¿Qué es la IA agéntica?

¿Qué es una IA agéntica? Características y capacidades principales

La IA agéntica no se define por un único modelo, sino por un conjunto de características conductuales y arquitectónicas que la distinguen de los sistemas de IA reactiva. Estas características incluyen:

• Funcionamiento autónomo: el sistema decide cuándo y cómo actuar de forma independiente sin necesidad de supervisión humana constante.
• Resolución de problemas en varios pasos: la capacidad de fijarse un objetivo de alto nivel y trabajar de forma autónoma en varios pasos interdependientes (interpretación del objetivo, planificación, actuación, verificación de resultados y adaptación) hasta alcanzar el objetivo o escalarlo.
• Adaptabilidad: la capacidad de cambiar su comportamiento durante la ejecución de tareas que se basan en información nueva, resultados o condiciones cambiantes mientras se persigue un objetivo en lugar de seguir rígidamente un guion fijo. La IA agéntica se adapta mediante el razonamiento, heurísticas, reglas y memoria a corto plazo.

Anatomía de los agentes de la IA agéntica

La anatomía de un agente de IA agéntica es este ciclo de ejecución continua:

Objetivo y desencadenantes ↓ 

Política y medidas de protección ↓ 

Controlador del agente (bucle de ejecución) ↓ 

Planeación y razonamiento (LLM) ↓ 

Orquestación de herramientas y modelos ↓ 

Observación y evaluación ↓ 

Memoria y estado ↓ 

Decisión/Adaptación

Al comparar el razonamiento de varios pasos de los agentes impulsados por IA con la supervisión humana constante necesaria para los sistemas de IA tradicionales, queda claro que un solo mensaje no podría gestionar las dependencias de manera autónoma, recuperarse de fallas, usar extensivamente múltiples herramientas, mantener persistentemente el contexto y decidir la siguiente acción a tomar. La IA agéntica supera a las respuestas puntuales gracias a las siguientes características:

• Planificación orientada a objetivos: los agentes de IA pueden dividir objetivos complejos en subtareas ordenadas y ajustar los planes a medida que cambian las condiciones con el fin de permitir flujos de trabajo complejos en lugar de acciones individuales.
• Integración con herramientas de IA: uso de herramientas externas, API, bases de datos, ejecución de código y servicios para pasar de la IA del análisis a la ejecución.
• Bucles de ejecución autónoma – El mecanismo central para alcanzar objetivos es un ciclo de control repetitivo de definición de objetivos → planeación → acción → observación → ajuste → repetición

Cómo aprenden los agentes de IA de Agentic

Los agentes de IA aprenden a través de múltiples mecanismos. Los modelos generativos de IA y los modelos de ML se entrenan en conjuntos de datos históricos masivos. A través del aprendizaje por refuerzo, los sistemas de IA con agentes mejoran al tomar acciones y observar resultados. También aprenden a través de la retroalimentación humana y los sistemas de memoria episódica (lo que funcionó en interacciones pasadas).

IA agéntica vs IA generativa: diferencias clave

La IA generativa se refiere a modelos que crean contenido como texto, imágenes, código, audio o video que se basan en patrones aprendidos a partir de datos. Los sistemas de IA agéntica planifican, deciden y actúan de forma autónoma para alcanzar objetivos, frecuentemente a través de la IA generativa como uno de sus componentes para ejecutar tareas y optimizar los procesos empresariales. Si bien la IA agéntica permite una ejecución totalmente autónoma, la mayoría de los agentes de producción operan con medidas de seguridad que incluyen la intervención humana.

La IA generativa responde a las indicaciones, mientras que la IA agéntica implica iniciar y adaptar procesos complejos.

Comparación de arquitecturas

La arquitectura de una IA generativa es una sola generación de salida: Usuario → Prompt → Modelo → Salida.

La arquitectura de la IA agéntica es la automatización del flujo de trabajo de varios pasos: objetivo → Bucle de agente ↓ planear → actuar → observar → adaptar ↓ herramientas, modelos, humanos

Los modelos generativos de IA funcionan mejor cuando el objetivo es la creación de contenido y las tareas son de un solo paso. La IA agéntica se utiliza cuando las tareas constan de varios pasos, es necesario operar sistemas, se requiere adaptación y los resultados son más importantes que el texto.

