Mejore la observabilidad de los agentes de IA con Langfuse, impulsado por watsonx Orchestrate.

By Jobit Varughese

A medida que el número de agentes de IA creados crece a diario, las empresas exploran sistemas autónomos para apoyar la toma de decisiones y los flujos de trabajo operativos. Al mismo tiempo, las organizaciones suelen expresar su preocupación por la explicabilidad, el gobierno y la preparación para la producción, especialmente en los sistemas multiagente que se basan en modelos lingüísticos de gran tamaño (LLM) para razonar. Es un desafío utilizar agentes en entornos empresariales que proporcionan respuestas sin una explicación clara o que muestran un comportamiento incoherente.

Estos desafíos pueden abordarse utilizando IBM watsonx Orchestrate que proporciona una plataforma estructurada, que soporta autoalojamiento, razonamiento basado en herramientas, llamadas a API y control de nivel empresarial sin necesidad de código de orquestación personalizado.

Dynamiq construyó un asistente de investigación legal multiagente para un importante cliente de seguros, enrutando las consultas a través de un clasificador IBM Granite de bajo coste antes de escalar a un agente de investigación más complejo. Hacer viable este flujo de trabajo de alto riesgo requería una visibilidad profunda de cada paso de razonamiento y llamada de herramienta. Gracias a la integración de IBM watsonx Orchestrate, Dynamiq garantizó que todas las decisiones fueran totalmente trazables, auditables y documentadas, lo que permitió reducir el tiempo de revisión de los contratos de 90 minutos a 45 sin comprometer el gobierno.

En este tutorial, aprenderá cómo crear un agente de IA en watsonx Orchestrate con el Agent Development Kit (ADK) de watsonx Orchestrate. En los sistemas de IA basados en LangChain o LangGraph, los desarrolladores suelen gestionar manualmente los intentos, la gestión de estados y la ejecución asincrónica. Watsonx Orchestrate ADK facilita este proceso mediante la gestión integrada del ciclo de vida que permite implementaciones de agentes coherentes y preparadas para la empresa.

Utilizará Python para crear la lógica de evaluación de riesgos, definir el comportamiento de los agentes e incorporar Langfuse para monitorizar y mejorar el comportamiento de los agentes con rastros de ejecución reales. También puede encontrar este tutorial en GitHub.

¿Qué es Langfuse?

Langfuse es una plataforma de observabilidad LLM de código abierto construida sobre OpenTelemetry para monitorizar aplicaciones y agentes LLM. Utiliza telemetría (trazas, métricas y registros) para monitorizar las trazas de las ejecuciones de agentes, incluyendo llamadas a LLM, llamadas a herramientas, uso de tokens, metadatos y latencia a nivel de solicitud y por sesión.

Permite a los desarrolladores obtener perspectivas profundas sobre cómo los agentes se desempeñan en escenarios del mundo real, identificar las causas raíz de los outputs incorrectos y optimizar sistemáticamente el comportamiento de los agentes para una mayor fiabilidad y eficiencia.

Descripción general del caso de uso: información sobre riesgos de proveedores

El objetivo de este tutorial es crear un agente de IA para el gobierno empresarial que evalúe el riesgo de los proveedores mediante un análisis determinista basado en reglas. Creamos un conjunto de datos sintético de proveedores con calificaciones financieras, certificaciones de seguridad e historial de incidentes. El agente procesa estos datos y clasifica a los proveedores en niveles de riesgo específicos (bajo, medio o alto) al tiempo que justifica sus decisiones.

También soporta seguimientos interactivos que permiten a los usuarios comparar proveedores o simular cómo los cambios en los datos afectarían a una puntuación de riesgo, asegurando el alto nivel de auditabilidad necesario para el cumplimiento corporativo.

A continuación se muestra una demostración interactiva del agente de riesgo de proveedores completado integrado en este tutorial. Explore cómo el agente clasifica a los proveedores, responde a las preguntas y traza su razonamiento a través de Langfuse, para que tenga una visión clara de lo que está construyendo antes de empezar.

Demo práctica

Requisitos previos

Para completar este tutorial, necesita:

Python 3.11 o posterior instalado en su sistema.
Una cuenta de watsonx Orchestrate. Para este tutorial, una cuenta de prueba es suficiente. Puede usar IBM Cloud para crear una prueba gratuita de 30 días cuando no tenga cuenta.
Una clave de API de watsonx Orchestrate de la interfaz de usuario (IU) de Orchestrate.
Un ADK de watsonx Orchestrate instalado en su sistema.

