Agentes de AI autónomos y colaborativos: ¿qué son?, casos de uso y ventajas

Los agentes de inteligencia artificial (AI Agent) representan la última frontera de la evolución de la inteligencia artificial (AI, por sus siglas en inglés).

Aplicaciones de inteligencia artificial generativa (GenAI, por su acrónimo en inglés) de tercera generación, después de los chatbots y los copilotos que, a diferencia de sus predecesores, son capaces de operar de forma independiente y aprender continuamente de su experiencia.

Estos sistemas avanzados integran la inteligencia artificial en cada flujo de trabajo y actúan como verdaderos colegas del operador de carne y hueso correspondiente al que están idealmente asociados.

Muchos analistas están de acuerdo en que estas soluciones tendrán un impacto significativo en el día a día de las organizaciones. De hecho, según un estudio reciente de MarketsandMarkets, el mercado mundial de agentes autónomos de AI se espera que crezca a una tasa anual compuesta promedio de 44.8% hasta 2030, cuando supere los $47,000 millones de dólares en valor.

Mercado mundial de agentes de AI (previsiones para 2024-2030 en miles de millones de dólares)

¿Qué son los agentes de inteligencia artificial?

Los trabajadores asistenciales autónomos o AI Agent marcan un cambio profundo en la forma en que todos interactuamos con la AI. En definitiva, se trata de software diseñado para interactuar y relacionarse con el entorno en el que operan, que además sabe cómo encontrar y reprocesar los datos relevantes en tiempo real, utilizándolos para llevar a cabo tareas autodeterminadas.

¿Cómo funciona? Los seres humanos establecen los objetivos del agente, que, sin embargo, ejecuta luego de forma autónoma la secuencia de acciones funcionales para su consecución sin que sea necesaria ninguna supervisión.

Los modelos tradicionales, como los asistentes chatbot, analizan los datos y responden incluso a preguntas bastante complejas. Pero lo hacen en respuesta a una activación, es decir, a un comando o aviso dado por el operador humano.

Los AI Agents, por otro lado, van un paso más allá: traducen la comprensión de los datos en acciones: aprenden del contexto y se adaptan para ser cada vez más eficaces. De esta manera, liberan al “compañero de trabajo” con el que están prácticamente unidos de esa ‘microgestión’ que ha sido el principal obstáculo para la difusión aún más generalizada de la AI en la empresa.

¿Cómo funcionan los agentes de AI

Los agentes de AI combinan las tecnologías de Machine Learning, Deep Learning, Gen IA y procesamiento del lenguaje natural (PNL) para “interpretar” el contexto de referencia, identificar las tareas y acciones necesarias para alcanzar el objetivo asignado, preparar un plan de acción y ejecutarlo.

En el caso de un agente de servicio al cliente, por ejemplo, entender dónde está un determinado envío requiere una serie de acciones.

En primer lugar, debe acceder a las bases de datos que contienen la información del pedido, como el identificador de envío, el método y la fecha de entrega. Luego, es necesario consultar la base de datos del transportista a cargo del envío para proporcionar una trazabilidad en tiempo real y una fecha de entrega estimada.

El agente también debe verificar dónde se encuentra actualmente el envío y proporcionar una estimación del tiempo que tomará para completar la siguiente etapa del viaje. Por último, también podría ser útil tener acceso a las previsiones meteorológicas para comprender si, por ejemplo, las lluvias torrenciales se están produciendo en el camino causando retrasos probables. Transmitir esta información al cliente.

Todo ello, el agente de IA es capaz de hacerlo sin necesidad de ninguna solicitud por parte del consumidor o del operador de atención al cliente.

