Agentes de IA frente a asistentes de IA

Su agente es diferente. Este emplea su pericia día y noche para maximizar sus oportunidades e ingresos. Puede actuar en base a sus instrucciones, tal vez un producto que le encantaría respaldar, pero no necesita instrucciones para continuar haciendo su trabajo. De hecho, su agente de Hollywood probablemente lo apoye de maneras que usted ni siquiera sabría que puede solicitar.

La diferencia clave entre un asistente de inteligencia artificial (IA) y un agente de IA es similar. Los asistentes de IA son reactivos y realizan tareas a petición suya. Los agentes de IA son proactivos y trabajan de forma autónoma para lograr un objetivo específico por cualquier medio a su disposición.

Juntos, los asistentes y los agentes elevan a los grandes artistas o deportistas, convirtiéndolos en estrellas o manteniéndolos en el estrellato. De la misma manera, los asistentes de IA y agentes de AI pueden mejorar el trabajo de los empleados a nivel individual y de las empresas, realizando tareas simples y complejas.

Un asistente de IA es una aplicación inteligente que comprende comandos en lenguaje natural y emplea una interfaz de IA conversacional para completar tareas para un usuario. Muchos asistentes virtuales modernos, como Alexa de Amazon y Siri de Apple, confían en estas capacidades para mejorar las interacciones con los usuarios¹.

Los primeros asistentes de IA se basaban principalmente en instrucciones basadas en reglas, respuestas preprogramadas y tareas predefinidas. Hoy en día, los asistentes de IA se basan casi en su totalidad en el ML o en modelos fundacionales.

Los asistentes de IA se desarrollan a través de un modelo fundacional (por ejemplo, IBM Granite,  modelos LLama de Meta o modelos de OpenAI). Los modelos de lenguaje extensos (LLM) son un subconjunto de los modelos fundacionales que se especializan en tareas relacionadas con textos. Habilitan a los asistentes para comprender las consultas enviadas por humanos y ofrecer información relevante, sugerencias o próximos pasos, lo que ayuda a las organizaciones a simplificar el acceso a la información, automatizar tareas repetitivas y agilizar flujos de trabajo complicados. En las empresas, los asistentes de IA también ayudan con el análisis de datos, lo que permite a los usuarios extraer insights de manera eficiente.

• IA conversacional: los asistentes de IA basados en LLM pueden emplear el procesamiento de lenguaje natural para comunicarse con los usuarios a través de una interfaz de chatbot. Entre algunos ejemplos de chatbot de IA, podemos mencionar: Microsoft Copilot, ChatGPT e IBM watsonx Assistant. Estos asistentes se integran con API para ampliar sus capacidades.
  
  
• Instrucciones:  a los asistentes de IA se les debe presentar un problema bien definido o una consulta para empezar a trabajar. Los asistentes de AI requieren aporte continuo de los usuarios.
  
  
• Recomendación: un asistente de IA puede sugerir información o acciones basadas en datos a los que tiene acceso. Los usuarios deben revisar las salidas para verificar su precisión.
  
  
• Ajuste: los usuarios pueden adaptar los modelos de IA a tareas más específicas mediante el ajuste, lo que elimina la necesidad de reentrenar al modelo. Con el ajuste fino, pueden dar a modelos ejemplos etiquetados para adaptarlos a la tarea objetivo. A través del ajuste rápido, los profesionales pueden dar a los modelos un contexto específico para la tarea.

Los asistentes de IA tienen varias limitaciones:

• Requieren instrucciones definidas para actuar. Si bien los asistentes de IA pueden usar herramientas para realizar tareas, sus capacidades están limitadas a funciones predefinidas para las que han sido equipados y entrenados. Por ejemplo, un asistente de IA puede usar una hoja de cálculo para generar una tabla que compare “x frente a y”, pero no puede decidir de forma independiente crear dicha comparación sin una instrucción específica.
  