Pasos

Paso 1: Iniciar sesión en watsonx Orchestrate

Inicia sesión en watsonx Orchestrate a través de IBM Cloud y abre la IU de watsonx Orchestrate. Vaya a los detalles de la API después de abrir Configuración en el menú de perfil. Cree una nueva clave de API, cópiela y guárdela de forma segura. Durante el desarrollo local, watsonx Orchestrate ADK se autentica con esta clave de API. Watsonx Orchestrate actúa como un SDK local (Software Development Kit) para construir y probar la lógica de agentes.

Paso 2: Establecer un entorno de desarrollo local

En este paso, cree un entorno de desarrollo local. A lo largo de este tutorial, ejecutará un servidor de desarrollo local, importará herramientas, configurará entornos y creará agentes a través de la interfaz de línea de comandos Orchestrate (CLI) proporcionada por el ADK en Powershell. Empiece navegando hasta el directorio donde quieres construir su proyecto. A continuación, cree un nuevo entorno virtual de Python:

python -m venv .venv

Se crea un entorno de Python aislado en una carpeta.venv. El uso de un entorno virtual garantiza que todas las dependencias de este tutorial estén separadas de la instalación de Python en todo su sistema.

A continuación, active el entorno virtual. Su sistema operativo determina qué comando de activación utilizar.

En Windows:

.\.venv\Scripts\activate

macOS y Linux:

source ./.venv/bin/activate

Una vez activado, la instrucción de su terminal mostrará .venv al principio para mostrar que está trabajando en un entorno virtual.

Paso 3: Instalar el ADK de watsonx Orchestrate

Con el entorno virtual activo, instale el ADK de watsonx Orchestrate en su equipo local. Para utilizar el ADK, conéctelo a su entorno watsonx Orchestrate existente. Ejecute el siguiente comando en PowerShell:

pip install --upgrade ibm-watsonx-orchestrate

Puede seguir los próximos pasos de la instalación de ADK siguiendo los pasos del documento oficial de instalación.

Nota: Este tutorial ejecuta el tiempo de ejecución de watsonx Orchestrate Developer Edition de forma local y lo conecta a la instancia SaaS de watsonx Orchestrate con las credenciales.

Para ejecutar este método, cree un archivo llamado .env en la raíz de la carpeta del proyecto y añada los siguientes valores:

WO_DEVELOPER_EDITION_SOURCE=orchestrate

WO_INSTANCE=<your_watsonx_orchestrate_instance_url>

WO_API_KEY=<your_watsonx_orchestrate_api_key>

Este .env es necesario para ejecutar el servidor. En los próximos pasos, lo iniciará con el comando orchestrate server start -e .env -l.

Paso 4: Configurar el entorno de watsonx Orchestrate en el ADK

A continuación, debe configurar su ADK con una clave de API de watsonx Orchestrate válida para conectar su entorno local a watsonx Orchestrate.

Nota: El kit de desarrollo WatsonX Orchestrate ADK es compatible con varios tipos de entornos, incluidos IBM Cloud, AWS e implementaciones locales. En este tutorial, utilizamos el entorno local y nos autenticamos con una clave API a través de la CLI de ADK. El ADK gestiona de forma segura las credenciales internamente, por lo que no se implementa ninguna configuración manual de variables de entorno para esta configuración.

Desde el directorio de su proyecto (con el entorno virtual activado), ejecute el siguiente comando para añadir su entorno Watsonx Orchestrate:

orchestrate env add -n onprem-env -u <service-instance-url>

En este caso, service-instance-url es la URL de su instancia de Watsonx Orchestrate. Puede encontrar esta información en la misma pestaña de detalles de la API, en la configuración de la IU de watsonx Orchestrate.

A continuación, active el entorno que añadió:

orchestrate env activate onprem-env

Ahora, cuando se le solicite, introduzca la clave de watsonx Orchestrate obtenida en el paso 1. Cuando se haya activado el entorno, cualquier comando posterior relacionado con el ADK, como la importación de agentes, herramientas o la ejecución del servidor, se ejecutará en el entorno de watsonx Orchestrate.

