La inteligencia artificial (IA) agéntica, una forma de tecnología diseñada para ejecutar funciones específicas dentro de una organización sin intervención humana, está ganando adeptos a medida que las empresas buscan automatizar los flujos de trabajo empresariales, aumentar el rendimiento de los trabajadores humanos y obtener valor de la IA generativa.
La firma de análisis Forrester nombró a los agentes de IA como una de sus 10 principales tecnologías emergentes este año, pero tiene una advertencia para las empresas centradas en su adopción: No lo hagan solas. Según las predicciones de Forrester para 2025, tres cuartas partes de las empresas que intenten crear sus propios agentes de IA fracasarán.
Jayesh Chaurasia y Sudha Maheshwari, analistas de Forrester, afirman que las empresas que no consigan crear sus propios agentes de IA recurrirán a consultoras externas para que les construyan agentes a medida o utilizarán agentes integrados en el software de sus proveedores actuales.
“Las empresas inteligentes comprenderán las limitaciones actuales y se apoyarán en sus proveedores y socios integradores de sistemas para crear agentes a la vanguardia de esta tecnología”, escriben.
La creación de agentes de IA es un proceso complejo y muchas organizaciones no cuentan con la experiencia necesaria para llevarla a cabo, añaden.
“La IA agéntica está de moda a medida que las empresas llevan la IA generativa más allá de las tareas básicas para realizar acciones más complejas”, afirman Chaurasia y Maheshwari. “El reto es que estas arquitecturas son enrevesadas, requieren múltiples modelos, pilas RAG [generación aumentada de recuperación] avanzadas, arquitecturas de datos avanzadas y conocimientos especializados”.
Además, la potencia de las IA agénticas aún está en pañales, afirman. Es posible que pasen otros dos años antes de que tengan “alguna posibilidad de satisfacer las infladas esperanzas de automatización”, escriben Chaurasia y Maheshwari.
El valor de la IA autónoma
Aun así, algunas empresas ven oportunidades en el enfoque ‘hágalo usted mismo’. Goldcast, un desarrollador de software centrado en el marketing de vídeo, ha experimentado con una docena de modelos de IA de código abierto para ayudar con diversas tareas, dice Lauren Creedon, jefe de Producto de la empresa.
Por ejemplo, Goldcast utiliza un modelo de IA para transcribir vídeos, otro para escribir una entrada de blog basada en un vídeo, un tercero para crear entradas en las redes sociales y un cuarto para identificar a las personas que aparecen en el vídeo mediante reconocimiento facial, explica. El objetivo de Goldcast es vincular todos estos modelos de IA y convertirlos en agentes que realicen las tareas asignadas sin necesidad de instrucciones humanas.
Goldcast ha aprovechado las capacidades de cada uno de estos modelos de IA y ha utilizado funciones específicas para sus propios casos de uso y flujos de trabajo. La empresa no crea sus propios modelos de IA, sino que aprovecha la potencia de estas IA de código abierto.
Según Creedon, basarse en modelos de código abierto es una forma más eficaz de aprovechar la potencia de las IA agénticas que crear agentes de IA desde cero.
“No quiero que la gente piense que la IA es algo difícil y especializado con lo que sólo pueden trabajar los doctores”, afirma. “Cuanta más gente esté capacitada sobre cómo trabajar con ella, y cuantos más equipos trabajen con ella, mejores resultados se obtendrán, no sólo para las operaciones empresariales, sino también para los clientes”.
Pero Creedon está de acuerdo con la valoración de Forrester de que crear agentes de IA puede ser un proceso complejo. Las organizaciones necesitarán un plan de MLOps totalmente formado, y es posible que algunas empresas no tengan la experiencia necesaria para hacerlo por sí mismas, afirma.
Los equipos avanzados tendrán que “tomar una serie de diferentes modelos de código abierto y emparejarlos en un flujo de trabajo”, añade Creedon. En muchos casos, las organizaciones tendrán que recurrir a especialistas externos para configurar los agentes de IA.
Aun así, es posible hacerlo uno mismo, afirma Senthil Kumar, director técnico y responsable de IA en Slate Technologies, un proveedor de análisis de datos para la construcción y sectores afines.
Slate Technologies empezó a desplegar sus propios agentes de IA hace tres años, incluso antes de que se iniciara el boom de la IA con el lanzamiento de ChatGPT.
