Para 2028, se prevé que el 33% de las aplicaciones de software empresarial incluyan agentes de IA.
Alrededor del 90% de las empresas considera la IA agéntica una posible fuente de ventaja competitiva.
A medida que aumentan la prevalencia y el impacto de los agentes de IA, también crecerá la importancia de comprender y seleccionar el modelo adecuado.
La inteligencia artificial (IA) agéntica es la última derivación transformadora de las capacidades generativas de la IA.
Para 2028, 33% de las aplicaciones de software empresarial se prevé que incluyan agentes de IA, lo que permitirá que el 15% de las decisiones laborales sean autónomas. Además, hasta el 90% de las empresas considera la IA agéntica una posible fuente de ventaja competitiva, obtenida mediante la eficiencia, una toma de decisiones mejorada o la escalabilidad.
Con un valor de 5.100 millones de dólares en 2024, el mercado de agentes de IA se estima que alcanzará los 47.100 millones de dólares en 2030.
Comprender los agentes de IA que llegan al mercado
Los agentes se definen como sistemas autónomos que perciben su entorno, procesan información y toman medidas para alcanzar objetivos específicos. Pero existe una gama cada vez más amplia de modelos agénticos, con distintas capacidades, tecnologías y niveles de participación humana.
Tanto si una empresa desarrolla sus agentes de IA desde cero como si utiliza uno de los marcos existentes, su agente puede encajar simultáneamente en varias categorías.
Agentes de consumo frente a agentes empresariales
Los agentes de consumo ofrecen soluciones para usuarios B2C individuales (chatbots, asistentes virtuales de ventas o herramientas de investigación y recomendación). Sus equivalentes empresariales están diseñados para optimizar los flujos de trabajo empresariales, la toma de decisiones y la productividad.
¿Cómo crea el Foro Económico Mundial barreras de protección para la inteligencia artificial?
El Centro de Excelencia en IA reúne a líderes de distintos sectores para comprender la rápida evolución de la inteligencia artificial y sus implicaciones para las economías y las sociedades. Respalda un diálogo informado sobre las oportunidades, los riesgos y las compensaciones vinculados a la adopción de la IA.
A través de espacios de confianza e iniciativas de colaboración, el Centro permite a sus socios construir una comprensión compartida y trabajar juntos en enfoques responsables para la innovación y el uso de la IA.
Agentes de IA virtuales frente a agentes de IA encarnados
Tal como se describe en el informe del Foro Económico Mundial, Tecnologías de vanguardia en las operaciones industriales: el auge de los agentes de IA, los agentes de IA virtuales “gestionan una amplia gama de tareas basadas en software, desde operaciones rutinarias e investigación hasta análisis avanzados y automatización de tareas”. La IA encarnada, en cambio, “integra la IA en sistemas físicos, como robots, que les permite percibir su entorno e interactuar con él mediante movimientos dinámicos y complejos”.
Agentes con humano en el bucle (HITL) frente a agentes con humano fuera del bucle (HOTL)
En los agentes HITL, las personas siguen siendo participantes activos en la toma de decisiones, aportando distintos grados de aportación, gobernanza y supervisión. Los agentes HOTL actúan en gran medida de forma independiente, con personas que quedan mayormente o totalmente al margen de la toma de decisiones.
Estas categorías no son mutuamente excluyentes; son posibles múltiples solapamientos. Un agente virtual podría ser un agente de consumo con HITL.
Más allá de estas categorías generales, existen múltiples modelos de agentes de IA con características diferentes:
Agentes reflejos simples responden a su entorno según reglas predefinidas.
Agentes reflejos basados en modelos elevan el nivel de sofisticación, utilizando datos históricos para construir un modelo de su entorno. Los agentes utilizan este modelo para tomar decisiones más inteligentes.
Agentes basados en objetivos trabajan para alcanzar objetivos específicos utilizando capacidades generativas para considerar varias opciones antes de actuar.
Agentes basados en utilidad priorizan distintas opciones según lo beneficiosos que sean sus resultados, medidos frente a medidas de utilidad predefinidas.
Agentes de aprendizaje ajustan sus acciones con el tiempo, aprendiendo de experiencias pasadas para mejorar su rendimiento.
Agentes jerárquicos / sistemas multiagente se despliegan en múltiples capas, donde los agentes de nivel superior supervisan o coordinan los objetivos y acciones de los agentes de nivel inferior para resolver tareas complejas.
Las organizaciones que despliegan agentes de IA deben tener en cuenta estas características al seleccionar el tipo adecuado en función de sus objetivos operativos. Entre las consideraciones clave para la selección deben figurar:
• El entorno en el que trabajarán los agentes.
• Cómo se supervisará el rendimiento agéntico.
• El nivel de interacción entre los agentes de IA y las personas.
¿Es la IA agéntica la solución adecuada?
Actualmente, no existe ningún agente o sistema de IA al que las organizaciones puedan confiar el control para optimizar procesos completos de principio a fin.
Entonces, ¿cómo se determina si un agente de IA es una evolución adecuada de la pila tecnológica de su empresa?
Por lo general, los enfoques tradicionales de automatización se adaptan a reglas de tareas estáticas que requieren poca o ninguna adaptación o aprendizaje, o a procesos con pasos estrictamente lógicos que requieren resultados predecibles, fiables y explicables, con poca variación. Solo en la fabricación hay miles de ejemplos del mundo real, en líneas de montaje, sistemas de transporte y control de calidad basado en sensores (aunque este ámbito está adoptando rápidamente la IA agéntica).
Los agentes de IA, por su parte, prosperan allí donde los procesos son más complejos, requieren toma de decisiones y aprendizaje en tiempo real en escenarios dinámicos, donde la automatización simple no es suficiente y se necesita un elemento de autonomía para generar nuevo valor.