  
• No necesariamente tienen memoria persistente. Los asistentes de IA pueden adaptarse a las necesidades de un usuario, pero no retienen de forma inherente la información de las interacciones anteriores del usuario. Los modelos de IA que impulsan a los asistentes no aprenden ni evolucionan continuamente en función del uso; en cambio, las mejoras ocurren solo cuando los desarrolladores lanzan versiones actualizadas. Sin embargo, algunos asistentes de IA pueden hacer referencia a conversaciones anteriores dentro de una sesión al almacenar detalles relevantes en su ventana de contexto o utilizando una característica llamada “memoria” para recordar información seleccionada y mejorar las respuestas futuras. 

Para citar a Elvis Presley: “Un poco menos de conversación, un poco más de acción, por favor”. Y entran los agentes de IA.

Un agente de IA se refiere a un sistema o programa que puede completar tareas de forma autónoma en nombre de los usuarios o de otro sistema al diseñar su propio flujo de trabajo y emplear herramientas a su disposición.

Los agentes de IA, más autónomos, conectados y sofisticados que los asistentes de IA, pueden abarcar una amplia gama de funciones más allá del PLN. Estas incluyen la toma de decisiones, la resolución de problemas, la interacción con entornos externos y la ejecución de acciones. 

Mientras que los asistentes de IA necesitan que los usuarios proporcionen instrucciones para cada acción, los agentes de IA pueden operar de forma independiente después de una instrucción inicial. Evalúan los objetivos asignados, dividen las tareas en subtareas y desarrollan sus propios flujos de trabajo para lograr objetivos específicos.

Estos agentes se despliegan en diversas aplicaciones empresariales, desde en el diseño de software y la automatización de TI hasta en herramientas de generación de código y asistentes conversacionales. Al emplear PLN avanzado de los LLM, los agentes de IA comprenden las entradas de los usuarios paso a paso, diseñan estrategias para sus acciones y determinan cuándo recurrir a herramientas externas.

• Mayor autonomía: luego de una instrucción inicial, los agentes de IA pueden continuar trabajando sin más entradas, reduciendo así la necesidad de intervención humana en cada etapa. A diferencia de los asistentes, que sugieren acciones para que los usuarios las aprueben, los agentes de IA utilizan la autonomía multicomponente para razonar, decidir y resolver problemas de forma independiente utilizando conjuntos de datos y herramientas externos. Su capacidad para salir de una infraestructura puramente basada en el chat permite la toma de decisiones y el aprendizaje proactivos, lo que, en última instancia, ahorra tiempo a los empleados al ocuparse de flujos de trabajo complejos por su cuenta. Los modelos más recientes están mejorando las capacidades de razonamiento para respaldar esto².
  
  
• Conectividad: Los agentes de IA combinan varias capacidades en un solo flujo de trabajo, eliminando los cuellos de botella que surgen de los sistemas desconectados. Al integrarse perfectamente con aplicaciones externas, fuentes de datos y otros modelos de IA, mejoran la productividad al tiempo que reducen la fricción entre los distintos componentes de un proceso.
  
  
• Toma de decisiones y acción: la capacidad de recurrir a herramientas por sí solo no convierte a un LLM en un agente.Los agentes de IA también pueden actuar de forma autónoma y decidir qué herramientas usar y cuándo. Los agentes de IA, cuya base son los modelos fundacionales, van más allá del chat para realizar tareas por su cuenta, en función de un objetivo específico, y van más allá del modelo fundacional para obtener información y capacidades adicionales. Analizan problemas, los dividen en subtareas y planean sus próximos pasos de forma autónoma. Esto los hace efectivos para ocuparse de problemas complejos y ambiguos. Algunos agentes, como Claude de Anthropic, incluso demuestran uso de la computadora, donde un LLM puede hacer clic, teclear y operar una computadora para completar tareas³.
  
  
• Memoria persistente y aprendizaje adaptativo: en comparación con los asistentes de IA, los agentes de IA tienen una mayor capacidad de aprendizaje. Almacenan acciones, conversaciones y experiencias anteriores, lo que les permite perfeccionar su perspectiva con el tiempo. Con la memoria persistente, los agentes de IA pueden recordar interacciones pasadas para mejorar las respuestas futuras, mientras que el aprendizaje adaptativo les permite ajustar su comportamiento en función de la retroalimentación y los resultados. Dado que se integran con aplicaciones y herramientas externas, pueden reaccionar a datos en tiempo real en lugar de depender únicamente de su entrenamiento inicial. Con interacciones repetidas, se vuelven más eficientes, conscientes del contexto y se van alineando mejor con las necesidades del usuario.
  