Cómo funcionan los sistemas de IA agéntica: tecnología y arquitectura

Los sistemas de IA agéntica son sistemas, no modelos, que combinan LLMs, IA tradicional, herramientas de IA, sistemas de memoria y lógica de control en un bucle que puede planear, actuar, observar y adaptarse de forma autónoma. Permiten a los agentes de IA percibir entornos, razonar sobre problemas complejos, realizar acciones y aprender de la experiencia. El bucle central se ve así:

Objetivo/Acción ↓ Política y barreras ↓ Controlador de agente (bucle de ejecución) ↓ Planeación y razonamiento (LLM) ↓ Orquestación de herramientas + modelos ↓ Ejecución (herramientas, APIs, ML) ↓ Observación y Evaluación ↓ Decisión (continuar / reintentar / replanificar / escalar) ↺ (bucle)

El papel de los modelos de lenguaje grandes

Los modelos de lenguaje grandes desempeñan un papel fundamental en el razonamiento, la interpretación y la síntesis. Traducen la intención humana o las entradas del sistema en objetivos estructurados. Dividen objetivos complejos en pasos ordenados y lógicos. Los LLM ayudan a sopesar la información incompleta y a razonar sobre las ventajas e inconvenientes para sugerir las mejores acciones a seguir. Aconsejan qué herramientas o modelos usar y por qué. Y los LLM son excelentes interpretando datos no estructurados.

Integración de aprendizaje automático

Los algoritmos de aprendizaje automático juegan un papel complementario dentro del bucle de ejecución, lo que impulsa la toma de decisiones del sistema de IA autónomo con predicción, puntuación, detección y optimización. Los algoritmos de aprendizaje automático suministran señales confiables y estimaciones de confianza que permiten a los agentes actuar de manera autónoma, segura y a escala. Los modelos de aprendizaje automático suelen ser modelos especializados, específicos de cada tarea, modulares y reentrenados periódicamente para evitar sobrecargar los LLMs con tareas para las que no están preparados.

Integración de sistemas externos

Los sistemas de IA agéntica también se integran con herramientas externas, sistemas externos y software empresarial, y actúan como una capa de orquestación controlada para la ejecución de tareas. Los agentes de IA coordinan los entornos ya existentes, como las bases de datos, los sistemas de datos y análisis, herramientas de ingeniería y DevOps, herramientas de colaboración, plataformas SaaS, API, flujos de trabajo y controles de seguridad. El punto clave de integración es la capa de herramientas y conectores que abstrae los sistemas externos en acciones que se pueden invocar. Esta capa de herramientas controlada hace cumplir licencias, registra acciones y permite a los agentes coordinar de forma segura los sistemas existentes para alcanzar objetivos sin reemplazarlos ni eludirlos.

Sistemas multiagente

Los sistemas multiagente son arquitecturas en las que múltiples agentes autónomos trabajan juntos, cooperan, coordinan o compiten para lograr metas que son desafíos demasiado complejos para un solo agente. Cada agente tiene su propio rol, capacidades de IA y una visión local, y la colaboración surge a través de la interacción estructurada. Los agentes autónomos en sistemas multiagente colaboran cuando un agente divide un objetivo en subtareas y las asigna. Los agentes colaboran a través de un espacio de trabajo compartido y la comunicación puede ser sincrónica o asincrónica, donde se intercambian mensajes estructurados, resultados y puntuaciones de confianza.

Aplicaciones del mundo real: donde la IA agéntica agrega valor

Los sistemas de IA agéntica proporcionan un valor medible más allá de la automatización tradicional o la IA generativa, y sobresalen donde el trabajo es de múltiples pasos, dinámico y requiere muchas decisiones. Los ejemplos incluyen:

Gestión de la cadena de suministro

Los agentes de IA agéntica ayudan a optimizar las cadenas de suministro al monitorear y predecir la demanda, ejecutar pronósticos y escenarios, reequilibrar planes, automatizar flujos de trabajo complejos, comunicar impactos y adaptarse a medida que cambian las condiciones. La planificación de la cadena de suministro y las operaciones implica muchas decisiones interdependientes con intervención humana constante e incertidumbre. Los agentes de IA pueden generar valor mediante una mayor resiliencia, una respuesta más rápida ante las interrupciones y unos niveles de servicio más altos en la gestión de la cadena de suministro.

Servicio al cliente y soporte técnico

Los agentes impulsados por IA gestionan las interacciones con los clientes, analizan datos y proporcionan información útil con una intervención humana mínima. Los tickets de soporte requieren investigación y respuestas, y el contexto se encuentra en múltiples sistemas y fuentes de datos. Los agentes de IA pueden ayudar a clasificar la intención y la urgencia de los tickets, recopilar el contexto del cliente, intentar los pasos de resolución, redactar respuestas y escalar casos complejos. Crean valor con tiempos de resolución más rápidos, menores costos de soporte, mejores relaciones con los clientes y una calidad de servicio más consistente.

