¿Qué es un agente de Inteligencia Artificial?

Los agentes de inteligencia artificial (IA) son las herramientas que utilizamos para interactuar con la IA. Pueden automatizar y realizar tareas complejas como el procesamiento del lenguaje natural, que normalmente requeriría la intervención humana.

Un agente de IA es un componente de software que tiene la capacidad de actuar en nombre de un usuario o un sistema para realizar tareas. Los usuarios pueden organizar agentes en sistemas que orquestan flujos de trabajo complejos, coordinan actividades entre múltiples agentes, aplican lógica a problemas complejos y evalúan las respuestas a las consultas de los usuarios. Si alguna vez has interactuado con un chatbot de atención al cliente o le has pedido a un modelo de IA genérica que le escriba un soneto, probablemente ya estés familiarizado con una versión rudimentaria de los agentes de IA. Y si has notado mejoras en el rendimiento de la IA genérica desde que se popularizó con ChatGPT, no te equivocas.

Si bien existen versiones de agentes de IA desde hace años, las capacidades de procesamiento del lenguaje natural de los modelos actuales de IA genérica han abierto un abanico de nuevas posibilidades que permiten a los sistemas de agentes planificar, colaborar y completar tareas, e incluso aprender a mejorar su propio rendimiento. A medida que los agentes se vuelven más precisos, las empresas pueden utilizarlos cada vez más para automatizar los procesos organizativos y ayudar a que el trabajo diario de los empleados sea más eficiente.

“El desarrollo de la IA genérica ha sido extremadamente rápido”, afirma Lari Hämäläinen, socio sénior de McKinsey. “Hoy en día, la combinación de humano y máquina puede generar gran calidad y productividad”. Los recientes avances en las estructuras de memoria a corto y largo plazo han permitido a estos agentes personalizar mejor las interacciones con usuarios externos e internos, lo que significa que están mejorando rápidamente en todo lo que se les pide.

De cara al futuro, están a punto de mejorar aún más; en pocas palabras, los agentes de IA están pasando del pensamiento a la acción. En los últimos 18 meses, Google, Microsoft, OpenAI y otras empresas han invertido en bibliotecas y marcos de software para respaldar la funcionalidad de los agentes. Y con aplicaciones como Microsoft Copilot, Amazon Q y el próximo Proyecto Astra de Google, que se basan en grandes modelos de lenguaje (LLM), los agentes están pasando de herramientas basadas en el conocimiento a otras más basadas en la acción. En un futuro próximo, los agentes podrían volverse tan comunes como lo son hoy las aplicaciones móviles.

¿Cuáles son los diferentes tipos de agentes de IA?

Los agentes de IA se pueden organizar según su capacidad, rol, habilidad y el resultado para el que están entrenados. A continuación, se presenta una lista no exhaustiva de algunos de los agentes que se están creando actualmente:

Agentes de aumento individual (agentes "copiloto"). Estos agentes sirven como copilotos para usuarios individuales, con la intención de aumentar su productividad y capacidades. Los agentes copiloto, como 365 Copilot de Microsoft y ChatGPT de OpenAI, pueden ayudar con la redacción de contenido, la escritura de código o la recuperación de conocimiento. En algunos casos, los agentes copiloto pueden actuar como asistentes "inteligentes" que se adaptan al flujo de trabajo específico de cada usuario. Por supuesto, el impacto de este tipo de agente depende de la motivación y la dedicación de cada trabajador.
Plataformas de automatización de flujos de trabajo.

Este tipo de agente se centra en la automatización de tareas de uno o varios pasos, o flujos de trabajo más pequeños, actuando como orquestador y ejecutor de procesos impulsados por IA para flujos de trabajo existentes. Ejemplos de este tipo de agente incluyen Copilot Studio de Microsoft y Agentforce de Salesforce (actualmente en desarrollo). Dado que estos agentes se aplican, en su mayoría, a procesos existentes, el éxito dependerá de un gran esfuerzo en la implementación, la gestión de cambios y la gestión de agentes.

Agentes nativos de IA de generación para soluciones de dominio.

Estos agentes son soluciones diseñadas específicamente para dominios o funciones empresariales específicas. Algunos ejemplos incluyen sistemas de atención al cliente impulsados por IA o canales de desarrollo de software habilitados para IA. Los agentes nativos de IA de generación reinventan un dominio específico con la IA como núcleo de la solución, en lugar de los agentes de IA tradicionales, que integran la IA en roles o flujos de trabajo existentes.

