La próxima etapa de la IA generativa se centrará en sistemas que puedan interactuar de forma independiente- agentes de IA. Esto es lo que significa esa transformación para ti.
Construir e implementar sistemas basados en IA puede parecer un proyecto grande y difícil de manejar, cargado de riesgos. Sin embargo, está surgiendo otro modo de entrega: los agentes basados en IA.
La IA generativa ha añadido nuevo peso y capacidades a los agentes que a menudo han sido difíciles de configurar y gestionar. Nuevas investigaciones muestran que estos servicios más fáciles de configurar están captando la atención de los tecnólogos y sus líderes empresariales.
Los agentes basados en IA representan la «próxima frontera» de la IA, según un informe de la consultora McKinsey. El informe predice que la influencia de los sistemas agentivos, definidos como «sistemas digitales que pueden interactuar de forma independiente en un mundo dinámico», aumentará.
Si bien los sistemas agentivos existen desde hace algún tiempo, «las capacidades de lenguaje natural de la IA generativa abren nuevas posibilidades, permitiendo sistemas que pueden planificar sus acciones, utilizar herramientas online para completar esas tareas, colaborar con otros agentes y personas, y aprender a mejorar su rendimiento», afirmó el equipo de autores de McKinsey, liderado por Lareina Yee.
Es probable que la próxima etapa de la IA generativa sea aún «más transformadora», sugirieron Yee y sus colegas. «Estamos comenzando una evolución desde las herramientas basadas en el conocimiento y potenciadas por la IA generativa -por ejemplo, los chatbots que responden preguntas y generan contenido- hacia los agentes habilitados por la IA generativa que utilizan modelos fundacionales para ejecutar flujos de trabajo complejos y de varios pasos en un mundo digital. En resumen, la tecnología está pasando del pensamiento a la acción».
La mayoría de los 1.100 ejecutivos tecnológicos (82%) que respondieron a una reciente encuesta de la consultora Capgemini indicaron que tienen la intención de integrar agentes basados en IA en sus organizaciones en los próximos tres años, frente al 10% que tienen agentes en funcionamiento en la actualidad.
El informe reveló que siete de cada diez encuestados (70%) confiarían en un agente de IA para analizar y sintetizar datos, y el 50% confiaría en un agente de IA para enviar un correo electrónico profesional en su nombre. Alrededor de tres cuartas partes de los encuestados (75%) dijeron que tienen la intención de desplegar agentes de IA para abordar tareas como la generación y la mejora iterativa de código. Otras tareas potenciales para los agentes incluyen la generación y edición de borradores de informes (70%) y contenido de sitios web (68%), y la generación de correos electrónicos, la codificación y el análisis de datos.
Los agentes impulsados por IA son capaces de asumir una diversidad de roles. «Un asistente virtual, por ejemplo, podría planificar y reservar un itinerario de viaje personalizado complejo, gestionando la logística a través de múltiples plataformas de viaje», dijo el informe de McKinsey. «Utilizando el lenguaje cotidiano, un ingeniero podría describir una nueva característica de software a un agente programador, que luego codificaría, probaría, iteraría e implementaría la herramienta que ayudó a crear».
En otro ejemplo, un proveedor, Qventus, ofrece un asistente basado en IA orientado al cliente llamado Patient Concierge, que llama a los pacientes y les recuerda sus citas, reitera las pautas pre y postoperatorias, y responde a preguntas generales sobre la atención.
Hay seis niveles de agentes de IA, cada uno de los cuales ofrece una funcionalidad creciente, como se explica en este tutorial publicado por Amazon Web Services:
- Agentes reflejos simples: Adecuados para tareas sencillas como el restablecimiento de contraseñas. «Opera estrictamente basándose en reglas predefinidas y en sus datos inmediatos. No responderá a situaciones que vayan más allá de una regla de acción de condición de evento dada».
- Agentes reflejos basados en modelos: Similares a los agentes reflejos simples, pero «en lugar de limitarse a seguir una regla específica, evalúan los resultados y consecuencias probables antes de decidir. Construyen un modelo interno del mundo que perciben y lo utilizan para apoyar sus decisiones».
- Agentes basados en objetivos/reglas: Tienen capacidades de razonamiento más sólidas que los agentes reflejos, lo que los hace adecuados para «tareas más complejas como el procesamiento del lenguaje natural y las aplicaciones robóticas». El agente basado en objetivos/reglas «compara diferentes enfoques para ayudarle a lograr el resultado deseado, y siempre elige el camino más eficiente».
- Agentes basados en la utilidad: «Compara diferentes escenarios y sus respectivos valores de utilidad o beneficios», como ayudar a los clientes a buscar las mejores ofertas de billetes de avión. «Utiliza un complejo algoritmo de razonamiento para ayudar a los usuarios a maximizar los resultados deseados».
- Agentes de aprendizaje: «Aprenden continuamente de experiencias previas para mejorar sus resultados. Utilizando la información sensorial y los mecanismos de retroalimentación, el agente adapta su elemento de aprendizaje a lo largo del tiempo para cumplir con estándares específicos. Además de eso, utiliza un generador de problemas para diseñar nuevas tareas para entrenarse a partir de los datos recogidos y los resultados pasados».
- Agentes jerárquicos: Esto pone a los agentes a cargo de otros agentes. «Los agentes de nivel superior descomponen las tareas complejas en otras más pequeñas y las asignan a los agentes de nivel inferior. Cada agente funciona de forma independiente y envía un informe de progreso a su agente supervisor. El agente de nivel superior recopila los resultados y coordina a los agentes subordinados para garantizar que, colectivamente, alcancen los objetivos».
Hasta ahora, los agentes de software «han sido difíciles de implementar, requiriendo una laboriosa programación basada en reglas o un entrenamiento muy específico de modelos de aprendizaje automático», señaló el equipo de McKinsey. Sin embargo, ahora se está produciendo un cambio importante.
«La IA generativa cambia eso. Cuando los sistemas agentivos se construyen utilizando modelos fundacionales -que han sido entrenados en conjuntos de datos no estructurados extremadamente grandes y variados-, en lugar de reglas predefinidas, tienen el potencial de adaptarse a diferentes escenarios de la misma manera que los LLM pueden responder de forma inteligible a indicaciones sobre las que no han sido entrenados explícitamente».
El uso del procesamiento del lenguaje natural por parte de los agentes de IA también cambia la ecuación. «Actualmente, para automatizar un caso de uso, primero hay que descomponerlo en una serie de reglas y pasos que puedan codificarse», afirma el equipo de McKinsey.
«Estos pasos se traducen normalmente en código informático y se integran en sistemas de software, un proceso a menudo costoso y laborioso que requiere una importante experiencia técnica. Dado que los sistemas agentivos utilizan el lenguaje natural como forma de instrucción, incluso los flujos de trabajo complejos pueden codificarse de forma más rápida y sencilla. Es más, el proceso podría ser realizado por empleados no técnicos, en lugar de por ingenieros de software».