Desarrollo de software

Los sistemas autónomos de inteligencia artificial automatizan las tareas repetitivas, lo que permite a los equipos humanos centrarse en trabajos de mayor valor. La corrección de errores es un proceso que consta de varios pasos y depende en gran medida del contexto, por lo que los agentes de IA pueden ayudar al reproducir errores, buscar códigos y registros, proponer soluciones, realizar pruebas y responder a los comentarios. Los ingenieros se enfocan en el diseño, no en la plomería, lo que resulta en ciclos de desarrollo de software más rápidos y una mayor calidad de código.

Aplicaciones de atención médica

La IA agéntica agrega valor a la atención médica al coordinar de manera autónoma tareas complejas, flujos de trabajo clínicos, operativos y administrativos de múltiples pasos con aprobación humana en el circuito. Los entornos sanitarios son altamente complejos y fragmentados, ricos en datos, pero aislados, lo que convierte a la IA agéntica en una opción estable para las tareas que consumen mucho tiempo y las condiciones reguladas. Los agentes de IA pueden ayudar a analizar los datos de los pacientes, automatizar tareas complejas, coordinar la atención clínica, apoyar la toma de decisiones, gestionar la capacidad y realizar ensayos de investigación clínica.

Automatización empresarial

Los procesos empresariales abarcan múltiples sistemas, entregas manuales y datos inconsistentes. Estos procesos suelen ser tareas repetitivas y basadas en reglas, con interfaces de usuario estables. La IA agéntica ayuda a trasladar la automatización de scripts rígidos basados en reglas a sistemas adaptativos y orientados a objetivos, con gestión inteligente de excepciones que pueden planear, actuar y recuperar a través de procesos empresariales complejos. La IA agéntica proporciona una coordinación dinámica de los bots para permitir flujos de trabajo con múltiples bots y múltiples sistemas. En lugar de automatizar los pasos, la IA agéntica automatiza los resultados.

Finanzas y Gestión de Riesgos

En un entorno financiero, la monitorización de riesgos es continua con muchas comprobaciones manuales de cumplimiento que abarcan múltiples fuentes de datos. La IA agéntica puede ayudar a automatizar tareas complejas como monitorizar transacciones o controles, detectar anomalías o violaciones, recopilar pruebas, evaluar la gravedad, activar controles o revisar y generar registros de auditoría. Este tipo de automatización de procesos crea valor con menor exposición al riesgo, flujos de trabajo de cumplimiento más rápidos, mejores registros de auditoría y menos revisiones manuales.

Operaciones de venta minorista

Los agentes de IA pueden transformar el comercio minorista al permitir que los agentes de IA tomen decisiones rápidas, lo que mejora la eficiencia y la experiencia del cliente sin supervisión humana. La inteligencia artificial agéntica puede ayudar a revisar informes y recibir orientación detallada sobre cómo proceder. Puede ayudar a los especialistas en mercadotecnia a actualizar las páginas de productos con información de la temporada nueva o a gestionar la avalancha de devoluciones tras las fiestas.

Implementación de la IA agéntica: consideraciones y requisitos

La implementación de IA agéntica requiere más que simplemente implementar un LLM. Debido a que operan en bucles y tocan sistemas reales, los requerimientos de implementación se parecen más a sistemas distribuidos + seguridad + controles de productos que a una integración típica de ML. A continuación se presentan algunas consideraciones y requisitos fundamentales:

Necesidades de infraestructura

Los componentes de la infraestructura se pueden desglosar de la siguiente manera:

Capa central de computación y modelo para llamadas de funciones/herramientas, que requieren puertas de enlace API y manejo de límites de velocidad; lógica de enrutamiento/respaldo de modelo; administración segura de claves.

Orquestación y ejecución de agentes con un orquestador de agentes y entorno de ejecución, que requieren flujos de trabajo con estado, colas de tareas asíncronas y límites de aislamiento.

Herramientas e interfaces de acción, como las API internas y externas, sistemas de archivos y bases de datos, y entornos de ejecución de código. Los requerimientos incluyen el registro de herramientas y esquemas, los permisos por agente y el registro de auditoría para cada invocación de herramienta.

Sistemas de memoria a corto y largo plazo, como las bases de datos vectoriales, los almacenes de estado estructurados, poda de memoria y canalizaciones de resumen y memoria versionada.

