Compartir

Carlos del Porto Blanco

Hoy en día en todos los espacios de intercambio social el tema de la Inteligencia Artificial (sobre todo la generativa) está presente, en un sentido o en otro. Pero una tendencia que va cada vez ganando más en presencia, es la de los agentes. A esta herramienta tecnológica dedicaré esta columna, así que manos a la obra.

La única manera de asegurarse de que no pierda su trabajo con la llegada de la IA, es hacer algo que la IA no puede hacer, y lo único que la inteligencia artificial no puede hacer, pero un humano puede, es ser original. Por lo tanto, puedes hacer algo original y ninguna IA puede reemplazarte. Abhijit Naskar

El interés por los agentes de IA quedó patente en el último AI Quarterly Pulse Survey de KPMG, (abril 2025) donde el 65% de las empresas encuestadas afirmaron estar inmersas en pruebas piloto de ese tipo (hace tan solo tres meses ese dato era un 37%). El informe plantea que el 12% de los encuestados confirmó haber implementado por completo algún caso de uso con agentes. Ese interés creciente refleja una tendencia clara hacia sistemas con mayor nivel de autonomía y sofisticación que permitan capturar valor de forma más clara.

¿Qué son los agentes de Inteligencia Artificial?

Un agente de Inteligencia Artificial es un programa de informático capaz de percibir su entorno e interactuar con él, recopilar datos y utilizarlos para realizar tareas definidas de forma autónoma a fin de cumplir unos objetivos predeterminados. Los seres humanos establecen los objetivos, pero el agente de IA elige de manera independiente las acciones más apropiadas que debe ejecutar para alcanzar esos objetivos. Estos agentes pueden recopilar datos, analizarlos y ejecutar acciones, adaptándose a situaciones cambiantes y aprendiendo de la experiencia, lo que los convierte en herramientas esenciales en los procesos de transformación digital de empresas u otras instituciones. Por ejemplo, un agente de IA de un centro de servicios que necesita resolver las consultas de los clientes. El agente formulará automáticamente diferentes preguntas al cliente, buscará información en documentos internos y responderá con una solución. En función de las respuestas de los clientes, determina si puede resolver la consulta por sí mismo o si debe transmitirla a un humano.

Para facilitar el entendimiento, OpenAI propone un marco ilustrativo de la evolución de la IA, partiendo de asistentes puramente conversacionales (lo que denomina etapa 1) a Agentes IA (ubicados en la etapa 3). Cinco etapas que reflejan el salto cualitativo actual y el potencial que queda por delante.

  • Nivel 1: Asistentes conversacionales: Responden a instrucciones simples, sin memoria ni razonamiento profundo.
  • Nivel 2: Asistentes con razonamiento: Pueden resolver tareas estructuradas mediante técnicas como Chain of Thought.
  • Nivel 3: Agentes autónomos: Planifican, ejecutan y se adaptan utilizando herramientas, memoria y retroalimentación del entorno.
  • Nivel 4: Agentes colaborativos: Interactúan entre sí, coordinando estrategias y habilidades especializadas.
  • Nivel 5: Sistemas organizativos completos: Tienen la capacidad de replicar la actividad de una empresa o equipo completo, con estructura y gestión propias.

Esa evolución posiciona a los agentes de IA como sistemas que pueden operar con diferentes grados de independencia, adaptarse en tiempo real a los cambios de contexto y tomar decisiones complejas sin necesidad de intervención humana constante. Eso abre un sinfín de opciones para transformar modelos de negocio y redefinir modelos operativos dejando atrás reflexiones únicamente centradas en la pura automatización. Con la capacidad de manejar tareas cognitivas complejas, incluida la toma de decisiones en tiempo real, los agentes de IA pueden acelerar procesos complejos mientras trabajan de forma autónoma en entornos empresariales dinámicos como los que se mencionan a continuación.

  • Entregue: un servicio más eficaz y eficiente con una ejecución de tareas de servicio complejas y sensibles sin errores, como responder consultas.
  • Garantice: el cumplimiento y uso responsable de la IA cuando se implementa con seguridad y gobernanza integradas para establecer barreras de seguridad y proporcionar una trazabilidad completa.
  • Acelere: las operaciones empresariales mediante la ejecución responsable y autónoma del trabajo cognitivo y los procesos comerciales integrales.
  • Genere: competitividad con una automatización más rápida y flexible de procesos empresariales que tienen como objetivo los resultados deseados en lugar de una progresión paso a paso.
  • Potencie: la productividad al aumentar y acelerar la efectividad de su personal con asistentes impulsados por IA.