  
• Encadenamiento de tareas: los agentes de IA no completan las tareas de forma aislada, sino que dividen los flujos de trabajo complejos en pasos más pequeños y manejables. Los agentes de IA identifican dependencias entre tareas, lo que ayuda a garantizar que cada paso fluya lógicamente hacia el siguiente. Esta capacidad permite la ejecución estructurada en procesos de varios pasos y hace que la automatización sea más dinámica.
  
  
• Trabajo en equipo: los agentes de IA a menudo se especializan en tareas específicas; uno puede sobresalir en la verificación de datos, mientras que otro es mejor en la investigación. Estos agentes pueden colaborar, formando equipos para abordar juntos desafíos complejos. Actualmente, IBM admite agentes de IA escritos en LangChain, y próximamente se integrará con LlamaIndex. En lugar de depender de los desarrolladores, la infraestructura de IBM permite a los usuarios componer y editar agentes de IA en un entorno de código bajo o sin código.

Los agentes de IA y asistentes de IA ofrecen numerosos beneficios, desde la optimización de los flujos de trabajo hasta la mejora de la experiencia del usuario. 

Soluciones de IA complementarias: los agentes de IA se especializan en realizar tareas específicas o complejas de forma autónoma, mientras que los asistentes de IA se destacan por comprender a los usuarios e interactuar con ellos de forma natural. Juntos crean soluciones de IA más eficaces e intuitivas.

Flujos de trabajo optimizados y mayor productividad: las herramientas de IA y la IA generativa optimizan procesos, automatizan tareas rutinarias y ayudan a los humanos a resolver problemas, mejorando así la eficiencia general.

Mejor experiencia del usuario: los asistentes de IA brindan soporte interactivo, se adaptan a las necesidades del usuario y aprenden de la retroalimentación y el historial de conversaciones para ofrecer interacciones más personalizadas.

Operaciones autónomas y escalabilidad: los agentes de IA pueden funcionar de forma independiente, gestionar múltiples tareas simultáneamente y escalarse para manejar procesos complejos sin intervención directa de un humano.

Mejor gestión de tareas y la colaboración: los agentes de IA pueden interpretar las necesidades de los usuarios y asignar tareas a los asistentes de IA. Los asistentes pueden usar los datos generados por los agentes para crear salidas más intuitivas. Estas habilidades mejoran la coordinación.

Mayor potencial de integración: a medida que los modelos de IA evolucionan, pueden integrar mejor los componentes conversacionales y autónomos, lo que permite una transferencia de tareas fluida y ofrece respuestas de mayor calidad en menos tiempo.

Los asistentes de IA mejoran la experiencia del cliente al brindar asistencia en tiempo real a través de chat, voz y correo electrónico. Manejan consultas comunes de los clientes, guían a los usuarios a través de opciones de autoservicio y canalizan problemas complejos cuando es necesario. Empleando PLN, personalizan las interacciones, recomiendan productos y ayudan a los clientes a completar transacciones rápidamente. Su plena disponibilidad mejora la satisfacción del cliente y reduce costos.

Los agentes de IA llevan la experiencia del cliente y el soporte técnico más allá al adaptarse al comportamiento del usuario en tiempo real. A diferencia de los asistentes de IA que ofrecen respuestas predefinidas, los agentes de IA aprenden interacciones y las mejoran, ya sea simulando entrevistas de trabajo o gestionando problemas de soporte complejos de forma autónoma. Funcionan en sitios web, aplicaciones y dispositivos IoT para crear experiencias de usuario fluidas y extremadamente personalizadas.

Los asistentes de IA brindan soporte bancario seguro y en tiempo real al manejar consultas de saldo, alertas de fraude y aplicaciones de préstamos. También ayudan a los clientes a gestionar sus finanzas al analizar sus hábitos de gasto y ofrecer consejos personalizados sobre presupuestación.