Observación, retroalimentación y evaluación de entradas de herramientas, comentarios de usuarios, heurísticas de éxito/fracaso y métricas de latencia y costos. Esto requiere un registro de eventos, canales de evaluación y colas de revisión con intervención humana.

Seguridad, control y gobernanza con presupuestos de acción, interruptores de apagado forzoso, credenciales de alcance limitado y motores de políticas. Esto requiere medidas sólidas de seguridad con una capa de aplicación de políticas, límites de tasa por agente, puertas de aprobación y registros completos de auditoría.

Implementación y gestión del entorno con un entorno de desarrollo, entornos de prueba y producción. Los requerimientos incluyen indicadores de características para niveles de autonomía, implementaciones canary para la lógica del agente, definiciones de agentes versionadas y soporte de reversión para la memoria.

Requisitos de supervisión humana

Para equilibrar la autonomía con los controles de intervención humana y asegurar la alineación con la intención humana, hay niveles de supervisión humana a considerar.

El control humano, donde los agentes generan recomendaciones y los humanos aprueban y ejecutan tareas, requiere herramientas de solo lectura y puntos de control de ejecución manual.

Intervención humana (monitoreada), donde los agentes ejecutan acciones de bajo riesgo de forma autónoma con aprobación humana para acciones predefinidas. Requiere colas de aprobación, vistas previas de acciones, ventanas de ejecución con demora temporal y capacidades de anulación y cancelación.

Autonomía limitada donde los agentes humanos intervienen solo en anomalías o violaciones de umbrales; requiere permisos de acción codificados, presupuestos de costo, tiempo y pasos, alertas automatizadas e interruptores de apagado de emergencia.

Métricas de rendimiento

Para medir los resultados del trabajo de IA agéntica, es necesario rastrear tanto los resultados como el comportamiento. Las principales categorías de métricas son:

Métricas de eficacia de los resultados, como la tasa de éxito de las tareas, la puntuación de calidad de finalización, el éxito en la primera pasada y la tasa de alineación de objetivos.

Métricas de eficiencia y productividad como el tiempo hasta la finalización, el número de pasos, la eficiencia de las llamadas a la herramienta y la tasa de reintentos.

Métricas de costos y utilización de recursos, como el costo por tarea, la relación costo-valor, la tasa de sobrepasamiento del presupuesto y la tasa de aciertos del caché.

Métricas de fiabilidad y solidez como las tasa de fallos, tasa de competencia parcial, incidencia de tiempos de espera/bucle y tasa de error de herramienta.

Métricas de seguridad y cumplimiento de políticas, como la tasa de infracciones de políticas, la tasa de escalamiento de aprobaciones, la frecuencia de anulaciones y el cumplimiento del acceso a los datos.

Métricas de supervisión humana como la tasa de contacto humano, el tiempo de revisión por tarea, la precisión de aprobación y el puntaje de confianza del usuario.

Métricas de impacto empresarial como horas de trabajo humano ahorradas, ingresos influenciados o protegidos, reducción de errores en comparación con la línea base, aumento de tareas y mejoras en la adherencia a los SLA.

Métricas de integración

Lo siguiente se puede utilizar para medir el grado de integración de los agentes con los flujos de trabajo, las herramientas y los sistemas operativos de IA existentes:

Métricas de interoperabilidad y compatibilidad, como tasa de compatibilidad del flujo de trabajo, tasa de reutilización de herramientas, tasa de conformidad de esquemas y estabilidad del contrato de API.

Métricas de transferencia y coordinación como la tasa de éxito de transferencia de persona a agente, el éxito en la coordinación agente a agente, el puntaje de preservación de contexto y la tasa de recuperación de respaldo.

Métricas de eficiencia y latencia del flujo de trabajo, como el tiempo total del flujo de trabajo, la latencia inducida por los agentes, la tasa de paralelización y la frecuencia de los cuellos de botella.

Métricas de confiabilidad y estabilidad como la tasa de fallos de integración, la puntuación de salud de las dependencias, la tasa de reintentos y compensación e incidentes de desviación de versiones.

Métricas de gobernanza y alineación de políticas como la cobertura de aplicación de políticas, la completitud de auditorías entre sistemas, la tasa de consistencia de aprobación y el cumplimiento de los límites de datos.

Retos: gestión de la autonomía, la explicabilidad y el riesgo

A medida que aumenta la autonomía, también lo hacen las demandas de explicabilidad, control y gestión de riesgos. Equilibrar la operación autónoma con la supervisión humana constante puede sacrificar la velocidad por el control, la escala por la supervisión y la flexibilidad por la consistencia. Para superar estos desafíos, considere implementar la IA agéntica con niveles de autonomía escalonados, ámbitos de acción explícitos y licencias, presupuestos de costo/tiempo/pasos por tarea y despliegue progresivo.

