IA agéntica: 4 razones por las que es el próximo gran avance en la investigación de la IA

Durante los últimos años, la IA generativa o ha sido la gran novedad entre los tecnólogos, pero recientemente ha aparecido un nuevo término en las comunidades de desarrollo de inteligencia artificial (IA). "Agéntico" es la última palabra de moda en IA y, en este caso, está justificado el revuelo que ha causado. IA agéntica reúne la versatilidad y flexibilidad de los modelos de lenguaje de gran tamaño (LLM) y la precisión de la programación tradicional.

La IA agéntica se refiere a un sistema o programa capaz de realizar tareas de forma autónoma en nombre de un usuario o de otro sistema, para lo cual diseña su flujo de trabajo y utiliza las herramientas disponibles. El sistema tiene «capacidad de acción» para tomar decisiones, emprender acciones, resolver problemas complejos e interactuar con entornos externos más allá de los datos con los que se entrenaron los modelos de machine learning (ML) del sistema.

Los agentes de IA no solo se basan en bases de datos y redes, sino que también pueden aprender del comportamiento de los usuarios, mejorando con el tiempo. La adaptabilidad de los agentes les permite gestionar aplicaciones de IA complejas y de varios pasos que la IA tradicional no podría gestionar, lo que las convierte en una parte clave de la estrategia de automatización de procesos de la organización moderna.

Si le preguntáramos a un chatbot LLM de uso general, como ChatGPT, qué heladera comprar, sus capacidades de procesamiento del lenguaje natural (PLN) le permitirían ofrecer recomendaciones basadas en sus datos de entrenamiento, que probablemente incluirían información recopilada de Internet. Pero no quiere consejos genéricos del pasado, sino información en tiempo real.

Una plataforma de IA agéntica consiste en un LLM que orquesta el comportamiento de varios agentes que se pueden implementar en varias aplicaciones. Estos agentes pueden ser más modelos de IA, o pueden ser simples herramientas de búsqueda que pueden buscar rápidamente información en una base de conocimientos o en línea. Para continuar con el ejemplo anterior, imagine que un LLM como GPT también tuviera acceso a datos de comercio electrónico en tiempo real y a sus detalles de pago.

Una plataforma de IA agéntica como esta no solo podría decirle que a la gente le encanta una heladera específica que está a la venta en una tienda concreta, sino que, en teoría, podría realizar la compra en su nombre. La IA agéntica nos acerca a los casos de uso que, hasta hace poco, considerábamos ciencia ficción, en los que las máquinas pueden completar tareas complejas que implican flujos de trabajo complejos, toma de decisiones basada en datos y toma de medidas con una intervención humana mínima.

Hay buenas razones para pensar que el entusiasmo en torno a la IA agéntica está justificado. A continuación se exponen cuatro:

Los LLM destacan en el procesamiento y la generación de texto similar al humano, lo que facilita a los usuarios la interacción con la IA mediante comandos de lenguaje natural. Esto reduce la necesidad de conocimientos explícitos de programación. Los LLM pueden generar respuestas o acciones basadas en una comprensión matizada y dependiente del contexto, lo que es útil en escenarios en los que la programación tradicional puede tener dificultades para cubrir todos los casos extremos. Además, los LLM son creativos en tareas como la generación de contenido, el resumen de finalización de código y más. Esta capacidad generativa es difícil de replicar con la programación tradicional basada en reglas.

Por su parte, la programación tradicional es muy estructurada, determinista y fiable, cualidades que la hacen ideal para tareas que requieren precisión, repetibilidad y verificabilidad. Los lenguajes de programación tradicionales ofrecen un control granular sobre la ejecución de las tareas, lo que permite definir y optimizar explícitamente flujos de trabajo complejos, algoritmos y requisitos específicos del sistema. La programación tradicional suele ser más eficiente en tareas que requieren un alto rendimiento o funciones únicas.

Los sistemas de IA agéntica ofrecen lo mejor de ambos mundos: utilizan LLM para gestionar tareas que se benefician de la flexibilidad y las respuestas dinámicas, al tiempo que combinan estas capacidades de IA con la programación tradicional para reglas estrictas, lógica y rendimiento. Este enfoque híbrido permite que la IA sea intuitiva y precisa. Los agentes pueden realizar tareas de forma autónoma mientras se adaptan a nuevos datos o entornos dinámicos, algo que supone un reto para el código estático. Al mismo tiempo, los procesos críticos (como la seguridad o los cálculos) pueden basarse en algoritmos deterministas y tradicionales.

Un sistema de IA agéntica puede contener agentes reflejos simples que realizan una tarea simple bien y de manera consistente. Los agentes basados en reglas más complejos pueden utilizar la percepción actual y recurrir a la memoria, lo que les permite recibir y almacenar nueva información, lo que les permite realizar una gama más amplia de tareas. Los agentes de aprendizaje también pueden ingerir nuevos datos, pero pueden utilizarlos para fundamentar decisiones posteriores, lo que mejora su precisión con el tiempo. Una potente plataforma de IA agéntica puede implicar que docenas o incluso cientos de agentes de diferentes capacidades trabajen juntos.

