¿Qué es la inteligencia artificial con agentes?
La inteligencia artificial con agentes (agentic AI) utiliza modelos de lenguaje de gran tamaño (LLM) y herramientas para aprovechar el potencial de la inteligencia artificial generativa. Funciona conectándose y comunicándose con fuentes externas para percibir, decidir y organizar una tarea automatizada completa y lograr un objetivo definido.
Para poner en práctica la inteligencia artificial con agentes, debes crear un sistema que otorgue a un LLM acceso a herramientas externas y a una lógica que proporcione instrucciones sobre la manera en la que el sistema con agentes debe usar esas herramientas. Un sistema con agentes es una capa que controla y opera otras herramientas de software.
La inteligencia artificial con agentes puede ser una estructura física, un programa de software o una combinación de ambos. Por ejemplo, en un sistema robótico, un agente de inteligencia artificial puede utilizar cámaras, sensores y monitores para recopilar datos sobre su entorno y, a continuación, ejecutar esa información junto con el software para definir su próximo paso. Este proceso se denomina fusión de sensores.
En un entorno de software, la inteligencia artificial con agentes recopila datos de otras fuentes, como las interfaces de programación de aplicaciones (API), las búsquedas en línea, las peticiones de texto y las bases de datos, lo que permite a los agentes mejorar su percepción y comprender el contexto.
Diferencias entre la IA con agentes y los agentes de IA
Un agente de inteligencia artificial es un sustantivo ("Estoy diseñando tres agentes"). Es una entidad de software diseñada para trabajar y llevar a cabo una función dentro de un sistema con agentes.
La inteligencia artificial con agentes es un concepto descriptivo que se refiere a las características de comportamiento de un sistema ("Necesitamos que nuestro software tenga más agentes"). Describe un sistema que puede planificar, tomar decisiones y llevar a cabo acciones con el fin de cumplir ciertos objetivos, sin requerir más que una mínima orientación humana.
Breve resumen de la historia de los agentes de IA
Las primeras acciones de los agentes de inteligencia artificial implicaban llamadas a funciones de la API básicas. En ese momento, los agentes comenzaron a crear conjuntos de instrucciones para los sistemas.
Luego, los marcos transformaron una sola llamada de herramienta en un ciclo: razonar, actuar, observar y repetir.
Después apareció el Protocolo de Contexto de Modelos (MCP), que estandarizó la comunicación entre las aplicaciones y los servicios. Esto facilitó más que nunca la exposición de las herramientas, los recursos y las peticiones a un cliente de MCP (el elemento que solicita acceso a los datos o los recursos externos) y su detección.
En la actualidad, tenemos agentes de codificación autónomos y sistemas multiagente en los que un agente planifica las tareas y las delega en los subagentes que crea durante el proceso. La persona ya no participa del ciclo, sino que recibe avisos de él.
Entonces, si tu agente puede actuar en sistemas reales, con credenciales reales, durante períodos prolongados, ¿qué te impide hacer algo incorrecto?
AgentOps.
Los casos prácticos de la IA con agentes necesitan AgentOps
AgentOps (operaciones de los agentes) es un marco de herramientas que sirve para supervisar el "cerebro" de un recurso de inteligencia artificial a medida que toma decisiones en tiempo real.
Las acciones de los agentes son no deterministas, lo que significa que se deciden en función de una serie de distribuciones de probabilidad aleatorias. Esto implica que no podemos predecir sus acciones con exactitud. Los flujos de trabajo con agentes pueden ayudar a resolver los problemas de manera creativa, pero esta creatividad debe gestionarse para que los sistemas no se salgan de control.
AgentOps aborda la capa de producción y aumenta la confiabilidad del software mediante las siguientes tareas:
- Hace un seguimiento de los recursos de hardware.
- Supervisa los índices de alucinaciones.
- garantizar que los datos se mantengan cifrados;
- Proporciona un registro auditable de las acciones llevadas a cabo por el agente.
- Finaliza un proceso si se producen infracciones a las políticas.
