Cree un agente de IA listo para la producción con watsonx Orchestrate

El ciclo de vida de desarrollo de agentes (ADLC) proporciona un marco estructurado para diseñar, desarrollar, desplegar y mejorar continuamente los agentes de IA en entornos empresariales.

Los agentes de IA son sistemas probabilísticos basados en datos cuyo comportamiento evoluciona en función de los datos, el uso y el contexto. Como resultado, deben gestionarse como sistemas continuos en lugar de implementaciones puntuales.

El ciclo de vida sigue una secuencia iterativa,

Planificar → Construir → Probar → Desplegar → Monitorear → Operar

Cada fase asegura que el agente siga siendo confiable, escalable, observable y adaptable a los requisitos cambiantes.

En esta implementación, el enfoque está en la fase Construir del ADLC.

La fase Construir se centra en transformar el caso de uso empresarial planificado en un agente de IA funcional y listo para la producción mediante IBM watsonx Orchestrate.

El agente se crea primero con un rol operativo y un objetivo empresarial claramente definidos alineados con el caso de uso de la empresa. Luego, las fuentes de conocimiento de la empresa se conectan con el agente para permitir un razonamiento fundamentado utilizando conjuntos de datos operativos como pedidos, inventario y reglas de negocio.

Un flujo de trabajo con agentes se configura como la capa de orquestación para admitir el razonamiento de varios pasos, el análisis operativo y la generación de recomendaciones. El flujo de trabajo procesa la entrada del usuario, analiza los pedidos retrasados y las condiciones del inventario, aplica reglas de negocio operativas y genera recomendaciones explicables.

El comportamiento del agente se define mediante instrucciones empresariales estructuradas que guían la forma en que el agente interpreta las consultas operativas, invoca flujos de trabajo, aplica la lógica empresarial y genera respuestas fundamentadas.

El flujo de trabajo establece un pipeline de ejecución operativa completo que cubre:

Entrada de usuario → Análisis de pedidos → Análisis de inventario → Evaluación de reglas de negocio → Generación de recomendaciones → Salida

Luego, la solución se valida utilizando escenarios operativos representativos para garantizar que el agente produzca resultados precisos, explicables y estructurados alineados con los requisitos operativos de la empresa.

El agente de IA está diseñado para apoyar a los equipos de operaciones de comercio electrónico analizando los datos de pedidos e inventario para identificar retrasos, determinar las causas principales y recomendar medidas correctivas.

Un agente de IA es un sistema capaz de comprender la entrada del usuario, recuperar datos relevantes, aplicar el razonamiento y generar resultados procesables. En entornos empresariales, los agentes operan dentro de flujos de trabajo estructurados e interactúan con los sistemas empresariales para ofrecer insights coherentes y explicables.

Los equipos de operaciones suelen enfrentar desafíos, como retrasos en las entregas, escasez de existencias y visibilidad limitada de las causas principales. Estos desafíos a menudo requieren una investigación manual en múltiples sistemas, lo que resulta en ineficiencias y retrasos en la toma de decisiones.

Cuando un usuario envía una consulta como “¿Por qué se retrasan los pedidos para iPhone 14?”

El agente realiza la siguiente secuencia:

• Interpreta la consulta para identificar el producto y la intención.
• Recupera datos de pedidos para analizar patrones de retraso. 
• Recupera datos de inventario para evaluar la disponibilidad de existencias.
• Aplica reglas de negocio para determinar la causa principal. 
• Genera una respuesta estructurada que contiene insights y acciones recomendadas.

El agente sigue un flujo de ejecución estructurado:

Consulta del usuario → Comprensión de la intención → Invocación de herramientas → Repositorio de conocimientos Astra DB → Recuperación semántica → Evaluación de reglas de negocio → Generación de recomendaciones → Respuesta estructurada → Resultado final

¿Por qué es importante este enfoque?

Este enfoque combina datos empresariales, reglas de negocio y razonamiento estructurado para producir resultados confiables y explicables. Al basar las respuestas en datos reales y aplicar un flujo de trabajo coherente, el agente garantiza la precisión y minimiza las conclusiones no respaldadas. Los resultados estructurados permiten la evaluación, el monitoreo y la integración con sistemas posteriores.