Los agentes de IA previenen de forma proactiva el fraude al monitorear las transacciones en tiempo real, detectar actividades sospechosas y bloquear las amenazas antes de que se agraven. A diferencia de los asistentes que solo envían alertas de fraude, los agentes de IA ajustan los protocolos de seguridad, perfeccionan los modelos de riesgo y se coordinan con los sistemas de detección de fraude para adelantarse a las amenazas emergentes. En el comercio y la inversión, los agentes de IA analizan las tendencias del mercado, ejecutan operaciones y ajustan carteras sin necesidad de intervención humana.

Los asistentes de IA ayudan a las organizaciones a agilizar el reclutamiento al generar descripciones de puestos, clasificar currículos y redactar mensajes personalizados. Más allá de la contratación, ayudan en la incorporación guiando a los nuevos empleados a través de políticas, beneficios y materiales de capacitación.

Los agentes de IA llevan la automatización de RR. HH. más al gestionar y optimizar la adquisición de talento, el compromiso de los empleados y la planificación de la fuerza laboral. Seleccionan a los postulantes, programan entrevistas y perfeccionan las estrategias de contratación utilizando datos anteriores. Para la gestión del rendimiento, los agentes de IA analizan el feedback de los empleados, detectan tendencias y recomiendan programas de capacitación. Asimismo, automatizan la incorporación, la administración de beneficios y el seguimiento de aspectos de conformidad, lo que hace que las operaciones de RR.HH se basen más en datos y sean más eficientes.

Los asistentes de IA desempeñan un papel clave en la automatización de procesos de recursos humanos (RR. HH.) al ayudar a mejorar las experiencias de los pacientes y agilizar las tareas administrativas. Responden las preguntas de los pacientes en tiempo real, ayudan con la programación de citas, la facturación y el reabastecimiento de recetas, y brindan acceso de autoservicio a los registros médicos. Los asistentes de IA ayudan a los médicos resumiendo los historiales de los pacientes y marcando los casos urgentes. Los asistentes de IA también ayudan a organizar la documentación, lo que ayuda a garantizar la congruencia de los formularios para facilitar su accesibilidad.

Los agentes de IA brindan apoyo en la toma de decisiones médicas en entornos complejos. En las salas de emergencias, los sistemas multiagente ayudan a clasificar a los pacientes, ajustando las prioridades en función de los datos en tiempo real de los sensores. Los agentes de IA también optimizan la gestión del suministro de medicamentos, predicen la escasez y ajustan los planes de tratamiento con base en las respuestas de los pacientes.

Las tecnologías impulsadas por IA suponen riesgos y limitaciones que se deben considerar. Los LLMs son frágiles, lo que significa que son susceptibles a los más mínimos cambios en las instrucciones que causan estructuras no válidas, una carga útil incorrecta o alucinaciones. Esto significa que los agentes de IA y los asistentes de IA podrían fallar si, por ejemplo, el modelo fundacional subyacente alucina o se descompone. 

Especialmente los agentes de IA están en sus inicios. Si tienen problemas para crear planes integrales o no reflexionan sobre sus conclusiones, los agentes de AI quedan atrapados en bucles infinitos de feedback. Y dado que los agentes de IA consideran entornos y herramientas externos, deben lidiar con los cambios en esas herramientas. Con el tiempo, esos cambios pueden hacer que la configuración del agente se descomponga. Por otro lado, los asistentes de IA se pueden emplear de manera confiable en la mayoría de los casos, ya que no recurren a herramientas externas.

En el caso de tareas más difíciles, los agentes de IA requieren muchísimo entrenamiento y aún así pueden tardar mucho tiempo en completarlas. Además, a menudo pueden ser costosos.

Los modelos fundacionales de hoy en día no son lo suficientemente inteligentes como para actuar de manera confiable como agentes, pero los avances en el razonamiento de los modelos mejorarán la situación. Así pues, aún estamos empezando a comprender y ver lo que pueden hacer los agentes de IA. Este futuro de la IA podría ver aplicaciones autoguiadas ampliadas de la tecnología de IA. Pero en esta etapa del desarrollo, a menudo sigue siendo necesaria la intervención humana para ofrecer asesoría o reorientación.