Los agentes están ayudando a optimizar los flujos de trabajo de IA, pero el elemento humano sigue siendo fundamental para el ROI

El panorama de la IA ha experimentado un cambio fundamental. Las organizaciones, que han luchado por extraer el máximo valor de la IA, están siendo más proactivas en sus enfoques y están adoptando agentes. Anteriormente, el modelo dominante de interacción había sido en gran medida reactivo, centrado en la nube y dependiente de que los usuarios activaran los modelos. Sin embargo, a medida que las máquinas se vuelven más inteligentes, han surgido modelos de agentes en los que se requiere menos interacción humana para que los sistemas inteligentes ejecuten tareas complejas de manera proactiva.

Sin embargo, aunque la IA de agentes es un alejamiento de los sistemas de IA tradicionales y de alcance limitado, optimizar la oportunidad es sobre aumentar a los trabajadores, no reemplazarlos.

Los agentes han sido diseñados para entender objetivos de varios pasos; planificar y secuenciar acciones; e interactuar con múltiples recursos para lograr objetivos de manera autónoma. Por ejemplo, un agente de IA que puede aprender sus preferencias, restricciones financieras y prioridades, puede tomar esa información para negociar una compra de manera independiente. Este escenario se está desarrollando ahora, ya que esta capacidad en evolución está cambiando la forma en que pensamos sobre la IA empresarial y de consumo.

Sin embargo, para que sea realmente práctico, seguro y útil, los flujos de trabajo subyacentes de los agentes deben estar informados por inteligencia en tiempo real. Este tipo de información requiere una base de arquitectura de IA híbrida, un ecosistema que distribuye estratégicamente las cargas de trabajo entre dispositivos, borde y nube, todo gestionado por equipos de trabajadores del conocimiento.

Por qué la IA híbrida es una necesidad

La IA de agentes prospera en el contexto, que a menudo implica datos personales o organizacionales sensibles, lo que significa que la nube introduce riesgos de privacidad legítimos. Sin embargo, la IA híbrida mantiene el procesamiento de datos y la toma de decisiones en dispositivos locales de confianza o en entornos seguros. La IA funciona donde reside la información, reduciendo la exposición y alineándose con las regulaciones de soberanía de datos.

Otro requisito importante es la personalización, que está estrechamente relacionada con el problema de la privacidad de los datos. En el ejemplo anterior del agente de compras, las preferencias y restricciones del usuario son fundamentales. También involucran con frecuencia información personal identificable (PII), que debe mantenerse privada, por lo que almacenar y utilizar este contexto localmente salvaguarda la privacidad del usuario.

El éxito de la IA de agentes también requiere una toma de decisiones inmediata, lo que significa que no hay tiempo para que los datos viajen a través de redes. Negociar acuerdos, responder a datos de sensores en tiempo real y gestionar flujos de trabajo dinámicos todos requieren inmediatez. El tiempo de retardo o, peor, las interrupciones pueden tener ramificaciones significativas. La IA híbrida permite cálculos en dispositivo con baja latencia que mantienen las experiencias suaves y en tiempo real.

La IA híbrida también elimina la necesidad de procesamiento constante en la nube, que es intensivo en recursos y costoso. En su lugar, admite la orquestación de cargas de trabajo, utilizando el cómputo local para tareas rutinarias y reservando la nube para extracciones de datos más pesadas o cálculos.

Finalmente, permite la ejecución parcial de tareas, lo que permite que los agentes sigan funcionando incluso en escenarios de desconexión o baja conectividad hasta que se restaure el acceso a la nube. La combinación de inteligencia localizada y el poder de escalabilidad de la nube es lo que hace posible la experiencia de IA de agentes.

Abordar los desafíos de implementación

Incluso antes del surgimiento de la IA de agentes, las organizaciones a menudo luchaban por derivar un ROI claro de sus inversiones en IA. Si bien los agentes no son una solución inmediata, ofrecen un camino convincente hacia adelante cuando se aplican a flujos de trabajo holísticos en lugar de tareas fragmentadas. Los agentes que gestionan operaciones de extremo a extremo entregan retornos más visibles y de mayor impacto.

Sin embargo, un ROI significativo solo es posible si se abordan algunas barreras de adopción clave:

• Predecibilidad y ética son de suma importancia para los agentes de IA, impulsando un crecimiento significativo en la adopción de plataformas y técnicas de gobernanza como IA constitucional. Estas medidas ayudan a garantizar la alineación con los valores humanos y brindan supervisión.
• Reducir la complejidad y aumentar la confiabilidad también son clave para una implementación exitosa, ya que gestionar tareas de varios pasos con agentes es complicado. Sin embargo, con el surgimiento de avances y mejores prácticas en la capacitación de modelos, el rendimiento se está volviendo más consistente. Estos marcos de desarrollo también permiten a los equipos construir sistemas de agentes predecibles y robustos que son más fáciles de implementar.
• Integración segura con herramientas y API es otra consideración crítica, ya que los agentes necesitan acceder a diversas fuentes de datos y aplicaciones. La industria está construyendo protocolos y estándares para interacciones seguras, y las tecnologías de cómputo confidencial están protegiendo aún más los datos sensibles durante la ejecución.

No solo deben ser seguras las herramientas, sino también confiables, ya que la IA de agentes depende de la interacción en tiempo real con software externo. Las capacidades mejoradas de llamadas de funciones en modelos base y marcos de interoperabilidad están simplificando esta integración. Por ejemplo, el Protocolo de Contexto de Modelo (MCP) admite flujos de trabajo seguros y de varios pasos, lo que hace que los agentes sean más capaces y predecibles, y por lo tanto efectivos.

Hacerlo realidad

La IA de agentes brilla donde los objetivos son dinámicos, distribuidos y exigentes en términos de recursos, capaces de escalar más allá de las capacidades de los equipos, pero necesitando su inteligencia para ser más efectivos.

Los agentes autónomos pueden gestionar cadenas de suministro, ayudando a evitar interrupciones logísticas analizando datos de inventario y envío en tiempo real. Pueden operar en dispositivos de borde, coordinando con sistemas de planificación central en la nube y actualizando estrategias de enrutamiento para mantener proactivamente los datos actuales y seguros.

Los agentes también se pueden integrar en estaciones de trabajo industriales para monitorear datos de sensores, activar protocolos de mantenimiento o coordinar la ordenación de repuestos, lo que mejora la resistencia operativa y reduce el tiempo de inactividad costoso.

Las computadoras de IA equipadas con agentes en dispositivo pueden gestionar flujos de trabajo individuales, resumir reuniones, redactar contenido e interactuar con sistemas empresariales sin comprometer la identidad personal o poner en riesgo los datos privados.

En cada uno de estos casos de uso, el hilo conductor crítico es la supervisión de un trabajador del conocimiento, asegurando que los datos que alimentan al agente sean precisos y limpios.

Construyendo un futuro más autónomo

Las empresas que implementan agentes hoy y que invierten en capacitar a su fuerza laboral para gestionarlos se están preparando para estar por delante de sus competidores. La IA de agentes es fundamental para el futuro, con avances como los gemelos de IA que están por venir, pero su propia base requiere IA híbrida. Este es un paso importante hacia adelante en la entrega de sistemas de IA verdaderamente autónomos, útiles y seguros que puedan operar en condiciones del mundo real.