“Lo que hace unos años era una tecnología a la que se aspiraba se está haciendo realidad”, afirma Kumar.
Con varias IA y LLM ya disponibles, las empresas inteligentes pueden experimentar con ellos y entrenar agentes autónomos en función de sus necesidades específicas, afirma.
“Tenemos la suerte de poder subirnos a hombros de gigantes y aprender de las experiencias de otros en este espacio”. Kumar sugiere: “empieza con un [modelo de IA] y podrás empezar a adaptar su comportamiento. Conoces tu ecosistema mucho mejor que una solución genérica que existe fuera, con consultores externos”.
El rol del humano en este nuevo escenario
Una clave para construir agentes de IA exitosos es la supervisión humana, que siempre es necesaria incluso cuando los agentes se construyen para funcionar de forma autónoma, dice Kumar. Las organizaciones no pueden construir un agente de IA, liberarlo y olvidarse de él; en su lugar, necesitan comprobar los resultados y encontrar continuamente formas de mejorarlos.
“Es un proceso colaborativo de evolución entre todo el ecosistema de IA y los homólogos humanos”, afirma. “La atención se centraría en cómo aprenderían esos agentes, la adquisición de conocimientos de los agentes y cómo van a ser capaces de difundirlos”.
Para muchas empresas, sin embargo, la decisión de crear sus propios agentes de IA o trabajar con un consultor no es fácil, dice Chris Ackerson, responsable de IA en AlphaSense, una empresa de inteligencia de mercado impulsada por IA.
Las grandes empresas pueden verse tentadas a crear sus propios agentes personalizados, pero pueden tropezar con datos internos fragmentados, subestimar los recursos necesarios y carecer de experiencia interna.
“Aunque algunas empresas pueden tener éxito, es habitual que estos proyectos se descontrolen en términos de coste y complejidad”, afirma Ackerson. “En muchos casos, comprar una solución de un socio de confianza puede ayudar a las organizaciones a evitar las trampas del remordimiento del constructor y acelerar su camino hacia el éxito”.
AlphaSense ha entrenado a sus propios agentes de IA, pero muchas empresas carecen de experiencia interna, dice. Además, las organizaciones pueden proyectar los costes de desarrollo pero ignorar el coste del mantenimiento continuo, añade.
“Este es el mayor coste, ya que mantener los sistemas de IA a lo largo del tiempo puede ser complejo y consumir muchos recursos, lo que requiere actualizaciones constantes, supervisión y optimización para garantizar la funcionalidad a largo plazo”, dice Ackerson.
Asociarse con un proveedor de IA puede dar a las empresas acceso a agentes probados y preparados que han sido probados y perfeccionados por miles de usuarios, sostiene.
“Es más rápido de implantar, requiere menos recursos y ofrece la ventaja añadida de actualizaciones y asistencia continuas, lo que permite a las empresas centrarse en otras áreas críticas de su negocio”, afirma.
El valor de un socio
Muchas organizaciones no necesitarán formar a sus propios agentes de IA, afirma Adnan Masood, arquitecto jefe de IA en UST, un proveedor de transformación digital.
“Reinventar la rueda es, de hecho, una mala idea cuando se trata de sistemas complejos como las arquitecturas de IA agéntica”, dice. “Estas arquitecturas son intrínsecamente intrincadas e implican una multitud de componentes”.
Uno de los muchos retos, dice, es implantar una sólida gestión de la memoria en un sistema de IA agéntica. El proceso va más allá del almacenamiento y la recuperación de información e incluye la gestión inteligente del contexto, la comprensión de la relevancia de interacciones pasadas y la adaptación dinámica de las respuestas de la IA a partir de una base de conocimientos en evolución.
Además, construir una IA agéntica desde cero implicaría diseñar estructuras de datos complejas, implantar algoritmos de búsqueda eficientes y afinar la capacidad de la IA para interpretar y priorizar la información, añade. Esto requeriría que las organizaciones tuvieran conocimientos especializados en aprendizaje automático, procesamiento del lenguaje natural e ingeniería de datos.
“Si recurren a especialistas, adoptan soluciones prefabricadas o recurren al ecosistema de código abierto, pueden aprovechar los conocimientos y la experiencia de quienes ya han superado estos retos y, en última instancia, aumentar sus posibilidades de éxito”, afirma Masood.