Más Allá de los Asistentes: Cómo los Agentes de IA Están Revolucionando el Panorama

Gartner prevé que, para 2028, un tercio de las interacciones humanas con la inteligencia artificial generativa pasará de los comandos del usuario a interfaces directas con agentes autónomos y motivados por intenciones. Este cambio representa un salto significativo desde los asistentes de IA reactivos que muchos usuarios conocen actualmente.

“Los agentes representan el siguiente paso evolutivo en la IA generativa,” dice Vijoy Pandey, SVP/GM de Outshift, la rama de incubación de Cisco. “Para los ejecutivos, el mensaje es claro: prepárense ahora. Con solo tres años por delante, comiencen implementando asistentes y abordando casos de uso manejables antes de evolucionar a aplicaciones más críticas.”

Los agentes de IA son como empleados especializados y incansables, adaptados a tareas específicas para resolver problemas empresariales de manera colaborativa. Tim Tully, socio de Menlo Ventures, destaca una tendencia en curso: “Estamos viendo a empresas de éxito del cliente reemplazar y mejorar sus equipos con agentes, aumentando la escalabilidad. Esto es evidente en la automatización de marketing y la generación de código, y espero que los agentes se multipliquen aún más en la ingeniería de software.”

Las Tres Grandes—Google Cloud, Copilot de Microsoft y Q de AWS—están desarrollando activamente agentes de IA generativa, lo que indica la aparición de una tecnología transformadora.

La Distinción Entre Agentes y Asistentes

Entonces, ¿qué diferencia a los agentes de IA de los asistentes de IA anteriores? Los asistentes de IA responden a los comandos del usuario, utilizando grandes modelos de lenguaje (LLMs) y procesamiento del lenguaje natural (NLP) para proporcionar respuestas y contenido contextual en una interfaz conversacional.

En contraste, los agentes de IA son proactivos y autónomos, capaces de tomar decisiones y acciones sin intervención humana. Analizan continuamente datos específicos del dominio en tiempo real, gestionando flujos de trabajo complejos de forma independiente mientras persiguen objetivos definidos.

A diferencia de los asistentes tradicionales, los agentes producen contenido de alta calidad que puede reducir los tiempos de revisión entre un 20% y un 60%, gracias a una pista de auditoría fácilmente accesible de tareas y fuentes de datos. “Piénsenlos como empleados especializados que se enfocan en tareas particulares y colaboran para abordar problemas empresariales más amplios,” explica Pandey. Por ejemplo, en servicios financieros, un agente puede detectar y prevenir fraudes en tiempo real; mientras que en recursos humanos, puede analizar datos para identificar talento clave o predecir rotación.

Cuando se integran en un marco de múltiples agentes, estos sistemas pueden colaborar en diversas áreas de habilidad, tomar decisiones informadas y gestionar flujos de trabajo complejos de manera autónoma. Sin embargo, aún está en desarrollo una capa de orquestación dedicada para la colaboración entre agentes, lo cual representa una oportunidad significativa para startups.

“Es necesaria una infraestructura similar a Kubernetes para las tecnologías de agentes, algo ideal para ejecutar estas cargas de trabajo especializadas,” señala Tully. El objetivo es conectar a estos agentes delgados, facilitando la comunicación a través de protocolos que aún deben establecerse.

Transición de Asistentes a Agentes

El Índice de Preparación para IA de Cisco revela que, si bien el 97% de las organizaciones desean aprovechar la IA generativa, solo el 14% la ha implementado, lo que resalta una brecha considerable. Los obstáculos comunes incluyen comprender por dónde comenzar, garantizar el ROI y abordar desafíos de confianza, seguridad y protección.

“Existen limitaciones en el razonamiento interno y en la planificación necesaria para que los agentes aborden problemas ambiguos,” explica Pandey, señalando la importancia de instrucciones claras para guiar a los agentes de manera efectiva.

Las organizaciones deberían comenzar con casos de negocio simples en lugar de proyectos ambiciosos. Capacitar a desarrolladores ciudadanos—individuos dentro de las funciones empresariales que entienden los procesos y cómo mejorarlos—es crucial, especialmente dada la limitada disponibilidad de desarrolladores de IA generativa.

Antes de embarcarse en su viaje de IA, las organizaciones deben priorizar la limpieza de datos para asegurar una adecuada gestión de identidades y controles de acceso. “Empiecen con casos de negocio manejables en lugar de disparos a la luna,” aconseja Pandey. Este enfoque permite a las organizaciones navegar y refinar su pipeline mientras educan a los desarrolladores ciudadanos, sentando una base sólida para futuros avances en IA.

A medida que las industrias transitan de asistentes a agentes y los LLM continúan mejorando, cada organización puede beneficiarse de la transformación que trae la IA generativa agente.