Sus agentes de IA están fallando porque no conocen su negocio

El año pasado, Absa, uno de los bancos más grandes de África, necesitó 120 días para mover un nuevo modelo de detección de delitos financieros desde la construcción hasta la producción. Aunque eso estaba cerca del promedio de la industria en ese momento, ese mismo banco hoy puede implementar un nuevo modelo en 15 días, incluso con el mismo entorno regulatorio, volúmenes de transacciones y requisitos de cumplimiento.

Y sin embargo, una encuesta de PwC encontró que el 56% de los directores ejecutivos de empresas han visto ningún beneficio financiero significativo de sus inversiones en IA. Cada líder empresarial con el que hablo ha escuchado la presentación: si implementa agentes de IA y automatiza sus flujos de trabajo, verá rápidamente un retorno de la inversión. En su lugar, 18 meses y varios millones de dólares después, el impacto empresarial está desaparecido. El ingrediente que falta es el contexto de dominio, la comprensión basada en la operación que le da a un agente lo que necesita para tomar decisiones internas de negocios y qué hacer cuando se equivoca.

Cuando los agentes dejan de aconsejar y comienzan a actuar

Gartner estima que para 2027, el 50% de las decisiones empresariales serán aumentadas o automatizadas por agentes de IA para la inteligencia de decisiones. Hasta muy recientemente, el papel de la IA en la empresa era asesorar, dejando que el empleado tomara la decisión. El peor escenario posible era una perspicacia perdida, una decisión retrasada o la falta de acción en respuesta a una alerta. Con los agentes, las consecuencias son mucho mayores.

En una planta de biológicos de un fabricante de productos farmacéuticos a nivel mundial, cuando un inspector escanea una puerta de laboratorio, se lanza automáticamente el flujo de trabajo de inspección adecuado, personalizado para el equipo y las especificaciones de esa habitación. El agente secuencia la inspección, muestra el material de referencia y permite que el inspector confirme. En una planta regulada por GxP, cada inspección debe estar lista para una auditoría, lo que significa que un agente está asumiendo una parte de la carga operativa en un entorno con consecuencias reales si se equivoca en la secuencia.

La mayoría de los marcos de gobernanza en vigor hoy en día se construyeron para el mundo de asesoramiento anterior: revisiones periódicas de modelos con un humano que verifica la salida de un solo sistema. Ahora tenemos agentes que asignan tareas a otros agentes, coordinan flujos de trabajo y comparten una mala llamada temprana en toda la cadena de procesos antes de que alguien se dé cuenta.

Por qué los agentes genéricos chocan con un muro

Un agente de propósito general puede parecer genuinamente impresionante en condiciones controladas. Comienza a luchar, sin embargo, en las operaciones empresariales, que tienen restricciones, interdependencias y juicios que son obvios para cualquiera que haya trabajado en el piso y son invisibles para un modelo que nunca ha sido enseñado a verlos.

Un gerente de categoría en una de las cinco empresas de alimentos y bebidas más grandes del mundo enfrentó una versión del mismo problema a una diferente escala: 96% de penetración en el mercado, sin palancas tradicionales para tirar. El gerente de categoría definió la lógica de decisión directamente unificando más de 100 fuentes de datos en más de 1.000 atributos por tienda y permitiendo que el modelo de IA ensamblara los perfiles de comportamiento de los compradores que el equipo de categoría podría actuar. El resultado! Tres clusters de compradores, sprints semanales con socios minoristas, un aumento incremental de ventas del 8% y un 35% más rápido en la reposición de estantes.

Esto funcionó porque el agente ya sabía qué es un planograma, qué significa un cluster de compradores y cómo un cambio promocional se propaga en categorías adyacentes. Un modelo genérico debe ser enseñado en vocabulario específico de la industria, lo que cuesta 12 a 18 meses que la mayoría de las empresas no tienen.

Por qué la gobernanza debe estar arquitectada

Los marcos de responsabilidad que la mayoría de las empresas tienen hoy en día se construyeron alrededor de explicar la salida de un modelo después de los hechos y revisarla periódicamente. No se construyeron para lo que sucede cuando un agente desencadena una acción irreversible dentro de un flujo de trabajo.

He trabajado con un asegurador que opera en los mercados de Europa Central y del Este y que debe considerar los requisitos regulatorios de cada mercado al tomar decisiones de cumplimiento. Cada decisión de diligencia debida del cliente es un registro en vivo que incluye la entrada, el modelo, la salida y la persona que firma. El sistema de IA de la empresa puede enrutar una transacción que es cumplida en un mercado y no en otro sin la adjudicación manual de un analista de cumplimiento.

Esta es la misma arquitectura que permite a Absa implementar su sistema de producción AML en 15 días en lugar de 120. La velocidad está incorporada, por lo que el banco puede entregar inmediatamente la versión de la política para cada decisión a un regulador.

Las empresas que vemos invirtiendo en estas capas de gobernanza temprano todavía están ejecutando agentes a escala 18 meses después. Las que tratan esto como un ejercicio de cumplimiento agregado después de la implementación son las que tienen que seguir re-arquitectando.

La inteligencia de dominio no es afinación

Los modelos de base capaces no entregan resultados empresariales de manera fiable por sí mismos porque están diseñados para ser ampliamente útiles. Las operaciones empresariales requieren especialización profunda y estrecha. Confluir los dos ya ha costado al sector tiempo y recursos, pero todavía es el error más común que veo.

La inteligencia de dominio no es aplicar generación aumentada de recuperación (RAG) o afinar un modelo general. Es la diferencia entre un agente que puede procesar información sobre una tienda de comestibles y uno que comprende cómo el negocio construyó y desplegó 5.000 planogramas personalizados en más de 750 tiendas sin que un equipo central tocara cada ubicación.

Este tipo de fluidez operativa proviene de años de datos de entrenamiento específicos del dominio, lógica de decisión construida alrededor de restricciones operativas reales y una capa de conocimiento que incluye cómo un cambio de precio afecta la margen, cómo un cambio de surtido afecta la disponibilidad de estantes y cómo eso impacta la lealtad del comprador. Para una gran cadena de comestibles de EE. UU., esta razonamiento conectado produjo $200M en beneficio incremental.

Construir ese fundamento o obtenerlo de un socio que ya ha hecho el trabajo es un costo real inicial en datos, experiencia en el dominio y la disciplina para codificar el juicio institucional en lugar de saltar directamente a un piloto. Si ese fundamento se apresura, un agente que parece consciente del dominio en un concepto de prueba puede seguir desmoronándose con el primer caso de borde de producción.

Qué significa realmente obtener los agentes empresariales correctos

Las empresas que siguen colocando modelos capaces en flujos de trabajo existentes tendrán que seguir admitiendo ante sus juntas directivas que el ROI no se está presentando. El MIT concluyó el año pasado que a pesar de las inversiones empresariales en IA generativa, el 95% de las organizaciones no obtienen retorno. Si no quiere estar en ese campamento, coloque la inteligencia de dominio antes del día uno, incorpore la gobernanza en la arquitectura y haga que los agentes rindan cuentas de resultados específicos.

El modelo detrás de cualquier agente dado es, irónicamente, la parte menos duradera de esa ecuación. Un modelo mejor se enviará el próximo trimestre, de la empresa que construyó el que está utilizando hoy o uno de sus competidores. Lo que no cambia con el próximo lanzamiento del modelo es si sus agentes comprenden su negocio. Debe construir eso intencionalmente. Los agentes que tienen éxito en su entorno no serán los agentes de propósito general más capaces del mercado, pero ganarán su confianza para hacer más y más por su negocio.