Perspectives
La diferencia agéntica
Si 2024 fue el año en que GenAI se hizo común, en 2025, la inteligencia artificial agéntica parece estar lista para usurpar su lugar como el principal motor de grandes expectativas empresariales. El tráfico de los motores de búsqueda y las conversaciones en todas partes, desde las llamadas de resultados corporativos hasta las canchas de pickleball, muestran un aumento en el interés por las soluciones de inteligencia artificial agente. Nuevos productos y herramientas de compañías como NVIDIA y Microsoft han impulsado la anticipación sobre el impacto potencialmente transformador de la inteligencia artificial agente para las empresas. Incluso parte de la emoción que acompañó el lanzamiento sensacional del modelo R1 de bajo costo y alto rendimiento de DeepSeek fue provocada por su potencial para exhibir comportamientos de razonamiento que pueden preparar el terreno para la inteligencia artificial agente.
La inteligencia artificial agéntica aparece en la agenda de resultados corporativos
A pesar de que la IA agentic es nueva para la mayoría de las empresas, la investigación ya señala un creciente impulso en el mundo real. Una reciente encuesta de altos responsables de TI en los EE. UU. encontró que casi la mitad ya estaba adoptando agentes de IA en sus empresas, mientras que otro 33% estaba evaluando activamente soluciones de IA agentic.
Sin embargo, algunas de las ideas erróneas en torno a la tecnología, así como la inversión y los desafíos involucrados, abogan por la cautela al tomar decisiones y desplegar IA agéntica. En esta edición de Perspectives, expertos con experiencia práctica en IA agéntica comparten ideas sobre cómo navegar en este espacio en evolución y equilibrar su potencial con los riesgos reales para las empresas.
Incluso lo que constituye la IA agéntica – y un agente de IA - sigue siendo objeto de debate. Pero en general, se refiere a modelos basados en GenAI que pueden entender y trabajar en problemas complejos y multinivel con un grado de autonomía.
Como señala Prasanna Pendse, Vicepresidente Global de Estrategia de IA en Thoughtworks, ‘agente’ tiene un doble significado, refiriéndose a algo que toma acción en el mundo real y que tiene la capacidad de hacerlo en nombre de otros.
“Los agentes robóticos han existido durante mucho tiempo; piensa en las aspiradoras Roomba que aprenden a adaptarse a los hogares de sus propietarios,” dice. “GenAI nos ha permitido imaginar lo que podría ser un robot en el mundo digital ambiguo, cambiante y volátil. La IA agéntica significa que el robot puede manejar la incertidumbre por sí mismo, ser más resiliente y adaptativo a la información que recibe y aún así cumplir su tarea. El otro desarrollo es que el robot ya no necesita ser físico – puede vivir en la nube. Así es como imaginamos la IA agéntica: robots autónomos en la nube haciendo cosas por nosotros, pero aún no estamos allí.”
Shayan Mohanty, Jefe de Investigación de IA de Thoughtworks, aconseja pensar en la encarnación actual de la IA agéntica como un modelo de lenguaje grande impulsado por GenAI con una capa de código encima. Esto gobierna cómo el modelo avanza a través de los diversos elementos de un proceso o sistema – y de manera crítica, le permite hacerlo de manera fiable e independiente.
"Al usar la reserva de viajes como ejemplo, podrías pedirle a GenAI que proponga destinos contigo y obtener una respuesta. Pero la IA agéntica puede planificar y reservar tus vacaciones completas."
Shayan Mohanty
Jefe de Investigación de IA, Thoughtworks
“Al usar la reserva de viajes como ejemplo, podrías pedirle a GenAI que proponga destinos contigo y obtener una respuesta,” explica. “Pero la IA agéntica puede planear y reservar tus vacaciones completas. Depende del modelo y del sistema cómo navegar a través de los pasos para realizar la tarea que has delineado, incluso si esa tarea es algo ambigua.”
Sarang Kulkarni, Tech Principal en Thoughtworks, señala que las versiones anteriores de IA estaban gobernadas completamente por flujos de trabajo estáticos y específicamente definidos. Mientras que los agentes todavía requieren esto en cierta medida, también pueden tomar más iniciativa para interpretar un objetivo y seleccionar las herramientas necesarias para realizar el trabajo.
