Los expertos aconsejan arrastrarse, luego caminar, antes de correr con agentes de IA

Bienvenidos a la era de los sistemas de IA multiagente, donde el potencial para aumentar la productividad personal y profesional es inmenso. Sin embargo, integrar estas herramientas avanzadas de IA generativa (Gen AI) en su organización no es una tarea sencilla. Según un informe reciente de Deloitte, el interés en el desarrollo de agentes autónomos está en aumento, con un 26% de las organizaciones explorando esta área. Más de la mitad de los ejecutivos (52%) están interesados en desarrollar IA agentiva, y el 45% busca expandirse hacia sistemas multiagente. A pesar de su promesa, estos sistemas no son una panacea para todos los desafíos.

El informe destaca que la IA agentiva puede mejorar significativamente la creación de valor empresarial sostenible al cumplir objetivos de manera autónoma con una intervención humana mínima. Sin embargo, también señala que los obstáculos que enfrenta la Gen AI, como la incertidumbre regulatoria, la gestión de riesgos, las deficiencias de datos y los problemas de la fuerza laboral, se amplifican con los sistemas agentivos debido a su mayor complejidad.

Jim Rowan, jefe de IA en Deloitte Consulting, enfatizó que, a diferencia de los bots convencionales que principalmente reaccionan a las entradas, la IA agentiva puede planificar, priorizar tareas y ejecutar flujos de trabajo complejos con poca supervisión humana. Sin embargo, advirtió que implementar estos sistemas puede ser costoso, destacando la importancia de una infraestructura de datos robusta, que incluya plataformas en la nube escalables, herramientas avanzadas de análisis de datos y medidas sólidas de ciberseguridad.

Para las organizaciones que buscan adoptar agentes de IA, comenzar de manera simple es clave. Benjamin Lee, profesor de la Universidad de Pensilvania, sugiere que las empresas que ya utilizan IA generativa para tareas simples están bien posicionadas para aprovechar la IA agentiva. Estas organizaciones cuentan con empleados que se sienten cómodos descomponiendo tareas complejas en otras más simples para la IA, lo que ya les permite experimentar mejoras en la productividad.

Rowan recomienda un enfoque por fases, comenzando con un programa piloto para probar sistemas multiagente en un entorno controlado. Compara el estado actual de la IA con el de un niño pequeño, siendo la IA agentiva más avanzada, similar a un preadolescente: funcional y capaz de ejecutar funciones específicas.

Para integrar aún más los agentes de IA, las organizaciones deben fomentar el uso de IA generativa para tareas simples y desarrollar estrategias para descomponer tareas complejas en partes manejables. Este enfoque hará que las mejoras en la productividad de los agentes inteligentes sean transparentes, comprensibles y confiables.

Rowan también aboga por el uso de modelos de lenguaje más pequeños en lugar de los más grandes que han dominado el panorama de la Gen AI. Estos modelos más pequeños pueden ser más efectivos en diversos roles, desde la gestión de la cadena de suministro hasta el desarrollo de software y el análisis financiero. Lee está de acuerdo, señalando que los agentes inteligentes pueden descomponer tareas complejas en otras más simples y usar modelos especializados para combinar resultados en una respuesta coherente.

La calidad de los datos es crucial para el funcionamiento efectivo de los agentes de IA. Datos inexactos, incompletos o inconsistentes pueden llevar a resultados y acciones poco confiables, lo que plantea desafíos tanto de adopción como de riesgo. Por lo tanto, invertir en una gestión de datos robusta y en modelado de conocimiento es esencial.

La capacitación de la fuerza laboral es otro área crítica, con Rowan enfatizando la necesidad de formación tanto en habilidades técnicas como en la capacidad de colaborar con agentes de IA. Una fuerza laboral bien preparada es vital para aprovechar al máximo el potencial de los agentes de IA.

El monitoreo continuo y la mejora del rendimiento de los agentes de IA también son necesarios. Esto implica recolectar y analizar datos de rendimiento, identificar áreas de mejora y realizar ajustes para optimizar el desempeño.

Desde una perspectiva de políticas, las empresas deben establecer directrices claras sobre el uso de la IA agentiva. Ben Sapp, líder global de inteligencia en Digital.ai, destaca la importancia de determinar quién puede usar la IA agentiva, sus permisos para interactuar con otros agentes y la jerarquía para la toma de decisiones cuando los sistemas interactúan o entran en conflicto.

Sapp proporcionó un ejemplo de una empresa de servicios financieros que utiliza un modelo de IA para predecir fallos en los cambios. Basado en la probabilidad de fallo, un humano puede decidir si revisar el cambio más a fondo o aprobarlo. Con la IA agentiva, si la probabilidad de fallo es inferior al 1%, el sistema puede aprobar automáticamente el cambio, eliminando la necesidad de intervención humana y agilizando el proceso.

En resumen, aunque la IA agentiva promete grandes beneficios para mejorar la productividad y crear valor empresarial sostenible, su implementación exitosa requiere una consideración cuidadosa de los desafíos técnicos, de datos, de la fuerza laboral y de políticas.