En un entorno empresarial, AgentOps es fundamental para los flujos de trabajo con agentes. Proporciona sistemas de inteligencia artificial que se basan en tu infraestructura, se entrenan con tus datos, se ajustan a tus valores y siguen tus reglas.
Cuatro aspectos clave para la implementación de la tecnología de inteligencia artificial
RAG con agentes
La generación aumentada por recuperación (RAG) es un método mediante el cual se vincula un LLM a un recurso externo para obtener mejores respuestas de una aplicación de inteligencia artificial generativa. La RAG con agentes amplía la RAG tradicional, ya que permite que el LLM investigue de manera activa en lugar de limitarse a recuperar información.
Si bien la RAG puede obtener respuestas y brindar cierto contexto a partir de la documentación y los conjuntos de datos a los que tiene acceso, depende de la ingeniería de peticiones (prompt engineering) manuales. Además, la RAG tradicional tiene un conocimiento limitado del contexto y se basa exclusivamente en la consulta inicial para recuperar la información pertinente.
Por su parte, la RAG con agentes es bastante más sofisticada y dinámica, ya que puede formular sus propias preguntas, crear contexto a partir de su memoria y llevar a cabo tareas adicionales sin que se le pida explícitamente que lo haga. Este avance con respecto a la RAG tradicional permite que tome decisiones más informadas en tu nombre sin que debas intervenir.
Casos prácticos de inteligencia artificial con agentes
La inteligencia artificial con agentes se utiliza para diversos fines. Veamos el uso que pueden darle los distintos sectores:
IA con agentes en el sector financiero
Los equipos financieros supervisan millones de transacciones, lo que dificulta la detección manual de fraudes y la aplicación de políticas en tiempo real.
Los agentes financieros autónomos pueden supervisar permanentemente las transacciones diarias y detectar fraudes o infracciones de las políticas antes de que se agraven. Los agentes incorporan los datos en vivo, los comparan con las reglas internas e identifican las anomalías. Luego, los revisores humanos intervienen para analizar la actividad sospechosa detectada y tomar una decisión final sobre cómo actuar.
IA con agentes en la TI y la ingeniería de software
Los desarrolladores pasan horas reproduciendo errores y escribiendo correcciones, en lugar de dedicar ese tiempo a diseñar y mejorar funciones nuevas. Los agentes de inteligencia artificial ayudan a clasificarlos mediante la reproducción de errores en un entorno de pruebas (sandbox), la creación de posibles correcciones y la ejecución de pruebas para comprobar el funcionamiento de los parches. Una vez que se verifica la solución, un desarrollador humano revisa el código y aprueba la implementación en la fase de producción.
IA con agentes en la gestión de la cadena de suministro
Los factores externos, como las condiciones climáticas extremas, las huelgas laborales y la congestión de los puertos, pueden interrumpir las cadenas de suministro y generar demoras y pérdidas financieras. Los agentes pueden hacer un seguimiento de las noticias, controlar el clima y alertar a los equipos sobre posibles demoras. Incluso podrían calcular el impacto financiero del desvío de las embarcaciones. Luego, los gerentes de la cadena de suministro revisan los análisis de costo-beneficio del agente y toman una decisión final sobre la estrategia a seguir.
IA con agentes para los vehículos autónomos
Los vehículos autónomos deben manejarse en entornos reales complejos, lo que implica interpretar flujos enormes de datos sensoriales contradictorios. Un sistema de fusión de sensores con agentes combina los distintos datos sin procesar (de las cámaras y el radar) en un modelo uniforme y en tiempo real del entorno del vehículo. El sistema con agentes procesa, organiza y filtra los datos de cada sensor del vehículo para comprender las ambigüedades visuales y predecir los riesgos de colisión en cuestión de milisegundos. Los encargados de la seguridad o los operadores remotos controlan las excepciones del extremo de la red, supervisan la confiabilidad de estos sistemas y realizan tareas manuales cuando es necesario.
IA con agentes en las comunicaciones y las relaciones públicas
El mundo en línea funciona más rápido de lo que se puede esperar de cualquier equipo de comunicación humana. Se publican historias de forma permanente, la opinión de los usuarios puede cambiar en cuestión de minutos, y una noticia de poca importancia puede convertirse rápidamente en un caso crítico.