Nota: Si quiere ejecutar todo localmente con la Developer Edition, puede activar el entorno local predeterminado a través de:

orchestrate env activate local

Esto cambia su ADK al entorno local integrado de Orchestrate, que es útil para pruebas locales.

Paso 5: Inicializar el proyecto local de Watsonx Orchestrate

En este paso, creará la plantilla marco del agente que contiene la definición, las herramientas y el código fuente de su agente de inteligencia de riesgos de proveedores. A continuación, cree la estructura de carpetas necesaria para el desarrollo local basado en ADK:

── adk-project(vendor-risk-intel)/
── agents/
── tools/
── src/

Puede añadir el comando que se indica aquí para crear la estructura del agente:

mkdir -p adk-project\(vendor-risk-intel\)/{agents,src,tools}

Cada carpeta tiene un propósito específico:

La carpeta agents contiene el archivo YAML con las instrucciones, las reglas de razonamiento y la configuración del modelo del agente. Determina cómo responde el sistema a las preguntas de los usuarios. La carpeta tools contiene un archivo YAML que describe la herramienta proporcionada al agente. La carpeta src contiene la implementación de Python para las herramientas personalizadas y la lógica empresarial.

Paso 6: Iniciar el servidor de watsonx Orchestrate

Inicie el servidor watsonx Orchestrate para que pueda recibir y almacenar sus importaciones antes de importar herramientas y agentes. Ejecute este comando desde la raíz de la carpeta del proyecto:

orchestrate server start -e .env -l

Paso 7: Configurar la observabilidad de Langfuse (SaaS)

Los próximos pasos a seguir son la observabilidad del agente, donde se analiza el comportamiento del agente en tiempo de ejecución, por ejemplo, las herramientas a las que se llama, la latencia y dónde se producen los errores. Para ello, active la observabilidad de Langfuse en el entorno de watsonx Orchestrate ADK.

En este tutorial, se utiliza la versión SaaS de Langfuse, que le permite capturar rastros sin ejecutar Langfuse localmente.

Asegúrese de que el servidor Watsonx Orchestrate esté funcionando (paso 6) antes de configurar Langfuse.

Después, cree una cuenta de Langfuse en https://cloud.langfuse.com. Después de iniciar sesión, cree una nueva organización y proyecto. En la configuración del proyecto, copie el identificador del proyecto, la clave pública, la clave secreta y la URL del anfitrión.

Ahora configure Langfuse en watsonx Orchestrate ADK con el comando que se muestra después de esta sección y reemplace los marcadores de posición con los valores copiados:

orchestrate settings observability langfuse configure `
    --url “<LANGFUSE_HOSTNAME>/api/public/otel” `
    --api-key “<LANGFUSE_SECRET_KEY>“ `
    --health-uri “https://cloud.langfuse.com” `
    --config-json “{\”public_key\”:\”<LANGFUSE_PUBLIC_KEY>\”}” `
    --project-id “<LANGFUSE_PROJECT_ID>“

Una vez que este comando haya finalizado correctamente, el módulo Langfuse se integrará completamente en el entorno de watsonx Orchestrate. En esta etapa, todas las interacciones con los agentes se registran automáticamente en el módulo Langfuse.

Ahora que el servidor está en funcionamiento, puede probar el agente.

Paso 8: Definir el agente de inteligencia de riesgos del proveedor

El próximo paso es definir el agente de inteligencia de riesgos de proveedores. Los agentes de watsonx Orchestrate ADK se declaran con archivos YAML que describen el objetivo del agente, las limitaciones de razonamiento, la configuración del modelo y las herramientas permitidas.

En el directorio de agentes, cree un archivo llamado vendor-risk-agent.yaml. Este archivo constituye la capa de gestión de instrucciones del agente, que garantiza que todas las respuestas se basen en un razonamiento determinista, en lugar de en una inferencia libre.

