Cuando la IA toma la iniciativa: así nace la era de los agentes autónomos

Actualizado hace 10 segundos

La adopción de la inteligencia artificial agéntica avanza rápidamente, superando a la IA generativa. En menos de dos años el 35% de las compañías ya está explorando su uso, tal y como pone de manifiesto el informe The Emerging Agentic Enterprise: How Leaders Must Navigate a New Age of AI, elaborado por la consultora estratégica Boston Consulting Group (BCG) y el MIT Sloan Management Review.

Un chatbot toma decisiones para coordinar a otros y tomas decisiones independientes. Generado por IA

¿Qué es la IA agéntica?

Cole Striker, de AI Models de IBM, explica que la IA agéntica es un sistema de inteligencia artificial que puede lograr un objetivo específico con una supervisión limitada.

Se trata de modelos de machine learning, de aprendizaje automático que imitan la toma de decisiones humanas para resolver problemas en tiempo real. Es un sistema multiagente, en el que cada uno de ellos realiza una subtarea específica necesaria para alcanzar el objetivo a través de la orquestación de IA.

Los modelos tradicionales de IA operan con instrucciones predefinidas y requieren intervención humana, mientras que la IA agéntica es autónoma, su comportamiento se orienta a objetivos y es adaptable. El término agéntica se refiere a su capacidad para actuar de forma independiente y decidida.

La IA agéntica se basa en técnicas de IA generativa mediante el uso de modelos de lenguaje de gran tamaño (LLM) para trabajar en entornos dinámicos. La IA agéntica amplía la capacidad de los generativos de crear contenido al aplicarlo hacia objetivos específicos. Una IA generativa puede producir texto, imágenes o código, y una IA agéntica lo utilizará para completar tareas complejas de forma autónoma llamando a herramientas externas.

Así funciona

Las herramientas de IA agéntica pueden adoptar muchas formas y se adaptan a diferentes situaciones, concreta Striker, con estos pasos básicos.

Percepción

La IA agéntica recopila datos de su entorno a través de sensores, API, bases de datos o interacciones con los usuarios. Así, logra información actualizada para analizar y actuar.

Razonamiento

La IA procesa esos datos para extraer conocimiento significativo. Mediante el procesamiento del lenguaje natural (PLN), la visión artificial u otras capacidades, interpreta las consultas, detecta patrones y entiende el contexto. Esta capacidad ayuda a decidir qué acciones tomar.

Establecer objetivos

Establece objetivos según las metas predefinidas o las entradas de los usuarios. Las alcanza desarrollando una estrategia empleando árboles de decisión, aprendizaje por refuerzo y algoritmos planificadores.

Toma de decisiones

Evalúa múltiples acciones posibles y elige la mejor evaluando la eficiencia, la precisión y los resultados previstos. Puede utilizar modelos probabilísticos, funciones de servicios o razonamiento basado en machine learning.

Ejecución

La IA ejecuta la acción interactuando con sistemas externos o proporcionando respuestas a los usuarios.

Aprendizaje y adaptación

Tras una acción, evalúa el resultado y recopila comentarios para mejorar en próximas decisiones. Mediante el aprendizaje por refuerzo o el aprendizaje autosupervisado, refina sus estrategias.

Orquestación

La orquestación de IA es la coordinación y gestión de sistemas y agentes. Automatiza los flujos de trabajo, realiza un seguimiento del progreso de las tareas, administra los recursos, monitoriza el flujo de datos y memoria y gestiona los errores. Cientos de agentes podrían teóricamente trabajar juntos.

Ventajas de la IA agéntica

Los sistemas agentivos tienen, según explica el experto de IBM Cole Striker, varias ventajas sobre los generativos, limitados por los conjuntos de datos de entrenamiento.

• Autonomía. Permiten la autonomía para realizar las tareas sin una supervisión humana constante.
• Especialización. Pueden realizar tareas específicas. Una arquitectura agéntica podría ser un modelo conductor impulsado por un LLM supervisor de tareas y decisiones de otros agentes. O trabajar con otros agentes iguales de forma descentralizada.
• Adaptabilidad. Los agentes pueden aprender de sus experiencias, recibir feedback y ajustar su comportamiento. Los sistemas agentivos pueden mejorar continuamente.
• Intuitividad. Funciona con LLM y los usuarios pueden interactuar con un lenguaje simple o comandos de voz en vez de un software completo.
• Proactividad. Proporcionan la flexibilidad de los LLM, que pueden generar respuestas o acciones basadas en una comprensión matizada del contexto, con las características estructuradas, deterministas y fiables de la programación tradicional.