“Los agentes también pueden descomponer problemas complejos en más simples, luego verificar los resultados, creando ciclos de retroalimentación y cambiando de curso donde sea necesario, al igual que haría un ser humano,” dice Kulkarni.
Entendiendo los casos de uso
Una fuerza laboral virtual automatizada que pueda soltarse para asumir incluso trabajos complejos puede sonar como el sueño de un gerente. Sin embargo, esta visión está aún lejos de la realidad. Según un estudio, aunque casi el 60% de las empresas esperan que los agentes pasen rápidamente del prototipo a la producción, solo el 30% realmente ve que eso ocurra. Los expertos de Thoughtworks aconsejan a los líderes empresariales que aborden la IA agentica con esperanzas modestas y cierto grado de escepticismo.
“El tiempo y el costo son desafíos significativos,” señala Pendse. “Cuando escuchas a empresas como OpenAI hablar sobre empleados agentes de IA, rara vez mencionan cronogramas específicos, o lo costoso que puede ser.”
Pendse estima que los costos totales de entrenar y mantener un agente de IA listo para el lugar de trabajo desde cero se situarían en las decenas, posiblemente incluso cientos de millones de dólares, lo que lo hace poco práctico más allá de demostraciones o negocios financiados por capital de riesgo que buscan lograr economías de escala, como OpenAI.
Gran parte del entusiasmo en torno a la IA agentiva está enraizado en su potencial percibido para reducir costos mediante la automatización de la resolución de problemas repetitivos, señala Mohanty. De hecho, hay evidencia de tales resultados por parte de los primeros adoptantes como DHL y Siemens, que supuestamente redujeron los costos de mantenimiento en un 20% después de desplegar modelos de IA agentiva para analizar datos de sensores de máquinas utilizadas en operaciones de manufactura.
Ejemplos como estos han movilizado fondos de capital de riesgo para invertir en el espacio, con la financiación a startups de IA agentiva más que duplicándose año tras año en 2024, según CB Insights. Eso ha ayudado a fomentar una serie de empresas de IA agentiva que están madurando rápidamente.
Los proveedores de soluciones de IA agéntica están listos para el horario estelar
Esto también significa que hay mucho en juego para el éxito de la IA agéntica. “Para que los fondos de capital de riesgo puedan salir de sus inversiones, necesitan crear la narrativa de que esta es la próxima gran cosa”, dice Mohanty. “Las empresas de hardware y nube también necesitan que estos agentes se pongan en marcha para que su computación sea consumida. Todos están alineados en ver el potencial valor; la pregunta es qué tan fácil, y qué tan costoso es realizar ese valor. Y aunque el progreso está acelerando rápidamente, la respuesta sigue siendo en gran medida por confirmarse.”
Un problema es que el esfuerzo de ingeniería requerido para realizar la promesa de la plena autonomía sigue siendo alto. Mohanty aconseja a las empresas interesadas en utilizar la IA agéntica que busquen procesos gobernados por flujos de trabajo bien definidos con una clara sucesión de pasos o estados – en términos de ingeniería, ‘máquinas de estados.’
“En las interacciones de soporte al cliente, las personas a menudo operan siguiendo un guion que tiene una estructura de árbol de decisiones – eso es básicamente una máquina de estados,” explica. “Construir un modelo sobre eso y diseñar un sistema en torno a ello es relativamente sencillo, ya que básicamente estás tomando algo que está escrito en forma narrativa y convirtiéndolo en código.”
Para Pendse, las mayores ventajas de la IA agéntica se realizan cuando acelera tareas repetitivas y el acceso a la información.
“Digamos que necesitas presentar tickets todos los días, si estás, por ejemplo, trabajando en un banco analizando solicitudes de préstamos de personas adineradas,” dice. “Necesitas entender si estas personas están políticamente expuestas, si hay riesgos reputacionales al hacer negocios con ellas, si los activos que afirman poseer son realmente suyos, potencialmente entre diferentes idiomas y jurisdicciones y diferentes maneras de acceder y autenticar los datos. La IA agéntica puede automatizar aspectos de eso, para ayudarte a llegar a conclusiones y hacer tu trabajo de manera más eficiente.”
