¿Qué es la IA de agentes?
La inteligencia artificial se está convirtiendo en una parte fundamental del modo en que operan las empresas. Y las empresas que la adoptan satisfactoriamente saben que la IA está en constante evolución. Un avance en particular está transformando la forma en que las empresas utilizan la IA para generar valor: la IA de agentes.
Obtenga más información sobre la IA de agentes
La IA de agentes es el siguiente paso en la evolución de la inteligencia artificial, un cambio de los sistemas que principalmente analizan, predicen o generan a los sistemas que son capaces de tomar medidas. Anteriormente la IA ayudaba con la toma de decisiones o la creación de contenido. Ahora los agentes de IA pueden iniciar la toma de decisiones, planificar medidas concretas y ejecutarlas de forma autónoma.
Gartner® predice que para 2028 un tercio de las soluciones de software empresarial incluirá la IA de agentes y hasta un 15 % de las decisiones diarias serán autónomas. Los agentes de IA ya se están haciendo notar en todos los sectores: ayudan en los hospitales a gestionar admisiones complejas, respaldan planes académicos personalizados en las universidades y optimizan la gestión de inventarios de los retailers, entre otras muchas cosas.
En Workday, desarrollamos la IA de agentes para transformar procesos y proporcionar mejores experiencias a las partes interesadas internas y externas.
IA de agentes: qué es
La IA de agentes combina múltiples modelos de IA de forma orquestada e integrada, para permitir que un programa actúe de forma autónoma dentro de un entorno más amplio. Utiliza el razonamiento, el aprendizaje y la planificación iterativa para abordar retos dinámicos y de múltiples pasos en una empresa.
Lo que distingue a los agentes de IA es su capacidad de emprender acciones directas con poca o ninguna intervención humana. Pueden supervisar sistemas, interpretar condiciones en tiempo real e iniciar tareas en aplicaciones conectadas. Por ejemplo: un sistema de agentes en una plataforma logística puede detectar un retraso en un envío, redireccionar las entregas, notificar a los clientes y actualizar automáticamente el inventario, todo por sí solo.
El proceso que ha culminado en la IA de agentes se sustenta en décadas de innovación y avances en inteligencia artificial. Desde sus bases iniciales hasta sus capacidades modernas y transformadoras, la IA ha evolucionado continuamente con el tiempo (y sigue evolucionando) para hacerse más adaptable, autónoma e influyente.
La evolución de la IA a través de las décadas
Orígenes
En la década de 1950, la IA se basaba en reglas, limitándose a instrucciones estrictas de tipo "si-entonces" y a realizar automatizaciones básicas sin capacidad de adaptarse ni aprender. En las décadas de 1960 y 1970, los grandes avances con las redes neuronales inspiradas en el cerebro humano permitieron a la IA simular el aprendizaje por primera vez. A pesar de estar en una fase temprana, este desarrollo sentó las bases para sistemas de IA más dinámicos y flexibles.
El auge de los sistemas expertos
En la década de 1980 surgieron sistemas con los que la IA se acercó a una toma de decisiones similar a la humana. Estos sistemas utilizaban grandes conjuntos de reglas para replicar el razonamiento de los expertos, pero su dependencia de la lógica estática los hacía inflexibles e incapaces de manejar información nueva o en evolución.
Machine learning
La década de 1990 marcó un punto de inflexión con el machine learning (ML)y el enfoque de la IA previamente basado en reglas se convirtió en uno capaz de aprender de los datos. En esta década también empezó la exploración de los agentes de IA y el aprendizaje por refuerzo, lo que permitió a la IA tomar decisiones mediante métodos de ensayo y error, en lugar de depender únicamente de instrucciones predefinidas.
Big data y soluciones cloud
La primera década del siglo XXI aceleró el avance de la IA, con la colosal ampliación de las capacidades de los ordenadores y el auge de las soluciones cloud. Ahora los sistemas de IA pueden procesar y acceder a grandes cantidades de datos en tiempo real, lo que los hace más eficientes y capaces de asumir tareas cada vez más complejas.