La definición de agente utilizada en este tutorial se muestra a continuación. Copie y pegue la siguiente definición de agente en su archivo agent/vendor-risk-agent.yaml. Guarde el archivo después.

spec_version: v1
kind: native
name: Vendor_Risk_Intelligence_Agent
description: Produces precise risk assessments using verified vendor profiles.
instructions: |
    You are a Vendor Risk Auditor.
    You MUST answer ALL questions by:
    1. Calling the Python tool `evaluate_all_vendor_risks`
    2. Reasoning strictly from the returned structured data
    3. Explaining answers using rules, signals, and outcomes from the tool
    4. Call evaluate_all_vendor_risks exactly once per question
    5. For definition questions, quote rules directly from the tool output
    NEVER infer meanings of financial ratings.
    NEVER guess intent.
    NEVER answer without tool evidence.
    Question handling rules:
    - Definition questions (e.g. “Does B+ mean High risk?”):
→ Explain the rule from the tool’s `rules` section.
    - Why questions (e.g. “Why is DataSecure Ltd High risk?”):
→ Cite strong and weak signals for that vendor.
    - Comparison questions (e.g. “Why is A Medium but B High?”):
→ Compare signal counts and types.
    - Policy questions (e.g. “What causes High risk?”):
→ Quote the tool’s rules exactly.
    - If the tool does not support a claim:
→ Say so explicitly.
    Use deterministic language only.
    Do not use speculative words like “might”, “could”, or “appears”.

llm: watsonx/meta-llama/llama-3-2-90b-vision-instruct
style: react
tools:
    - evaluate_all_vendor_risks

Esta configuración garantiza que el agente se comporte de forma predecible en las preguntas de qué, por qué, cómo y de comparación. El sistema evita las alucinaciones al prohibir las suposiciones sobre calificaciones financieras o significados de riesgo a menos que el resultado de la herramienta los defina explícitamente.

Paso 9: Implantar la lógica de evaluación de riesgos de los proveedores

En este paso, implemente la herramienta Python que realiza la evaluación de riesgos del proveedor. En watsonx Orchestrate ADK, la lógica de negocio personalizada se implementa mediante herramientas Python que hacen que los agentes comiencen a obtener los resultados. En lugar de depender de afinar un modelo para un comportamiento específico de un dominio, este tutorial demuestra cómo el razonamiento determinista basado en reglas puede implementarse mediante herramientas Python que aseguran resultados consistentes.

Dentro de la carpeta src, cree un archivo llamado main.py. Este archivo contiene el conjunto de datos de proveedores que hemos creado, las reglas de evaluación de riesgos y una herramienta de Python llamada evaluate_all_vendor_risks que proporciona la lógica al agente.

La lógica del riesgo se basa en reglas. En cuanto a señales de alto riesgo, una empresa puede recibir una puntuación de riesgo debido a su rendimiento financiero, incidentes de seguridad en el pasado o investigaciones regulatorias. Una empresa puede recibir una puntuación de riesgo media debido a la ausencia de certificaciones, incidentes operativos únicos o interrupciones por condiciones climáticas.

La función evaluate_all_vendor_risks se crea como una herramienta de watsonx Orchestrate, por lo que el agente puede llamarla durante la ejecución. La herramienta devuelve un output estructurado que incluye el nivel de riesgo final y las razones exactas que causaron la clasificación.

Nota: El archivo main.py incluido en este tutorial es la última versión actualizada de la lógica de evaluación de riesgos de los proveedores. Los primeros conjuntos de código provocaban comportamientos erróneos de los agentes, que se analizaban mediante rastreos de Langfuse. Puede encontrar los rastros de Langfuse en las capturas de pantalla que aparecen en los últimos pasos de este tutorial.

A continuación se muestra el código completo del archivo main.py utilizado en este tutorial. Cópielo y péguelo en src/main.py. Después de eso, guarde el archivo.

from ibm_watsonx_orchestrate.agent_builder.tools import tool

# =====================================================
# IN-MEMORY VENDOR DATA
# =====================================================

VENDORS = [
    {
        “name”: “CloudHostCo”,
        “financial_rating”: “A-“,
        “security_certifications”: [“ISO 27001”, “SOC2 Type II”],
        “past_incidents”: [{“type”: “Operational”, “year”: 2023}],
        “recent_news”: [“Minor service disruption in EU region”]
    },
    {
        “name”: “DataSecure Ltd”,
        “financial_rating”: “B”,
        “security_certifications”: [“SOC2 Type I”],
        “past_incidents”: [{“type”: “Security”, “year”: 2022}],
        “recent_news”: [“Suspicious login attempts on admin accounts”]
    },
    {
        “name”: “FinPay Solutions”,
        “financial_rating”: “A”,
        “security_certifications”: [“PCI-DSS”],
        “past_incidents”: [],
        “recent_news”: [“Regulatory inquiry about payment delays”]
    },
    {
        “name”: “GreenLogistics Corp”,
        “financial_rating”: “B+”,
        “security_certifications”: [“ISO 9001”],
        “past_incidents”: [{“type”: “Operational”, “year”: 2023}],
        “recent_news”: [“Weather-related disruptions in the UK”]
    }
]

