El camino desde RPA hasta los agentes autónomos

Una investigadora de delitos financieros que antes recibía grandes volúmenes de alertas de actividades sospechosas que requerían un tedioso trabajo de investigación, en el que recopilaba manualmente datos de todos los sistemas para descartar los falsos positivos y redactar informes de actividades sospechosas (SAR) sobre los demás. Hoy, recibe alertas priorizadas con investigación automatizada y contenido sugerido que puede generar SAR en minutos.

Un planificador de categorías minoristas que antes realizaba análisis de horas de los informes de las semanas anteriores para intentar descubrir qué productos tienen un rendimiento inferior al esperado y por qué, ahora utiliza IA para proporcionar información detallada que saca a la luz las áreas problemáticas y sugiere acciones correctivas, priorizadas para lograr el máximo impacto comercial. Un ingeniero de mantenimiento industrial utiliza un copiloto que realiza un seguimiento del estado de los activos las 24 horas del día, los 7 días de la semana, predice problemas y genera advertencias en las primeras etapas de problemas mecánicos o de rendimiento, lo que reduce drásticamente el tiempo de inactividad no planificado.

Estas transformaciones están ocurriendo en todas las empresas hoy en día, lo que indica un cambio fundamental: las aplicaciones verticales que combinan IA predictiva, generativa y de agentes emergentes están aumentando y transformando la automatización del flujo de trabajo, brindando capacidades específicas y sofisticadas que abordan desafíos mucho más complejos y contextuales que las soluciones anteriores.

2024 de Gartner Ciclo de hype para tecnologías emergentes destacó la IA autónoma como una de las cuatro principales tendencias tecnológicas emergentes del año, y con razón. Con agentes sin IA, los usuarios tenían que definir Lo que Tuvieron que automatizar y cómo Para hacerlo con gran detalle, las aplicaciones que combinan inteligencia artificial predictiva, generativa y, pronto, agente con fuentes de conocimiento y flujos de trabajo verticales especializados pueden extraer información de fuentes dispares en toda la empresa, acelerar y automatizar tareas repetitivas y hacer recomendaciones para acciones de alto impacto. Las empresas que utilizan estas aplicaciones logran una toma de decisiones más rápida y precisa, una rápida identificación y solución de problemas e incluso medidas preventivas para evitar que los problemas se produzcan.

Los agentes de IA representan la próxima ola en la IA empresarial. Se basan en los fundamentos de la IA predictiva y generativa, pero suponen un avance significativo en términos de autonomía y adaptabilidad. Los agentes de IA no son solo herramientas para el análisis o la generación de contenido, sino que son sistemas inteligentes capaces de tomar decisiones de forma independiente, resolver problemas y aprender de forma continua. Esta evolución marca un cambio de la IA como herramienta de apoyo a la IA como participante activo en los procesos empresariales, capaz de iniciar acciones y adaptar estrategias en tiempo real.

La evolución de RPA a agentes autónomos

Tradicionalmente, la automatización robótica de procesos se utilizaba para procesos repetitivos basados ​​en heurísticas y tareas de baja complejidad con entradas de datos estructuradas. La automatización robótica de procesos utiliza entradas estructuradas y lógica definida para automatizar procesos altamente repetitivos como la entrada de datos, la transferencia de archivos y el llenado de formularios. La amplia disponibilidad de una IA predictiva y generativa asequible y altamente efectiva ha permitido abordar el siguiente nivel de problemas empresariales más complejos que requieren conocimientos especializados en el dominio, seguridad de clase empresarial y la capacidad de integrar diversas fuentes de datos.

En el siguiente nivel, los agentes de IA van más allá de los algoritmos y el software de IA predictiva con su capacidad de operar de forma autónoma, adaptarse a entornos cambiantes y tomar decisiones basadas tanto en reglas preprogramadas como en comportamientos aprendidos. Si bien las herramientas de IA tradicionales pueden sobresalir en tareas específicas o en el análisis de datos, los agentes de IA pueden integrar múltiples capacidades para navegar en entornos complejos y dinámicos y resolver problemas multifacéticos. Los agentes de IA pueden ayudar a las organizaciones a ser más efectivas, más productivas y mejorar la experiencia de los clientes y los empleados, todo ello al mismo tiempo que reducen los costos.

Cuando se construyen con los modelos de IA adecuados como herramientas y con fuentes de datos verticales y aprendizaje automático para respaldar la actividad contextual especializada, los agentes de IA se convierten en caballos de batalla de alta productividad en términos de descifrar el problema, tomar las medidas correctas, recuperarse de los errores y mejorar con el tiempo en las tareas asignadas.

Navegando por la implementación: aspectos clave que las empresas deben tener en cuenta

Implementar una IA predictiva, generativa y, en última instancia, agente en un entorno empresarial puede ser muy beneficioso, pero es fundamental tomar las medidas adecuadas antes de la implementación para garantizar el éxito. A continuación, se presentan algunas de las principales consideraciones que deben tener en cuenta las empresas a la hora de considerar y comenzar a implementar agentes de IA.

