¿Qué es un plano de control de agentes?

Cada agente individual opera en el "plano de datos", donde ejecuta tareas e interactúa con herramientas. El plano de control se sitúa por encima de esta capa como un centro de control centralizado, que establece cómo se implementan los agentes, cómo trabajan juntos y las reglas que guían su comportamiento. En lugar de centrarse en cómo se comporta un único agente, el plano de control se centra en cómo funcionan varios agentes como parte de un sistema de inteligencia artificial más amplio.

En un estudio reciente del IBM Institute for Business Value, el 96 % de las empresas informaron de que ya utilizan agentes de IA de alguna manera. A medida que los agentes de IA se adoptan en todos los equipos y casos de uso, la fragmentación está presente desde el principio. A menudo, los agentes se construyen con marcos diferentes, se conectan a fuentes de datos distintas y se rigen por reglas incoherentes. El plano de control proporciona una forma compartida de coordinar y supervisar esta actividad, lo que permite a las organizaciones gestionar los agentes de forma coherente a medida que escalan.

En la práctica, el plano de control actúa como intermediario entre los agentes y los sistemas de los que dependen. Enruta las solicitudes, impone permisos y aplica políticas antes de que se ejecuten las acciones. También proporciona visibilidad sobre cómo se comportan los agentes en producción, incluido su rendimiento, uso y resultados.

Este enfoque permite que los agentes funcionen como un sistema coordinado en lugar de como una colección de componentes aislados. Los equipos pueden aplicar políticas coherentes, controlar el acceso a herramientas y datos y monitorizar el comportamiento de los agentes a lo largo del tiempo. En los entornos de IA empresarial, esta estructura da soporte a ecosistemas de IA agéntica más amplios en los que interactúan múltiples sistemas de IA. El plano de control también soporta la iteración al permitir el versionado, las pruebas y la implementación controlada de los agentes a medida que evolucionan.

Es útil distinguir entre el plano de control de un agente y el protocolo de contexto del modelo (MCP), ya que operan en capas diferentes.

• Un plano de control de agentes orquesta y gobierna la coordinación a nivel de sistema, el control y la gestión del ciclo de vida entre agentes y servicios.
• Un MCP define cómo se estructuran el contexto, las herramientas y los datos y se transmiten a un modelo durante una única interacción.

El plano de control se centra en cómo operan los agentes dentro de un sistema más amplio, mientras que el MCP se centra en cómo un modelo procesa una solicitud concreta.

Los desarrolladores lo usan para crear y probar flujos de trabajo de agentes. Los equipos de la plataforma lo utilizan para gestionar la infraestructura y hacer cumplir las normas. Los equipos de negocio y operaciones lo utilizan para apoyar el cumplimiento, la seguridad y la responsabilidad.

Un plano de control de agentes proporciona la base para operar a los agentes de forma estructurada y escalable. Permite la coordinación entre sistemas, establece un control coherente y hace que el comportamiento de los agentes sea observable y manejable a lo largo del tiempo.

Los planos de control de los agentes determinan cómo se organiza y ejecuta el trabajo en entornos que dependen de agentes de IA, especialmente a medida que las organizaciones adoptan sistemas multiagente. En estos sistemas, el trabajo se coordina entre grupos de agentes en lugar de gestionarse mediante herramientas o flujos de trabajo aislados. El plano de control define cómo se asignan las tareas, cómo interactúan los agentes y cómo se validan los outputs. Esta estructura cambia la forma en que los equipos diseñan los procesos y gestionan los resultados.

Sin un plano de control, las organizaciones se enfrentan a la proliferación de agentes de IA, donde los agentes crecen de forma descoordinada y sin gestión. En el estudio del IBV, el 94 % de las empresas informaron de que la expansión de la IA está aumentando el riesgo y la complejidad de la seguridad. Puede aumentar la presión para la consolidación de los proveedores, ya que los equipos intentan simplificar los entornos fragmentados que dificultan el escalado de la IA. Los desafíos comunes de la adopción de la IA incluyen:

• Fragmentación e IA aislada: los agentes se implementan en funciones individuales como RR. HH., finanzas o TI, pero los procesos empresariales las abarcan. Esta desconexión dificulta la obtención de resultados de extremo a extremo.
• Falta de coordinación y orquestación: a medida que aumenta el número de agentes, resulta más difícil gestionar cómo interactúan. Esta brecha conduce a esfuerzos duplicados, comportamientos inconsistentes y experiencias de usuario fragmentadas.
• Los riesgos de un mal gobierno: sin barreras coherentes, los agentes podrían acceder a datos incorrectos o tomar medidas no deseadas. Esto puede provocar problemas de seguridad y pérdida de control.

