¿Qué es IA agéntica?

A diferencia de los modelos de IA tradicionales, que operan dentro de restricciones predefinidas y requieren intervención humana, la IA agéntica demuestra autonomía, comportamiento orientado a objetivos y adaptabilidad. El término “agéntica/o” se refiere a la capacidad que tienen estos modelos para actuar de manera independiente e intencional.

Los sistemas agénticos tienen muchas ventajas sobre sus predecesores generativos, que están limitados por la información contenida en los conjuntos de datos con los que se entrenan los modelos.

El avance más importante de los sistemas agénticos es que tienen la autonomía para realizar tareas sin supervisión constante por parte de humanos. Los sistemas agénticos pueden mantener objetivos a largo plazo, gestionar tareas de resolución de problemas de varios pasos y dar seguimiento al progreso a lo largo del tiempo.

Los sistemas agénticos ofrecen la flexibilidad de los LLM, que pueden generar respuestas o acciones basadas en una comprensión más compleja y dependiente del contexto, con las características estructuradas, deterministas y confiables de la programación tradicional. Este enfoque permite a los agentes “pensar” y “hacer cosas” de una manera más humana.

Los LLM por sí solos no pueden interactuar directamente con herramientas o bases de datos externas ni establecer sistemas para monitorear y recopilar datos en tiempo real, pero los agentes sí. Los agentes pueden buscar en la web, llamar interfaces de programación de aplicaciones (API) y consultar bases de datos, y luego emplear esta información para tomar decisiones y emprender acciones.

Los agentes pueden especializarse en tareas específicas. Algunos agentes son simples y realizan una sola tarea repetitiva de manera confiable. Otros pueden usar 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 vigila a otros agentes más simples. Estas arquitecturas son ideales para flujos de trabajo secuenciales, pero son propensas a los cuellos de botella. Otras arquitecturas son más horizontales, con agentes que trabajan en armonía como iguales de manera descentralizada, pero esta arquitectura puede ser más lenta que una jerarquía vertical. Las diferentes aplicaciones de IA exigen diferentes arquitecturas.

Los agentes pueden aprender de sus experiencias, recibir retroalimentación y ajustar su comportamiento. Con las protecciones adecuadas, los sistemas agénticos pueden mejorarse continuamente. Los sistemas multiagente poseen la escalabilidad necesaria para ocuparse, con el tiempo, de iniciativas de amplio alcance.

Dado que los sistemas agénticos funcionan con LLM, los usuarios pueden interactuar con ellos con instrucciones de lenguaje natural. Esto significa que interfaces de software completas (piense en la gran cantidad de pestañas, menús desplegables, gráficos, controles deslizantes, ventanas emergentes y otros elementos de las interfaces de usuario (IU) que se utilizan en la plataforma SaaS de su preferencia) pueden reemplazarse por lenguaje simple o comandos de voz. En teoría, la experiencia del usuario de cualquier software ahora puede reducirse a “hablar” con un agente, que puede obtener la información que uno necesita y tomar medidas con base en esa información. Es poco lo que uno pueda exagerar al hablar sobre este beneficio de productividad, si se tiene en cuenta el tiempo que pueden tardar los trabajadores en entender y familiarizarse con nuevas interfaces y herramientas y luego, dominarlas.

Las herramientas de IA agéntica pueden adoptar muchas formas y diferentes marcos están mejor adaptados para abordar distintos problemas, pero a continuación presentamos los pasos generales que siguen los sistemas agénticos para realizar sus operaciones.

La IA agéntica comienza por recopilar datos de su entorno a través de sensores, API, bases de datos o interacciones de usuarios. Con este paso se cerciora de que cuenta con la información que debe analizar para actuar en consecuencia.

Una vez recopilados los datos, la IA los procesa para extraer valiosos insights. Utilizando procesamiento de lenguaje natural (PLN), visión artificial u otras capacidades de IA, interpreta las consultas de los usuarios, detecta patrones y comprende el contexto general. Esta capacidad ayuda a la IA a determinar cómo proceder en función de la situación.

La IA establece objetivos en función de metas predefinidas o entradas de los usuarios. Luego desarrolla una estrategia para lograr estos objetivos, a menudo utilizando árboles de decisión, aprendizaje por refuerzo u otros algoritmos de planificación.

