¿Qué es la IA agéntica?

A diferencia de los modelos tradicionales de IA, que operan dentro de restricciones predefinidas y requieren intervención humana, la IA agéntica exhibe autonomía, comportamiento orientado a objetivos y adaptabilidad. El término "agéntica" se refiere a la agencia de estos modelos, o su capacidad para actuar de forma independiente y decidida.

Los sistemas agentivos tienen muchas ventajas con respecto a sus predecesores generativos, que se ven limitadas por la información contenida en los conjuntos de datos en los que se entrenan los modelos.

El avance más importante de los sistemas agentivos es que permiten la autonomía para realizar las tareas sin una supervisión humana constante. Los sistemas agentivos pueden mantener objetivos a largo plazo, gestionar tareas de resolución de problemas de varios pasos y hacer un seguimiento del progreso a lo largo del tiempo.

Los sistemas agentivos proporcionan la flexibilidad de los LLM, que pueden generar respuestas o acciones basadas en una comprensión matizada y dependiente del contexto, con las características estructuradas, deterministas y fiables de la programación tradicional. Este enfoque permite a los agentes "pensar" y "actuar" de una manera más humana.

Los LLM por sí mismos no pueden interactuar directamente con herramientas o bases de datos externas ni configurar sistemas para monitorizar y recopilar datos en tiempo real, pero los agentes sí. Los agentes pueden buscar en la web, llamar a interfaces de programación de aplicaciones (API) y consultar bases de datos, y luego utilizar esta información para tomar decisiones y tomar medidas.

Los agentes pueden especializarse en tareas específicas. Algunos agentes son simples y realizan una única tarea repetitiva de forma fiable. Otros pueden utilizar la percepción y recurrir a la memoria para resolver problemas más complejos. Una arquitectura agéntica podría consistir en un modelo "conductor" impulsado por un LLM que supervisa tareas y decisiones y supervisa a otros agentes más simples. Estas arquitecturas son ideales para flujos de trabajo secuenciales, pero son vulnerables a los cuellos de botella. Otras arquitecturas son más horizontales, con agentes que trabajan en armonía como iguales de forma descentralizada, pero esta arquitectura puede ser más lenta que una jerarquía vertical. Las diferentes aplicaciones de IA exigen arquitecturas diferentes.

Los agentes pueden aprender de sus experiencias, recibir feedback y ajustar su comportamiento. Con los guardarraíles adecuados, los sistemas agentivos pueden mejorar continuamente. Los sistemas multiagente poseen la escalabilidad necesaria para gestionar iniciativas de amplio alcance.

Debido a que los sistemas agentivos funcionan con LLM, los usuarios pueden interactuar con ellos mediante instrucciones en lenguaje natural. Esto significa que interfaces de software completas (pensemos en las numerosas pestañas, menús desplegables, gráficos, controles deslizantes, ventanas emergentes y otros elementos de IU involucrados en la plataforma SaaS de una elección) pueden reemplazarse por un lenguaje simple o comandos de voz. En teoría, cualquier experiencia de usuario de software ahora puede reducirse a “hablar” con un agente, que puede obtener la información que uno necesita y tomar medidas en función de esa información. Este beneficio en términos de productividad difícilmente puede exagerarse si se tiene en cuenta el tiempo que tardan los trabajadores en aprender y dominar nuevas interfaces y herramientas.

Las herramientas de IA agéntica pueden adoptar muchas formas y los diferentes marcos se adaptan mejor a diferentes problemas, pero estos son los pasos generales que siguen los sistemas agénticos para realizar sus operaciones.

La IA agéntica comienza recopilando datos de su entorno a través de sensores, API, bases de datos o interacciones con los usuarios. Este paso garantiza que el sistema tenga información actualizada para analizar y actuar.

Una vez recopilados los datos, la IA los procesa para extraer conocimiento significativo. Mediante el procesamiento del lenguaje natural (PLN), la visión artificial u otras capacidades de IA, interpreta las consultas de los usuarios, detecta patrones y comprende el contexto más amplio. Esta capacidad ayuda a la IA a determinar qué acciones tomar en función de la situación.

La IA establece objetivos basados en metas predefinidas o en las entradas de los usuarios. A continuación, desarrolla una estrategia para lograr estos objetivos, a menudo mediante el uso de árboles de decisión, aprendizaje por refuerzo u otros algoritmos de planificación.

La IA evalúa múltiples acciones posibles y elige la óptima en función de factores como la eficiencia, la precisión y los resultados previstos. Puede utilizar modelos probabilísticos, funciones de servicios o razonamiento basado en aprendizaje automático para determinar el mejor curso de acción.

Después de seleccionar una acción, la IA la ejecuta, ya sea interactuando con sistemas externos (API, datos, robots) o proporcionando respuestas a los usuarios.

Después de ejecutar una acción, la IA evalúa el resultado y recopila comentarios para mejorar las decisiones futuras. Mediante el aprendizaje por refuerzo o el aprendizaje autosupervisado, la IA refina sus estrategias con el tiempo, haciéndola más eficaz en el manejo de tareas similares en el futuro.