Esto hace que la solución sea adecuada para entornos empresariales donde la coherencia, la trazabilidad y la confiabilidad son esenciales.

Esta implementación ofrece un agente de IA listo para la producción que:

• Recupera y analiza datos empresariales mediante herramientas integradas.
• Aplica razonamiento basado en reglas para identificar problemas operativos. 
• Genera salidas estructuradas para consumo posterior. 
• Admite fases del ciclo de vida, como pruebas, despliegue, monitoreo y optimización. 

Al completar esta implementación, podrá:

• Crear un agente de IA en watsonx Orchestrate 
• Integrar datos empresariales mediante Astra DB
• Definir un comportamiento estructurado mediante instrucciones 
• Implementar un flujo de trabajo de razonamiento 
• Generar resultados coherentes y estructurados.

• Acceso a IBM watsonx Orchestrate 
  
• Acceso a Astra DB
• Comprensión básica de agentes de IA y modelos de lenguaje grandes 
• Conjuntos de datos de muestra proporcionados en este tutorial

Paso 1: Preparar los datos de muestra

Se crean conjuntos de datos estructurados (pedidos e inventario) para simular sistemas empresariales. Estos conjuntos de datos permiten al agente recuperar y analizar valores reales, como retrasos, niveles de existencias y distribución del almacén. Las reglas de negocio definen cómo el agente interpreta estos datos para identificar las causas principales. 

orders_data.csv 
order_id,product,order_date,delivery_date,status,delay_days,warehouse 
1001,iPhone 14,2026-04-01,2026-04-05,delayed,4,WH1 
1002,iPhone 14,2026-04-02,2026-04-06,delayed,4,WH1 
1003,iPhone 14,2026-04-03,2026-04-07,delayed,4,WH2 
1004,iPhone 14,2026-04-04,2026-04-08,delayed,4,WH2 
1005,Samsung S23,2026-04-01,2026-04-03,delivered,0,WH1 
1006,Samsung S23,2026-04-02,2026-04-04,delivered,0,WH2 
1007,Pixel 8,2026-04-01,2026-04-06,delayed,5,WH3 
1008,Pixel 8,2026-04-02,2026-04-07,delayed,5,WH3 
1009,Pixel 8,2026-04-03,2026-04-05,delivered,0,WH3 
1010,OnePlus 12,2026-04-01,2026-04-02,delivered,0,WH1 
1011,OnePlus 12,2026-04-02,2026-04-06,delayed,4,WH2 
1012,OnePlus 12,2026-04-03,2026-04-07,delayed,4,WH2

inventory_data.csv 
product,stock,warehouse,reorder_level 
iPhone 14,0,WH1,20 
iPhone 14,0,WH2,20 
Samsung S23,50,WH1,15 
Samsung S23,40,WH2,15 
Pixel 8,10,WH3,25 
OnePlus 12,5,WH2,15

business_rules.txt 
If stock = 0 → stockout issue 
If delay_days > 3 → logistics issue 
If multiple delayed orders (>2) → supply chain issue 
If stock < reorder_level → replenishment needed 
If delays across multiple warehouses → systemic issue

Estos conjuntos de datos de muestra actúan como una representación simplificada de los sistemas operativos empresariales. En esta implementación, la información estructurada de pedidos, inventario y reglas de negocio se transforma en documentos de conocimiento en lenguaje natural y se almacena en Astra DB. Este repositorio vectorial externo permite la recuperación semántica y proporciona una arquitectura de generación aumentada por recuperación (RAG, por sus siglas en inglés) más realista en comparación con los enfoques estáticos basados en archivos. 

Paso 2: Crear el agente

Navegue a Construir → Agentes y seleccione Crear agente. 

Se crea un agente en watsonx Orchestrate con un nombre y una descripción definidos. Esto establece el propósito del agente como asesor de pedidos e inventarios, responsable de analizar datos y proporcionar recomendaciones.

Nombre: Asesor de pedidos e inventario 

Descripción: agente de IA que analiza los datos de pedidos e inventario para identificar retrasos, determinar las causas principales y recomendar medidas correctivas.

Paso 3: Agregar conocimiento empresarial usando Astra DB

Navegue a Conocimiento → Agregar Fuente y seleccione Astra DB como repositorio de conocimiento empresarial. 