Esto nos lleva a otros dos criterios clave de evaluación: el valor y el tiempo hasta obtener valor. Las empresas deben modelizar la ecuación coste-beneficio de los agentes de IA antes de su implantación. Las inversiones iniciales en soluciones agénticas pueden ser considerables e incluyen desarrollo, pruebas, despliegue e incluso la contratación de personal. Por tanto, el valor modelizado y el beneficio estratégico de la solución agéntica deben superar estos costes.
Además, el retorno de la inversión no es inmediato. Los agentes no llegan completamente formados. La puesta en marcha requiere tiempo, con preparación de datos, integración de sistemas y entrenamiento de modelos. Incluso una vez en funcionamiento, la optimización es un proceso iterativo de aprendizaje. El impacto transformador y el tiempo hasta obtener valor deben considerarse a medio plazo.
Las organizaciones también necesitan preparación técnica para los agentes de IA. Los agentes requieren personal técnico para lanzar y gestionar la solución, así como una base de datos sólida. Cuanta más autonomía, más importante es contar con este marco de datos para potenciar los agentes de IA. Las empresas también necesitan protocolos de gobernanza claros para supervisar el rendimiento y mitigar el riesgo de alucinaciones, que socavan la eficacia de las decisiones.
Una última consideración es la escalabilidad. Los agentes de IA están diseñados para adaptarse a circunstancias cambiantes y son relativamente fáciles de escalar. Además, aunque el proceso de adaptación requiere reentrenamiento y gestión del modelo de IA, aprender nuevos escenarios forma parte de su ADN. Los enfoques tradicionales tienden a ser más rígidos a la hora de abordar tareas complejas. Hay menos margen para el aprendizaje y una probabilidad mucho mayor de que sea necesario un retrabajo manual significativo.
Un ejemplo de despliegue agéntico exitoso es el agente conversacional de Bank of America Erica. Lanzado en 2018 para ofrecer atención y asesoramiento a los clientes las 24 horas, los 7 días de la semana, Erica ha contribuido a generar un 19% de aumento de los beneficios gracias a una experiencia del cliente notablemente mejorada y a los servicios vendidos de forma cruzada en dos mil millones de interacciones con clientes.
Pero este éxito se ha logrado con esfuerzo a lo largo del tiempo. El banco ha realizado más de 50.000 actualizaciones del rendimiento de Erica desde su lanzamiento.
Presentación de los facilitadores de agentes
Cuando una organización despliega cualquier agente de IA, existen obstáculos potenciales significativos para su éxito. Un estudio reciente del Foro Económico Mundial, por ejemplo, destacó obstáculos tecnológicos como “...aplicaciones aisladas, sistemas heredados y escalabilidad limitada”, que frenan el avance de los agentes de IA en la fabricación.
Para superar estos obstáculos y crear y operar agentes de IA eficaces, las organizaciones pueden recurrir a varias herramientas. Muchas grandes empresas del sector tecnológico ofrecen soluciones o plataformas que facilitan la creación o mejora de un enfoque agéntico.
Y, en lo que respecta a establecer la base de datos para configurar y gestionar los agentes, la inteligencia de procesos (PI) es un factor clave, pues proporciona un gemelo digital de las operaciones empresariales. La PI armoniza los datos de procesos en tiempo real entre sistemas y capas en un contexto empresarial (métricas de procesos, definiciones de KPI, modelos de procesos y más) para formar una única fuente de verdad operativa y una base de datos que impulse la toma de decisiones agéntica. Al combinar el contexto empresarial, la gestión de procesos y el conocimiento estandarizado de los procesos, la PI mantiene a los agentes alineados con los objetivos, las barreras de protección y la gobernanza de la empresa.
Cuanta más autonomía pueda ejercer un agente de IA, más vital resulta dotar su comprensión y su análisis de los conocimientos necesarios.
Cambio del papel de las personas en el bucle
El crecimiento del despliegue de agentes de IA hará que, con el tiempo, la relación entre las personas y sus homólogos de IA evolucione. Esto es inevitable, ya que los agentes pasan de ser herramientas diseñadas para automatizar y gestionar tareas de gran volumen (y bajo valor) a convertirse en responsables y gestores de operaciones complejas.
En algunos casos, el concepto de humanos en el bucle cambiará. La validación o autorización de decisiones no siempre recaerá por defecto en las personas. En su lugar, las personas participarán de forma selectiva, cuando sea necesario, por la importancia, el valor, las implicaciones de seguridad o la naturaleza atípica de una consulta. Las organizaciones construirán flujos de trabajo cognitivos en los que las intervenciones humanas no se conviertan en cuellos de botella que reduzcan la productividad y las ganancias analíticas que aportan los agentes de IA.
Por ahora, la idea de que las personas queden totalmente fuera del bucle de los procesos críticos para el negocio no es realista. El informe del Foro Económico Mundial Tecnologías de vanguardia en las operaciones industriales resume esta evolución: “El papel de las personas se redefinirá, y los trabajadores pasarán de ser operadores prácticos a orquestadores, interviniendo cuando se requiera juicio o creatividad. Este cambio impulsará la eficiencia operativa, permitiendo a las personas centrarse en tareas estratégicas y en la toma de decisiones éticas para impulsar la innovación y el crecimiento.”
A medida que crece la sofisticación de los agentes de IA y los lugares de trabajo se optimizan, aumentará el grado de autonomía de las máquinas. Y, a medida que aumenta la prevalencia de los agentes de IA, también crecerá la importancia de comprender y seleccionar el modelo adecuado.