Empresas y modelos operativos nativos de IA.

Estos agentes se integran en todo el modelo operativo empresarial, en lugar de aplicarse a flujos de trabajo o funciones individuales. En estos casos, una empresa se somete a un rediseño integral centrado en la IA, donde se reimaginan la capa de interacción, los procesos, las estructuras organizativas e incluso el modelo de negocio. Las organizaciones experimentaron cambios de esta magnitud al iniciar sus transformaciones digitales, y es probable que ocurra lo mismo con la IA.

Trabajadores virtuales de IA.

Los trabajadores virtuales de IA son agentes que funcionan como empleados o miembros de un equipo y representan la categoría de agentes con mayor potencial disruptivo. Estos trabajadores virtuales podrían permitir a las empresas eludir la transformación organizacional completa al permitir que la IA opere dentro del modelo actual de la empresa, lo que podría ayudar a capturar valor con mayor rapidez.

Estos agentes de IA no son mutuamente excluyentes. Muchas organizaciones buscarán una combinación; por ejemplo, implementar copilotos personales de IA, automatizar flujos de trabajo seleccionados y pilotar algunos trabajadores virtuales.

¿Cómo funcionan los agentes de IA?

Los agentes de IA pueden dar soporte a casos de uso altamente complejos y ambiguos en diferentes industrias y funciones empresariales. Pueden utilizar herramientas diseñadas para humanos, como un navegador web, así como herramientas diseñadas para computadoras, como una API. Esta capacidad de realizar ambas funciones les otorga la flexibilidad de operar en diversas arquitecturas tecnológicas, tanto dentro como fuera de las organizaciones, sin necesidad de realizar modificaciones significativas en dichas arquitecturas.

El proceso de funcionamiento de un agente de IA generalmente sigue cuatro pasos (Gráfico 1):

Un usuario asigna una tarea al sistema del agente. Los agentes de IA trabajan de forma autónoma para planificar y determinar cómo realizar la tarea.
El sistema de agente planifica, asigna y ejecuta el trabajo. Un sistema de agente de IA desglosa un flujo de trabajo en tareas y subtareas, que un agente administrador asigna a otros subagentes especializados. Estos agentes especializados aprovechan su experiencia previa y la experiencia adquirida en el dominio, se coordinan entre sí y utilizan datos tanto organizacionales como externos para ejecutar las tareas.
El sistema de agente puede mejorar iterativamente el resultado. El sistema de agente puede solicitar información adicional del usuario para garantizar la precisión y la relevancia. Una vez entregado el resultado final, el sistema de agente puede solicitar retroalimentación del usuario.
El agente ejecuta la acción. El agente ejecuta las acciones necesarias para completar la tarea.

Gráfico 1

Cualquier implementación de agentes de IA debe incluir diversos controles. Los ciclos de retroalimentación constructiva, por ejemplo, permiten a los agentes revisar y refinar su trabajo. Los agentes de IA también pueden programarse para aprender a resolver problemas por sí solos o escalarlos a un gestor humano. Los agentes también pueden colaborar mejor: un agente crítico especialista puede revisar un plan creado por un agente creador y solicitar iteraciones, lo que puede generar mejores resultados. Algunos agentes de IA incluso pueden hacer preguntas directas a los gestores. Las organizaciones también pueden desarrollar agentes especializados para probar y corregir automáticamente el trabajo de otros agentes en función de consideraciones éticas y de sesgo.

¿Cómo se relacionan los agentes de IA con los LLM?

Los agentes de IA trabajan con diferentes modelos de IA para realizar tareas. Cuando se utilizan para comunicarse con humanos, trabajan con LLM equipados con capacidades de procesamiento del lenguaje natural. Tomemos el ejemplo de un coche autónomo, que funciona con una serie de agentes que trabajan con varios modelos de IA. El agente de IA encargado de comprender adónde quiere ir un usuario podría usar un LLM. Pero el agente encargado de garantizar que el coche gire a la izquierda de forma segura usaría un modelo de diseño altamente especializado, no un LLM, para ese tipo específico de decisión.

¿Cómo podrían los agentes de IA afectar el crecimiento empresarial?

McKinsey estima que, a largo plazo, los casos de uso empresarial de la IA de última generación podrían generar hasta 4,4 billones de dólares de valor al año. Sin embargo, las organizaciones no podrán convertir este potencial en crecimiento empresarial y mayor productividad a menos que implementen rápidamente la IA para re-imaginar y transformar la forma de trabajar. Los agentes de IA pueden ayudar a extraer esa montaña de valor de forma más rápida, eficaz y económica que otras tecnologías más antiguas.