En lugar de depender de archivos estáticos durante el tiempo de ejecución, el agente de IA utiliza Astra DB como base de datos vectorial externa para almacenar y recuperar el conocimiento operativo.

Los conjuntos de datos operativos preparados anteriormente, incluidos pedidos, registros de inventario y reglas de negocio, se transforman en documentos de conocimiento en lenguaje natural y se cargan en una colección habilitada para vectores en Astra DB. Estos documentos representan colectivamente el conocimiento operativo requerido por el agente de IA para comprender los retrasos en los pedidos, la escasez de inventario, la distribución del almacén y las políticas comerciales.

Algunos ejemplos de conocimientos almacenados en el repositorio incluyen información sobre pedidos retrasados, disponibilidad de existencias, condiciones del almacén, interrupciones logísticas y reglas operativas. Este repositorio actúa como la memoria empresarial para el agente de IA.

En Astra DB se crea una colección habilitada por vectores y se generan incorporaciones de documentos para apoyar la búsqueda semántica. Durante el tiempo de ejecución, IBM watsonx Orchestrate consulta Astra DB para recuperar los registros operativos más relevantes en función de la solicitud del usuario. Luego, el agente utiliza la información recuperada para realizar un razonamiento fundamentado y generar recomendaciones explicables.

El repositorio contiene información relacionada con:

• Registros de entrega de pedidos e información sobre retrasos.
• Disponibilidad de inventario y umbrales de nuevos pedidos.
• Distribución del almacén y condiciones de existencias.
• Eventos logísticos e interrupciones operativas.
• Reglas de negocio que rigen los procesos de reabastecimiento y escalamiento.

Una vez que los documentos de conocimiento se cargan en Astra DB, el repositorio se conecta a IBM watsonx Orchestrate y se configura como la fuente de conocimiento empresarial para el Asesor de pedidos e inventario.

El repositorio admite modos de búsqueda de palabras clave, vectores e híbridos, lo que permite una recuperación eficiente de información empresarial estructurada y no estructurada. Esta capacidad permite al agente recuperar conocimiento operativo relevante y generar respuestas basadas solo en datos empresariales fundamentados.

Las instrucciones detalladas para configurar la conexión Astra DB, la autenticación, la selección de espacio de claves, los modos de incorporación, los modos de búsqueda y las asignaciones de campos están disponibles en la documentación de IBM:

Conexión a un repositorio de contenido de Astra DB: https://www.ibm.com/docs/en/watsonx/watson-orchestrate/base?topic=agents-connecting-astra-db-content-repository

Un nombre descriptivo de conocimiento y una descripción del repositorio están configurados para proporcionar contexto adicional al agente de IA.

Nombre del conocimiento:

Repositorio de pedidos e inventario de Astra

Descripción:

Repositorio de conocimientos empresariales que contiene registros de pedidos, información de inventario, detalles de distribución de almacenes, información logística y reglas de negocio operativas utilizadas por el Asesor de pedidos e inventario. El repositorio permite la recuperación semántica y recomendaciones operativas fundamentadas.

El agente de IA utiliza la recuperación selectiva de este conocimiento empresarial fundamentado para identificar pedidos retrasados, detectar escasez de existencias, analizar los riesgos del almacén y evaluar las reglas de negocio. Las recomendaciones se generan únicamente a partir del conocimiento recuperado, lo que garantiza que las respuestas sigan siendo explicables y estén alineadas con los requisitos de gobernanza de la empresa.

Esta capa de fundamento mejora la precisión de la respuesta, la confiabilidad operativa y la explicabilidad al garantizar que todos los insights generados se deriven exclusivamente del conocimiento empresarial en lugar de suposiciones no respaldadas.

Al usar Astra DB como repositorio vectorial externo, la solución sigue una arquitectura de generación aumentada por recuperación (RAG, por sus siglas en inglés) y demuestra cómo IBM watsonx Orchestrate puede integrarse con repositorios de conocimiento empresarial para ofrecer inteligencia operativa escalable, explicable y lista para la producción.

Paso 4: Agregar conjunto de herramientas 

Navegue a Conjunto de herramientas → Agregar herramienta dentro de la pantalla de configuración del agente y seleccione Flujo de trabajo con agentes como la herramienta operativa empresarial.