Aunque el camino no siempre es directo, Pendse también ve un potencial significativo para los negocios cuando múltiples agentes son capaces de trabajar en conjunto.
“La realidad siempre va a retrasarse con respecto a nuestras expectativas, pero eso no significa que no haya valor que obtener,” dice. “Típicamente, un solo agente tiene un uso limitado ya que solo realizará bien una tarea; el sueño es un sistema multiagente que pueda ser asignado a diversas tareas complejas. Luego, los agentes coordinan para formular un plan de acción, decidir qué agentes están mejor ubicados para abordar cada componente; asignar roles; verificar qué funciona y qué no, e iterar y mejorar hasta que la tarea esté hecha."
Thoughtworks ha ayudado a implementar un sistema así en una importante empresa de tecnología, diseñado para mejorar la comprensión y optimización de las asignaciones de GPU en un entorno intensivo en computación. Basándose en la telemetría de una serie de sistemas diferentes, "estos agentes deben averiguar, en base a las preguntas que se hagan, dónde encontrar las respuestas y juntarlas de una manera accesible y precisa,” explica Kulkarni.
Thoughtworks también colaboró con la empresa farmacéutica global, Bayer, para desarrollar agentes que actúan como asistentes de investigación en el meticuloso proceso de descubrimiento de medicamentos. Los requisitos de investigación asociados son significativos, a menudo implicando la búsqueda de conocimientos preclínicos internos y otras fuentes en busca de evidencia de estudios previos en campos similares. Sin embargo, el volumen de información es tan extenso que ningún ser humano puede acceder o recordar todo de manera realista.
Los agentes diseñados por Thoughtworks recorren rápidamente los datos de estudios históricos, permitiendo a los fabricantes de medicamentos recuperar información relevante de manera eficiente y acelerar la toma de decisiones. "En cierto sentido, es la memoria asistida de todo el conocimiento preclínico que ha sido generado por Bayer," dice Kulkarni. "Involucrar agentes en el proceso acelera significativamente el tiempo para la toma de decisiones."
Este es un ejemplo de cómo la inteligencia artificial agentiva puede ahorrar no solo tiempo, sino también costos considerables al ayudar a prevenir la repetición innecesaria de pruebas o la mitigación de riesgos impulsada por datos en los programas de desarrollo de medicamentos. "Encontrar la información correcta, en el lugar correcto, en el momento correcto, es crucial en este contexto," dice Pendse.
Los agentes en el sistema han sido desarrollados para manejar consultas complejas, sintetizar respuestas y verificar que toda la información necesaria esté disponible antes de presentarla al usuario en el formato requerido.
"Los científicos de datos anteriormente tenían que ejecutar múltiples consultas SQL que tardaban días o semanas en producir conocimientos que ahora se generan en segundos", dice Kulkarni. El sistema también ha demostrado ser capaz de señalar discrepancias o inconsistencias de datos en anotaciones de estudios que de otro modo podrían pasar desapercibidas
Thoughtworks (junto con Bayer) también está implementando un asistente de escritura multiagente. Un agente actúa como investigador, accediendo a miles de informes históricos y a la base de datos preclínica. Cuando un usuario necesita generar un informe basado en estos estudios específicos, el primer agente determina qué información extraer. Otro agente entonces sintetiza esa información en un informe adaptado al formato deseado y al público objetivo. Un tercer agente revisa y verifica el informe, asegurando la precisión antes de finalizarlo. Este enfoque colaborativo agiliza la elaboración de informes y mejora la fiabilidad.
"Veo un potencial tremendo en expandir el uso de asistentes de escritura multiagente a varios casos de uso. Al aprovechar estos agentes, podemos liberar recursos para que nuestros científicos se concentren en tareas importantes en lugar de redactar documentos. Esta tecnología mejora significativamente nuestra capacidad para gestionar y sintetizar grandes cantidades de datos, asegurando que generemos informes precisos y completos de manera eficiente", dice Annika Kreuchwig, Científica de Datos Senior en Desarrollo Preclínico en Bayer.