Pero el valor de la IA general va más allá de la automatización de tareas laborales comunes. McKinsey prevé que las organizaciones podrían implementar agentes de IA para ayudar a re-imaginar procesos y modernizar sus infraestructuras de TI. Esto podría incluir desde la transición a lenguajes de programación más fáciles de usar y la transición a marcos de trabajo modernos que ofrezcan más funcionalidad, hasta la reestructuración de sistemas para que sean más modulares y la migración de aplicaciones para que se ejecuten en entornos de computación en la nube más económicos. Los líderes tecnológicos pueden utilizar múltiples agentes de IA especializados, cada uno con una función y experiencia distintas, para colaborar en tareas complejas e iterar en tiempo real con la retroalimentación de los usuarios. Sin embargo, el verdadero valor provendrá de la orquestación de agentes para que completen tanto tareas discretas como procesos completos de desarrollo de software.

Algunas industrias ya están implementando agentes de IA con regularidad. Los bots de atención al cliente, por ejemplo, se han vuelto imprescindibles en muchos sitios web de atención al cliente. Según un estudio de McKinsey sobre el potencial económico de la IA gen, las organizaciones que utilizan agentes de atención al cliente con IA gen aumentaron la resolución de problemas en un 14% por hora y redujeron el tiempo dedicado a la gestión de problemas en un 9%.

"Con el tiempo", afirma Jorge Amar, socio principal de McKinsey, "espero que los agentes de IA gen mejoren la satisfacción del cliente y generen ingresos. Serán fundamentales para la venta de nuevos servicios o para abordar necesidades más amplias. Esto abrirá un abanico más amplio de opciones de experiencia del cliente para las empresas, como ofrecer interacciones más personalizadas con agentes humanos como un servicio premium".

En términos más generales, los agentes con inteligencia artificial genérica pueden facilitar la automatización de casos de uso complejos de tres maneras importantes:

Los agentes pueden gestionar con mayor facilidad situaciones menos predecibles. Los sistemas basados en reglas tienden a fallar cuando se enfrentan a situaciones que sus diseñadores no anticiparon. En cambio, los sistemas de agentes con inteligencia artificial genérica pueden gestionar una amplia variedad de escenarios para un caso de uso determinado. Al estar construidos con modelos base, entrenados con grandes conjuntos de datos no estructurados, los agentes con inteligencia artificial genérica pueden adaptarse en tiempo real a diferentes escenarios y realizar tareas especializadas.
Los sistemas de agentes pueden gestionarse con lenguaje natural. El procesamiento del lenguaje natural permite a los usuarios codificar flujos de trabajo complejos con mayor rapidez y facilidad que nunca. Los agentes con inteligencia artificial genérica codificados con procesamiento del lenguaje natural permiten que una mayor variedad de trabajadores visualicen y utilicen herramientas de inteligencia artificial para lograr resultados sin necesidad de programar ni orquestar específicamente un proyecto de TI de gran envergadura.
Los agentes pueden trabajar con las herramientas y plataformas de software existentes. Los agentes de IA de Generación se basan en modelos básicos, que les permiten usar herramientas y comunicarse a través de un ecosistema digital más amplio. Sin estos modelos, estas capacidades requerirían un gran esfuerzo manual para integrar sistemas o recopilar los resultados de diferentes sistemas. Los agentes pueden reducir significativamente la cantidad de trabajo y la repetición de tareas necesarias para la integración entre sistemas.

Es más, según Aaron Bawcom, socio de McKinsey,

«Las capacidades de los agentes pueden combinarse en respuesta a sus entornos cuando trabajan juntos. Pueden desarrollar comportamientos y habilidades inesperados que no están programados explícitamente, lo que resulta en algo más que la suma de sus partes. Esto es lo que se conoce como IA emergente».

¿Cuál es un ejemplo real de una empresa que trabaja con agentes de IA?

Lenovo, la empresa tecnológica china, ha implementado agentes de IA en dos áreas principales de su negocio: ingeniería de software y atención al cliente. Los ingenieros de software de la empresa ya están observando mejoras de hasta un 15%, según Arthur Hu, director de tecnología del Grupo de Soluciones y Servicios de Lenovo. La directora de operaciones y jefa de estrategia de la empresa, Linda Yao, añade que el servicio de atención al cliente ha experimentado aumentos de productividad de dos dígitos en el tiempo de gestión de llamadas.

