Cómo se preparan las empresas para la IA agéntica

A medida que las empresas pasan de la experimentación temprana con la IA generativa a la creación de sistemas agénticos orientados a objetivos, las preguntas que se hacen los ejecutivos han cambiado. La conversación se centra menos en qué puede hacer la IA y mucho más en cómo se puede confiar en ella, gobernarla e integrarla en el funcionamiento real de la empresa.

Para explorar cómo las organizaciones líderes se preparan para esta nueva etapa, me senté a conversar con Craig Wiley, director sénior de productos en Databricks, como parte de nuestra serie Executive Lens. Esta serie está diseñada para revelar los cambios estratégicos que están moldeando los datos empresariales y la IA, a través de conversaciones directas con ejecutivos que están transitando estos cambios en tiempo real.

Craig y yo hablamos con franqueza sobre cómo es realmente la preparación, cómo deben evolucionar la arquitectura y la gobernanza, y qué hitos deberían planificar los equipos de liderazgo y las juntas directivas a medida que comienzan a escalar los sistemas agénticos.

Craig Wiley es director sénior de productos de inteligencia artificial en Databricks. Anteriormente, fue el director general fundador de AWS SageMaker y líder de productos de IA en Google Cloud. Aporta una gran experiencia en la creación de plataformas de IA y aprendizaje automático escalables que ayudan a las empresas a reunir datos y sistemas inteligentes de formas prácticas y duraderas.

De los experimentos de GenAI a sistemas en los que los líderes pueden confiar

Catherine: Últimamente has estado hablando con muchos CIO, CDO y CTO. ¿Qué cambios estás viendo a medida que las empresas pasan de la experimentación con GenAI a sistemas más agénticos y orientados a objetivos?

Craig: Al principio, creo que mucha gente estaba confundida sobre cómo aprovechar la GenAI de una manera útil. Todavía escuchamos sobre un gran porcentaje de casos de uso que son muy deterministas. La gente dice: “Quiero construir un sistema que haga esto”, ya sea para la cadena de suministro, la gestión de servicio al cliente o lo que sea.

El problema era que con la IA generativa temprana, crear o implementar cualquier cosa determinista era muy difícil. Con los agentes, ahora podemos usar GenAI para construir sistemas casi deterministas y también podemos ser mucho más inteligentes en cuanto a la precisión.

Si piensas en lo que se necesita para que un CXO diga que sí a la implementación de una solución agéntica, todo se reduce al control y la precisión. ¿Puedo controlarla y realmente funciona? Este cambio hacia los agentes ha hecho posible alcanzar niveles de precisión que simplemente no podíamos lograr cuando todo se basaba en prompts y respuestas.

La respuesta menos emocionante sigue siendo la correcta

Catherine: ¿Qué te indica que una organización está realmente lista para la IA agentiva?

Craig: La respuesta aburrida es la correcta: ¿tus datos están en orden?

Puedes estar muy entusiasmado con la IA agéntica, pero para las empresas todo se reduce al contexto. Y cuando decimos contexto, nos referimos a datos e información. ¿Puedes entregar la información correcta al agente en el momento adecuado de su razonamiento?

Vemos esto todo el tiempo. Los modelos más pequeños, más económicos y menos sofisticados pueden funcionar tan bien como los más avanzados si obtienen el contexto adecuado en el momento adecuado. No hay atajos para eso. Se necesita un lago de datos bien seleccionado con metadatos sólidos. Si no se tiene eso, es muy similar al aprendizaje automático clásico. Uno dice: “Construyamos este modelo”, y se pasan dos meses y medio ordenando los datos, y el último par de semanas se dedican realmente a construir el sistema. Sin el trabajo con los datos, no hay éxito.

Dos caminos a seguir cuando tus datos no están listos

Catherine: Muchas organizaciones no tienen la madurez de datos que les gustaría. Si un ejecutivo mira su entorno y piensa: “Esto es un desastre, ¿por dónde empiezo?”. ¿qué has visto que funcione?

Craig: Realmente hay dos caminos.

Uno es de abajo hacia arriba. Miras todos tus datos y dices: “¿Cómo los pongo en orden?” La buena noticia es que las herramientas han mejorado drásticamente. Mover datos fuera de los sistemas heredados es más fácil, y la GenAI puede incluso ayudar a escribir parte del código para hacerlo.

El otro camino está impulsado por los casos de uso. Si un CEO o un CIO dice: “Tenemos una gran ambición agéntica y queremos hacer X”, y los datos son un desastre, puedes empezar por preguntar: ¿qué datos necesito realmente para este caso de uso? Luego, buscas esas piezas, las modernizas y las pones al servicio de ese objetivo.

Ninguno de los enfoques es universalmente mejor. El enfoque ascendente te da más flexibilidad más adelante. Empezar por el caso de uso puede ser más rápido cuando el problema es existencial. El único error real es no dedicarles a los datos el tiempo y la atención que necesitan.

Por qué los primeros logros van más allá del chat

Catherine: ¿En qué se están enfocando los primeros adoptantes en este momento? ¿Qué tipo de casos de uso ves que están ganando terreno?

Craig: Hace un año, muchos de los primeros adoptantes se inclinaban por el marketing y otros casos de uso donde la naturaleza generativa de los modelos no era un problema. Ahora, gracias a cosas como la llamada a herramientas y una mayor precisión, los clientes pueden aspirar a mucho más. La gente todavía está muy centrada en el chat. “Quiero que mis empleados hablen con algo”. “Quiero que los clientes hablen con algo”.