El poder y las diversas capacidades de los sistemas multiagente son la razón por la que son un área importante de investigación en Thoughtworks AI Labs, donde los expertos están tratando de resolver algunos de los desafíos que vienen con ellos.
“Hay preguntas de latencia, como cuánto tiempo se tarda en obtener una respuesta si estás hablando con 17 agentes diferentes”, dice Pendse. “Y luego está la cuestión de los costos; la dependencia de las API y los tokens de OpenAI puede volverse costosa. Debido a los efectos multiplicadores, la fiabilidad de un sistema disminuye con cada parte que se agrega. Nuestro enfoque de investigación se centra en cómo hacer estos agentes más fiables, porque si puedes mejorar la fiabilidad de uno, entonces la fiabilidad de todo el sistema aumenta.”
Confrontando los riesgos
Las experiencias de Thoughtworks han convencido a expertos como Kulkarni de que la IA agéntica pronto impactará en todas las industrias, aunque algunas se verán afectadas antes que otras.
“El software, donde los agentes ya están escribiendo código que solo necesita ser verificado por humanos, es un ejemplo”, dice. “También vemos un enorme potencial de valor en el cuidado de la salud, ayudando a los médicos a estudiar imágenes y producir interpretaciones, junto con las connotaciones para los pacientes. Las industrias y roles iniciales afectados serán en su mayoría aquellos donde las personas se sientan frente a computadoras, pero la IA agéntica también se trasladará al entorno físico e industrial.”
Con la creciente adopción vienen los riesgos. Instancias ocasionales de chatbots volviéndose 'rebeldes', como un caso reciente donde el asistente de IA Gemini de Google respondió a un usuario con mensajes amenazantes, han mostrado que los agentes autónomos pueden ser impredecibles y, en última instancia, difíciles de controlar, y quizás incluso peor, sujetos a manipulación.
“Esta es la primera vez que estamos construyendo software que teóricamente podría ser diseñado socialmente”, señala Mohanty. “Es un paradigma de seguridad completamente nuevo en el que nos encontramos. Alucinaciones, ignorar ciertas instrucciones, estar desalineados y producir resultados que no están en línea con las creencias o el código de conducta de una empresa: hay muchas maneras diferentes en las que estos sistemas pueden fallar.”
"Esta es la primera vez que estamos construyendo un software que teóricamente podría ser diseñado socialmente. Es un paradigma de seguridad completamente nuevo en el que nos encontramos."
Shayan Mohanty
Jefe de Investigación de IA, Thoughtworks
La edición más reciente del barómetro de confianza de la firma de relaciones públicas Edelman destaca el uso empresarial de la IA como un área donde la confianza pública es escasa y que tiene el potencial de generar más quejas. Esto subraya la necesidad de que las empresas procedan con cautela.
“Si tienes un agente que estás habilitando, implícita o explícitamente, para realizar una serie de acciones que tocan una serie de sistemas, tienes que poder confiar en él,” dice Mohanty. “Si está reservando unas vacaciones para ti, saber que no te arruinará es algo importante. ¿Qué pasa si toma un giro brusco en algún lugar del proceso y accidentalmente reserva todo en un jet privado? El elemento de confianza está ausente en este momento, ni siquiera los académicos realmente han decidido sobre las métricas que deberíamos considerar importantes.”
Una de las primeras áreas problemáticas que muchas empresas encuentran es la privacidad y la seguridad, dado lo esencial que son los datos para construir sistemas de IA competentes.
“Muchas veces, cuando los modelos están entrenando, necesitarán acceso a datos específicos,” señala Kulkarni. “Si tu organización tiene información personal almacenada donde no debería estar, el agente podría tener acceso a toda ella y llevar esos datos al proceso de formación.”
Pendse también señala que la IA agéntica puede venir con riesgos de percepción. “Si estás diciendo que vas a despedir a muchas personas, o si tus empleados sienten que sus trabajos están en riesgo, eso casi con certeza afectará su moral y productividad,” dice.
Al usar IA agéntica, una cierta cantidad de desventajas es inevitable. La pregunta es si el riesgo es aceptable, o vale la pena el rendimiento, y la respuesta puede depender de las circunstancias.