A diferencia de las tecnologías de automatización, como los bots de la automatización robótica de procesos (RPA), es posible identificar los agentes de IA por sus características, que incluyen la capacidad de aprender de su entorno y actuar.

  • Propósitos concretos: Los agentes de IA se construyen de acuerdo con objetivos predefinidos, en lugar de etapas de un proceso. Trabajan hacia un objetivo asignado al utilizar toda la información y las capacidades que tienen disponibles, como el conocimiento empresarial y las percepciones de su entorno.
  • Planificación: Los agentes de IA trabajan para lograr su objetivo al crear o planificar secuencias de acción. Las capacidades de planificación de los agentes de IA avanzaron de manera significativa con la integración de los modelos de lenguaje extenso (LLM).
  • Autonomía y autonomía parcial: Los agentes de IA pueden operar sin participación ni intervención humana directa. Pueden tomar decisiones y actuar por sí mismos para lograr su objetivo.
  • Percepción: Los agentes de IA perciben y procesan información nueva a medida que se presenta. A través de los sensores y las entradas de datos, pueden evaluar su entorno operativo y adaptar sus acciones en consecuencia.
  • Memoria: Los agentes de IA almacenan sus planes, experiencias e interacciones para permitir la continuidad de su trabajo, informar acciones futuras y mejorar su desempeño.
  • Razonamiento: Los agentes de IA pueden tomar decisiones y resolver problemas. De acuerdo con sus percepciones del entorno o de la situación, al procesar información nueva y relacionar las percepciones con su conocimiento fundamental y sus objetivos definidos, los agentes de IA pueden elegir el mejor curso de acción.
  • Aprendizaje: Los agentes de IA aprenden de las entradas de datos y de las experiencias. Al aprovechar los algoritmos de aprendizaje automático para mejorar su rendimiento, los agentes de IA pueden aumentar su precisión y eficacia con el tiempo.
  • Acción: Los agentes de IA pueden tomar acciones. Conectados a accionadores y sistemas de ejecución, como aplicaciones de planificación de recursos empresariales (ERP), los agentes de IA pueden interactuar con su entorno y afectarlo para lograr las metas y los objetivos asignados.

La categorización de los agentes de IA se basa en rasgos como su nivel de reactividad o de proactividad, la naturaleza de su entorno y si operan solos o como parte de sistemas de agentes múltiples. Por ejemplo, los entornos estáticos pueden requerir una ejecución de tareas resolutivas, mientras que las interacciones dinámicas requerirán que la IA aprenda y se adapte. Comprender los tipos de agentes de IA y su aplicabilidad proporciona una base esencial para el panorama de la automatización impulsada por la IA.

  • Agentes de reflejos simples: Reactivos, basan sus acciones solo en reglas predeterminadas y datos o señales actuales, los agentes de reflejos simples funcionan bien para tareas cognitivas más sencillas que requieren una respuesta inmediata sin un razonamiento extenso. Por ejemplo, para restablecer las contraseñas de los clientes cuando se detectan palabras clave específicas en una conversación. O bien, en el caso de hogares inteligentes, para ajustar la temperatura en función de los datos del termostato.
  • Agentes de reflejos basados en modelos: Utilizando un modelo interno basado en entradas de datos y percepciones, los agentes de reflejos basados en modelos toman decisiones fundamentadas que requieren un contexto fuera de los datos de la tarea inmediata, lo que los hace efectivos para tareas más complejas que implican predecir resultados. Por ejemplo, sugerir rutas de conducción mediante mapas y actualizaciones de la ubicación.
  • Agentes basados en objetivos: Llevan las reglas a otro nivel y aplican el razonamiento para analizar diferentes caminos que les permitan lograr un resultado específico con el fin de elegir el enfoque más eficiente. Por ejemplo, esos agentes pueden ayudar a programar tareas que deben ajustarse a determinados plazos o parámetros.
  • Agentes de aprendizaje: Como su nombre lo indica, los agentes de aprendizaje evolucionan y mejoran de manera continua el rendimiento en función de las experiencias y los datos recopilados. Esa capacidad de adaptación es adecuada para tareas como motores de recomendación que reflejan con mayor fidelidad las preferencias de los usuarios a medida que aprenden de los comentarios y las interacciones.
  • Agentes racionales y basados en utilidades: Están diseñados para evaluar opciones con el fin de lograr una asignación óptima de recursos o un resultado general máximo en función de los valores o beneficios de las utilidades. Los agentes basados en utilidades toman decisiones que se alinean con las preferencias y objetivos de los usuarios. Por ejemplo, escalar los recursos informáticos en función de las necesidades de las aplicaciones para optimizar el rendimiento y los costos.
  • Agentes jerárquicos: Al igual que los gerentes, los agentes jerárquicos deconstruyen tareas complejas en otras más pequeñas y las asignan a agentes subordinados que se encargan de tareas específicas. El agente de nivel superior recopila los resultados y coordina a los agentes para garantizar el logro colectivo de los objetivos.
  • Sistemas multiagente (MAS): Los sistemas con varios agentes están formados por numerosos agentes que interactúan con distintos niveles de autonomía y se coordinan, compiten y se comunican entre sí para lograr objetivos compartidos. Los MAS son ideales para resolver problemas complicados y aumentar la eficiencia en diversas aplicaciones.