REQUIRED_CERTS = {“ISO 27001”, “SOC2 Type II”, “PCI-DSS”}

# =====================================================
# RISK COMPUTATION (FIXED)
# =====================================================

def compute_vendor_risk(vendor: dict) -> dict:
    strong_signals = []
    weak_signals = []

  # ---------- Strong signals ----------

    # Financial risk ONLY for B or worse (NOT B+)
    if vendor[“financial_rating”] in {“B”, “B-“, “C”, “C-“, “D”}:
        strong_signals.append(“Weak financial rating”)

    # Security incident
    if any(i[“type”].lower() == “security” for i in vendor.get(“past_incidents”, [])):
        strong_signals.append(“Past security incident”)

    # Regulatory inquiry
    for news in vendor.get(“recent_news”, []):
        if “regulatory inquiry” in news.lower():
        strong_signals.append(“Regulatory inquiry”)
        break

    # ---------- Weak signals ----------

    # Missing key certifications
    certs = set(vendor.get(“security_certifications”, []))
    if not REQUIRED_CERTS.issubset(certs):
        weak_signals.append(“Missing key security certifications”)

    # Single operational incident
    incidents = vendor.get(“past_incidents”, [])
    if len(incidents) == 1 and incidents[0][“type”].lower() == “operational”:
        weak_signals.append(“Single operational incident”)

    # Weather-related disruptions are weak only
    for news in vendor.get(“recent_news”, []):
      if “weather” in news.lower():
        weak_signals.append(“Weather-related disruption”)
        break

    # ---------- Final decision ----------

    if len(strong_signals) >= 2:
        risk = “High”
    elif len(strong_signals) == 1 or len(weak_signals) >= 2:
        risk = “Medium”
    else:
        risk = “Low”

    return {
        “risk”: risk,
        “strong_signals”: strong_signals,
        “weak_signals”: weak_signals
    }

# =====================================================
# PYTHON TOOL
# =====================================================

@tool
def evaluate_all_vendor_risks() -> dict:
    “””
    Returns structured vendor risk assessments with explanations and rules.
    “””
    return {
        “rules”: {
            “financial_rating_rule”: “Only financial ratings of B or lower are treated as strong risk signals. B+ and above are not strong signals.”,
            “high_risk_rule”: “High risk requires two or more strong signals.”,
            “medium_risk_rule”: “Medium risk occurs with one strong signal or two or more weak signals.”,
            “weather_rule”: “Weather-related disruptions are always weak signals.”,
            “operational_rule”: “A single operational incident is a weak signal.”
        },
        “vendors”: {
            v[“name”]: {
                “financial_rating”: v[“financial_rating”],
                “risk”: compute_vendor_risk(v)[“risk”],
                “strong_signals”: compute_vendor_risk(v)[“strong_signals”],
                “weak_signals”: compute_vendor_risk(v)[“weak_signals”]
            }
            for v in VENDORS
        }
    }

Paso 10: Importar la herramienta y el agente de Python en watsonx Orchestrate

En este paso, la herramienta y el agente deben estar disponibles para watsonx Orchestrate. Este proceso se realiza importando estos componentes al entorno ADK activado. Antes de ejecutar los comandos de importación, asegúrese de estar dentro de la carpeta raíz de su proyecto (la misma carpeta que contiene los directorios de agentes, src y herramientas).

Primero, importe la herramienta Python para que watsonx Orchestrate pueda registrarla como una capacidad ejecutable. Desde la raíz del directorio de su proyecto, ejecute el siguiente comando:

orchestrate tools import --kind python --file src/main.py --package-root .

Este comando empaqueta el código Python en un módulo, registra la herramienta evaluate_all_vendor_risks y permite que los agentes la llamen.

orchestrate agents import -f agents/vendor-risk-agent.yaml

A continuación, el agente de inteligencia de riesgos de proveedores se integra completamente con la herramienta Python en el entorno de watsonx Orchestrate.

Paso 11: Probar el agente y analizar su comportamiento con Langfuse

Con el servidor local de watsonx Orchestrate en ejecución y la observabilidad del agente habilitada, ahora puede probar el agente y analizar su comportamiento en tiempo real.