La arquitectura de GenAI Agents

Para que puedan trabajar de la mejor manera posible, es esencial que los asistentes personales autónomos estén educados y que definan a priori cuáles son, de hecho, las verdaderas reglas de actuación:

• Utilidad: la medida de la tasa de cumplimiento de los objetivos asignados, generalmente representada por KPIs numéricos.
• Propósito: el rol para el que está diseñado el AI Agent. Define los objetivos que debe alcanzar.
• Ámbito: el contexto, es decir, el conjunto de informaciones y datos de los que se nutre el agente y de los que necesita para realizar sus tareas y a los que recurre a partir de fuentes estructuradas —como ERP y CRM—, o no estructuradas —como archivos audio o vídeo—, e internos y externos a la empresa como pueden ser los sitios web, Blog, Medios de comunicación social.
• Tareas: las actividades que el AI Agent puede realizar dentro del propósito asignado. Las tareas se definen generalmente por un conjunto de instrucciones o se identifican como parte de un conjunto de desencadenadores (es decir, acciones que ocurren en respuesta a la ocurrencia de una o más condiciones especificadas).
• Acciones: los elementos físicos o las interfaces que permiten a los agentes de IA interactuar con el entorno. La acción puede ser física —el movimiento de un brazo robótico, un vehículo autónomo, entre otros—, cognitiva —decidir entre varias opciones o crear una lista de posibles intervenciones—, o comunicativa —redactar un mensaje de correo electrónico, transcribir un archivo de audio o hacer el briefing de una reunión.
• Percepción: algunos agentes de IA también pueden utilizar sensores -como cámaras inteligentes o micrófonos- para recibir información del entorno que los rodea.
• Memoria: la capacidad que tiene el agente de IA para almacenar información generada por experiencias pasadas y recuperarla fácilmente, utilizándola para tomar decisiones informadas que se adaptan a la variación del contexto.
• Coherencia: los agentes de inteligencia artificial son capaces de seguir procesos y procedimientos prescriptivos, contribuyendo a asegurar un estándar de calidad definido.
• Guardrail: límites definidos dentro de los cuales el agente puede operar con total autonomía.
• Touchpoint: los canales y las aplicaciones en los que el agente AI está habilitado para operar.

Tipos de agentes de AI

Existen diferentes tipos de agentes de AI debido a la forma en que los han identificado y codificado los proveedores de tecnología y los principales analistas. Para simplificar, los siete más comunes son los siguientes:

1. Agentes con reflejos simples: operan sobre la base de un conjunto de reglas de condición/acción y reaccionan a las entradas sin considerar el contexto más amplio.
2. Agentes con reflejos basados en modelos: tienen un modelo integrado que mapea el entorno relevante para su función. Esto le permite considerar la situación actual y los efectos de varias acciones antes de decidir qué hacer.
3. Agentes basados en objetivos: se basan en las habilidades de los agentes con reflejos, pero están especializados en alcanzar objetivos a largo plazo, planificando sus acciones en consecuencia.
4. Agentes basados en utilidades: también llamados task-based, están asociados a una función específica y son llamados por otros agentes para realizar una tarea, como consultar una base de datos, enviar un correo electrónico, realizar un cálculo o recuperar un documento.
5. Agentes conversacionales: interactúan con el mundo exterior y, en el caso de las aplicaciones empresariales, las interacciones se limitan generalmente a los seres humanos, pero también pueden programarse para relacionarse con otros programas informáticos, dispositivos o equipos digitales. En la industria, por ejemplo, los agentes conversacionales pueden interactuar con ERP industriales o dispositivos IoT.
6. Los agentes funcionales, también llamados user-proxys, están asociados a una persona o rol organizacional en particular. Existen AI Agents asociados por ejemplo a un operador del Customer Service, a uno del Marketing, a un Sales Representative, que realizan un conjunto de subactividades en base a una especialización definida. Estos usan diferentes herramientas y se comunican entre ellos cuando sea necesario para llevar a cabo una tarea más amplia, como aumentar el valor de la vida útil del cliente.
7. Agentes jerárquicos: son grupos de AI Agent organizados en niveles. Los agentes de mayor rango dividen las tareas más complejas en tareas más simples y las asignan a las de menor nivel, recopilando los resultados y coordinando la actividad. en tareas más sencillas y las asignan a las de nivel inferior, recopilando los resultados y coordinando la actividad.

