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

Durante los últimos años,la IA generativa o IA ha sido la novedad entre los tecnólogos, pero recientemente se ha introducido un nuevo término en  las comunidades de desarrollo de IA recientemente. “Agentic” es la última palabra de moda en IA y, en este caso, es apropiado creer en el rumor. 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 que es capaz de realizar tareas de forma autónoma en nombre de un usuario u otro sistema mediante el diseño de su flujo de trabajo y el uso de las herramientas disponibles. El sistema tiene "agencia" para tomar decisiones, tomar medidas, resolver problemas complejos e interactuar con entornos externos más allá de los datos sobre los que se entrenaron los modelos de machine learning (ML) del sistema.

Los agentes de IA se basan no solo 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 manejar aplicaciones de IA complejas y de varios pasos que la IA tradicional no podría manejar, lo que los convierte en una parte clave de la estrategia de automatización de procesos de la organización moderna.

Si le preguntara a un chatbot LLM de propósito general como ChatGPT qué fabricante de helados comprar, las capacidades de procesamiento de lenguaje natural (PLN) de ese modelo le permitirían dar recomendaciones basadas en sus datos de entrenamiento, que probablemente incluirían información extraída de la Internet. Pero no quiere consejos genéricos del pasado, necesita consejos que consideren información en tiempo real.

Una plataforma de IA agéntica consiste en un LLM que Orquestrate el comportamiento de múltiples agentes que se pueden desplegar 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 si 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 las personas les encanta una heladera específica que está a la venta en un minorista específico, sino que, en teoría, podría hacer 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 mínima intervención humana.

Hay buenas razones para pensar que el revuelo en torno a la IA agéntica está justificado. Aquí hay 4:

Los LLM se destacan en el procesamiento y 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 cual 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.

Mientras tanto, la programación tradicional es altamente estructurada, determinista y confiable, lo que la hace ideal para tareas que requieren precisión, repetibilidad y verificabilidad. Los lenguajes de programación tradicionales proporcionan un control granular sobre cómo se ejecutan las tareas, lo que ayuda a garantizar que los flujos de trabajo complejos, los algoritmos o los requisitos específicos del sistema puedan definirse y optimizarse explícitamente. La programación tradicional suele ser más eficiente para tareas que requieren alto rendimiento o funciones únicas.

Los sistemas de IA Agéntica ofrecen lo mejor de ambos mundos: utilizan LLM para manejar tareas que se benefician del beneficio y las respuestas dinámicas, al tiempo que combinan estas capacidades de IA con 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 tradicionales y deterministas.

Un sistema de IA agéntica puede contener agentes reflejos simples que realizan una tarea simple bien y de manera consistente. Los agentes más complejos basados en reglas 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 Ingesta nuevos datos, pero pueden utilizarlos para fundamentar decisiones posteriores, mejorando la 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 ni actualizar datos en tiempo real de fuentes externas por su cuenta.

Los LLM no pueden interactuar directamente con herramientas externas o sistemas de procesamiento de datos (como hojas de cálculo, plataformas en la nube o software de análisis) ni configurar de forma autónoma sistemas para monitorear 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 Initiate y gestionar tareas como el registro, la supervisión en tiempo real y el análisis de tendencias. Pueden rastrear y recopilar de forma proactiva flujos de datos de dispositivos IoT, fuentes de redes sociales u otros sistemas, proporcionando a los LLM entradas frescas para una toma de decisiones más informada y respuestas contextuales.

La IA agéntica puede utilizar bucles de feedback en los que busca activamente nuevos datos para refinar sus modelos o procesos de toma de decisiones. Esto podría implicar consultar periódicamente nuevas fuentes, recopilar feedback 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.

Con los grandes cerebros de los LLM y las capacidades de los agentes, la IA agéntica puede operar de forma independiente y autónoma para realizar tareas específicas sin necesidad de supervisión humana constante. Esto permite un funcionamiento continuo en entornos donde la supervisión humana es limitada o innecesaria. Los sistemas autónomos pueden mantener objetivos a largo plazo, gestionar tareas de varios pasos y realizar un seguimiento del progreso a lo largo del tiempo.

Por ejemplo, una IA agéntica podría encargarse de gestionar una campaña de marketing, monitorear continuamente el rendimiento, ajustar las Estrategias y optimizar los Resultados en función de la retroalimentación sin necesidad de entrada humana en cada paso.

En la atención médica, los agentes pueden monitorear los datos de los pacientes, ajustar las recomendaciones de tratamiento en función de los nuevos resultados de las pruebas y proporcionar retroalimentación en tiempo real a los médicos.

En ciberseguridad, los agentes pueden monitorear continuamente el tráfico de red, los registros del sistema y el comportamiento de los usuarios en busca de anomalías que puedan indicar posibles amenazas de 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 recursos humanos, los agentes pueden analizar el rol y los antecedentes del nuevo empleado para crear rutas de capacitación de incorporación personalizadas. Puede ajustar el contenido y los materiales de aprendizaje en función de la experiencia previa de la persona, los requisitos del puesto y el ritmo de aprendizaje.

Uno puede imaginar muchas funciones comerciales que actualmente se realizan con productos de software como servicio (SaaS) siendo reemplazadas o aumentadas por sistemas de agentes, que permiten a los trabajadores interactuar con los datos y realizar tareas de manera más eficiente con entradas de lenguaje natural e interfaces de usuario simplificadas.

Por ejemplo, imagine un sistema de tickets que los desarrolladores de software utilizan para realizar un seguimiento del progreso de los proyectos. Un sistema de este tipo requiere muchas tablas, pestañas y flujos de trabajo que no siempre son fáciles de entender a primera vista. Para encontrar información útil, los usuarios deben buscar los datos correctos, navegando por una compleja matriz 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 agrupar todos esos datos en tablas y pestañas, el usuario solo tuviera que pedir la información que necesita en lenguaje humano sencillo?

Por ejemplo, imagine generar una diapositiva de presentación que muestre 5 gráficos de barras que representen cada ticket completado por empleado para el mes actual, retrocediendo 5 años, todo sin 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 segundos.

Para las organizaciones que luchan por ver los beneficios de la IA generativa, los agentes de IA pueden ser la clave para encontrar un beneficio comercial 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 más impulsado por IA.