Pero el verdadero entusiasmo que veo está en la automatización y la optimización del flujo de trabajo. Hablé recientemente con un gran banco que está tratando de agentificar todo su proceso de originación de préstamos. Eso solía llevar horas de personas revisando documentos. Ahora esperan que se ejecute de forma totalmente agéntica, con una estricta supervisión humana. Ese es un resultado mucho más convincente que solo otro chatbot.

La gobernanza se complica cuando los agentes se convierten en usuarios

Catherine: ¿Cómo están los líderes reconsiderando la arquitectura y la gobernanza a medida que los sistemas se vuelven más autónomos?

Craig: Durante décadas, nos hemos centrado en gestionar datos estructurados y en asegurarnos de que las personas adecuadas tengan acceso y las equivocadas no. Ahora también tenemos que pensar en eso para los datos no estructurados, y tenemos que pensar en los agentes como nuevas entidades. ¿Cómo me aseguro de que estos agentes tengan acceso a los datos correctos en el momento adecuado?

También hay que pensar en el usuario que está al otro lado del agente. Un ejemplo clásico es crear un chatbot sobre Jira. A menudo, Jira u otros sistemas similares pueden contener información confidencial. Si no se gobierna, cualquiera podría sacar a la luz esa información. Así que no se trata solo de a qué puede acceder el agente. También se trata de lo que el agente puede devolver en función de quién pregunta. Los componentes básicos existen, pero la gobernanza debe tratarse como un problema de primer orden, no como una ocurrencia tardía.

Una forma sencilla de pensar en la identidad, el acceso y los agentes

Catherine: Esto se parece mucho a la gestión de identidades y accesos. ¿Cómo deberían pensar en eso los líderes mientras se preparan?

Craig: Fundamentalmente, es gestión de identidad y acceso, pero con una nueva clase de identidad: los agentes.

Si no tienes políticas sólidas de identidad y acceso, el mundo está a punto de volverse mucho más complicado. Si lo haces, esto encaja de forma más natural.

Una forma sencilla de pensarlo es:

• ¿Quién es? Sistemas de identidad sólidos que funcionan para actores humanos y no humanos.
• ¿Qué es lo que se les permite hacer? Gobernanza en todas las API y los datos.
• ¿Cómo lo hacen? Documentación y metadatos. ¿Qué hay en esta tabla? ¿Qué hace esta API?

Si los sistemas de identidad y la documentación son buenos, es mucho más fácil dirigir un agente hacia ellos y avanzar rápidamente.

Los próximos 12 a 24 meses: desarrollar la capacidad antes de buscar el ROI

Catherine: Durante el próximo año o dos, ¿qué deberían planificar los equipos de liderazgo a medida que escalan los sistemas agénticos?

Craig: Muchas empresas están atascadas en la cuestión de construir frente a comprar. Si yo fuera un CEO, querría tener claridad al respecto. Mi opinión es que deberías poder construir. No me imagino dirigiendo una gran empresa y subcontratando todo mi desarrollo de software.

Si tiene desarrolladores, debería planear desarrollar esta capacidad. A corto plazo, me importa mucho menos el ROI y mucho más si mi gente puede construir y entregar estos sistemas. La práctica viene antes que la competencia. Consiga el talento adecuado en los primeros seis meses. En un plazo de seis a doce meses, construya cosas de las que se sienta orgulloso. Después de eso, comience a generar resultados de negocio reales.

Hay momentos para comprar. Si la funcionalidad no es fundamental para tu diferenciación, entonces considera comprarla. Pero si ya creas software para diferenciar tu empresa, tus equipos deberían estar creando agentes para diferenciar tu empresa.

El concepto erróneo que frena el progreso en seco

Catherine: ¿Cuál es el mayor error de concepto que ves cuando las empresas prueban la IA agéntica por primera vez?

Craig: Descartarlo después del fracaso.

Construyen algo, responde mal una vez y dicen: “¿Ves? Te dije que estaría mal. Se acabó”. El crecimiento no funciona así. Si estuvo mal, pregunte por qué. Solucione la causa raíz y siga adelante.

La GenAI parecía fácil al principio, por lo que la gente espera que siempre lo sea. Pero construir grandes sistemas de IA es difícil. Vas a tener fracasos. El éxito consiste en la mejora continua, no en acertar a la primera.

Hace un par de años di una charla en la que una empresa global de servicios financieros habló de un agente que crearon para ayudar a los empleados del centro de llamadas a incorporarse más rápido. Les pregunté cómo medían el éxito. La respuesta fue: “Ese no era el punto. El punto era que mi equipo ganara experiencia en la creación”.

Esa mentalidad se me quedó grabada. Las empresas que se presentan con esa actitud son las que van a ganar.

Catherine: La mentalidad de crecimiento.

Craig: Exacto.

Reflexión final

Lo que más me llamó la atención de esta conversación es que la IA agentiva no premia los atajos. Las organizaciones que avanzan más rápido no se saltan las partes difíciles. Están haciendo el trabajo poco glamoroso relacionado con los datos, la identidad, la gobernanza y la documentación, y están invirtiendo desde el principio en desarrollar la capacidad interna.

Los sistemas agentivos no solo cambian lo que la tecnología puede hacer. Suben el listón sobre lo preparada que debe estar una organización para usarla bien.

Para obtener más información sobre cómo construir un modelo operativo eficaz, descargue el Modelo de Madurez de IA de Databricks. 

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