Ejemplos de agentes de AI

Al decidir los casos de uso de estos operadores de software, las organizaciones deben analizar sus puntos críticos y comprender cuáles son las funciones más difíciles de desempeñar en el mercado laboral actual. Pero incluso si se identifican oportunidades de mercado que, debido a los límites organizativos o presupuestarios, no puedan explorarse.

La solución más eficaz en estos casos puede ser, de hecho, la de acompañar a un operador o equipo con uno o varios agentes AI autónomos. Actualmente, los principales ensayos se realizan con agentes funcionales y basados en tareas.

A continuación detallamos algunos de los casos de uso más comunes en estos dos ámbitos.

Agentes funcionales

Estos son algunos ejemplos de aplicaciones de agentes funcionales:

• Agente del reclutador: En el campo de los recursos humanos, realiza tareas que incluyen la evaluación y la documentación de los requisitos, como pueden ser las habilidades y la experiencia del candidato.
• Agente técnico de campo: Proporciona información a los técnicos, automatiza las actividades de programación de las intervenciones y, además, ofrece apoyo en la fase de diagnóstico de problemas y averías.
• Agente de crédito: Simplifica el procesamiento de los pagos, toma medidas para mejorar el flujo de caja, como el envío de recordatorios, y produce informes de solvencia crediticia.
• Agente de atención al cliente: Los apoya las funciones de atención al cliente proporcionando información relevante a los agentes en persona o directamente a los clientes.
• Agente supervisor. Es un director de orquesta que guía la planificación de las acciones necesarias para alcanzar los objetivos de los agentes de AI jerárquicamente subordinados, coordinando su trabajo.

Agente de AI basado en utilidades

Aquí, en cambio, se muestran algunos casos de uso de agentes basados en servicios públicos:

• Agente de enriquecimiento de competencias: Utilice la documentación de la base de conocimientos de la empresa u otras fuentes externas para sugerir las habilidades necesarias para completar las diferentes tareas, como la creación de un anuncio de empleo o la asistencia a un empleado en la creación de su perfil de incorporación.
• Agente de codificación: Escribe código para realizar una tarea específica utilizando lenguajes como HTML, Java o Python.
• Agente de conversación: Recibe tareas de los seres humanos y comunica los resultados de las actividades del flujo de trabajo de la manera más adecuada para las necesidades de su contacto en carne y hueso.
• Agente de consulta de bases de datos: Realiza tareas relacionadas con la recuperación de datos, como ejecutar consultas SQL desde una base de datos empresarial.
• Agente RAG (Generación aumentada de recuperación, por sus siglas en inglés): Coordina la obtención de datos específicos y actualizados necesarios para un LLM (Large Language Model) para responder correctamente a una solicitud o realizar una actividad específica.
• Agente de programación: Programa reuniones con las partes interesadas para avanzar en un proyecto.
• Agente de investigación: Determina el tipo de búsqueda óptima, como una búsqueda en la web o en documentos, y consulta la herramienta o herramientas más adecuadas para realizar la tarea.

Ventajas de usar agentes de AI

Los beneficios que los usuarios de agentes de AI autónomos citan con más frecuencia incluyen la disponibilidad y la escalabilidad las 24 horas del día, los 7 días de la semana.

De hecho, este software puede funcionar de forma continua, sin tiempo de inactividad. Además, si se gestionan en modo de servicio y se distribuyen en la nube, pueden funcionar donde quiera que se encuentren los clientes, empleados o colaboradores ajenos a la empresa a los que están asociados y escalar fácilmente.

La precisión es otra ventaja de los agentes de inteligencia artificial: a diferencia de las herramientas GenAI de primera generación, son capaces de reconocer cuando no tienen suficiente información para tomar una decisión de calidad, encontrando datos adicionales si es necesario.