Principios clave que definen a los agentes de IA

Todo software completa de forma autónoma diferentes tareas conforme a lo determinado por el desarrollador. Entonces, ¿en qué se diferencian la IA o los agentes inteligentes? Los agentes de IA son agentes “racionales”. Toman decisiones racionales basadas en sus percepciones y datos para generar un rendimiento y resultados óptimos. El agente de IA detecta su entorno con interfaces físicas o de software.

Por ejemplo, un agente robótico recopila los datos de sensores y un chatbot utiliza las consultas de los clientes como entrada. Luego, el agente de IA aplica los datos para tomar una decisión informada. Analiza los datos recopilados para predecir los mejores resultados que respaldan los objetivos predeterminados. El agente también usa los resultados para formular la siguiente acción que debe emprender. Otro ejemplo, los vehículos autónomos sortean los obstáculos de la carretera basándose en los datos de varios sensores.

La arquitectura es la base desde la que opera el agente. La arquitectura puede ser una estructura física, un programa o una combinación de ambos. Por ejemplo, un agente de IA robótico consta de actuadores, sensores, motores y brazos robóticos. Por otra parte, la arquitectura que aloja un agente de software de IA puede usar un mensaje de texto, una API y bases de datos para permitir realizar operaciones autónomas.

Uso responsable, seguridad y gobernanza de los agentes de IA.

La incorporación de agentes de IA en la automatización empresarial exige medidas de seguridad para garantizar su uso responsable, la privacidad de los datos y la seguridad. La implementación responsable de la IA es cada vez más crucial para mantener la confianza y la confiabilidad de las operaciones empresariales.

  • Uso responsable: La implementación responsable de los agentes de IA requiere transparencia en su implementación y en sus acciones. Definir el alcance y las limitaciones dentro de las cuales operan los agentes puede ayudar a prevenir el uso indebido y, al mismo tiempo, garantizar que sus acciones se adapten a los valores y estándares de la organización. Las plataformas de los agentes de IA deben incluir visibilidad y trazabilidad entre las interacciones y actividades de los agentes para permitir auditorías periódicas. Mantener los sistemas de IA actualizados también brinda asistencia para que los agentes se desempeñen según lo previsto.
  • Privacidad de los datos: Para asegurar la información confidencial es necesario implementar marcos que garanticen una gobernanza de datos estricta. Los agentes de IA pueden respaldar el cumplimiento de la privacidad al seguir las regulaciones relevantes, como GDPR o CCPA, y al aplicar las técnicas del anonimato de datos, como el enmascaramiento, para eliminar la información personal identificable (PII) u otra información confidencial de las entradas. Limitar el acceso a los datos solo a la información necesaria es otro mecanismo para mitigar el riesgo y mejorar la protección de la privacidad.
  • Seguridad: Al igual que en cualquier implementación de IA empresarial y automatización, la seguridad es un requisito fundamental para la implementación segura de los agentes de IA. Eso implica el uso de cifrado avanzado para proteger los datos en tránsito y en reposo, así como proteger todos los puntos de acceso. Las evaluaciones de seguridad frecuentes y las pruebas de penetración son esenciales para identificar vulnerabilidades. Los datos almacenados deben poder compartirse con plataformas integradas de información de seguridad y gestión de eventos (SIEM). Las plataformas deben utilizar la autenticación multifactor y mantener una infraestructura de ciberseguridad resistente y actualizada para defenderse de las amenazas a la seguridad.