El gran avance de la IA generativa
La IA generativa introdujo la capacidad de crear contenido original (texto, imágenes, código, audio, etcétera) basado en instrucciones en lenguaje natural. Abrió la puerta a una IA interactiva y conversacional que podía ayudar a redactar contenido, automatizar el soporte al cliente o generar recursos de diseño, entre otras cosas.
Los primeros estudios sobre la IA generativa, como los modelos de transformadores y redes generativas antagónicas (GAN), comenzaron en la década de 2010, pero no se hizo ampliamente accesible y práctica para su uso en el mundo real hasta el lanzamiento de modelos como GPT-3, DALL·E y ChatGPT, a principios de la década de 2020.
Estos sistemas aportaron un nuevo nivel de fluidez y comprensión contextual, pero seguían dependiendo de instrucciones humanas para funcionar. La IA generativa podía sugerir y sintetizar, pero no estaba diseñada para actuar o tomar decisiones de manera independiente.
IA de agentes.
Basándose en los fundamentos del machine learning y los modelos generativos, la evolución más reciente en el campo de la IA es la IA de agentes: sistemas que no solo comprenden y generan, sino que además toman la iniciativa y ejecutan acciones en entornos del mundo real.
Este cambio supone una transformación fundamental: de la IA como herramienta que responde a las acciones humanas a la IA como colaboradora que puede actuar por sí sola. Con esta transición, estamos entrando en una nueva era de sistemas dotados de IA, capaces de optimizar los workflows, tomar decisiones a escala y reaccionar dinámicamente a los cambios.
Desde los primeros sistemas basados en reglas hasta los agentes autónomos actuales, la IA ha ido aumentando sus capacidades de manera progresiva y esa evolución está lejos de haber terminado. La IA de agentes no es más que el último paso y las empresas deben seguir implicadas para que sus estrategias de IA sigan siendo pertinentes y eficaces.
La IA de agentes supone una transformación fundamental: de la IA como herramienta que responde a las acciones humanas a la IA como colaboradora que puede actuar por sí sola.
Qué representan los agentes en el panorama general de la IA
A medida que la IA de agentes gana terreno, es importante comprender dónde encaja en el panorama de la IA en general. En lugar de existir como una categoría independiente, la IA de agentes se basa en las capacidades de otros sistemas y utiliza tanto la lógica basada en reglas como los modelos probabilísticos, para operar con mayor autonomía. Al observar cómo los diferentes tipos de IA procesan la información y generan resultados, podemos entender mejor cómo la IA de agentes amplía lo que es posible.
IA determinista
Sigue una lógica o reglas predefinidas. Los resultados son predecibles y repetibles cuando se introduce la misma información.
Limitaciones
No se le da bien la incertidumbre ni la adaptación a nuevas situaciones.
Ejemplo
Un árbol de decisiones que aprueba o rechaza préstamos según umbrales fijos.
IA probabilística
Utiliza modelos estadísticos y patrones de datos para generar predicciones o resultados.
Limitaciones
Requiere grandes conjuntos de datos de gran calidad. Los resultados pueden variar y a menudo no son explicables.
Ejemplo
Un modelo generativo como GPT-4 que escribe texto basándose en una instrucción.
IA de agentes
Se basa en modelos probabilísticos (por ejemplo, LLM y RL) y orquesta acciones en todos los sistemas, a menudo integrando componentes deterministas para su ejecución.
Limitaciones
Aún se está desarrollando en áreas como la coordinación multisistema fluida y la planificación a largo plazo.
Ejemplo
Un agente de la cadena de suministro que supervisa el clima, predice disrupciones, redirige entregas y actualiza el inventario de forma autónoma.
En resumen, la IA de agentes no es una categoría independiente: es una evolución basada en los puntos fuertes de otros sistemas de IA. Los enfoques deterministas ofrecen estructura y fiabilidad, mientras que los modelos probabilísticos aportan flexibilidad e insights. La IA de agentes los integra todos, con la capacidad adicional de actuar, para que las empresas sean más escalables, adaptables y receptivas.
