Los agentes están listos pero tu arquitectura probablemente no lo esté

La pregunta que surge en las salas de juntas y en las sesiones de estrategia de datos en este momento: ¿por qué tantas iniciativas de IA generan actividad sin generar valor? Suena simple hasta que intentas responderla.

Arsalan Tavakoli-Shiraji ha visto este patrón desarrollarse en cientos de conversaciones empresariales. Como cofundador y Vicepresidente Senior de Ingeniería de Campo en Databricks, se encuentra en la intersección de la arquitectura técnica y la estrategia empresarial de IA.

En esta conversación, Arsalan y yo hablamos sobre lo que los CDO y CTO necesitan entender para poner en producción sistemas agénticos, qué aspecto tienen las fallas de gobernanza una vez que la IA pasa de producir resultados a tomar acciones —enviar mensajes, actualizar registros, ejecutar decisiones— y cómo encontrar una victoria significativa sin crear el tipo de proliferación de IA que persigue a las organizaciones durante años.

La Distancia Entre la Actividad de IA y el Valor de IA

Catherine Brown: Trabajas con empresas en todas las etapas de adopción de IA. ¿Dónde aterrizan la mayoría de ellas, honestamente?

Arsalan Tavakoli-Shiraji: En algunas categorías diferentes. Algunas todavía están experimentando —familiarizándose con los modelos, ejecutando pilotos, viendo lo que es posible. Otras han avanzado más y están automatizando tareas específicas: generando texto, transcribiendo notas, permitiendo a las personas hacer preguntas sobre sus datos. Y luego está el grupo mucho más pequeño que ha descubierto cómo diseñar desde cero teniendo en cuenta las capacidades de IA. La mayoría de las organizaciones todavía se encuentran en las dos primeras categorías. Hay mucha proliferación de IA, mucha actividad de IA. Hay mucho menos valor de IA.

La gran diferencia está en dónde empiezas. Los que están obteniendo un valor significativo comienzan con el resultado que quieren impulsar —mayor productividad, una nueva capacidad empresarial, reducción de riesgos— y trabajan hacia atrás. No empiezan con la tecnología.

Catherine: ¿Cuál es el error arquitectónico más común que impide que los sistemas agénticos lleguen a producción?

Arsalan: El error que veo más es pensar que seleccionar un modelo es la parte difícil. En este momento, obtener un modelo fundacional de alta calidad es la parte más fácil del problema. La parte más difícil es todo lo que está debajo.

En la empresa, tienes que pensar en algunas cosas. ¿Dónde están tus datos y cómo te conectas a ellos? La mayoría de las organizaciones tienen datos repartidos en una docena de lugares diferentes, bloqueados en formatos propietarios que no se comunican entre sí. Y una vez que empiezas a vincular agentes a esos datos, necesitas una gobernanza seria. No solo gobernanza sobre los datos en sí, sino gobernanza que entienda a los agentes: qué están haciendo, qué permisos tienen, a dónde van y cómo se conectan múltiples agentes de múltiples sistemas. Y finalmente, los agentes necesitan una comprensión semántica profunda de tu organización. Son, en efecto, trabajadores virtuales que actúan en tu nombre. Necesitan saber qué aspecto tiene el éxito, cuáles son las definiciones y métricas clave, y cuál es el contexto real del negocio.

El anti-patrón es simple: datos bloqueados en silos, gobernanza omitida o tratada como un problema secundario, y luego una lucha para averiguar por qué los agentes no funcionan en producción. Las organizaciones fallan en estas tres cosas casi siempre.

Por Qué los Paneles y los Pipelines por Lotes Son la Base Incorrecta

Catherine: Estructuralmente, ¿por qué los paneles y los pipelines por lotes no se alinean con hacia dónde necesitan ir las empresas?

Arsalan: Son parches. Los paneles proporcionan un punto de referencia visual que sigue siendo importante para las empresas a la hora de tomar decisiones. Pero la mayoría se construyen para responder a una pregunta que alguien hizo una vez. Se construyen, se ven un par de veces y luego se unen a lo que yo llamaría el cementerio de paneles.