Los agentes de IA pueden organizarse según su capacidad, rol, habilidad y el resultado para el que están entrenados. A continuación, se presenta una lista no exhaustiva de algunos de los agentes que se están creando actualmente:

  • Aumento individual (agentes copiloto). Esos agentes actúan como copilotos para usuarios individuales, con el objetivo de aumentar su productividad y capacidades. Los agentes copiloto, como Microsoft 365 Copilot y ChatGPT de OpenAI, pueden ayudar con la redacción de contenido, la escritura de código o la recuperación de conocimiento. En algunos casos, los agentes copiloto pueden actuar como asistentes inteligentes que se adaptan al flujo de trabajo específico de cada usuario. Por supuesto, el impacto de este tipo de agente depende de la motivación y la dedicación de cada trabajador.
  • Plataformas de automatización de flujos de trabajo. Ese tipo de agente se centra en la automatización de tareas de uno o varios pasos, o de flujos de trabajo más pequeños, actuando como orquestador y ejecutor de procesos basados en IA para flujos de trabajo existentes. Ejemplos de ese tipo de agente incluyen Copilot Studio de Microsoft y Agentforce de Salesforce. Dado que esos agentes se aplican, en su mayoría, a procesos existentes, el éxito dependerá de un gran esfuerzo en la implementación, la gestión de cambios y la gestión de agentes.
  • Agentes nativos de IA de Gen para soluciones de dominio. Esos agentes son soluciones diseñadas específicamente para dominios o funciones empresariales específicos. Algunos ejemplos incluyen sistemas de atención al cliente basados en IA o canales de desarrollo de software habilitados con IA. Los agentes nativos de IA Generativa reimaginan un dominio específico con la IA como núcleo de la solución, a diferencia de los agentes de IA tradicionales, que integran la IA en roles o flujos de trabajo existentes.
  • Empresas y modelos operativos nativos de IA. Esos agentes se integran en todo el modelo operativo empresarial, en lugar de aplicarse a flujos de trabajo o funciones individuales. En esos casos, la empresa se somete a un rediseño integral centrado en la IA, donde se reimaginan la capa de interacción, los procesos, las estructuras organizativas e incluso el modelo de negocio. Las organizaciones experimentaron cambios de magnitud al iniciar sus transformaciones digitales, y es probable que ocurra lo mismo con la IA.
  • Trabajadores virtuales de IA. Los trabajadores virtuales de IA son agentes que funcionan como empleados o miembros de un equipo y representan la categoría de agentes con mayor potencial disruptivo. Esos trabajadores virtuales podrían permitir a las empresas evitar una transformación organizacional completa al permitir que la IA opere dentro del modelo actual de la empresa, lo que podría ayudar a generar valor con mayor rapidez.

Estos tipos de agentes de IA no son mutuamente excluyentes. Muchas organizaciones buscarán una combinación: por ejemplo, implementar copilotos de IA personales, automatizar flujos de trabajo seleccionados y pilotar algunos trabajadores virtuales.

Tipos de tareas a sumir por agentes de IA

  • Incorporación: Los agentes de IA pueden ofrecer conocimiento profesional y asistencia en el flujo de trabajo en tiempo real dentro de las aplicaciones donde trabajan los empleados del servicio.
  • Mantenimiento predictivo: Los agentes de IA pueden supervisar equipos y sistemas, predecir posibles fallas e iniciar medidas de respuesta proactivas para minimizar el tiempo de inactividad y los costos.
  • Servicio de Asistencia al Cliente: Los agentes de IA equipados con el procesamiento de lenguaje natural pueden responder a las consultas de los clientes las 24 horas del día para reducir los tiempos de espera y acelerar la resolución de las consultas

Área de las Tecnologías de la Información:

  • Supervisión de red y detección de anomalías: Los agentes de IA pueden supervisar el tráfico de la red en busca de patrones inusuales o anomalías que podrían indicar una amenaza a la seguridad.
  • Respuesta ante amenazas a la seguridad: Los agentes de IA pueden aislar dispositivos o iniciar medidas correctivas según lo definido por los protocolos de ciberseguridad.
  • Automatización del servicio de asistencia:Los agentes de IA pueden resolver de forma autónoma las solicitudes comunes, como restablecer contraseñas o aprovisionar dispositivos nuevos.

Área de salud:

  • Diagnóstico preciso: Los agentes de IA pueden analizar con precisión imágenes médicas (radiografías, resonancias magnéticas y tomografías computarizadas) con algoritmos avanzados de reconocimiento de imágenes para acelerar el diagnóstico y mejorar la identificación de anomalías.
  • Planes de tratamientos personalizados: Los agentes de IA pueden aprovechar diversos conjuntos de datos (los antecedentes médicos del paciente, la genética, los resultados del tratamiento, y otros) para generar planes personalizados que minimicen los posibles efectos secundarios.
  • Optimización del flujo de trabajo: Los agentes de IA pueden reducir la carga administrativa de los profesionales de la salud al ayudarlos con los trabajos rutinarios y complejos, como el procesamiento de documentación.

