¿Podría la IA Agéntica Transformar las Operaciones Empresariales como lo Hizo la PC en los 90?
La pregunta sobre si la inteligencia artificial (IA) agéntica podría llegar a ser tan fundamental para las operaciones empresariales como lo fue la computadora personal en la década de 1990, ha sido objeto de debate entre numerosos expertos recientemente.
Existe una considerable discusión en la industria sobre el significado real de la IA agéntica, e incluso algunos argumentan que se está convirtiendo rápidamente en otra palabra de moda sobrevalorada. Otros, como Ryan Salva, director senior de gestión de productos en Google y ex vicepresidente de producto en GitHub, afirman que han llegado a «odiar la palabra agentes». Salva declaró en una entrevista reciente que cree que «la industria abusa del término ‘agente’ hasta el punto de que casi no tiene sentido».
Sin embargo, a un nivel básico, parece haber un consenso generalizado en la industria sobre el hecho de que, a diferencia de la IA generativa (que se centra en la creación masiva de textos, imágenes, videos y audios), los agentes de IA están diseñados para actuar, tomar decisiones y ejecutar tareas con niveles crecientes de autonomía.
Pero, ¿cuál es realmente el valor de la IA agéntica para las empresas de todo el mundo hoy en día? ¿Y están preparadas para manejar la forma en que hacemos negocios, especialmente a medida que el auge de la IA continúa enfrentando desafíos de consumo de energía, eficiencia de aprendizaje y confiabilidad de los datos?
La Insaciable Demanda Energética de la IA
Las exageraciones tecnológicas siempre son emocionantes, pero cuando el polvo se asienta, comienzan a surgir preguntas reales y difíciles. Lo mismo ocurre con la IA agéntica, que ahora ha ganado una atención generalizada.
La verdad es que el despliegue generalizado de agentes de IA depende de la solución de la creciente crisis energética vinculada a la IA. La industria ya está lidiando con las inmensas necesidades de energía de las GPU, y los hiperescaladores incluso están explorando la energía nuclear para sostener el desarrollo de la IA.
«Las inversiones masivas de CapEx en GPU e infraestructura de IA hoy en día hacen eco de revoluciones industriales pasadas, donde las tecnologías fundamentales remodelaron las economías», dijo Amit Walia, CEO de Informatica. «Y si bien el hardware es crucial, la eficiencia energética será un factor definitorio en la adopción de la IA», agregó.
Los modelos de IA, particularmente aquellos que requieren la toma de decisiones en tiempo real, demandan grandes cantidades de poder de procesamiento. Esto significa que las empresas que no pueden optimizar su infraestructura de IA corren el riesgo de incurrir en costos operativos insostenibles.
Walia, sin embargo, señaló que los modelos de IA energéticamente eficientes son un paso fundamental para abordar el problema energético de la IA. «Los agentes de IA eficientes, que utilizan menos energía, reducen los gastos operativos y se alinean con los objetivos ambientales, los harán más atractivos», comentó.
Si bien la demanda masiva de energía de la IA es un desafío importante para el desarrollo de la IA en la actualidad, existen varios problemas más en el horizonte.
La Necesidad de Algoritmos de Aprendizaje Más Inteligentes
Más allá de las preocupaciones de infraestructura con los centros de datos de IA y el consumo de energía, los agentes de IA deben tener la capacidad de aprender y adaptarse de maneras que superen a los modelos de IA tradicionales.
Afortunadamente, el aprendizaje por refuerzo, que, según Walia, permite a los agentes de IA refinar su comportamiento con el tiempo, utilizando datos reales y sintéticos para simular diferentes escenarios, está emergiendo como un habilitador clave en ese sentido. Permite a los agentes de IA refinar su toma de decisiones basándose en un proceso de prueba y error en lugar de depender únicamente de resultados preprogramados.
«Los modelos de IA generativa se basan principalmente en transformadores para convertir las entradas de lenguaje natural en salidas, pero los agentes de IA requieren algo más: la capacidad de aprender de la experiencia y tomar decisiones de forma autónoma», señaló Walia.
Srinivas Njay, CEO de Interface.ai, se hizo eco del sentimiento de Walia, y señaló que el aprendizaje por refuerzo, a menudo abreviado como RL, es indispensable para los agentes de IA que ejecutan tareas complejas.
«Para la IA agéntica, que debe ejecutar tareas de extremo a extremo, RL permite que la IA navegue por árboles de decisión, se adapte a las condiciones cambiantes y mejore continuamente aprendiendo de los éxitos y los errores», explicó Njay. «En lugar de simplemente generar una respuesta, el agente aprende a actuar de manera que genere resultados comerciales tangibles».
Pero si bien RL permite a la IA refinar la toma de decisiones de forma dinámica, está lejos de ser una solución milagrosa. RL tiene varias limitaciones, que incluyen, entre otras, altos costos de datos y cómputo, falta de interpretabilidad sobre por qué un modelo tomó una decisión particular y una transferencia de aprendizaje deficiente, especialmente porque los modelos RL entrenados en un entorno a menudo tienen dificultades para adaptarse a nuevas situaciones sin un reentrenamiento significativo.
Eso explica por qué muchas aplicaciones de IA de vanguardia ahora integran RL con aprendizaje supervisado, aprendizaje no supervisado y enfoques de recuperación aumentada como RAG para superar las limitaciones de RL.
Es realmente bastante simple: a medida que la IA continúa evolucionando, necesitaremos algoritmos cada vez más inteligentes, o de lo contrario corremos el riesgo de redundancia. Y si consideramos que la mayoría de los modelos de IA actuales hacen, posiblemente, las mismas cosas, y algunos lo hacen mejor que otros en algunos puntos de referencia, se podría argumentar que la redundancia ya está ocurriendo.