“Podría ser que sí si se está desplegando en la oficina trasera, pero no en el contexto de atención al cliente, o en el frente de tu sitio web, donde estás interactuando con el público y posibles clientes,” dice Mohanty.
“Cada organización tiene su propio perfil de riesgo y apetito,” añade. “Los servicios financieros y las farmacéuticas, por ejemplo, son a menudo más conservadores, pero curiosamente, también son los más inclinados hacia la experimentación con IA agéntica, porque no quieren ser sorprendidos desprevenidos. Hay mucha experimentación, pero no se ha implementado en gran medida porque los riesgos son muy, muy difíciles de cuantificar en este momento.”
“Todavía hay una brecha de evaluación, en términos de saber si la IA está haciendo lo que se supone que debe hacer, y si es confiable o no”, coincide Pendse. “En la industria, no hay una respuesta correcta o una única forma de llegar a este punto. Parte de nuestra investigación se centra en encontrar las bases matemáticas de esto de una manera que puedas poner un número al riesgo, para no depender de la interpretación para decir si es real o no.”
Por ahora, Pendse aconseja a las empresas adoptar un marco de riesgo para la IA agéntica, similar a los que se ven en otras funciones críticas.
“Piensa en ello como un gráfico, con la probabilidad en el eje y y el impacto en el eje x, donde trazas cada decisión o evento en términos de probabilidad y severidad”, explica. “Si hay una alta probabilidad de que algo vaya a salir mal o si tendría un gran impacto, como una fuga de datos que podría costar el 4 por ciento de tus ingresos anuales, o resultar en que alguien vaya a la cárcel, probablemente debería evitarse. La seguridad tiene más que ver con dónde usas la IA y los controles que pones en marcha que con la IA en sí misma.”
Los marcos pueden ayudar a las empresas a mapear los riesgos de la IA
Kulkarni recomienda que las empresas busquen un equilibrio entre la IA más 'tradicional', donde los sistemas siguen guiones y flujos de trabajo estrictamente definidos y, por lo tanto, están relativamente contenidos, y el valiente mundo nuevo de la plena autonomía y agencia. "Moverse con confianza hacia la producción requiere un punto óptimo entre esos dos extremos", dice.
Como muchos de los desafíos que surgen están arraigados en la naturaleza de 'caja negra' de algunos sistemas, Thoughtworks y otros están tomando medidas para hacer que la IA agéntica sea más determinista y explicable. En el asistente de redacción de informes de multiagentes de Thoughtworks, por ejemplo, prácticamente cada línea generada por el sistema se acompaña de una cita que muestra de dónde proviene la conclusión, y se está trabajando para que esta información sea aún más fácil de acceder y entender.
"Necesitamos incorporar explorabilidad, para permitir a los usuarios ver todos los pasos que un sistema ha tomado para llegar a un cierto resultado o conclusión," dice Kulkarni. "La clave para la confianza es hacer que todo lo que sucede detrás de escena sea transparente. También necesitamos determinar si algo sale mal, quién es el responsable, especialmente cuando estos agentes pueden ser desplegados en áreas de alto impacto. ¿Es la persona que dio la orden? ¿El agente? ¿O la empresa que construyó el agente en primer lugar?’
Construyendo la infraestructura y capacidades adecuadas
Las complejidades alrededor de la IA agéntica significan que es mejor abordarlas después de que la plataforma de datos de la empresa, y las prácticas de datos, alcancen un cierto nivel de madurez, dicen los expertos de Thoughtworks.
“Además de una arquitectura madura, necesitas gobernanza de datos y gobernanza de IA, así como una pila tecnológica específica, experiencia y pericia en estas áreas,” señala Kulkarni. “Generalmente, necesitarás mejorar las habilidades del personal existente o incorporar nuevas personas para lograr eso. Necesitas datos de buena calidad, y a menudo mucho esfuerzo de ingeniería para llevar los datos a ese estado.”
"Puedes llegar a una solución simplista que se vea y se sienta bien muy rápidamente. Pero el desafío radica en llevar eso a producción y hacerlo escalable, rentable, preciso y fiable."