• Alineación con los objetivos comerciales: Para que la adopción de la IA en las empresas sea exitosa, debe abordar casos de uso específicos en industrias específicas y ofrecer mayor productividad y precisión. Involucre regularmente a las partes interesadas de la empresa en el proceso de evaluación/selección de la IA para garantizar la alineación y proporcionar un retorno de la inversión claro. Los productos deben adaptarse a procesos y flujos de trabajo que mejoren de manera mensurable los resultados para los casos de uso definidos y los dominios verticales.
• Calidad, cantidad e integración de datos: Como los modelos de IA requieren grandes cantidades de datos de alta calidad para funcionar de manera eficaz, las empresas deben implementar canales de recopilación y procesamiento de datos sólidos para garantizar que la IA reciba datos actuales, precisos y relevantes. La selección de fuentes de datos reduce en gran medida el riesgo de alucinaciones y permite que la IA realice análisis, recomendaciones y decisiones óptimos.
• Seguridad y privacidad: El manejo de datos confidenciales en modelos de IA plantea riesgos de privacidad y posibles vulnerabilidades de seguridad. Una consideración cuidadosa sobre qué datos son necesarios para que la IA haga su trabajo y no proporcionar datos que no sean directamente relevantes puede ayudar a minimizar la exposición. Las aplicaciones también deben proporcionar un control de acceso basado en roles y en usuarios con protecciones de autenticación integradas en las capas de datos y API y confirmar que los datos no llegan a los SLM o LLM sin verificación y protección.
• Infraestructura y escalabilidad: La ejecución de modelos de IA de gran tamaño requiere recursos computacionales significativos y la escalabilidad también puede ser un problema. Un buen diseño evitará el consumo excesivo de recursos; por ejemplo, un SLM especializado puede ser tan eficaz como un LLM más generalizado y reducir significativamente los requisitos computacionales y las latencias.
• Interpretación y explicabilidad del modelo: Muchos modelos de IA, especialmente los de aprendizaje profundo, suelen considerarse como “cajas negras”. Los buenos productos de IA para empresas demostraron una transparencia total, que incluía las fuentes a las que accedían los modelos, cuándo y por qué se hacía cada recomendación. Tener este contexto es fundamental para generar confianza en los usuarios e impulsar su adopción.

Posibles inconvenientes de los agentes de IA

Al igual que con cualquier tecnología nueva, los agentes de IA tienen algunas desventajas potenciales. Las mejores aplicaciones de agentes de IA se basan en procesos con participación humana—incluidas todas las aplicaciones y capacidades de IA de SymphonyAI. Este enfoque permite la supervisión, la intervención y la colaboración humanas, lo que garantiza que las acciones del agente se alineen con los objetivos comerciales y las consideraciones éticas. Los sistemas con intervención humana pueden proporcionar comentarios en tiempo real, aprobar decisiones críticas o intervenir cuando la IA se encuentra en situaciones desconocidas, lo que crea una poderosa colaboración entre la inteligencia artificial y la humana.

La IA responsable también ofrece una interfaz de usuario sólida, trazabilidad y la capacidad de auditar los pasos que llevaron al agente a elegir una ruta de ejecución. Respetamos los principios de la IA responsable de responsabilidad, transparencia, seguridad, confiabilidad/protección y privacidad.

El camino hacia agentes totalmente autónomos

Es difícil predecir cuán realista es el escenario de un agente totalmente autónomo porque no hemos establecido una medida para toda la industria sobre el nivel de autonomía. Por ejemplo, el área de conducción autónoma se ha establecido en relación con Niveles 1 a 5 de capacidad de conducción autónoma, siendo el nivel cero el que no tiene ningún nivel de automatización y el conductor realiza todas las tareas de conducción, hasta el nivel cinco el que tiene una automatización total y el vehículo realiza todas las tareas de conducción.

Estamos muy avanzados en lo que considero la tercera fase del camino hacia el valor empresarial con IA, donde las aplicaciones combinadas de IA generativa y predictiva hacen recomendaciones sofisticadas y respaldan el análisis fluido de hipótesis. En SymphonyAI, vemos que la siguiente fase evoluciona hacia agentes de IA autónomos, que trabajan con IA predictiva y generativa para acelerar las investigaciones de fraude financiero, potenciar la gestión de categorías minoristas y la previsión de la demanda, y permitir a los fabricantes predecir y evitar fallas en las máquinas.

Actualmente estamos mejorando la complejidad y la autonomía de los agentes de IA dentro de nuestras aplicaciones, y los comentarios de los clientes son muy positivos. La IA predictiva y generativa han avanzado a un nivel en el que pueden automatizar flujos de trabajo que antes se consideraban demasiado complejos para el software tradicional. La IA autónoma, o agente, se destaca en el manejo de estas tareas sin supervisión, lo que genera ganancias de productividad transformadoras y permite que los recursos humanos se concentren en actividades más estratégicas.

Por ejemplo, un banco multinacional europeo que utiliza SymphonyAI Sensa Investigation Hub con agentes de IA y un copiloto ha ayudado a los investigadores de delitos financieros a ahorrar tiempo en sus investigaciones y, al mismo tiempo, mejorar la calidad de las mismas. En cuestión de semanas, el banco vio un ahorro de esfuerzo promedio de aproximadamente el 20 % en las investigaciones de nivel 1 y nivel 2. El banco también prevé un ahorro de costes con SymphonyAI en Microsoft Azure de 3.5 millones de euros al año, incluida una reducción del 80 % en el gasto con un proveedor de tecnología líder, de 1.5 millones de euros al año a 300 XNUMX euros al año.

Con un diseño inteligente y de clase empresarial que utiliza principios de IA responsables, los agentes de IA ofrecen productividad, precisión y excelencia transformadoras para una variedad cada vez mayor de casos de uso comprobados. En SymphonyAI, nuestra misión es proporcionar a las empresas agentes de IA que brinden excelencia operativa. Al combinar una capacidad de respuesta rápida con un pensamiento estratégico a largo plazo, la IA basada en agentes está preparada para revolucionar los procesos críticos en múltiples industrias.