La orquestación de IA es la coordinación y gestión de sistemas y agentes. Las plataformas de orquestación automatizan los flujos de trabajo de la IA, rastrean el progreso hasta la finalización de las tareas, gestionan el uso de los recursos, supervisan el flujo de datos y la memoria y gestionan los fallos. Con la arquitectura adecuada, docenas, cientos o incluso miles de agentes podrían trabajar juntos con una productividad armoniosa.

Las soluciones de IA agéntica pueden implementarse en prácticamente cualquier caso de uso de IA en cualquier ecosistema del mundo real. Los agentes pueden integrarse en flujos de trabajo complejos para realizar procesos empresariales de forma autónoma.

• Un bot con IA puede analizar los precios de las acciones en vivo y los indicadores económicos para realizar análisis predictivo y ejecutar operaciones.
   

• En los vehículos autónomos, fuentes de datos en tiempo real, como el GPS y los datos de los sensores, pueden mejorar la navegación y la seguridad.
   

• En sanidad, 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 feedback en tiempo real a los clínicos a través de chatbots.
   

• En ciberseguridad, los agentes pueden monitorizar continuamente el tráfico de red, los registros del sistema y el comportamiento del usuario en busca de anomalías que puedan indicar vulnerabilidades a malware, ataques de phishing o intentos de acceso no autorizados.
   

• La IA puede agilizar la gestión de la cadena de suministro mediante la automatización y optimización de procesos, realizando pedidos de forma autónoma a los proveedores o ajustando los programas de producción para mantener unos niveles óptimos de inventario.

Los sistemas de IA agéntica tienen un enorme potencial para la empresa. Su autonomía es su principal beneficio, pero esta naturaleza autónoma puede acarrear graves consecuencias si los sistemas agénticos se "descarrilan". Se aplican los riesgos de la IA habituales, pero pueden magnificarse en los sistemas agénticos.

Muchos sistemas de IA agéntica utilizan el aprendizaje por refuerzo, que implica maximizar una función de recompensa. Si el sistema de recompensas está mal diseñado, la IA podría aprovechar las lagunas para conseguir "puntuaciones altas" de forma no intencionada.

Consideremos algunos ejemplos:

• Un agente encargado de maximizar la participación en las redes sociales que prioriza el contenido sensacionalista o engañoso, difundiendo inadvertidamente información errónea
   

• Un robot de almacén que optimiza la velocidad que daña los productos para moverse más rápido.
   

• Una IA de comercio financiero destinada a maximizar los beneficios que se involucra en prácticas comerciales arriesgadas o poco éticas, lo que desencadena inestabilidad en el mercado.
   

• Una IA de moderación de contenido diseñada para reducir el discurso perjudicial censura en exceso las discusiones legítimas.

Algunos sistemas de IA agéntica pueden autorreforzarse y escalar comportamientos en una dirección no deseada. Este problema ocurre cuando la IA optimiza demasiado agresivamente para una métrica particular sin salvaguardas. Y como los sistemas agénticos suelen estar compuestos por múltiples agentes autónomos que trabajan juntos, existen oportunidades para el fracaso. Atascos de tráfico, cuellos de botella, conflictos de recursos: todos estos errores tienen el potencial de desencadenarse en cascada. Es importante que los modelos tengan objetivos claramente definidos que puedan medirse, con bucles de feedback establecidos para que los modelos puedan mover cada vez más cerca de la organización con el tiempo.

La IA agéntica se basa en técnicas de IA generativa mediante el uso de modelos de lenguaje de gran tamaño (LLM) para funcionar en entornos dinámicos. Mientras que los modelos generativos se centran en crear contenido basado en patrones aprendidos, la IA agéntica amplía esta capacidad al aplicar las salidas generativas hacia objetivos específicos. Un modelo de IA generativa como ChatGPT de OpenAI puede producir texto, imágenes o código, pero un sistema de IA agéntica puede utilizar ese contenido generado para completar tareas complejas de forma autónoma llamando a herramientas externas. Los agentes pueden, por ejemplo, no solo decirle el mejor momento para escalar el monte. Everest, dado su horario de trabajo, también puede reservarle un vuelo y un hotel.

Medir el ROI (retorno de inversión) de las iniciativas agénticas requiere un marco que compare los costes totales de desarrollo e implementación con beneficios como las ganancias de eficiencia y el crecimiento de ingresos. Esto puede ser complicado, porque los beneficios suelen ser indirectos, abstractos y pueden no materializarse a corto plazo. 

Depende del tipo de agente, pero arreglar un agente de IA atascado suele implicar terminar el proceso estancado, borrar la memoria o el contexto del agente y refinar las instrucciones de indicación para ayudar al agente a evitar quedarse atascado en bucles lógicos.

El proceso requiere identificar flujos de trabajo repetitivos específicos ideales para la automatización, establecer conexiones seguras de API y comenzar un programa piloto con marcos de agentes de IA.  La identidad única de agente proporcionada por plataformas como IBM Verify es útil para minimizar los riesgos de seguridad asociados a la integración. 

La transparencia total en IA agéntica es difícil de lograr debido a la naturaleza compleja de cómo funcionan los modelos, pero cierto nivel de transparencia suele considerarse un requisito arquitectónico para una implementación segura y eficaz en contextos empresariales. Una cumbre de tecnología de IBM centrada en las operaciones de los agentes y la IA responsable abordó los desafíos operativos, de riesgo y de gobierno que presentan los agentes de IA.