Hasta la fecha, Lenovo ha perfeccionado los agentes de IA de última generación para que actúen como asistentes virtuales. En el futuro, Yao prevé que los agentes de IA actúen como sustitutos de los humanos, desplegados para completar tareas de forma independiente.

¿Qué otros casos de uso empresarial ofrecen los agentes de IA?

A continuación, se presentan tres casos de uso hipotéticos que ofrecen una idea de lo que podría ser posible con los agentes de IA en el futuro:

Suscripción de préstamos. Un sistema de agentes de IA, compuesto por múltiples agentes especializados, podría gestionar una amplia gama de escenarios de riesgo crediticio. Anteriormente, este solía ser un proceso largo y altamente colaborativo que implicaba la recopilación, el análisis y la revisión de diversa información relacionada con el prestatario, el tipo de préstamo y otras variables.
Documentación y modernización del código. Las aplicaciones y sistemas de software heredados en las grandes empresas suelen presentar riesgos de seguridad y pueden ralentizar el ritmo de la innovación empresarial. Los agentes de IA podrían ayudar a agilizar el proceso de modernización de estos sistemas. Por ejemplo, una empresa podría implementar un agente especializado como experto en software heredado para analizar código antiguo, mientras que otro, un agente de control de calidad, podría revisar la documentación y refinar iterativamente los resultados de la IA para garantizar la precisión y el cumplimiento de los estándares organizacionales.
Campañas de marketing digital. Diseñar, lanzar y ejecutar una campaña de marketing digital puede ser un proceso complejo y de múltiples capas que involucra a muchas personas. Un solo sistema de agente de IA podría desarrollar, probar e iterar ideas de campaña basándose en las aportaciones de los profesionales de marketing de la empresa. Posteriormente, un agente de marketing digital podría recopilar información para elaborar estrategias y textos, mientras que los agentes de diseño podrían crear contenido a medida.

¿Qué obstáculos enfrentan las organizaciones en la adopción de agentes de IA?

Generar confianza es un gran obstáculo para la adopción de la tecnología de agentes de IA, afirma Nicolai von Bismarck, socio de McKinsey: "Hemos observado que los clientes de todas las edades, incluso la Generación Z, siguen prefiriendo las conversaciones telefónicas en vivo para obtener ayuda y soporte". Un banco, continúa, abordó este problema creando una arquitectura que detecta errores o "alucinaciones" del agente de IA antes de compartir una respuesta con el cliente, reduciendo así el número de respuestas incorrectas y generando confianza.

"Las empresas que obtengan el mayor valor de la IA", afirma Roger Roberts, socio de McKinsey, "serán aquellas que generen confianza con sus clientes, empleados y grupos de interés. Las personas deben confiar lo suficiente en la IA como para delegar tareas. Las decisiones éticas de las empresas deben basarse en los valores únicos de cada organización y en los valores de una sociedad que sitúa a las personas en el centro del ecosistema de la IA.

Otro desafío, según Amar, socio principal de McKinsey, será la gestión del cambio a medida que las organizaciones escalen sus agentes de IA. "Es mucho más amplio que simplemente implementar un nuevo conjunto de herramientas", afirma. "Las empresas necesitarán reconfigurar el funcionamiento de sus funciones para obtener el máximo provecho de los agentes de IA de última generación".

Parte de esta reconfiguración incluye la adopción de nuevas tecnologías, así como la modificación de las existentes para que funcionen mejor con herramientas basadas en aprendizaje automático e IA de última generación. Las organizaciones también deben ajustar sus modelos operativos para dar soporte a equipos pequeños que trabajan de forma iterativa en nuevos servicios. Además, los líderes deben crear incentivos que ayuden a los trabajadores a aprender a usar y confiar en las nuevas herramientas.

Finalmente, "la protección de datos es una preocupación importante para los líderes a la hora de implementar agentes de IA", afirma Bawcom, socio de McKinsey. Las empresas que implementan un programa de agentes de IA deben implementar cuidadosamente los controles adecuados para la seguridad, las operaciones y los datos. Existen muchos enfoques y soluciones en constante evolución, tanto estándar como a medida.

¿Cómo podrían los agentes de IA cambiar la arquitectura tecnológica de una organización?

La proliferación de agentes de IA probablemente cambiará la forma en que las organizaciones gestionan sus programas tecnológicos. McKinsey prevé que las arquitecturas de TI se alejarán de un patrón tradicional centrado en aplicaciones hacia un nuevo modelo multiagente. En este tipo de arquitectura, los líderes tecnológicos supervisan hasta miles de agentes que se comunican entre sí, así como con personas y programas externos, para lograr un objetivo común.