Los agentes dedican todo el día y la noche a realizar un seguimiento de las menciones de la marca en todo el mundo en las distintas plataformas y crear un resumen para evaluar la reacción del público. También analizan las noticias, los artículos académicos recientemente publicados y las tendencias sociales para compilar resúmenes diarios. Luego, los agentes resumen esta información para que los equipos se anticipen a los cambios del sector. A partir de estos resúmenes, los especialistas en comunicación humana elaboran mensajes clave y estrategias de respuesta de relaciones públicas para los incidentes más importantes.
IA con agentes en recursos humanos
La incorporación de personal nuevo requiere tareas administrativas repetitivas, programación y un flujo constante de preguntas que pueden agotar los recursos. Por lo tanto, un agente de incorporación exclusivo puede guiar al personal nuevo a través de la documentación, la configuración de la TI y la capacitación. Permite que resuelvan dudas específicas y agenden reuniones de presentación según su función y departamento. Al reducir la carga de trabajo de los directores de recursos humanos y los gerentes de equipo, estos pueden dedicar más tiempo a la integración cultural, la mentoría y la creación de vínculos personales con los nuevos empleados.
IA con agentes en el ámbito legal y de cumplimiento normativo
Los constantes cambios en las leyes de comercio internacional y las normas medioambientales pueden hacer que las empresas multinacionales incurran fácilmente en incumplimientos normativos. Los agentes pueden realizar un seguimiento permanente de las actualizaciones normativas en todo el mundo y analizar el impacto de los marcos legales cambiantes en los flujos de trabajo operativos. De esta manera, las empresas pueden anticiparse a los riesgos en materia legal sin necesidad de revisar las políticas de forma manual. Una vez que un agente señala un área específica que puede necesitar una adaptación interna, un asesor legal humano interpreta los resultados y redacta políticas empresariales actualizadas si es necesario.
IA con agentes en marketing y ventas
En un mercado competitivo, los precios estáticos pueden ocasionar la pérdida de ingresos. Los agentes supervisan los precios de la competencia y la demanda del mercado en tiempo real. Sugieren ajustes de precios para mantener una ventaja competitiva y proteger los márgenes de ganancias. Los responsables de marketing e ingresos establecen los límites de la estrategia de precios, revisan las recomendaciones automatizadas y aprueban las campañas promocionales.
IA con agentes en el sector de la salud
Los trabajadores de la salud se ven abrumados por la cantidad de datos administrativos, lo que puede provocar agotamiento y descuidos en la atención al paciente. Un agente de asistencia clínica puede ayudar a organizar los datos de los pacientes, señalar los resultados de laboratorio que faltan y alertar al equipo sobre posibles problemas con los medicamentos o las dosis. Los médicos y el personal clínico utilizan el agente como una red de seguridad: revisan las alertas que genera y pueden dedicar más tiempo a la atención directa de los pacientes.
Red Hat puede ayudarte
Red Hat® AI pone en funcionamiento el ciclo de vida completo de un agente a través de un plano de control de AgentOps exclusivo. Esto permite que todas las implementaciones estén protegidas y sean observables y eficientes en todo tu entorno de nube híbrida.
La plataforma proporciona control de nivel empresarial a través de medidas de seguridad integradas. Su infraestructura fundamental utiliza vLLM y llm‑d para lograr una inferencia distribuida de alto rendimiento, de manera que puedas ajustar los flujos de trabajo que consumen muchos recursos, ya sea que se lleven a cabo en las instalaciones o en entornos del extremo de la red.
Red Hat AI ofrece inferencias rápidas, flexibles y eficientes a través de su servidor con vLLM. Conecta los modelos a tus datos de manera confiable para unificar la personalización y el desarrollo de agentes especializados en una sola plataforma. Nuestros productos de inteligencia artificial cuentan con una base open source y te brindan el control total de los flujos de trabajo de inteligencia artificial en cualquier escala.
Artificial Intelligence (AI)
See how our platforms free customers to run AI workloads and models anywhere