Los paneles también son difíciles de interrogar. Ves algo en los datos y quieres saber por qué sucedió. Quieres vincularlo a un evento, profundizar en él y hacer una pregunta de seguimiento. Históricamente, eso significa que alguien va, extrae los datos subyacentes, realiza un análisis y regresa contigo. Esa latencia es brutal en un mundo donde las cosas se mueven rápido.

Los pipelines por lotes tienen un problema similar. El procesamiento por lotes tenía sentido cuando las decisiones se tomaban lo suficientemente lento como para que los datos diarios o semanales fueran suficientes. Pero en un mundo agéntico, la ventana entre cuando ves algo y cuando puedes actuar sobre ello se está reduciendo rápidamente. Cuando tienes sistemas desconectados que se ejecutan en ciclos por lotes, simplemente no puedes responder a la velocidad que requieren los agentes.

Lo Que Realmente Resuelve Lakebase

Catherine: A medida que las empresas pasan de la experimentación con IA a la ejecución agéntica, ¿dónde encaja Lakebase?

Arsalan: La infraestructura que la mayoría de las organizaciones han construido alrededor de sus capas de análisis y sus almacenes de datos, fue diseñada para un tipo específico de trabajo: consultas a gran escala, insights agregados y analistas humanos ejecutando informes. Esa es una carga de trabajo fundamentalmente diferente de lo que requieren las aplicaciones agénticas.

Cuando empiezas a construir para agentes, estás construyendo para un consumidor muy diferente. Piensa en una empresa de telecomunicaciones que quiere poner una aplicación inteligente en manos de cada técnico de campo. O una firma de gestión de patrimonios que implementa un asistente de IA para cada uno de sus asesores. O un minorista que muestra recomendaciones en tiempo real en el punto de venta. Esas aplicaciones necesitan servir a un número enorme de usuarios simultáneamente con una latencia muy baja. Y todo esto debe ocurrir a un costo que tenga sentido a escala.

Ahí es donde entra Lakebase. Los agentes necesitan una base de datos transaccional, no una base de datos analítica. Y necesitan una construida específicamente para las demandas del mundo agéntico. Lakebase es esa base. Es lo que permite a las organizaciones pasar de experimentar con IA a ejecutarla a escala en producción y sin que la infraestructura colapse bajo la carga. Y funciona junto con la capa analítica que las organizaciones ya tienen. No es un reemplazo. Es la pieza que faltaba.

Fallos de gobernanza cuando los agentes toman medidas

Catherine: ¿Qué fallos de gobernanza tienden a surgir una vez que los sistemas dejan de generar solo resultados y empiezan a tomar medidas?

Arsalan:

Es común asumir que cualesquiera permisos que tenga una persona, su agente también debería tener esos permisos. Y aunque esa lógica tiene sentido, la realidad es que casi ninguna organización tiene permisos perfectos configurados correctamente para cada persona y en cada sistema. Los humanos navegan por esa realidad de manera imperfecta, pero como tenemos instintos, podemos sortear los desafíos. Tenemos conciencia del contexto que nos dice: “sí, técnicamente puedo hacer esto. Pero probablemente no debería hacerlo sin consultar primero”. Los agentes no tienen esa conciencia situacional. Tienen un objetivo y un conjunto de restricciones. Y encuentran un camino hacia el objetivo dentro de esas restricciones.

Cuando los agentes solo generan resultados, el peor escenario es que generen contenido de baja calidad. Cuando empiezan a actuar, enviar mensajes, realizar pedidos, eliminar registros, comunicarse en tu nombre, las apuestas son completamente diferentes. La gobernanza es una de las piezas centrales que determina si realmente puedes desbloquear valor de los agentes. Las empresas que lo hagan bien serán las que traten la gobernanza como un requisito previo, no como una ocurrencia tardía.

