidos, alcanzables, mensurables y cuantificados son esenciales para los agentes de IA. Al igual que con un empleado humano, si el agente no entiende las expectativas, es poco probable que las cumpla. Las claves del éxito incluyen mantener los objetivos bien definidos y específicos. Evita las metas vagas o ambiguas y, en su lugar, busca objetivos que sean alcanzables dadas las capacidades y recursos del agente de IA. Define KPI para medir el éxito y utiliza esos datos para mejorar el modelo.
2. Aprendizaje continuo. Afinar continuamente un LLM en el corazón de un agente no es práctico, pero sí lo es refinar los datos que utiliza para tomar decisiones y completar tareas. En el caso de agentes integrados en aplicaciones, corresponderá al vendedor decidir cuándo es el momento de perfeccionar el entrenamiento de los LLM que alimentan sus sistemas. También dependerá del vendedor perfeccionar la forma en que se almacenan y recuerdan las interacciones con el agente para facilitarle la memoria de trabajos anteriores.
   
   En los agentes a medida, el perfeccionamiento de las técnicas de memoria y de los datos y otras entradas suministradas puede ocurrir con más frecuencia que el ajuste fino de los propios LLM. Para los que crean sus propios agentes, estos procesos tendrán que ser elaborados antes de que el agente esté listo para su uso y probablemente ajustados para optimizar el funcionamiento del mismo.
3. Documentación. Una documentación exhaustiva es esencial para comprender, mantener y mejorar los agentes de IA. Hay tres tipos principales de documentación a considerar.
   • Documentos técnicos pueden incluir diagramas de los componentes del agente de IA, el flujo de datos y los procesos de toma de decisiones, junto con registros de cualquier código nuevo necesario para la funcionalidad del agente de IA; los algoritmos y modelos utilizados; y los datos utilizados para operar el agente de IA, incluidas las fuentes. ¿Cómo solicitarán los usuarios cambios y proporcionarán comentarios?
   • La documentación operativa incluye manuales para los usuarios sobre cómo interactuar con el agente de IA; directrices para que los trabajadores de TI mantengan el agente de IA, incluida la resolución de problemas; e instrucciones para integrar los agentes con las fuentes de datos que necesitan para operar.
   • Los registros legales y de cumplimiento deben incluir una evaluación del impacto potencial del agente de IA en la privacidad de empleados y clientes, y documentación del cumplimiento de las leyes y reglamentos pertinentes.
   Además, realiza un seguimiento y comparte los KPI que estás utilizando para medir el rendimiento del agente de IA y grafica los resultados a lo largo del tiempo.
4. Supervisión humana. Al igual que un nuevo empleado, los agentes necesitarán tiempo para conocer tu organización y sus prácticas. También querrás ir despacio a la hora de asignar tareas a los agentes y supervisar los resultados. Realiza una supervisión exhaustiva hasta que los miembros del equipo confíen en que el agente puede trabajar de forma autónoma. Asigna funciones de supervisión a personas o equipos, que actúen bajo una estructura de gobierno, y asegúrate de que tu sistema humano en el bucle permite la intervención y de que el agente incorpora y prioriza los comentarios humanos. Establece directrices de responsabilidad que definan quién es responsable de las acciones del agente.
5. Pruebas sólidas. Investiga a fondo al agente en diversos escenarios, y céntrate en las pruebas de validación para medir el desempeño con respecto a puntos de referencia o resultados de procesos del mundo real. La mejor práctica es probar todos los componentes del agente individualmente y luego observar cómo interactúan, en la medida de lo posible. Asegúrate también de que el agente está extrayendo datos de sistemas externos relevantes, como un ERP o una base de datos, sin cuellos de botella. Por último, realiza pruebas de UX con usuarios reales del sistema.
6. Medidas de seguridad. Proteger al agente de accesos y ataques no autorizados, encriptando y, cuando sea apropiado, anonimizando los datos utilizados por el agente. También es fundamental contar con controles de acceso sólidos. La seguridad de tu red e infraestructura, la codificación segura, el monitoreo y respuesta a incidentes y las prácticas de auditoría deben extenderse a tus sistemas de IA.

Implementación de agentes de IA

Los pasos para implementar un agente son similares a los de cualquier implementación de IA. En primer lugar, definirás la tarea: qué quieres que haga el agente, siendo lo más específico posible con metas y objetivos. A continuación, identifica el proceso funcional que seguirá el agente, los datos a los que necesitará acceder, los expertos pertinentes, las herramientas y otros agentes a los que puede acceder como parte de su trabajo.