Los LLM suelen entrenarse con conjuntos de datos estáticos que representan una instantánea de la información hasta un determinado momento. Los LLM no pueden salir activamente y recopilar nueva información de la web después de su período de capacitación. Solo pueden generar respuestas basadas en lo que ya "saben". No pueden acceder o actualizar datos en tiempo real de fuentes externas por su cuenta.

Los LLM no pueden interactuar directamente con herramientas externas o sistemas de proceso de datos (como hojas de cálculo, plataformas en la nube o software de análisis) ni configurar de forma autónoma sistemas para monitorizar y recopilar datos continuos (como sensores de IoT, procesos comerciales o registros de sistemas) porque no están diseñados para realizar tareas continuas.

La IA agéntica puede diseñarse para buscar en la web, lo que se denomina interfaz de programación de aplicaciones o bases de datos de consulta. Los agentes pueden obtener información en tiempo real, recuperar actualizaciones o extraer puntos de datos específicos que son críticos para la toma de decisiones. Los agentes pueden iniciar y gestionar tareas como la información de registro, la monitorización en tiempo real y el análisis de tendencias. Pueden rastrear y recopilar de forma proactiva flujos de datos de dispositivos IoT, redes sociales u otros sistemas, proporcionando a los LLM entradas actualizadas para una toma de decisiones más informada y respuestas contextuales.

La IA agéntica puede utilizar bucles de feedback donde busca activamente nuevos datos para refinar sus modelos o procesos de toma de decisiones. Esto podría implicar consultar periódicamente nuevas fuentes, recopilar comentarios de los usuarios o analizar resultados del mundo real para actualizar y mejorar su comprensión o estrategias. De esta manera, el LLM puede lograr la optimización a lo largo del tiempo a partir de datos más ricos y en continua evolución.

Gracias a la gran capacidad intelectual de los modelos de lenguaje de gran tamaño (LLM) y a las capacidades específicas de los agentes, la IA agéntica puede operar de forma independiente y realizar tareas específicas de manera autónoma, sin necesidad de supervisión humana constante. Esto permite su funcionamiento continuo en entornos en los que la supervisión humana es limitada o innecesaria. Los sistemas autónomos pueden mantener objetivos a largo plazo, gestionar tareas que requieran varios pasos y hacer un seguimiento del progreso a lo largo del tiempo.

Por ejemplo, se le podría encargar a una IA agéntica la gestión de una campaña de marketing, supervisando continuamente el rendimiento, ajustando estrategias y optimizando los resultados basándose en la información recibida, sin necesidad de intervención humana en cada paso.

En el sector sanitario, los agentes pueden monitorizar los datos de los pacientes, ajustar las recomendaciones de tratamiento en función de los nuevos resultados de las pruebas y proporcionar comentarios en tiempo real a los médicos.

En ciberseguridad, los agentes pueden monitorizar continuamente el tráfico de red, los registros del sistema y el comportamiento de los usuarios en busca de anomalías que puedan indicar posibles amenazas a la seguridad, como malware, ataques de phishing o intentos de acceso no autorizados. En las cadenas de suministro, la IA puede realizar pedidos de forma autónoma a los proveedores o ajustar los programas de producción para mantener niveles óptimos de inventario.

En el departamento de recursos humanos, los agentes pueden analizar el puesto y la trayectoria del nuevo empleado para crear itinerarios de formación personalizados para su incorporación. Así, se puede ajustar el contenido y los materiales didácticos en función de la experiencia previa, los requisitos del puesto y el ritmo de aprendizaje de cada individuo.

Es fácil imaginar que muchas de las funciones empresariales que actualmente se realizan con productos de software como servicio (SaaS) serán sustituidas o complementadas por sistemas agénticos, que permiten a los trabajadores interactuar con los datos y realizar tareas de forma más eficiente mediante entradas de lenguaje natural e interfaces de usuario simplificadas.

Por ejemplo, imagina un sistema de tickets que los desarrolladores de software utilizan para hacer un seguimiento del progreso de los proyectos. Un sistema de este tipo requiere muchas tablas, pestañas y flujos de trabajo que no siempre resultan fáciles de entender a primera vista. Para encontrar información útil, los usuarios deben buscar los datos correctos, y navegar por una compleja serie de menús para obtener la información que necesitan. Luego, es posible que necesiten usar esa información para crear una presentación.

¿Qué pasaría si, en lugar de organizar todos esos datos en tablas y pestañas, el usuario solo tuviera que solicitar la información que necesita en un lenguaje sencillo?

Por ejemplo, imagine crear una diapositiva de presentación que muestre cinco gráficos de barras con los tickets completados por cada empleado durante el mes actual y remontarse cinco años atrás, sin tener que clasificar manualmente conjuntos de datos complejos.

Podría haber tardado media hora en obtener esos datos manualmente y otra media hora en mostrarlos en un formato ordenado para una presentación elegante, pero los agentes podrían hacerlo en cuestión de segundos.

Para las organizaciones que luchan por ver los beneficios de la IA, los agentes de IA pueden ser la clave para encontrar un valor empresarial tangible. Los LLM monolíticos son impresionantes, pero tienen casos de uso limitados en el ámbito de la IA empresarial. Queda por ver si las enormes sumas de dinero que se invierten actualmente en un puñado de enormes LLM se recuperarán en casos de uso del mundo real, pero la IA agéntica representa un marco prometedor que lleva los LLM al mundo real, señalando el camino hacia un futuro con IA.