Prasanna Pendse
VP Global de Estrategia de IA, Thoughtworks
“Puedes llegar a una solución simplista que se vea y se sienta bien muy rápidamente,” dice Pendse. “Pero el desafío radica en llevar eso a producción y hacerlo escalable, rentable, preciso y fiable. Probablemente requerirá conjuntos de habilidades que probablemente no has enfatizado antes. De repente necesitas entender estadística, cálculo, ecuaciones diferenciales, álgebra lineal.”
Una solución obvia es buscar nuevos talentos, pero por razones de costo y otras, esto rara vez es tan fácil como puede parecer.
“Cuando contratas a nuevas personas que traen habilidades especializadas, necesitas mantenerlas ocupadas y comprometidas, en el número adecuado de proyectos,” señala Pendse. “Requiere presupuestos, vinculados a casos de uso empresarial con ROI que, en este contexto, pueden ser ambiguos. Por eso la respuesta probablemente sea una mezcla de mejorar las habilidades del personal interno, contratar, usar contratistas, y simplemente comprar productos terminados.”
‘Comprar versus construir’ es un dilema clásico de tecnología, “y francamente, por eso existen empresas como Thoughtworks desde el principio,” dice Mohanty. “El mercado está evolucionando muy rápidamente, así que es una cuestión de si compras hoy y potencialmente quedas atrapado en un contrato de un año, tiempo durante el cual todo el mercado puede cambiar. Las aguas de la IA están muy agitadas en este momento.”
Mientras tanto, la construcción debe hacerse de una manera relativamente flexible que permita que las soluciones o componentes sean extraídos o conectados a medida que surjan nuevas innovaciones, pero esto se retroalimenta directamente en el tema del talento y la capacidad. “Hacer eso requiere contexto,” dice Mohanty. “Requiere alguien que haya estado allí y haya hecho eso, y eso es francamente lo que falta en gran parte de la industria.”
La aparición repentina de DeepSeek y las preguntas que ha planteado sobre los productos - y modelos de precios – de los principales incumbentes en el espacio de la IA sirvieron como un recordatorio oportuno de que la mayoría de los proveedores “están tratando de vender una visión particular del mundo que puede cambiar en un futuro cercano, cuando hay un aumento en la capacidad del modelo,” señala Mohanty.
"Si compras de la estantería, dependes de cómo el proveedor está desarrollando el producto y su visión del producto," coincide Kulkarni. "Pero si lo construyes, puedes definir tu propia trayectoria. A medida que los modelos subyacentes mejoran, tu sistema va a mejorar automáticamente, por lo que es probable que tu ROI crezca drásticamente con el tiempo. Si estás hablando de un caso de uso que es específico para tu negocio, si deseas automatizar un proceso comercial específico, probablemente quieras pensar en invertir en software personalizado.”
"Debido a que los datos son esenciales para los modelos de IA agéntica, los sistemas construidos sobre datos empresariales únicos o patentados—a menudo referidos como datos de alta entropía—tienen más probabilidades de generar resultados significativos, incluyendo más datos de alta entropía."
Sarang Kulkarni
Principal Técnico, Thoughtworks
"Los modelos de lenguaje listos para usar que han sido entrenados en toda la internet no van a aprender nada nuevo," dice Mohanty. "La parte importante es mostrar al modelo datos novedosos o patentados en cantidades suficientes para que comience a importar. Puedes imaginarte una compañía farmacéutica que tiene un montón de datos clínicos históricos que pueden no estar en internet - eso es mucho potencial de datos de alta entropía y específicos del dominio para entrenar, lo que significa que estás especializando aún más el modelo para tu organización o industria.”
Comprado o construido, una vez que un sistema está en su lugar, no se puede dejar para operar por sí solo. Los expertos de Thoughtworks enfatizan la importancia de la evaluación continua y la evolución de los agentes de IA y su producción.
Necesitas asegurarte de que a medida que una tarea evoluciona, estás evolucionando todos los apéndices alrededor del sistema agente que contribuyen a esa tarea”, explica Mohanty. “Si la forma en que realizas el soporte al cliente cambia, no solo eso necesita estar reflejado en los sistemas de ingeniería, sino también en todos los sistemas de prueba a su alrededor, para que estés probando nuevos comportamientos, validando que el modelo tiene el contexto adecuado, acceso a los sistemas, y así sucesivamente. La IA agéntica no puede ser vista como algo que se configura y se olvida. Es un sistema que requiere una mayor inversión.”