Un plano de control de agentes aborda estos retos mediante la introducción de normas comunes, la coordinación y la supervisión. Establece un método coherente para que los agentes trabajen de manera coordinada entre equipos y sistemas, lo que reduce la duplicación de tareas y mejora la coordinación. Esta estructura también facilita el seguimiento del comportamiento y la asignación de responsabilidades.

Los planos de control de agentes también determinan la forma en que las organizaciones gestionan el cambio. A medida que se actualizan o amplían los agentes, el plano de control ayuda a garantizar que los cambios siguen los procesos definidos. Este sistema permite a los equipos probar, aprobar e implementar actualizaciones de forma controlada. Reduce las interrupciones y admite operaciones más predecibles a medida que los sistemas evolucionan.

Un plano de control de agentes se define por un conjunto de capacidades centrales que gestionan cómo se descubren, ejecutan, gobiernan y mantienen los agentes. Apoyan la orquestación de agentes de IA en todos los sistemas y ayudan a garantizar que los agentes autónomos puedan funcionar de forma fiable.

Estas capacidades suelen agruparse en capas arquitectónicas (como la orquestación, el gobierno o la observabilidad), pero en la práctica funcionan juntas como un sistema cohesivo. Comprender las capacidades del plano de control de un agente proporciona una visión más clara y directa de su funcionamiento.

Ayuda a garantizar que los agentes y usuarios estén autenticados y autorizados, aplicando permisos en todos los sistemas y fuentes de datos. Este control incluye la aplicación de principios de privilegios mínimos para limitar el acceso a datos confidenciales.

Mantiene un catálogo centralizado de agentes y herramientas disponibles, lo que permite el descubrimiento, la reutilización y la invocación coherente. Esta capacidad también admite la incorporación de nuevos agentes de IA en diferentes plataformas de agentes y puede incluir plantillas predefinidas para estandarizar la configuración.

Se encarga de ejecutar las acciones de los agentes y las llamadas a herramientas, lo que incluye el manejo de entradas, el procesamiento de outputs, los reintentos y la gestión de errores. Gestiona el comportamiento en tiempo de ejecución y ayuda a garantizar que las acciones se procesen en tiempo real cuando sea necesario.

Da soporte al ciclo de vida completo de los agentes y las herramientas, incluyendo el versionado, las pruebas, la implementación y las actualizaciones. También mantiene registros de auditoría para rastrear los cambios a lo largo del tiempo.

Aplica las normas que rigen el comportamiento de los agentes, como qué herramientas se pueden utilizar, a qué datos se puede acceder y qué acciones están permitidas. Estas políticas ayudan a reducir el riesgo y limitar la exposición a las vulnerabilidades.

Dirige las solicitudes entrantes al agente, la herramienta o el flujo de trabajo adecuados en función del contexto, la intención y las reglas del sistema.

Gestiona la forma en que los agentes almacenan, recuperan y comparten memoria entre tareas, sesiones y flujos de trabajo.

Captura los registros, las métricas y los rastros que proporcionan visibilidad del comportamiento, el rendimiento y los resultados del sistema para la monitorización y la depuración de los agentes de IA. Esta capacidad es fundamental para la observabilidad de los agentes de IA.

Las capacidades descritas en la sección anterior describen lo que puede hacer un plano de control agéntico. En la práctica, estas capacidades se implementan mediante un conjunto de componentes básicos de la plataforma, denominados a veces "sistema operativo de agentes", que definen cómo se crean, implementan y gestionan los agentes a escala.

Juntos, garantizan que los flujos de trabajo sigan siendo fiables, seguros y adaptables a medida que crece la complejidad. El plano de control coordina la ejecución, mientras que los sistemas de tiempo de ejecución subyacentes llevan a cabo las tareas.

• Orquestación en tiempo de ejecución: el sistema debe recibir e interpretar las solicitudes entrantes y, a continuación, coordinar cómo se ejecutan entre los agentes, los modelos y las herramientas externas. Esta orquestación se implementa normalmente a través de interfaces de programación de aplicaciones (API), arquitecturas basadas en eventos y motores de flujo de trabajo que gestionan procesos de varios pasos y dependencias.
  
  
• Ejecución y acceso a herramientas: la plataforma proporciona un entorno controlado para ejecutar las acciones de los agentes e interactuar con herramientas y servicios externos. Este entorno incluye interfaces estandarizadas, validación de entradas y outputs, y mecanismos para gestionar errores y reintentos.
  
  
• Capa de acceso e integración: una pasarela unificada proporciona a los agentes una forma coherente de acceder a los datos, las herramientas y los sistemas externos. Esta capa simplifica la integración en entornos heterogéneos y centraliza el tratamiento de las solicitudes.
  
  
• Seguridad y autorización: todas las interacciones entre agentes, usuarios y sistemas deben ser autenticadas y autorizadas. Esta seguridad se aplica normalmente a través de sistemas de identidad, acceso basado en tokens y permisos aplicados de forma dinámica.
  
