¡Lecciones aprendidas con Agentes IA!

Por: Laszlo Beke – BekeSantos.

Un año después del inicio de la revolución de la IA agéntica, hay varias lecciones clara: (a) Implementar IA agéntica con éxito no es fácil; (b) Se necesita trabajar duro para hacerlo bien; (c) Se está aprendiendo sobre cómo hacerlo bien; (d) La incorporación de agentes se asemeja más a contratar un nuevo empleado que implementar un software; (e) Los agentes deben recibir descripciones de trabajo claras, ser incorporados y recibir retroalimentación continua para que sean más efectivos y mejoren regularmente y (f) El mundo de los agentes de IA evoluciona rápidamente, a menos que las empresas aborden sus programas de agentes con el aprendizaje en mente (y en la práctica), es probable que repitan errores y ralenticen su progreso.

Una transformación empresarial agéntica promete una productividad inigualable. Si bien algunas empresas disfrutan de éxitos iniciales con estas actividades, muchas más tienen dificultades para obtener valor de sus inversiones. Estos tropiezos son una evolución natural de cualquier tecnología nueva, y ya se ha visto este patrón con otras innovaciones. La consultora McKinsey, analizó en profundidad más de 50 proyectos de IA agéntica que ellos han liderado, así como docenas de otros proyectos en el mercado. Los resultados han sido resumidos en las siguientes lecciones.

La clave no es el agente, sino el flujo de trabajo

Lograr valor empresarial con IA agéntica requiere cambiar los flujos de trabajo. Sin embargo, a menudo las organizaciones se centran demasiado en el agente. Las iniciativas de IA agéntica que se centran en reimaginar fundamentalmente los flujos de trabajo completos (es decir, los pasos que involucran a las personas, los procesos y la tecnología) tienen más probabilidades de generar resultados positivos. Comprender cómo los agentes pueden ayudar en cada uno de estos pasos es la clave para generar valor. Las personas seguirán siendo fundamentales para realizar el trabajo, pero ahora con diferentes agentes, herramientas y automatizaciones que las respaldan.

Un punto de partida importante para rediseñar los flujos de trabajo es mapear los procesos e identificar los puntos clave de los usuarios. Este paso es fundamental para diseñar sistemas agénticos que reduzcan el trabajo innecesario y permitan a los agentes y a las personas colaborar y alcanzar los objetivos empresariales de forma más eficiente y eficaz. Cuanto más se utilicen los agentes, más inteligentes y alineados se volverán. Las empresas pueden rediseñar flujos de trabajo complejos y de múltiples pasos implementando cuidadosamente una combinación específica de sistemas basados ​​en reglas, IA analítica, IA genérica y agentes, todos respaldados por un marco de orquestación común.

Los agentes no siempre son la solución

La pregunta clave es: «¿Cuál es el trabajo a realizar y cuáles son los talentos relativos de cada posible miembro del equipo (o agente) para trabajar juntos y lograr esos objetivos?». Los problemas empresariales suelen poder abordarse con enfoques de automatización más sencillos, como la automatización basada en reglas, el análisis predictivo o la generación de modelos de lenguaje extensos (LLM), que pueden ser más fiables que los agentes preconfigurados.

Algunos agentes pueden realizar tareas específicas con eficacia, otros pueden ayudar a las personas a realizar mejor su trabajo y, en muchos casos, tecnologías diferentes podrían ser más apropiadas. Antes de adoptar una solución agéntica, los líderes empresariales deben evaluar las exigencias de la tarea. En la práctica, esto implica definir con claridad el grado de estandarización del proceso, la variabilidad que debe gestionar y las partes del trabajo que los agentes son más adecuados para realizar:

Los flujos de trabajo con baja variabilidad y alta estandarización, como la incorporación de inversionistas o la divulgación de información regulatoria, suelen estar estrictamente regulados y seguir una lógica predecible. En estos casos, los agentes basados ​​en LLM no deterministas podrían añadir más complejidad e incertidumbre que valor.
Los flujos de trabajo con alta variabilidad y baja estandarización podrían beneficiarse significativamente de los agentes.
Invertir en evaluaciones y generar confianza con los usuarios