El flujo de trabajo con agentes actúa como el motor de orquestación responsable de manejar la interacción del usuario, el razonamiento operativo, el análisis del conocimiento empresarial y la generación de recomendaciones. Este flujo de trabajo permite al agente de IA realizar un razonamiento de varios pasos en pedidos retrasados, escasez de inventario, riesgos de almacén y evaluación de reglas de negocio.

Configure el flujo de trabajo con los siguientes detalles: 

Nombre: Flujo de trabajo de análisis de retrasos en los pedidos

Descripción: Flujo de trabajo para analizar pedidos retrasados, escasez de inventario, riesgos logísticos y reglas de negocio operativas utilizando conocimientos empresariales fundamentados. 

Una vez agregado, el flujo de trabajo pasa a estar disponible dentro del conjunto de herramientas del agente y se puede invocar automáticamente durante las conversaciones del usuario. El agente utiliza este flujo de trabajo para procesar consultas operativas, recuperar insights empresariales fundamentados, aplicar reglas de negocio y generar recomendaciones explicables.

Paso 4.1: Configurar actividades de flujo de trabajo 

Dentro del flujo de trabajo con agentes, configure un pipeline de razonamiento operativo de varias etapas mediante actividades de instrucciones y etapas de interacción con el usuario. 

El flujo de trabajo comienza con una etapa de recopilación de entradas del usuario en la que el usuario proporciona una consulta operativa relacionada con el producto, como: 

¿Por qué se retrasan los pedidos del iPhone 14?

La primera etapa, Ingresar consulta del producto, recopila la consulta operativa del usuario. Esta entrada se pasa al pipeline de razonamiento de IA para el análisis empresarial. 

La segunda etapa, Analizar los retrasos en los pedidos, evalúa los pedidos retrasados, los plazos de entrega, los patrones de distribución en almacenes y los riesgos relacionados con la logística. Esta etapa ayuda a identificar cuellos de botella operativos y retrasos en el comportamiento de los envíos.

La tercera etapa, Analizar el inventario, evalúa la disponibilidad del inventario, los niveles de existencias, los umbrales de nuevos pedidos y las condiciones de reabastecimiento. Esta etapa ayuda a detectar la escasez de existencias y los riesgos operativos relacionados con el inventario. 

La cuarta etapa, Aplicar reglas de negocio, aplica reglas operativas empresariales predefinidas a los datos de pedidos e inventario analizados. El flujo de trabajo evalúa condiciones tales como problemas de desabastecimiento, retrasos logísticos, necesidades de reabastecimiento y problemas sistémicos de la cadena de suministro.

La quinta etapa, Generar recomendación, genera recomendaciones operativas explicables, medidas correctivas, sugerencias de monitoreo y resultados empresariales estructurados basados en las causas principales identificadas. 

La etapa final, Resultado, muestra el análisis operativo generado y las recomendaciones al usuario.

El lienzo del flujo de trabajo cargado demuestra el pipeline completo de orquestación empresarial implementado en IBM watsonx Orchestrate. 

Este diseño de flujo de trabajo permite el razonamiento de IA de varios pasos, análisis empresarial fundamentado, recomendaciones explicables, orquestación modular e inteligencia operativa lista para la producción mediante watsonx Orchestrate.

Paso 5: Configurar el comportamiento del agente

Navegue hasta la sección Comportamiento del agente de IA y defina las instrucciones de comportamiento operativo de la empresa. Esta configuración controla cómo razona el agente de IA, recupera el conocimiento empresarial, invoca el flujo de trabajo conectado y genera recomendaciones operativas.

Agregue la siguiente instrucción de comportamiento:

Eres un Asistente de IA de operaciones empresariales especializado en gestión de pedidos, análisis de inventario, monitoreo logístico y optimización de la cadena de suministro.

### Responsabilidades

• Analizar los pedidos retrasados
• Detectar la escasez de existencias
• Identificar los problemas del almacén
• Aplicar las reglas de negocio operativas
• Generar recomendaciones fundamentadas

### Instrucciones

• Utiliza siempre el flujo de trabajo conectado y los archivos de conocimiento empresarial cargados.
• No alucines ni hagas suposiciones más allá de los datos disponibles.
• Basa todas las conclusiones y recomendaciones en los datos proporcionados.
• Proporciona resultados explicables y estructurados.