Los sistemas de IA de agentes destacan por su capacidad de razonar, planificar y actuar con un alto grado de autonomía.
Características clave de la IA de agentes
Los sistemas de IA de agentes destacan por su capacidad de razonar, planificar y actuar con un alto grado de autonomía. A diferencia de los sistemas de IA anteriores, que requieren una lógica estricta o workflows predefinidos, la IA de agentes interpreta la intención, evalúa las opciones y ejecuta decisiones por sí sola, a menudo en entornos complejos e impredecibles.
Estas capacidades hacen que la IA de agentes sea muy adecuada para los retos empresariales que requieren tanto flexibilidad como iniciativa. En la práctica se manifiestan como:
Razonamiento autónomo
Un agente puede centrarse en un objetivo de negocio (por ejemplo, reducir los retrasos en las entregas) y determinar de forma independiente cómo lograrlo analizando las limitaciones, evaluando las compensaciones e iniciando acciones correctivas.
Adaptabilidad en tiempo real
En lugar de seguir un guion estático, un agente ajusta su comportamiento en función de lo que sucede en el momento, redirigiendo la logística cuando las condiciones cambian o reasignando personal en respuesta a una demanda inesperada.
Ejecución de tareas de varios pasos
Los agentes no solo activan acciones individuales, también gestionan workflows. Un solo agente podría identificar un problema, recopilar información de otros sistemas o agentes, decidir qué solución aplicar y llevarla a cabo.
Orquestación colaborativa
Los sistemas de agentes están diseñados para el trabajo conjunto. Un agente puede detectar un problema, mientras otros gestionan las comunicaciones, las actualizaciones de inventario o las verificaciones de políticas, y cada uno contribuye a un resultado compartido sin coordinación humana directa.
Los agentes de IA se diferencian unos de otros por su complejidad: unos simplemente siguen las reglas y otros son totalmente autónomos, razonan, aprenden y colaboran.
Tipos de agentes de IA
Los agentes de IA se diferencian unos de otros por su complejidad: unos simplemente siguen las reglas y otros son totalmente autónomos, razonan, aprenden y colaboran. En este avance continuo, los agentes van ganando una mayor capacidad de decisión, adaptabilidad e independencia.
Es esencial entender las diferencias entre estos tipos, para elegir el enfoque adecuado para las necesidades de cada empresa. Las siguientes categorías muestran cómo evolucionan las capacidades de los agentes y cómo los más avanzados sientan las bases para sistemas con las genuinas capacidades autónomas.
Agentes reactivos
Los agentes reactivos son el tipo más simple de IA. Se basan en reglas y responden a los cambios en el entorno utilizando instrucciones predefinidas, pero no pueden aprender ni adaptarse. Por ejemplo, un asistente virtual que obtiene respuestas preprogramadas a comandos específicos (como apagar luces inteligentes cuando se le indique) opera como un agente reactivo: responde a una indicación, pero no razona ni aprende nada adicional.
Agentes basados en modelos
Los agentes basados en modelos procesan el entorno circundante a través de un modelo interno, lo que les permite razonar sobre sus acciones y tomar decisiones fundamentadas. Ejemplo: un sistema de riego basado en IA que comprueba la humedad del suelo, las previsiones meteorológicas y las necesidades de los cultivos para optimizar los calendarios de riego.
Agentes basados en objetivos
Los agentes basados en objetivos trabajan para lograr objetivos específicos evaluando diferentes estrategias y adaptando sus acciones para alcanzar el resultado deseado. Por ejemplo, una aplicación de navegación que puede planificar la ruta más rápida a un destino según las condiciones del tráfico en tiempo real es un agente basado en objetivos.