Preparando equipos para la ampliación
Aunque los obstáculos técnicos y de recursos para una IA agentica pueden parecer intimidantes, la experiencia de los equipos de Thoughtworks en el campo ha mostrado que la gestión y la adopción pueden ser los mayores desafíos. “Puedes inventar toda la tecnología del mundo, pero no importa mucho si nadie es capaz o está dispuesto a usarla,” señala Pendse. “No solo internamente, sino también entre tus clientes.”
Como sucede con la mayoría de las iniciativas transformacionales, el éxito está mucho más cerca cuando hay un firme apoyo desde arriba. Especialmente con la IA agéntica, “hay un ángulo de educación ejecutiva que necesita continuar, porque en algún momento, alguien tiene que tomar una decisión basada en un salto de fe o una apuesta,” dice Pendse. “La conclusión es que si ya hay un camino bien recorrido a seguir, alguien más ya ha extraído el valor de él. Si buscas extraer valor, tendrás que abrirte camino a través de la maleza por un tiempo, y eso requerirá convicción.”
No menos importantes son las contribuciones de aquellos que trabajan en el terreno donde las funciones están destinadas para la automatización completa.
“Ellos son las personas que entienden cómo funcionan los procesos empresariales y qué debe hacer el agente,” explica Kulkarni. “Tu equipo debe ser multifuncional. Terminarás necesitando no solo ingenieros de IA, sino también desarrolladores de front y back end. Si estás utilizando datos sensibles, entonces también necesitarás la participación de personas que se especializan en la seguridad de datos, para evaluar si o cómo los conjuntos de datos particulares deben ser utilizados o enviados a los modelos, y asegurar que los contratos correctos estén en su lugar con los proveedores de modelos.”
Las empresas que experimentan con IA agéntica también deben ser sensibles al hecho de que en muchos campos, "la gente tiene miedo", dice Mohanty. “Esta es una tecnología completamente nueva que está preparada para tomar muchos trabajos, al menos en teoría.”
La mejor manera de abordar esta aprensión es ser franco sobre las capacidades y limitaciones de los sistemas agentes, así como las contribuciones que pueden hacer.
“Concéntrate en lo que es posible hoy, que es hacer el trabajo de las personas un poco más fácil,” recomienda Pendse. “Tal vez en algún momento, la IA agéntica hará cosas más mágicas, pero tan pronto como la experimentes, te darás cuenta de que no va a reemplazar el trabajo de nadie en el futuro cercano. Es una cuestión de comunicar efectivamente lo que es y lo que no es, y posiblemente observar las estructuras de incentivos para fomentar la adopción.”
Encuestas de trabajadores que ya utilizan IA agéntica han mostrado que rápidamente reconocen las ventajas, con una reducción en tareas tediosas y una recuperación más rápida de información entre los beneficios más comúnmente citados.
Las mejores cosas que trae la IA agéntica, según los empleados
Pendse añade que en lugares donde Thoughtworks ha ayudado a los clientes a implementar agentes con éxito, como los centros de llamadas, “de lo que están hablando es: ¿A cuántos más clientes podrá ayudar esto? ¿Cuántos problemas más puede resolver? Están comunicando el valor adicional que el individuo ahora está aportando, con la ayuda del sistema.”
Kulkarni ve la trayectoria de la IA agéntica como un ejemplo de la Paradoja de Jevons, que postula que cuando un recurso, como la tecnología, se vuelve más eficiente, la demanda por él aumenta, fomentando un consumo global mayor.
“Siempre que hay más automatización, y ganancias de eficiencia como resultado, es probable que la demanda aumente, lo que resulta en más trabajo por hacer y, en última instancia, más empleos, incluso si esos empleos son diferentes,” explica. “Hay muchas razones para el optimismo.”
“Hemos visto esto antes como especie, cuando cosas como la computadora asumieron funciones que antes empleaban a ejércitos de personas,” dice Mohanty. “Seguiremos innovando, porque eso es simplemente lo que hacen los humanos. Lo importante es tener sistemas implementados que eleven el nivel de todos.”