  
• Gestión del estado y el contexto: mantener el contexto en todas las interacciones es esencial para un comportamiento coherente de los agentes. Esto incluye tanto el contexto de trabajo a corto plazo como los estados de mayor duración, con el apoyo de sistemas que conservan y recuperan información a lo largo de todo el flujo de trabajo.
  
  
• Observabilidad y evaluación: el plano de control debe proporcionar una visibilidad clara del comportamiento del sistema. Esta visibilidad implica recopilar registros, métricas y trazas, y poner esa información a disposición para su monitorización, depuración y análisis.
  
  
• Aplicación de políticas: las políticas deben aplicarse activamente durante la ejecución, en lugar de tratarse como definiciones estáticas. La aplicación de las normas requiere evaluar en tiempo de ejecución las acciones de los agentes en función de las reglas definidas, garantizando que su comportamiento siga cumpliendo con las restricciones operativas y de seguridad.
  
  
• Gestión del ciclo de vida y de las versiones: estos componentes abarcan todo el ciclo de vida del agente, desde el diseño y el desarrollo hasta las pruebas, la implementación, la operación y la monitorización. El control de versiones y los mecanismos de liberación controlada ayudan a garantizar que las actualizaciones puedan introducirse de forma segura sin perturbar los sistemas existentes.
  
  
• Escalabilidad y fiabilidad: el plano de control debe continuar funcionando ante la creciente demanda y un fallo parcial del sistema. Esta capacidad requiere un diseño de sistema distribuido, una gestión eficaz de la carga de trabajo y mecanismos para una recuperación airosa cuando fallen los componentes.
  
  
• Registro de agentes y activos: el plano de control mantiene un registro de agentes, herramientas y dependencias. El registro permite a los equipos descubrir, reutilizar y gestionar estos activos de forma centralizada, mejorando la coherencia y reduciendo la duplicación en toda la organización.

Los planos de control de agentes se utilizan cuando varios agentes de IA necesitan operar de forma coordinada, gobernada y escalable. Son especialmente relevantes en entornos en los que la fiabilidad, la seguridad y la supervisión son críticas. Los siguientes casos de uso ilustran cómo los planos de control dan forma a los flujos de trabajo del mundo real.

Los planos de control capturan datos sobre el rendimiento de los agentes y los utilizan para perfeccionar el comportamiento del sistema a lo largo del tiempo. Por ejemplo, si un agente de soporte agrava ciertos problemas con frecuencia, el plano de control identifica el patrón y actualiza el enrutamiento para que un agente más adecuado gestione las solicitudes similares.

Los planos de control gestionan a varios agentes de asistencia que se ocupan de distintos tipos de solicitudes a través de aplicaciones e interfaces de tipo copiloto. Dirigen las consultas, aplican directrices de respuesta y realizan un seguimiento del rendimiento para respaldar un servicio coherente en todos los canales. Si un cliente envía un problema de facturación a través del chat, el plano de control dirige la solicitud a un agente específico de facturación. Esta acción restringe el acceso a los datos relevantes de la cuenta y registra la interacción para su revisión.

Las organizaciones utilizan los planos de control de agentes para coordinar a estos en procesos empresariales con varios pasos que abarcan sistemas como la gestión de la relación con el cliente (CRM), la planificación de recursos empresariales (ERP) y herramientas internas. El plano de control ayuda a garantizar que cada paso se ejecute en el orden correcto y siga las reglas definidas.

En un flujo de trabajo de compras, por ejemplo, un agente recopila los presupuestos de los proveedores, otro evalúa los precios y un tercero tramita las aprobaciones. El plano de control orquesta estos pasos, hace cumplir las políticas de aprobación y registra las decisiones para fines de auditoría.

Los planos de control ayudan a garantizar que el comportamiento de los agentes se ajusta a las políticas internas y a las normativas externas, un gobierno que es especialmente importante en los sectores regulados. Por ejemplo, en los servicios financieros, un agente que genera recomendaciones de inversión debe seguir las reglas de cumplimiento. El plano de control limita el uso de datos y registra los outputs para su revisión por parte de las autoridades reguladoras.

En escenarios más complejos, varios agentes trabajan juntos en una tarea compartida. El plano de control gestiona cómo se dividen las tareas, cómo se intercambia la información y cómo se combinan los outputs. Esta forma de colaboración multiagente permite la resolución coordinada de problemas entre agentes.

Por ejemplo, en un flujo de trabajo de investigación, un agente recopila datos, otro resume los hallazgos y un tercero genera un informe. El plano de control coordina el flujo de datos y ayuda a que el output final cumpla con los estándares de calidad.