Agentes basados en utilidad
Los agentes basados en utilidad se centran en maximizar los resultados dentro de un dominio específico, sopesando múltiples factores para determinar el mejor resultado posible. Un ejemplo sería un sistema de gestión de flotas que no solo planifica rutas de reparto sino que también tiene en cuenta la eficiencia del combustible, los plazos de entrega y los calendarios de mantenimiento de los vehículos para ayudar a optimizar las operaciones.
Agentes de aprendizaje
Los agentes de aprendizaje se adaptan y mejoran con el tiempo al procesar nuevos datos y experiencias. Estos agentes están diseñados para ajustar dinámicamente sus acciones y procesos de toma de decisiones. Un mánager de cartera financiera automatizado que perfecciona las estrategias de inversión en función de las tendencias cambiantes del mercado es un ejemplo de un agente de aprendizaje en acción.
Agentes colaborativos
Los sistemas colaborativos, o multiagente, trabajan conjuntamente para resolver problemas interconectados que son demasiado complejos para un solo agente. Una red logística que coordina drones de reparto, robots de almacén y camiones autónomos para optimizar toda la cadena de suministro es un agente colaborativo.
Oportunidades de negocio para la IA de agentes
Mediante capacidades dinámicas, la IA de agentes puede abordar necesidades empresariales reales en tiempo real. En diversos sectores, está demostrando ser valiosa de muchas maneras: optimiza operaciones, mejora las experiencias de los empleados y los clientes, y abre nuevas vías para el crecimiento. Veamos algunas de las actuales aplicaciones de la IA de agentes más importantes en diferentes sectores.
Ejemplos del mundo real: casos de uso de IA por sector
Educación superior
En la educación superior, la IA de agentes apoya a estudiantes y docentes gestionando de forma autónoma la planificación académica personalizada. Por ejemplo, un agente puede: detectar si un estudiante corre el riesgo de quedarse atrás; evaluar la disponibilidad de cursos, los requisitos de los programas académicos y los objetivos a largo plazo del estudiante; y luego proponer un plan revisado. Puede notificar al estudiante y a su asesor, recomendar servicios de soporte y ajustar la trayectoria académica, todo ello sin coordinación ni intervención manual.
Salud y farmacéuticas
En el sector de salud y farmacéuticas, la IA de agentes actúa como un colaborador en tiempo real dentro de los entornos clínicos. Un agente puede detectar un aumento de admisiones en Urgencias, evaluar las necesidades de los pacientes, verificar la disponibilidad de recursos (por ejemplo, camas o personal de UCI) e iniciar la reasignación de recursos o contactar con personal adicional. También puede coordinarse con otros agentes que supervisan el alta de pacientes o la gestión del inventario, para mantener la continuidad de la atención médica.
Retail
En el sector retail, la IA de agentes permite una gestión dinámica e integral tanto de las operaciones como de la experiencia de cliente. Un agente podría detectar un aumento en la demanda de un producto, prever la escasez de existencias y redirigir envíos existentes o generar nuevos pedidos de compra. Al mismo tiempo, puede ajustar las estrategias promocionales, actualizar el contenido del sitio web y notificar a los equipos de soporte según sea necesario.
Fabricación
La IA de agentes mejora la fabricación al reaccionar en tiempo real a las disrupciones o ineficiencias. Por ejemplo, un agente podría detectar disminuciones del rendimiento de una máquina e iniciar diagnósticos a través de otro agente y planificar tareas de mantenimiento durante un periodo de inactividad. También puede ajustar los calendarios de producción o volver a pedir materiales para evitar demoras, manteniendo los procesos funcionando de manera eficiente y proactiva.
Finanzas
En finanzas, la IA de agentes respalda la planificación autónoma y adaptable, así como la gestión de riesgos. Un agente financiero podría reconocer señales tempranas de volatilidad del mercado, ajustar estrategias de cartera o señalar áreas de vulnerabilidad. También puede alinear sus acciones con los agentes de cumplimiento normativo, para garantizar que toda la actividad cumpla con los requisitos reglamentarios, minimizando el riesgo sin detrimento para la velocidad ni la capacidad de respuesta.