Agentes más grandes y mejores
Los expertos de Thoughtworks ven la IA agente como una de las fuerzas que hacen casi inevitable que en los próximos años, “cada gran empresa va a tener un pilar de IA o una función de IA,” dice Mohanty.
Otro factor de empuje es que la IA se convertirá en una práctica comparativamente más sencilla. "En algunos aspectos, el estándar de conocimiento sobre IA será más bajo, lo que significa que no tendrás que ser un científico de datos o un investigador de IA para entenderla", explica Mohanty. "Muchos de los conceptos básicos se van a abstraer de la misma manera en que el desarrollo web se abstrajo mediante el uso de frameworks y lenguajes que se siguen reutilizando. Eso llevará a una implementación más avanzada de sistemas de IA como la IA agéntica."
Es probable que algunas de las brechas alrededor de los datos que alimentan los modelos de IA también se resuelvan, a medida que la industria avanza hacia prácticas más estandarizadas y una idea más coherente de cómo son los datos 'buenos'.
"Las leyes de escalado no están muertas", dice Mohanty. "Hay una relación intrínseca entre llevar una buena IA a producción y la existencia y aprovechamiento de datos para un dominio. Todo el mundo sabe que los datos son valiosos, pero hoy, todavía existe esta pregunta muy básica a nivel práctico sobre cuándo tiene sentido ajustar un modelo, en comparación con centrar los esfuerzos en escribir prompts y mejorar el uso de la IA. Creo que esa pregunta se responderá en los próximos dos o tres años, y tendremos más orientación a nivel de industria sobre los datos y la relación con la IA."
Kulkarni ve ciertas industrias donde la adopción de IA agéntica será rápida y otras donde enfrentará más resistencia. "Habrá lugares donde funcionará y lugares donde no", dice. "Pero en 2025, cada empresa debería al menos probar la IA agéntica. Para el próximo año, la mayoría de las industrias habrán experimentado con ello, tendremos más sistemas funcionando y más empresas realmente comenzarán a darse cuenta del valor."
"En 2025, cada empresa debería al menos probar la IA agentiva. Para el próximo año, la mayoría de las industrias habrán experimentado con ello, tendremos más sistemas funcionando y más empresas realmente comenzarán a darse cuenta del valor."
Sarang Kulkarni
Tech Principal, Thoughtworks
El software es una industria que la IA agéntica tiene el potencial de reinventar por completo. “El desafío con las herramientas de IA actuales es que, si bien son buenas para bases de código pequeñas, todavía no funcionan muy bien cuando se tienen proyectos de mantenimiento grandes con bases de código que son enormes y complejas,” dice Kulkarni. “Para el próximo año, deberíamos ver beneficios más concretos derivados de los asistentes de codificación, incluso en proyectos de mantenimiento. Y como esos son el 80-90 por ciento de los proyectos de la industria del software, es ahí donde surgirá el valor real.”
Pendse, mientras tanto, ve que los agentes se vuelven tanto más específicos como más capaces, ya que tanto empresas como gobiernos se apresuran por reclamar la posición tecnológica superior.
“Mucho dinero se está invirtiendo en entrenar modelos más grandes, pero también se está invirtiendo en tomar modelos más grandes y hacerlos más pequeños y más específicos en tareas,” dice él. “La inversión también se está dirigiendo hacia idiomas y regionalización, notablemente con iniciativas de IA soberana.”
Pendse cree que el resultado final será un ecosistema próspero de startups de IA específicas de tareas, con productos listos para usar en diferentes países y dominios. "Veremos más especialización en dominios, como los LLMs de biología; especialización en tareas, como asistentes de investigación o agentes de viajes; y especialización en datos, donde los modelos trabajen con ciertos tipos de documentos," explica. "Todo esto redefinirá el espacio, impulsará casos de uso más específicos y creará una experiencia de usuario más personalizada."
Suscríbete a Perspectives para mantenerte a la vanguardia.
Obtén ideas de negocio oportunas, análisis expertos y actualizaciones de la industria directamente en tu bandeja de entrada cuando las necesites—sin ruido, solo valor.
(* Campos obligatorios)