Uno de los problemas más comunes que encuentran los equipos al implementar agentes de IA son los sistemas agénticos que parecen impresionantes en las demostraciones, pero frustran a los usuarios, quienes son los verdaderos responsables del trabajo. Desarrollar agentes eficaces es una tarea desafiante que requiere aprovechar la experiencia individual para crear evaluaciones y codificar las mejores prácticas con suficiente granularidad para las tareas específicas. Esta codificación sirve tanto como manual de capacitación como prueba de rendimiento para el agente, garantizando que funcione según lo esperado. Es fundamental que los expertos participen activamente para evaluar el rendimiento de los agentes a lo largo del tiempo; en este ámbito, no se puede optar por «despedir y marcharse».

Facilitar el seguimiento y la verificación de cada paso

A medida que las empresas implementan cientos, o incluso miles, de agentes, revisar el trabajo de los agentes y detectar errores hace que la tarea se vuelve compleja. Para agravar el problema, muchas empresas solo rastrean los resultados. Por lo tanto, cuando se produce un error (y siempre habrá errores a medida que las empresas escalan los agentes), es difícil determinar con precisión qué falló. El rendimiento de los agentes debe verificarse en cada paso del flujo de trabajo. Integrar el monitoreo y la evaluación en el flujo de trabajo permite a los equipos detectar errores con antelación, refinar la lógica y mejorar continuamente el rendimiento, incluso después de la implementación de los agentes.

La reutilización de Agentes – el mejor caso de uso

En la prisa por avanzar con la IA con agentes, las empresas suelen crear un agente único para cada tarea identificada. Esto puede generar redundancia y desperdicio significativos, ya que un mismo agente a menudo puede realizar diferentes tareas que comparten muchas de las mismas acciones (como ingerir, extraer, buscar y analizar). Decidir cuánto invertir en la creación de agentes reutilizables (en comparación con un agente que ejecuta una tarea específica) es análogo al problema clásico de la arquitectura de TI, donde las empresas necesitan desarrollar con rapidez, pero sin limitarse a opciones que limiten las capacidades futuras. Identificar las tareas recurrentes es un buen punto de partida. Las empresas pueden desarrollar agentes y componentes de agentes que se puedan reutilizar fácilmente en diferentes flujos de trabajo y facilitar el acceso a ellos para los desarrolladores.

Los humanos siguen siendo esenciales, pero sus roles y su número cambian.

A medida que los agentes de IA sigan proliferando, la cuestión del papel que desempeñarán los humanos ha generado mucha ansiedad, por un lado, sobre la seguridad laboral y, por otro, sobre las altas expectativas de aumento de la productividad. Esto ha generado opiniones muy divergentes sobre el papel de los humanos en muchos empleos actuales. Los agentes podrán lograr mucho, pero los humanos seguirán siendo una parte esencial de la fuerza laboral, incluso si el tipo de trabajo que realizan tanto agentes como humanos cambia con el tiempo. Es probable que el número de personas que trabajan en un flujo de trabajo específico cambie y, a menudo, será menor una vez que el flujo de trabajo se transforme con agentes. Los líderes empresariales deberán gestionar estas transiciones como lo harían con cualquier programa de cambio y asignar cuidadosamente el trabajo necesario para capacitar y evaluar a los agentes.

Reglas generales para considerar qué herramientas de IA utilizar

• Si la tarea se basa en reglas y es repetitiva, con entrada estructurada (por ejemplo, entrada de datos), utilizar la automatización basada en reglas.
• Si la entrada no es estructurada (por ejemplo, documentos extensos), pero la tarea sigue siendo extractiva o generativa, utilizar IA genérica, procesamiento del lenguaje natural o análisis predictivo.
• Si la tarea implica la clasificación o la previsión a partir de datos históricos, utilizar análisis predictivo o IA genérica.
• Si el resultado requiere síntesis, juicio o interpretación creativa, utilizar IA genérica.
• Si la tarea implica la toma de decisiones en varios pasos y tiene una larga cola de entradas y contextos altamente variables, utilizar agentes de IA.

Se hace referencia a One year of agentic AI: Six lessons from the people doing the work. La imagen es cortesía de Microsoft Copilot.