A continuación, se presentan tres maneras en que los líderes tecnológicos podrían implementar agentes en sus entornos actuales (Gráfico 2):

Superplataformas. Se trata de la próxima generación de aplicaciones empresariales de terceros, como herramientas de colaboración o programas de gestión de relaciones con los clientes (CRM), que incluyen agentes de IA de última generación integrados. Un usuario podría implementar una superplataforma CRM, por ejemplo, para generar un informe de ventas mientras se comunica automáticamente con las herramientas de análisis de la empresa. Anteriormente, esto habría requerido una programación específica para cada caso de uso.
Envoltorios de IA. Estas herramientas permiten que los servicios empresariales se comuniquen y colaboren con servicios de terceros a través de API sin exponer los datos propietarios de la empresa. Un banco, por ejemplo, podría crear un envoltorio habilitado para Gen A en torno a un modelo de riesgo crediticio desarrollado internamente e impulsado por IA. El envoltorio de IA podría entonces iniciar acciones, como solicitar al LLM de un proveedor que genere factores de riesgo basados en los datos y las calificaciones crediticias de los clientes, sin revelar los datos al proveedor ni al LLM.
Agentes de IA personalizados. Los empleados pueden desarrollar agentes de Gen A personalizados, habilitados para IA, perfeccionando un LLM pre-entrenado o accediendo a los datos propietarios de la empresa mediante la generación aumentada por recuperación (RAG). Por ejemplo, en un entorno de atención al cliente, un empleado podría alimentar un modelo existente con datos de clientes, transcripciones del centro de llamadas y políticas de la empresa para crear un agente de IA que ayude al personal del centro de llamadas a responder a las preguntas de los clientes. Las organizaciones deberán ajustar sus arquitecturas de TI para servir mejor a estos nuevos flujos de trabajo centrados en los agentes y permitir la iteración y la mejora continuas.

Gráfico 2

¿Qué medidas pueden tomar las organizaciones para implementar agentes de IA?

Los líderes pueden centrarse en tres áreas importantes:

Revisar detenidamente cualquier propuesta tecnológica de largo plazo que requiera mucha gente. Esto significa revisar todas las propuestas grandes para determinar cómo la IA genérica podría reducir costes y acortar los plazos. Los líderes deben ser especialmente escépticos ante las propuestas que pretenden incorporar capacidades de IA genérica, que pueden ser limitadas o secundarias en términos de su potencial de valor.
Centrarse en los problemas más importantes. Las iniciativas a pequeña escala suelen generar resultados a pequeña escala. Por lo tanto, las empresas deberían identificar los problemas tecnológicos más grandes y complejos (aquellos que son muy costosos, con plazos de varios años y que generan una deuda técnica considerable) y centrar el uso de la IA genérica en resolverlos.
Anticiparse a las implicaciones en términos de talento, tecnología y modelo operativo. A medida que el enfoque multiagente se expande, los líderes deberán comprender y planificar las implicaciones para el negocio. Estas incluyen replantear su estrategia de talento y sus programas de capacitación, adaptar sus modelos operativos en consecuencia y reevaluar sus gastos operativos y de capital.

La evolución de los agentes de IA apenas comienza, con muchos aprendizajes y descubrimientos aún por llegar. Gran parte del trabajo en el campo de los agentes de IA está traspasando el laboratorio y a gran escala. Los agentes de IA ofrecen nuevas capacidades para ayudar a re-imaginar la forma en que las personas trabajan en organizaciones de todos los sectores y tamaños.

Fuente: McKinsey & Company

Aaron Bawcom y Nicolai von Bismarck son socios en la oficina de McKinsey en Boston; Asin Tavakoli es socio en la oficina de Düsseldorf, donde Holger Harreis es socio principal; Carlo Giovine es socio en la oficina de Londres; James Kaplan es socio en la oficina de Nueva York, donde Kayvaun Rowshankish es socio principal; Jorge Amar es socio principal en la oficina de Miami; Lareina Yee es socia principal en la oficina del Área de la Bahía, donde Michael Chui es miembro principal y Roger Roberts es socio; Lari Hämäläinen es socia principal en la oficina de Seattle; Larry Lerner es socio en la oficina de Washington, DC. Renny Thomas es socio principal en la oficina de Mumbai; y Violet Chung es socia principal en la oficina de Hong Kong.

Artículos referenciados