El Camino Más Rápido Hacia el Éxito

Catherine: ¿Cuál es el camino más rápido que has visto para una implementación exitosa de agentes de IA sin crear más proliferación tecnológica?

Arsalan: Dos cosas destacan. Primero, claridad sobre qué aspecto tiene el éxito antes de empezar. Suena obvio, pero la mayoría de los equipos se lo saltan. Si no puedes definir el resultado específico que estás impulsando (como la ganancia de productividad, la nueva capacidad de ingresos, la reducción de costos, la evitación de riesgos), entonces no puedes trabajar hacia atrás para encontrar el enfoque correcto. La tecnología no es el objetivo.

La segunda es el aislamiento. Es realmente difícil transformar un equipo grande y crítico desde adentro hacia afuera mientras todavía están haciendo su trabajo diario. Lo que veo que funciona es establecer un equipo piloto pequeño y enfocado con un caso de uso claramente definido, darles la libertad de iterar rápidamente y mantenerlos alejados de la deuda técnica heredada y las restricciones de políticas existentes. No están limitados, por lo que se mueven rápido. Aprendes cómo se ve el éxito en un contexto del mundo real. Y luego tomas esos aprendizajes y descubres cómo escalar y capacitar a la organización en general. Quieres poder averiguar qué funciona rápidamente y luego escalar rápidamente una vez que lo hagas.

La Verdad Incómoda Sobre la Era Agéntica

Catherine: ¿Cuál es la verdad incómoda que los líderes deben aceptar sobre el rediseño para este momento?

Arsalan: Desde el punto de vista de la infraestructura, la era agéntica requiere un conjunto de componentes centrales que deben funcionar juntos: una capa analítica gobernada, una base de datos transaccional que pueda manejar la velocidad y la escala que exigen los agentes, una plataforma para construir y monitorear esos agentes, y una capa de aplicación que las personas puedan usar realmente.

En Databricks, Lakebase ancla el lado transaccional. AgentBricks proporciona la capa de desarrollo y monitoreo para construir y administrar agentes a escala. Databricks Apps te brinda la capa de aplicación para entregar esas experiencias a los usuarios finales. Y Genie es cómo las personas realmente hablan con sus datos: la interfaz conversacional que permite a los usuarios de negocios hacer preguntas y obtener respuestas sin la intervención de un analista de datos. Si llegas a escalar, ejecutando no decenas, sino potencialmente miles de agentes, necesitas un sistema donde todas esas piezas se construyeron para trabajar juntas desde el principio.

Pero la verdad más difícil es esta: las empresas que obtendrán el máximo provecho de este momento son aquellas dispuestas a repensar el proceso subyacente, no solo a agregar IA sobre el existente. Hay un ejemplo bien conocido de la segunda revolución industrial. Las fábricas que reemplazaron las máquinas de vapor por las eléctricas pero mantuvieron el mismo diseño de planta obtuvieron casi ninguna de las ganancias de eficiencia. La tecnología cambió. El sistema no. Ahí es exactamente donde se encuentran muchas organizaciones en este momento.

Los equipos que están empezando a preguntar "si construyéramos esto desde cero pensando en las capacidades de IA, ¿cómo se vería?" Esos son los que verán resultados transformadores. Requiere gestión del cambio, capacitación y una definición clara de lo que significa el éxito. Nada de eso es fácil. Pero las organizaciones exitosas están abordando todo esto juntas, no una pieza a la vez.

El Sistema Es la Estrategia

La pregunta que los CDO y CTO deberían estar considerando ahora mismo no es si invertir en IA agentiva. Esa decisión ha sido tomada en gran medida por el mercado. La pregunta es si el sistema subyacente, la arquitectura de datos, la capa de gobernanza, la infraestructura transaccional, la plataforma de desarrollo, está realmente construido para lo que intentan hacer.

Para obtener más información sobre el desarrollo de una hoja de ruta para integrar la IA en toda su empresa, descargue el State of AI Agents.

(Esta entrada del blog ha sido traducida utilizando herramientas basadas en inteligencia artificial) Publicación original