Área de Atención al Cliente

  • Resolución de problemas: Los agentes de IA pueden aplicar secuencias de comandos predefinidas, conocimientos empresariales y algoritmos de aprendizaje automático para gestionar de manera eficiente una amplia gama de consultas y problemas de los clientes.
  • Servicio multicanal: Los agentes de IA pueden integrarse con múltiples plataformas de comunicación (sitios web, aplicaciones móviles, redes sociales) para brindar un servicio unificado a los clientes a través de todos los canales.
  • Recomendaciones: Los agentes de IA pueden generar y brindar recomendaciones de productos personalizadas basadas en los datos del cliente, como el historial de navegación y el comportamiento de compra.

Algunos hitos a considerar.

  • 1950: Alan Turing publica “Computing Machinery and Intelligence” y propone el Test de Turing.
  • 1956: John McCarthy acuña el término “Inteligencia Artificial” en la conferencia de Dartmout, Estados Unidos.
  • 1966: Joseph Weizenbaum desarrolla ELIZA, el primer programa capaz de simular una conversación humana, precursor de los asistentes virtuales actuales. Era tan convincente que algunos usuarios llegaron a creer que realmente estaban hablando con una persona, lo que sorprendió incluso a su creador
  • 1997: la computadora Deep Blue, de IBM, vence al campeón mundial de ajedrez Garry Kasparov, demostrando el potencial de los agentes de IA para resolver problemas complejos.
  • 2011: la computadora Watson, de IBM, gana el concurso televisivo Jeopardy! superando a los campeones humanos y mostrando la capacidad de la IA para procesar y comprender el lenguaje natural.
  • 2015: la computadora AlphaGo de DeepMind vence al campeón mundial de Go, un juego considerado mucho más complejo que el ajedrez para las máquinas.
  • 2022-2023: La aparición de asistentes conversacionales avanzados como ChatGPT y agentes de IA empresariales marca una nueva era de interacción y autonomía

¿Cómo podrían los agentes de IA incidir en el crecimiento empresarial?

La consultora McKinsey estima que, a largo plazo, los casos de uso empresarial de la IA de última generación podrían generar hasta 4.4 billones de dólares de valor al año. Sin embargo, las organizaciones no podrán convertir ese potencial en crecimiento empresarial y mayor productividad a menos que implementen rápidamente la IA para reimaginar y transformar la forma de trabajar de las instituciones. Los agentes de IA pueden ayudar a extraer esa enorme cantidad de valor de forma más rápida, eficaz y económica que otras tecnologías más antiguas.

La irrupción de los agentes de IA marca un punto de inflexión: se ha pasado de automatizar tareas a delegar objetivos. Esa transición redefine la relación entre tecnología, talento y estrategia organizativa. La adopción de agentes de IA va mucho más allá de la tecnología: exige madurez estratégica, cultural y operativa. En nuestro caso pocas organizaciones están preparadas para integrar agentes IA, e identificar los posibles casos de uso a tiempo. Establecer un cronograma para asegurar su futura implantación es fundamental. Evaluar con honestidad dimensiones como modelo operativo, calidad del dato, arquitectura tecnológica, capacidades internas y gobierno ético es indispensable para evitar esfuerzos fallidos y capturar valor real.

El éxito no puede medirse por la sofisticación del agente, sino por su impacto. Por ello, es fundamental establecer métricas claras, conectar esos indicadores con resultados tangibles esperados (ahorro de tiempo, optimización de costo, aumento de los ingresos) y monitorear su evolución en tiempo real. La confianza es un sine qua non. Principios éticos, políticas de privacidad, mecanismos de supervisión y cumplimiento regulatorio sólido, no solo evitan riesgos, sino que habilitan una adopción escalable, legítima y sostenible.

Cierro con el último párrafo de uno de los artículos consultados, de la consultora McKinsey. Éste cita a Erik Brynjolfsson, profesor de la Universidad de Stanford, para definir el momento que se está viviendo: “El peligro no está en que los sistemas de IA sean demasiado inteligentes, sino en que sean demasiado tontos… al intentar replicar lo que hacemos en lugar de complementar lo que somos”. Es lo que denomina la “trampa de Turing”. Evitarla no es solo una decisión técnica, sino estratégica: la IA debe ser concebida como una palanca para expandir el potencial humano, no para reemplazarlo. En esa colaboración inteligente entre personas y agentes, está el verdadero valor.

Referencias

Etiquetas: -