Inicie la interfaz de chat ejecutando el siguiente comando:

orchestrate chat start

Ahora abra la IU de chat de watsonx Orchestrate en su navegador. Desde el selector de agentes, seleccione Vendor_Risk_Intelligence_Agent y comience a hacer preguntas relacionadas con el riesgo del proveedor.

Para comprobar que el agente responde correctamente (y que invoca la herramienta de Python de forma determinista), a continuación se incluyen algunas preguntas de ejemplo que puede utilizar para realizar pruebas:

¿B+ significa alto riesgo?
¿Qué riesgo supone DataSecure Ltd?
¿Cuáles son los criterios para el riesgo medio?
¿Qué proveedor tiene la calificación financiera más baja?
Si las soluciones FinPay experimentaran un incidente de seguridad, ¿cómo cambiaría su nivel de riesgo?
¿Qué proveedores han experimentado incidentes operativos?

Mientras interactúa con el agente, abra el panel de control de Langfuse en su navegador. Cada consulta de usuario crea un nuevo seguimiento e incluye un session_id y un ID de usuario. Estos registros documentan la ruta de ejecución completa del agente. Al seleccionar un rastro, puede analizar:

La entrada y output completos del agente
La invocación de la herramienta Python
Los datos estructurados que devuelve la herramienta
El proceso de razonamiento seguido para llegar a la respuesta final
Latencia para cada paso del proceso
Flujo de conversación por sesiones para varias preguntas

Esta observabilidad le ayuda a analizar las métricas de rendimiento que señalan cuellos de botella como errores en la suposición, reglas incompletas o comportamientos inesperados de los agentes.

Paso 12: Refinar el comportamiento de los agentes con perspectivas de Langfuse

Después de probar el agente, utilice los rastreos de Langfuse para identificar las respuestas incorrectas. Langfuse muestra la invocación, el paso de razonamiento y la latencia de respuesta de cada herramienta, lo que facilita entender por qué se ha producido una respuesta.

En este caso de uso, el análisis de rastreo reveló que se produjeron algunas respuestas incorrectas cuando el agente infirió significados financieros o respondió sin citar explícitamente pruebas basadas en reglas. Para cambiar esta acción, se modificaron las instrucciones del agente y el código Python correspondiente para correcciones el pensamiento estricto basado en reglas con la acción de herramienta requerida.

Después de volver a importar los archivos actualizados, se volvió a probar el agente. Los nuevos rastreos garantizan que las respuestas estuvieran firmemente arraigadas en el output estructurado de la herramienta, que las explicaciones fueran deterministas y que las respuestas a todas las preguntas descriptivas fueran correctas.

Este proceso de observación y refinamiento muestra cómo Langfuse ayuda a un desarrollo seguro y sólido de agentes basándose en el feedback de los usuarios.

Explore la demostración interactiva a continuación para explorar el agente de riesgo del proveedor y el rastreo de Langfuse en acción.

Conclusión

Este tutorial le ha guiado en la creación de un agente de IA estructurado y fiable con watsonx Orchestrate, desarrollado para la creación de agentes de nivel empresarial. Con la integración de lógica Python basada en reglas sencilla, instrucciones claras de agente y herramientas reutilizables, ha implementado un caso de uso en la evaluación de riesgos del proveedor con código mínimo y máxima transparencia.

La incorporación de Langfuse ha hecho que sea fácil detectar el comportamiento de los agentes e identificar los problemas de razonamiento para mejorar continuamente la precisión sin conjeturas. Este enfoque ayuda a las empresas a optimizar los sistemas de agentes de extremo a extremo, automatizar flujos de trabajo complejos e implementar sistemas de IA con total transparencia.

Más importante aún, juntos, watsonx Orchestrate ADK y Langfuse permiten a las empresas diseñar, depurar y escalar flujos de trabajo agénticos complejos y aplicaciones de IA más rápido, con un gobierno más sólido y un razonamiento más claro y un tiempo de desarrollo reducido.

Jobit Varughese

Technical Content Writer

IBM

Comience a obtener ROI: una guía práctica para la IA agéntica

Aprenda a escalar la IA agéntica para obtener un ROI medible en toda su empresa. Esta guía de estrategias describe los principales obstáculos que limitan el impacto, cómo medir eficazmente el ROI y un marco práctico para impulsar una adopción exitosa en toda la empresa.