La eficiencia es, entonces, una de los beneficios más apreciados. Si bien los agentes de AI autónomos pueden reducir los costos operativos al reemplazar las actividades realizadas por los seres humanos, por otro lado, también pueden identificar y sugerir formas de optimizar los procesos, reduciendo los errores y el desperdicio.

¿Cómo implementar Agentes de AI?

Las fases de implementación de un agente de AI son similares a las de cualquier otro proyecto de inteligencia artificial.

El primer paso es definir la tarea, es decir, decidir qué quiere que haga el agente, prestando atención a que sea lo más específico posible con respecto a los objetivos y propósitos más altos.

El siguiente paso consiste en identificar el proceso funcional que seguirá el agente. Esto incluye:

• Los datos a los que tendrá acceso
• Los expertos empresariales relevantes ante los que podría llegar a depender
• Las herramientas y otros agentes con los que pueda relacionarse como parte de su trabajo.

A menudo es mejor empezar poco a poco, con una prueba beta o una prueba de concepto, evaluando cuidadosamente el resultado y afinando progresivamente las instrucciones dadas al agente en función de los resultados obtenidos, aumentando su autonomía en relación con la eficacia demostrada.

Con ganas de resumir las fases importantes, estas son las principales:

• Hacer una descripción detallada del trabajo que tendrá que realizar. ¿Necesitará el agente de IA pronosticar la demanda de productos? ¿Controlar las interacciones con los clientes?
• Decidir qué datos necesita. El agente de previsión de la demanda necesitará, como mínimo, datos sobre las ventas pasadas, información sobre las tendencias actuales del mercado y los indicadores económicos más relevantes, así como datos demográficos y el historial de compras de los clientes. Añadir información sobre los patrones estacionales que pueden influir en la demanda, como las temperaturas esperadas, y detalles históricos sobre las promociones, descuentos y actividades de marketing que han tenido éxito en el pasado ayudará a aumentar la precisión de los resultados.
• Integrar los agentes de AI en otras aplicaciones principales: La integración del agente de IA con otros sistemas, como la gestión de inventario, ERP y las herramientas de planificación de la cadena de suministro, ayudará a mejorar su eficacia.
• Hacer los ajustes más precisos. Al principio, la evaluación y los ajustes periódicos pueden parecer una pérdida de tiempo, pero a la larga valen la pena. Recopilar los comentarios de los clientes y los operadores internos que representan al ‘acompañante’ al que se ha asignado el agente, identificar las áreas de mejora y colaborar con el proveedor de software para realizar los cambios necesarios son buenas prácticas que se deben adoptar.

Los principales desafíos relacionados con el uso de agentes de AI

Las organizaciones que están implementando agentes de IA autónomos deben considerar algunos puntos que requieren atención especial.

En primer lugar, la formación de estos sistemas requiere recursos informáticos importantes, por lo tanto una infraestructura costosa de preparar y mantener y sobre todo no fácilmente escalable.

Otro elemento que debe ser evaluado cuidadosamente está relacionado con la privacidad y seguridad de los datos que terminan dentro de estos programas. La adopción de técnicas de anonimato que impidan la posibilidad de rastrear, mediante ingeniería inversa, los datos de clientes, pacientes o patentes debería ser una prioridad.

Existen, además, desafíos que podríamos definir “éticos”, vinculados a las distorsiones de los resultados producidos por los llamados sesgos algorítmicos. En algunas circunstancias, los modelos matemáticos y estadísticos que constituyen el corazón de estos sistemas pueden generar resultados imprecisos o, peor aún, parciales o injustos.

Por último, pero no menos importante, son las complejidades técnicas y tecnológicas que acompañan a la implementación de los agentes AI evolucionados.

Los desarrolladores deberán saber integrar perfectamente las bibliotecas de autoaprendizaje con las aplicaciones en cuestión, previendo obviamente una formación que podrá ser más o menos larga basada en datos específicos de la empresa. No siempre es fácil encontrar y organizar en una base de conocimiento compartida y accesible.

Fuente: Digital4, Network Digital360