Los agentes suelen confiar en sistemas externos para completar tareas. El plano de control rige cómo se seleccionan y utilizan las herramientas y las API, garantizando una secuencia correcta y una ejecución segura.

Por ejemplo, un agente de ventas actualiza el registro de un cliente y envía un correo electrónico de seguimiento. El plano de control coordina la actualización del CRM y activa el servicio de correo electrónico, aplicando reglas de acceso y formato.

Los planos de control de agentes proporcionan una forma estructurada de gestionar agentes de IA a medida que escalan entre sistemas y equipos. Su valor proviene de mejorar la forma en que se controlan, coordinan y observan los agentes en los entornos de producción. Estos beneficios ayudan a apoyar sistemas de nivel empresarial que operan a gran escala.

• Gobierno centralizado: las políticas se definen y aplican en un único lugar en lugar de incrustarse en cada agente, lo que facilita el mantenimiento del cumplimiento.
  
  
• Responsabilidad clara: las acciones pueden rastrearse hasta agentes concretos, lo que facilita la auditoría y el seguimiento de responsabilidades.
  
  
• Comportamiento coherente: las reglas compartidas reducen la variación en la forma en que los agentes realizan las tareas, mejorando la fiabilidad.
  
  
• Adaptación continua: la monitorización y el feedback permiten el perfeccionamiento continuo de las decisiones de enrutamiento y del comportamiento de los agentes.
  
  
• Uso eficiente de los recursos: las tareas se asignan a los agentes y herramientas adecuados, lo que reduce la duplicación de esfuerzos y mejora la eficiencia.
  
  
• Iteración más rápida: los agentes pueden actualizarse e implementarse mediante procesos controlados, lo que permite introducir mejoras sin interrumpir los sistemas en funcionamiento.
  
  
• Visibilidad mejorada: los equipos pueden ver lo que hacen los agentes y su rendimiento, lo que facilita la identificación de problemas y la comprensión del comportamiento del sistema. Esta visibilidad también apoya la evaluación del ROI de la IA a lo largo del tiempo.
  
  
• Funcionamiento más seguro: los controles de acceso y la aplicación de políticas limitan lo que los agentes pueden hacer, reduciendo el riesgo de acciones no intencionadas.
  
  
• Escalabilidad: el plano de control proporciona una estructura a medida que aumenta el número de agentes, evitando así la fragmentación y la pérdida de control.

Crear un plano de control de agentes requiere algo más que simplemente ensamblar componentes. Implica decisiones deliberadas sobre los límites del sistema, el gobierno y el funcionamiento a largo plazo. Las siguientes prácticas ayudan a garantizar que el sistema siga siendo eficaz a medida que crece.

• Defina límites claros: especifique lo que pertenece al plano de control frente a lo que pertenece a los agentes individuales para evitar solapamientos y confusiones.
  
  
• Diseñe para la modularidad: separe preocupaciones como el enrutamiento y la aplicación de políticas para que los componentes puedan evolucionar de forma independiente.
  
  
• Permita la interoperabilidad: diseñe el plano de control para que funcione en diferentes modelos y herramientas, incluidos marcos de código abierto como LangChain y sistemas construidos sobre arquitecturas de modelos de lenguaje de gran tamaño (LLM). La interoperabilidad también incluye la compatibilidad con múltiples proveedores, como OpenAI y Anthropic, para evitar el bloqueo.
  
  
• Establezca el gobierno desde el principio: defina las políticas de acceso y uso de los datos desde el principio para evitar adaptar los controles más adelante.
  
  
• Incluya la supervisión humana cuando sea necesario: permita la revisión humana en escenarios de alto riesgo o ambiguos para mejorar la fiabilidad y la confianza.
  
  
• Planifique para escalar: estos sistemas deben admitir la implementación en entornos como plataformas AWS o Microsoft, integrarse con herramientas como GitHub y permitir el acceso a través de interfaces como una interfaz de línea de comandos (CLI) o un panel de control. Estas capacidades apoyan iniciativas organizativas más amplias y la integración con herramientas empresariales como LinkedIn.
  
  
• Priorice la observabilidad: recopile registros y métricas de la actividad de los agentes para facilitar la depuración y el análisis del rendimiento.
  
  
• Asegure cada paso: aplique la autenticación y la validación en todo el sistema para reducir el riesgo.
  
  
• Estandarice el registro: asegúrese de que todos los agentes y herramientas se registran mediante un proceso coherente para mejorar la capacidad de descubrimiento y la integración.
  
  
• Apoye la gestión del ciclo de vida: incluya procesos de control de versiones, pruebas e implementación para garantizar actualizaciones seguras y predecibles.
  
  
• Utilice bucles de retroalimentación: optimice el enrutamiento y el comportamiento en función de los datos del sistema y del feedback de los usuarios.