Las mejores prácticas incluyen asignar un pequeño grupo de prueba beta, supervisar de cerca el uso y los resultados, ajustar el agente en función de los resultados y aumentar la autonomía en función del éxito demostrado. Cuando corresponda, modelar el proceso de aprovisionamiento de un nuevo empleado. Consideremos la posibilidad de que un agente de previsión de demanda se ponga en línea para ayudar a un minorista a planificar la temporada de regreso a clases.

1. Ten una descripción del trabajo definida. Se espera que el agente de IA pronostique la demanda de productos, como mochilas, cuadernos y ropa infantil.
2. Decide qué datos son necesarios. Depura los orígenes de datos para preparar al agente para el éxito. Nuestro pronosticador de demandas necesitará, como mínimo, cifras de ventas pasadas de los productos pronosticados; información sobre las tendencias actuales del mercado e indicadores económicos; datos demográficos, preferencias e historiales de compra de los clientes. Agregar datos sobre patrones estacionales que pueden afectar a la demanda, como temperaturas superiores a las normales esperadas, y detalles históricos sobre promociones, descuentos y actividades de marketing exitosas ayudará a aumentar la precisión.
3. Introduce ayudantes. Integrar el agente de IA con otros sistemas, como la gestión de inventarios, tu ERP y las herramientas de planificación de la cadena de suministro, ayudará a mejorar su eficacia. También querrás identificar a expertos humanos en las líneas de productos relevantes que puedan aportar información valiosa y ayudar al agente de IA a hacer predicciones más precisas.
4. Proporcionar comentarios. La evaluación y el ajuste regulares son una inversión de tiempo inicial que a menudo demuestra que vale la pena. Recoge las opiniones de los clientes y de tus expertos para identificar las áreas de mejora, y trabaja con el proveedor de software para realizar los ajustes necesarios.

Una nota: debes disponer de recursos informáticos suficientes para ejecutar el agente de IA: un desempeño lento acabará con el entusiasmo antes de que el proyecto despegue.

Ejemplos de agentes de IA

Estos son solo algunos de los agentes de IA actualmente disponibles. Las organizaciones deben analizar sus puntos débiles: ¿qué funciones tienen problemas para cubrir? ¿Cuáles son algunas oportunidades que has identificado pero que carecen de los recursos para probar tu hipótesis? ¿Existe una queja persistente de un empleado o cliente que pueda abordarse mediante la IA? Habla también con tus proveedores de aplicaciones empresariales y en la nube para ver qué agentes están incorporando a sus productos y servicios. Esos planes de desarrollo pueden estimular ideas.

Algunos ejemplos de agentes de IA son:

• Los agentes conversacionales interactúan con el mundo exterior. En el caso de las aplicaciones empresariales, las interacciones suelen ser con humanos, pero podrían ser con otro programa informático. En entornos industriales, por ejemplo, los agentes conversacionales pueden interactuar con equipos de fabricación o dispositivos del Internet de las cosas.
• Los agentes funcionales, también llamados agentes usuario-proxy, están asociados a una persona o rol organizativo en particular. Utilizando un ejemplo del mundo real, puedes encontrarte con varios «agentes funcionales» cuando acudas a tu reconocimiento médico anual: el agente de recepción te registra y el agente de enfermería te toma las constantes vitales básicas, como el peso y la tensión arterial. Por último, ves al médico, que realiza un examen más detallado, asistido por un agente que resume la visita y genera la documentación necesaria. Cada uno de estos agentes realiza subtareas específicas con conocimientos específicos utilizando herramientas diferentes, y todos se comunican entre sí según sea necesario para realizar una tarea.
  