Comunicaciones
En el sector de las comunicaciones, la IA de agentes ayuda a gestionar la interacción en tiempo real. Un agente puede detectar tendencias de actitud negativa en las redes sociales, lanzar campañas de respuesta específicas y cambiar el gasto en publicidad o la estrategia de mensajes en consecuencia. Puede coordinarse con agentes que gestionan herramientas de soporte al cliente, CRM o marketing por correo electrónico para garantizar una respuesta coherente y oportuna.
Soluciones empresariales: ejemplos de Workday
En Workday estamos explorando agentes de IA para ayudar a optimizar los gastos, optimizar la planificación de las sucesiones y transformar el reclutamiento.
Nuestro agente de gastos detalla automáticamente los recibos y crea informes de gastos. Por ejemplo: cuando un empleado termina su estancia en un hotel, puede hacer una foto de la factura con el móvil y nuestro agente extraerá automáticamente la información pertinente, creará una nueva línea de gastos y la añadirá al informe de gastos correspondiente.
Para la planificación de sucesiones, nuestro agente de IA nos ayuda a mantener una sólida cartera de candidatos en todas las fases de la carrera profesional, analizando factores como las necesidades empresariales actuales, las skills de equipo requeridas y las tasas de bajas indeseadas previstas; y sugiere posibles sucesores ubicados en cualquier parte del país. El agente puede identificar de forma proactiva a empleados con alto potencial e incluso generar planes de crecimiento personalizados para ayudarles a prepararse para roles futuros.
Nuestro agente de reclutamiento incorpora capacidades de HiredScore* para encontrar candidatos pasivos que puedan haber expresado interés en el pasado. Al comprender las necesidades actuales de la empresa y analizar los perfiles de los candidatos, el agente puede automatizar la comunicación, recomendar a los mejores candidatos e incluso concertar entrevistas.
*HiredScore es una empresa de Workday.
En Workday, la IA de agentes está transformando áreas como el seguimiento de gastos, la planificación de sucesiones y el reclutamiento inteligente
Estrategias para la implementación de la IA de agentes
Los casos de uso y los ejemplos que hemos visto en la última sección son solo algunas de las innumerables formas en que las empresas utilizan la IA de agentes para generar valor y lograr sus objetivos. Implementar con éxito una IA de agentes significa identificar formas específicas en las que su empresa debería utilizar la tecnología, definir sus objetivos, implementar un plan de ejecución sólido y supervisar el progreso a lo largo del tiempo.
Analicemos paso a paso un procedimiento para implementar de manera efectiva la IA de agentes en su empresa.
1. Descubrir y definir el problema
Comience por definir claramente el reto empresarial que quiere abordar. No se limite a enumerar características o tareas: céntrese en el problema subyacente. Por ejemplo, en lugar de simplemente automatizar las aprobaciones de gastos, intente garantizar el cumplimiento normativo y, al mismo tiempo, reducir el tiempo de procesamiento y los errores.
2. Entender el contexto y las necesidades del usuario
Recopile feedback continuo de los usuarios para identificar puntos problemáticos y oportunidades de mejora. Pruebe prototipos con los usuarios finales y observe sus interacciones con la tecnología. Tome nota de los momentos positivos y de las dificultades, y haga los ajustes necesarios. Haga lo mismo en cada fase de la implementación, para que la IA se alinee con los workflows reales y cree momentos gratificantes.
3. Desarrollar una estrategia de datos
Los sistemas de IA de agentes eficaces dependen de datos de calidad. Desarrolle una estrategia para recopilar, limpiar y etiquetar datos, a la vez que garantiza el cumplimiento de los estándares de privacidad y seguridad. Una preparación minuciosa evitará cuellos de botella en el futuro durante la formación y la implementación.