Recursos

Proteja a sus agentes

Los ataques de inversión de modelos de IA cuestan ahora una media 6 millones de USD, lo que pone de manifiesto los crecientes retos que supone proteger los sistemas de IA y los datos sensibles.

Diseño de una aerolínea basada en la IA a escala empresarial

Cuando los márgenes son escasos, cada ineficiencia importa. Aunque los sistemas heredados continúan limitando el potencial de la IA en la aviación, Riyadh Air eligió un camino diferente. En colaboración con IBM, Riyadh Air ha creado la primera aerolínea del mundo basada en la IA, redefiniendo así una forma de viajar más inteligente, más rápida y más intuitiva.

La empresa en 2030: diseñada para la innovación continua

Descubra nuestras cinco predicciones sobre los factores que definirán a las empresas más exitosas en 2030 y las medidas que los líderes pueden adoptar para obtener una ventaja competitiva gracias a la IA.

AI governance imperative: Evolving regulations and emergence of agentic AI

Aprenda cómo las regulaciones en evolución y la aparición de agentes de IA están transformando la necesidad de marcos robustos de gobierno de la IA.

Explicación de la IA agéntica

Techsplainers de IBM desglosa lo esencial de la IA agéntica, desde los conceptos clave hasta los casos de uso en el mundo real. Los episodios claros y rápidos le ayudan a aprender los fundamentos de forma rápida.

Desbloquee el ROI de la IA: una guía táctica para la productividad empresarial

Aprenda estrategias probadas para aumentar la productividad y potenciar la transformación con la IA y la innovación como núcleo.

How AI agents and assistants can benefit your organization

Sumérjase en esta completa guía que desglosa los casos de uso clave y las capacidades principales, y proporciona recomendaciones paso a paso para ayudarle a elegir las soluciones adecuadas para su negocio.

Reimagine business productivity with AI agents and assistants

Descubra cómo los agentes de IA y asistentes de IA pueden trabajar juntos para alcanzar nuevos niveles de productividad.

Pruebe watsonx Orchestrate

Explore cómo los asistentes de IA generativa pueden aligerar su carga de trabajo y mejorar la productividad.

De los proyectos de IA a los beneficios: cómo la IA agéntica puede mantener la rentabilidad financiera

Descubra cómo las organizaciones están pasando de proyectos piloto aislados de IA a impulsar la transformación de sus actividades principales gracias a la IA agéntica.

Informe de Omdia sobre la inteligencia potenciada: El impacto de los agentes de IA

Descubra cómo puede desbloquear todo el potencial de la IA generativa con agentes de IA.

How AI agents will reinvent productivity

Aprenda formas de utilizar la IA para ser más creativo y eficiente y empezar a adaptarse a un futuro que implica trabajar en estrecha colaboración con los agentes de IA.

Introducción a la empresa agéntica: poner la IA al servicio de toda su tecnología

Manténgase al día sobre los nuevos agentes de IA emergentes, un punto de ruptura fundamental en la revolución de la IA.

El futuro de los agentes, el consumo de energía de la IA, el uso del ordenador de Anthropic y la marca de agua de Google en el texto generado por IA

Manténgase a la vanguardia con nuestros expertos en IA en este episodio de Mixture of Experts mientras profundizan en el futuro de los agentes de IA y más.

Cómo utiliza Comparus un "asistente bancario"

Comparus utilizó soluciones de watsonx.ai y demostró de manera impresionante el potencial de la banca conversacional como un nuevo modelo de interacción.

Soluciones relacionadas

Agentes de IA para empresas

Cree, implemente y gestione potentes asistentes y agentes de IA que automaticen flujos de trabajo y procesos con IA generativa.

Explore watsonx Orchestrate

Soluciones de agente de IA de IBM

Construya el futuro de su empresa con soluciones de IA en las que puede confiar.

Explore las soluciones de los agentes de IA

Servicios de IA de IBM Consulting

Los servicios de IA de IBM Consulting ayudan a reinventar la forma de trabajar de las empresas usando IA para la transformación.

Explore los servicios de inteligencia artificial

Dé el siguiente paso

Tanto si opta por personalizar las aplicaciones y habilidades prediseñadas como si prefiere crear e implementar servicios agentivos personalizados mediante un estudio de IA, la plataforma IBM watsonx le ofrece todo lo que necesita.