El Desafío de los Datos
Si bien los datos siguen siendo la piedra angular del rendimiento de la IA, también son el mayor cuello de botella para la IA agéntica. Los agentes de IA son tan buenos como sus datos de entrenamiento y, sin datos de alta calidad y específicos del dominio, no pueden funcionar de manera efectiva en entornos específicos de la industria como la atención médica, las finanzas y el servicio al cliente.
«Nuestro reciente informe de CDO encontró que el 43% de las empresas citan la calidad, la integridad y la preparación de los datos como su mayor obstáculo para implementar iniciativas de IA», dijo Walia, quien también enfatizó que «sin datos de alta calidad y específicos del dominio, incluso los modelos de IA más avanzados se quedarán cortos».
Njay ve este desafío de primera mano en los servicios financieros, donde los agentes de IA se están probando en áreas como la banca en línea y la detección de fraudes. «Los silos de datos, las restricciones regulatorias y los formatos inconsistentes dificultan que la IA actúe con confianza», dijo.
Pero para resolver ese problema, según Njay, «la clave es modernizar la infraestructura de datos, unificar los silos y garantizar el acceso en tiempo real a información de alta calidad».
Verificación de la Realidad
A medida que la moda se separa de la realidad, en medio de la emoción, ahora se ha vuelto más evidente que la mayoría de las empresas aún no están preparadas para entregar por completo la toma de decisiones a los agentes de IA, especialmente en escenarios de alto riesgo que involucran relaciones con los clientes, transacciones financieras o planificación estratégica.
«No hay duda de que los agentes de IA transformarán los negocios, pero en este momento, sobresalen en tareas estructuradas y repetitivas», dijo Walia. «Donde la exageración supera a la realidad es en la toma de decisiones de alto riesgo. Al final del día, las cosas son creadas por humanos. Y la gestión de esas personas importa. Los agentes de IA aún no están listos para gestionar por completo las relaciones complejas con los clientes ni para operar sin supervisión humana».
Njay también está de acuerdo, y señala que si bien la IA puede manejar flujos de trabajo como la resolución de disputas y las solicitudes de préstamos, tanto los reguladores como los ejecutivos exigirán supervisión humana para procesos más complejos. «El principio rector es ‘IA para tareas, humanos para el juicio'», dijo. «Los agentes de IA sobresalen en los procesos basados en reglas, pero los humanos proporcionan las barreras de seguridad, especialmente en las excepciones donde la confianza y la empatía importan».
Elegir la Estrategia sobre la Exageración
Estamos al comienzo de lo que podría ser una larga transformación, similar al auge del software empresarial y la computación en la nube. Si bien los agentes de IA sin duda se volverán más capaces, las empresas primero deben concentrarse en los fundamentos: garantizar la preparación de los datos, mejorar la alfabetización en IA entre el personal e integrar la IA de manera que impulse ganancias de productividad medibles.
«Las piezas se están juntando: los avances en la eficiencia de la GPU, el aprendizaje por refuerzo y los datos específicos del dominio están acelerando la adopción», señaló Walia. «Las empresas que dominen la gestión de sus datos y la colaboración con los agentes de IA estarán mejor posicionadas para liderar el camino».
Para ser honesto, aún no está claro cuándo encajarán los ingredientes centrales para que los agentes de IA transformen realmente las operaciones comerciales, o cuánto tiempo tomará eso. Pero hasta entonces, las empresas que se centren en la implementación estratégica de la IA en lugar de perseguir la exageración serán las que obtengan las verdaderas recompensas.
Insights de Evox News: Cómo la IA Agéntica Puede Impactar tu Negocio
La irrupción de la IA agéntica presenta tanto oportunidades como desafíos para las empresas. A continuación, se analizan algunos puntos clave sobre su posible impacto:
Ventaja Competitiva a través de la Eficiencia: La optimización de procesos mediante agentes de IA puede generar una significativa ventaja competitiva. La automatización de tareas repetitivas y la toma de decisiones basada en datos permiten a las empresas operar con mayor eficiencia, reducir costos y liberar recursos humanos para tareas de mayor valor.
Innovación en Productos y Servicios: La IA agéntica no solo optimiza procesos internos, sino que también puede impulsar la innovación en la oferta de productos y servicios. Por ejemplo, en el sector financiero, puede permitir la creación de productos personalizados y la detección de fraudes en tiempo real. En atención al cliente, puede mejorar la experiencia del usuario a través de chatbots inteligentes y asistentes virtuales.
Transformación de la Fuerza Laboral: La adopción de la IA agéntica requerirá una adaptación de la fuerza laboral. Las empresas deberán invertir en la capacitación de sus empleados para que puedan colaborar eficazmente con los agentes de IA y adquirir nuevas habilidades relevantes para el futuro del trabajo.
Desafíos de Implementación: La noticia destaca los desafíos clave para la adopción generalizada de la IA agéntica, incluyendo la demanda energética, la necesidad de algoritmos de aprendizaje más sofisticados y la calidad de los datos. Las empresas deben abordar estos desafíos de manera proactiva para evitar costos operativos insostenibles y garantizar el éxito de sus iniciativas de IA.
Importancia de la Estrategia: Es crucial que las empresas adopten un enfoque estratégico para la implementación de la IA agéntica, priorizando la preparación de los datos, la alfabetización en IA y la integración en áreas que generen ganancias de productividad medibles. Evitar la exageración y enfocarse en los fundamentos permitirá a las empresas obtener un retorno real de su inversión en IA.
Gestión y Supervisión Humana: Se enfatiza que, si bien la IA puede manejar flujos de trabajo, se debe contar con la supervisión humana para procesos más complejos, donde el juicio y la empatía es fundamental