4. Elegir las herramientas y los modelos adecuados
A continuación, seleccione las herramientas y tecnologías que alinear con las necesidades que ha identificado en el paso 1. Tenga en cuenta los diferentes tipos de IA de agentes que cubrimos anteriormente y recuerde que la IA de agentes no es siempre la elección idónea, por ejemplo: los sistemas basados en reglas pueden ser mejores para iniciativas estrictamente centradas en la automatización.
5. Priorizar la privacidad y la seguridad
Es fundamental comprender la privacidad de los datos en el contexto de los nuevos sistemas de IA. Proteja los datos confidenciales incorporando robustos mecanismos de privacidad y seguridad a sus sistemas. Y garantice el cumplimiento de las normativas pertinentes, como el RGPD o la CCPA. Realice auditorías periódicas de los controles de acceso a los datos, cifre la información confidencial e implemente alertas automatizadas para actividades inusuales. Integre principios de privacidad desde el diseño en todo el proceso de desarrollo, para proteger la información individual y empresarial en cada fase.
6. Reconocer, evaluar y mitigar los riesgos
Además de ofrecer nuevas capacidades, la IA de agentes plantea nuevos tipos de riesgos. Evalúe periódicamente el rendimiento del modelo, la calidad de los datos y las consecuencias no deseadas, no solo durante la implementación, sino también a lo largo del ciclo de vida de la IA. Igualmente importante es desarrollar estrategias de mitigación claras, como protocolos de escalado, desencadenantes de supervisión humana o ciclos de feedback, para reducir el efecto perjudicial y garantizar la alineación con los objetivos y valores de su empresa.
7. Permitir que los agentes funcionen en todos los sistemas
La IA de agentes se beneficia de su propia capacidad de actuar, basándose en datos ubicados en diferentes partes de la empresa. Cada agente utiliza los orígenes a los que tiene acceso (ya sean plataformas internas, herramientas de terceros o información introducida en tiempo real) para razonar, tomar decisiones y actuar.
Cuando los agentes se coordinan, aportan su contexto individual a una labor compartida. Un agente podría evaluar los datos de implicación del empleado mientras otro incorpora las tendencias del mercado. Al trabajar juntos, pueden contribuir a un plan de la fuerza laboral que refleje tanto las necesidades internas como las realidades externas, sin necesidad de sistemas estrechamente interconectados en segundo plano.
8. Probar y supervisar
Realizar pruebas rigurosas es esencial en cada fase del desarrollo. Asegúrese de que su sistema de IA ofrezca los resultados previstos y ajústelo según sea necesario. Después de la implementación, supervise continuamente el rendimiento y el feedback de los usuarios para identificar áreas de optimización. Las actualizaciones periódicas y la reorientación garantizan que la IA se mantenga alineada con las necesidades y los retos cambiantes.
La IA de agentes es un avance hacia sistemas distribuidos y adaptables que colaboran con las personas para impulsar el progreso.
De cara al futuro
La IA de agentes se está convirtiendo en una capacidad esencial para las empresas que se enfrentan a la complejidad y a los cambios. Pero lo más prometedor es lo que viene a continuación: un futuro en el que los agentes colaborarán, no solo dentro de los sistemas, sino también entre equipos, empresas y sectores.
Al permitir una coordinación segura y orientada a objetivos, la IA de agentes puede ayudar a las empresas a compartir conocimientos, reaccionar más rápido a las disrupciones y resolver problemas demasiado complejos para que un solo sistema los gestione por sí solo.
A medida que estos sistemas maduren, los agentes podrán razonar en contextos más amplios, conectar conjuntos de datos que antes estaban aislados y emprender acciones más fundamentadas para crear posibilidades totalmente nuevas para la inteligencia empresarial.
La IA de agentes es un avance hacia sistemas distribuidos y adaptables que colaboran con las personas para impulsar el progreso. Las empresas que adopten este cambio estarán mejor equipadas para innovar, crecer con confianza y liderar en un mundo interconectado y vertiginoso.
Descubra cómo Workday puede ayudar a su empresa a transformarse con IA.