  Entre los ejemplos de agentes funcionales se incluyen:
  • Agente de gerente de contratación. Realiza tareas que incluyen documentar los requisitos -por ejemplo, las habilidades y la experiencia del candidato- para las decisiones de contratación y revisar las ofertas de empleo creadas por otros sistemas de GenAI para comprobar su exactitud.
  • Agente de servicio de campo. Proporciona información a los técnicos, automatiza tareas como la programación, ayuda con los diagnósticos y toma otras decisiones para flujos de trabajo de servicio más eficientes.
  • Agente administrativo de cuentas a cobrar. Agiliza el procesamiento de los pagos; toma medidas para mejorar el flujo de caja, como iniciar procedimientos de reclamación; y elabora informes sobre el rendimiento de las cuentas por cobrar.
  • Agente de soporte al cliente. Aumenta las funciones de soporte al cliente proporcionando información relevante a los agentes o clientes de soporte humano.
• Los agentes de supervisión son los líderes de la orquesta. Estos agentes dirigen a otros agentes e impulsan la planificación y el razonamiento necesarios para lograr un objetivo. Un ejemplo es un agente proxy de usuario que toma decisiones sobre si actuar en nombre de un humano o conectarse con una persona para obtener comentarios humanos en el bucle.
• Agentes de utilidad, también llamados agentes basados en tareas, suelen estar asociados a una función específica y son llamados por otros agentes para realizar una tarea, como consultar una base de datos, enviar un correo electrónico, realizar un cálculo o recuperar un documento. Los agentes de utilidad implementados como parte de un flujo de trabajo complejo suelen actuar de forma autónoma debido a su funcionalidad de bajo riesgo. Por ejemplo
  • Agente de codificación. Escribe código para realizar una tarea específica mediante lenguajes como HTML, Java o Python.
  • Agente conversacional. Recibe tareas de personas y comunica los resultados de las tareas de flujo de trabajo de la manera más adecuada para el solicitante de la tarea.
  • Agente generador de copias. Resume un cuerpo de texto o genera texto de ejemplo para utilizarlo como punto de partida para comunicaciones más largas.
  • Agente de consulta de base de datos. Realiza tareas relacionadas con la recuperación de datos, como realizar consultas SQL.
  • Agente RAG. Coordina la recuperación de datos específicos y actualizados necesarios para que un LLM responda correctamente a una petición de datos o realice una tarea.
  • Agente programador. Programa reuniones con las partes interesadas para avanzar en un proyecto.
  • Agente de búsqueda. Determina el tipo ideal de búsqueda, por ejemplo, una búsqueda web o de documentos, y solicita la herramienta adecuada para realizar la tarea.
  • Agente de enriquecimiento de aptitudes. Utiliza documentación para sugerir las habilidades necesarias para completar tareas, como crear una oferta de empleo o ayudar a un empleado con la creación de perfiles.

Aumenta la eficiencia con OCI Generative AI Agents

OCI Generative AI Agents combina la potencia de los LLM y la RAG para que empleados, socios y clientes puedan consultar directamente diversas bases de conocimiento enriquecidas con los datos de tu empresa. Crea e incorpora agentes de IA personalizados a aplicaciones y procesos empresariales.

El servicio proporciona a los usuarios información actualizada a través de una interfaz de lenguaje natural y la capacidad de actuar directamente en ella. ¿Buscas probar la tecnología de agente de IA? OCI Generative AI RAG Agent, el primero de una serie de agentes de Oracle AI, está disponible de forma general.

La mayoría de nosotros hemos hecho una pregunta a un chatbot y hemos recibido una respuesta que no ha resuelto el problema. Poner fin a esa frustración es el objetivo final de los agentes de IA inteligentes. Dar a las personas información contextualmente precisa y relevante es bueno para ellas y para tu organización.

Preguntas frecuentes sobre los agentes de IA

¿Es ChatGPT un agente de IA?

Sí, ChatGPT es un agente de IA. Es un LLM que está diseñado para interactuar con los usuarios de una manera conversacional. Como agente, el objetivo de ChatGPT es escribir contenido creativo, generar traducciones y código de calidad humana y responder a las preguntas con precisión. El LLM de ChatGPT también se puede utilizar como base para otros agentes.

¿Cuáles son los tipos de agentes de IA?

Los tipos de agentes de IA incluyen reactivos simples, reactivos basados en modelos, basados en objetivos, basados en utilidades y agentes de aprendizaje.

1. Los agentes reactivos simples funcionan basándose en un conjunto de reglas de condición/acción y reaccionan a las entradas sin tener en cuenta el contexto más amplio.
2. Los agentes reactivos basados en modelos tienen un modelo interno del entorno relevante para su función, lo que les permite considerar la situación actual y los efectos de diversas acciones antes de decidir qué hacer.
3. Los agentes basados en objetivos se basan en las capacidades de los agentes reactivos al considerar objetivos a largo plazo y planificar sus acciones en consecuencia.
4. Los agentes basados en utilidades están asociados a una función específica y son llamados por otros agentes para realizar una tarea, como consultar una base de datos, enviar un correo electrónico, realizar un cálculo o recuperar un documento.
5. Los agentes de aprendizaje perfeccionan su desempeño con el tiempo, ingiriendo nuevos datos y refinando las respuestas en función de las interacciones con los usuarios.

¿Cuáles son los ejemplos reales de agentes en IA?

Los primeros ejemplos reales de agentes de IA son Alexa, Google Assistant y Siri, asistentes virtuales que pueden realizar tareas como programar alarmas, enviar mensajes y buscar información. Para las empresas, Oracle Digital Assistant es una plataforma de IA conversacional que permite crear chatbots y asistentes virtuales para el servicio de atención al cliente y otras aplicaciones: básicamente, un agente de IA que ayuda a las empresas a crear sus propios agentes.