### Manejo de errores

Si no se encuentra ningún producto, pedido, artículo de inventario o registro de almacén que coincida: 

Estado: No hay datos disponibles

Mensaje: No se encontraron registros coincidentes en los datos disponibles.

Recomendación: Verifica los criterios de búsqueda e intenta nuevamente.

### Formato de respuesta

Para un análisis exitoso, utiliza la siguiente estructura:

Estado: Correcto

Resumen:

<brief overview>

 Principales conclusiones:

• Conclusión 1
• Conclusión 2

Recomendaciones:

• Recomendación 1
• Recomendación 2

La capa de comportamiento actúa como la política de razonamiento empresarial que guía cómo el agente de IA interpreta las consultas operativas y genera respuestas dentro de watsonx Orchestrate.

Paso 5: Probar el agente

Después de configurar el conocimiento empresarial, las instrucciones de comportamiento y el flujo de trabajo con agentes, el agente de IA se valida mediante la interfaz Hablar con el agente en IBM watsonx Orchestrate. Los usuarios pueden enviar consultas operativas como:

“¿Por qué se están retrasando los pedidos del iPhone 14?”

El agente recupera el conocimiento operativo relevante del repositorio Astra DB conectado, ejecuta el flujo de trabajo configurado, analiza la información de pedidos e inventario, aplica reglas de negocio operativas, identifica la escasez de existencias y los problemas logísticos, y genera recomendaciones fundamentadas con un razonamiento explicable. La interfaz de prueba también permite a los desarrolladores monitorear la ejecución del flujo de trabajo, validar la precisión de la respuesta y evaluar la preparación de la producción antes del despliegue.

**Análisis de la causa principal de los pedidos retrasados del iPhone 14**

Estado: Correcto 

Resumen: Cuatro pedidos de iPhone 14 (IDs 1001-1004) están actualmente retrasados cuatro días. Los retrasos se atribuyen a la falta de existencias en los centros de cumplimiento principales WH1 y WH2.

Principales conclusiones:

• Todos los pedidos retrasados de iPhone 14 se asignan a los almacenes WH1 o WH2.
• La causa principal es un inventario insuficiente de unidades de iPhone 14 en estos almacenes, lo que provoca un retraso de cuatro días en cada pedido.

Recomendaciones:

• Reasignar las existencias del iPhone 14 de otros almacenes (por ejemplo, WH3) a WH1 y WH2 para reponer el inventario.
• Agilizar los envíos entrantes del iPhone 14 a WH1 y WH2 para evitar mayores retrasos.
• Implementar una alerta de existencias bajas para el iPhone 14 en cada almacén para activar la reposición proactiva antes de que se produzcan desabastecimientos.

En este tutorial, hemos desarrollado un agente de IA listo para la producción usando watsonx Orchestrate y Astra DB. La solución combina fundamentos de conocimiento empresarial, ejecución de flujos de trabajo con agentes, razonamiento operativo de reglas de negocio y generación de recomendaciones explicables para analizar pedidos retrasados, escasez de inventario y cuellos de botella en la cadena de suministro.

La solución demuestra cómo los sistemas de IA empresarial pueden respaldar la toma de decisiones operativas a través de un razonamiento explicable, un diseño de flujo de trabajo modular y principios de arquitectura listos para la producción.

El agente de IA también se alinea con el ciclo de vida de desarrollo del agente (ADLC) al admitir las fases del ciclo de vida de IA empresarial, incluidas las pruebas, el despliegue, el monitoreo y la optimización continua del flujo de trabajo.

Se pueden implementar las siguientes mejoras para ampliar aún más la solución de IA empresarial.

• Evaluar el rendimiento del agente de IA.
• Desplegar el flujo de trabajo en entornos empresariales.
• Monitorear y optimizar el rendimiento del flujo de trabajo de forma continua. 
• Integrar conjuntos de datos operativos empresariales externos.

La fase Planificar define el objetivo operativo de la empresa, mientras que la fase Construir permite la ejecución inteligente del flujo de trabajo utilizando la base del conocimiento empresarial, el razonamiento de reglas de negocio y el análisis operativo explicable. Esta implementación demuestra cómo IBM watsonx Orchestrate se puede utilizar para crear agentes de IA empresariales listos para la producción capaces de ofrecer soluciones escalables, explicables y operativamente confiables.