La IA evalúa múltiples acciones posibles y elige la óptima con base en factores como la eficiencia, la precisión y los resultados previstos. Puede utilizar modelos probabilísticos, funciones de utilidad o razonamiento basado en machine learning 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, recopilando feedback para mejorar las decisiones futuras. A través del aprendizaje por refuerzo o aprendizaje autosupervisado, la IA perfecciona sus estrategias con el tiempo, haciendo así que sea más eficaz para ocuparse 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 IA, realizan un seguimiento del progreso hacia la finalización de tareas, gestionan el uso de recursos, monitorean el flujo de datos y la memoria y manejan los eventos de fallas. Con la arquitectura adecuada, docenas, cientos o incluso miles de agentes podrían teóricamente trabajar juntos en una productividad armoniosa.

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

• Un bot de comercio impulsado por IA puede analizar los precios de las acciones en vivo y los indicadores económicos para realizar análisis predictivos y ejecutar operaciones comerciales.
   

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

• En la atención médica, los agentes pueden monitorear 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 médicos a través de chatbots.
   

• En ciberseguridad, los agentes pueden monitorear continuamente el tráfico de red, los registros de los sistemas y el comportamiento de los usuarios 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 a través de la optimización y la automatización de procesos, colocando pedidos de manera autónoma con proveedores o ajustando los programas de producción para mantener niveles óptimos de inventario.

Los sistemas de IA agéntica tienen un enorme potencial para la iniciativa. Su autonomía es su principal ventaja, pero esta naturaleza autónoma puede traer graves consecuencias si los sistemas de agentes se “descarrilan”. Conllevan los riesgos habituales de la IA, pero en los sistemas de agentes, los riesgos pueden magnificarse.

Muchos sistemas de IA agéntica utilizan el aprendizaje por refuerzo, que implica maximizar una función de recompensa. Si el diseño del sistema de recompensas es deficiente, la IA podría explotar las lagunas para lograr “puntuaciones altas” involuntariamente.

Considere algunos ejemplos:

• Un agente encargado de maximizar la participación en las redes sociales que prioriza el contenido amarillista o engañoso difunde desinformación inadvertidamente.
   

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

• Una IA de comercio financiero destinada a maximizar las ganancias que se involucra en prácticas comerciales riesgosas o poco éticas, desencadenando inestabilidad del mercado.
   

• Una IA de moderación de contenido diseñada para reducir el discurso dañino censura en exceso debates legítimos.

Algunos sistemas de IA agéntica pueden llegar a autorreforzarse, canalizando así comportamientos a instancias erróneas. Este problema ocurre cuando la IA es demasiado agresiva para optimizar una métrica en particular sin controles de seguridad. Y dado que los sistemas agénticos a menudo se componen de múltiples agentes autónomos que trabajan juntos, existen oportunidades de falla. Atascos de datos, 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 se puedan medir, con ciclos de feedback establecidos para que, con el tiempo, los modelos puedan acercarse cada vez más a la intención de la organización.

La IA agéntica se desarrolla a partir de técnicas de IA generativa utilizando modelos de lenguaje grandes (LLM) para funcionar en entornos dinámicos. Mientras que los modelos generativos se centran en la creación de contenido en función de patrones aprendidos, la IA agéntica amplía esta capacidad al aplicar resultados generativos para lograr objetivos específicos. Un modelo de IA generativa como ChatGPT de OpenAI puede producir texto, imágenes o código, pero un sistema de IA agéntica puede usar ese contenido generado para completar tareas complejas de forma autónoma llamando herramientas externas. Por ejemplo, los agentes no solo pueden decirle cuándo es el mejor momento para escalar el monte Everest en función de su horario de trabajo, sino también pueden reservarle un vuelo y un hotel.

La medición del retorno de la inversión (ROI) de las iniciativas agénticas requiere una infraestructura que compare los costos totales de desarrollo e implementación con beneficios como ganancias de eficiencia y crecimiento de ingresos. Esto puede ser complicado, porque los beneficios suelen ser indirectos y 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 para ayudar al agente a evitar quedar atascado en bucles lógicos.

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

La transparencia total en la 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 un despliegue seguro y eficaz en contextos empresariales. Una edición de IBM Technology Summit centrada en operaciones de agentes e IA responsable cubrió los desafíos operativos, de riesgo y de gobernanza introducidos por los agentes de IA.