Explicabilidad en procesos de varios pasos

La IA agéntica también genera desafíos de explicabilidad en procesos de toma de decisiones de varios pasos. Las estrategias de mitigación incluyen resúmenes de razonamiento estructurado, registros de acciones con justificación, rastros de ejecución paso a paso, ejecuciones de tareas reproducibles y atribución clara a las versiones de los agentes.

Prevención de comportamientos no deseados

La prevención de comportamientos no intencionados en sistemas autónomos puede deberse a la ambigüedad en los objetivos, contexto incompleto, limitaciones del modelo o interacciones entre herramientas y entornos. Para prevenir estos comportamientos es necesario definir claramente los objetivos y el alcance, establecer restricciones y permisos de acción, límites de autonomía y presupuestos, barreras de protección en el ámbito normativo, controles con intervención humana, observabilidad, registro y reproducción, pruebas, simulación, evaluación adversaria, bucles de retroalimentación y controles de emergencia y respuesta a incidentes.

Abordando los riesgos de sesgo y error

Otro desafío es abordar los sesgos, los riesgos de error y asegurarse de que los sistemas de IA actúen de forma independiente respetando los límites. El sesgo se puede introducir a través de datos de entrenamiento y modelos preentrenados, salidas de herramientas, memoria histórica y bucles de retroalimentación humana. Las estrategias de mitigación incluyen el uso de conjuntos de datos de evaluación diversos y representativos, la separación de la lógica de decisión de los resultados históricos, la revisión periódica de la memoria, la poda y las pruebas contrafactuales. La detección de sesgos debe evaluar el comportamiento del agente a lo largo del tiempo, no solo resultados individuales.

Equilibrio entre autonomía y supervisión

Es crucial equilibrar la autonomía con la supervisión. La supervisión excesiva socava la eficiencia; la supervisión insuficiente aumenta el riesgo. Cree modelos de autonomía escalonada alineados con el riesgo. Implemente puertas de aprobación para acciones de alto impacto, intervención humana basada en excepciones y autonomía adaptativa que se ajusta o relaja según los indicadores de rendimiento.

¿ChatGPT es una IA agéntica?

Dado que los sistemas de IA agéntica se caracterizan por la capacidad de planear, actuar, observar resultados e iterar de forma autónoma a lo largo de varios pasos, ChatGPT no es IA agéntica, sino que es IA conversacional. Pero se puede utilizar como componente de sistemas agenciales. ChatGPT no decide cuándo actuar, sino que responde de manera reactiva a las indicaciones del usuario. No mantiene los objetivos a lo largo del tiempo y no inicia bucles ni comportamientos autodirigidos. No tiene memoria o estado independiente más allá de la conversación actual.

ChatGPT calificaría como IA agéntica solo si estuviera integrado en un sistema que le otorgue objetivos persistentes, capacidad de acción autónoma y control limitado sobre la ejecución. Hasta entonces, sigue siendo un potente motor de razonamiento, no un agente autónomo.

¿Existe ya la IA agéntica? Estado actual y futuro

Los sistemas de IA agéntica existen hoy en día, pero solo en entornos de producción de alcance estrecho, fuertemente restringidos y supervisados por humanos. Las implementaciones comunes en el mundo real incluyen agentes de automatización de flujos de trabajo, agentes de monitoreo y remediación, agentes de investigación y síntesis y agentes de operaciones con el cliente (con puertas de aprobación). Estos son sistemas construidos alrededor de LLM, no LLM actuando de forma autónoma. Las afirmaciones de agentes de IA totalmente autónomos son en gran parte marketing, demostraciones o prototipos de investigación.

Prototipos frente a implementaciones maduras

Hoy en día existen distinciones claras entre prototipos e implementaciones maduras en tareas específicas. Los prototipos pueden validar conceptos y viabilidad, mientras que las implementaciones maduras ofrecen resultados confiables y repetibles. Los prototipos se utilizan para explorar los comportamientos y flujos de trabajo de los agentes, demostrar valor y optimizar la velocidad y la flexibilidad. Las implementaciones maduras operan de forma segura en entornos de producción, se integran con los sistemas y procesos centrales y se optimizan para la estabilidad, la gobernanza y la escala.

El camino hacia la adopción masiva

La adopción general será incremental, específica de cada dominio y dirigida por la gobernanza, en lugar de ser universal o totalmente autónoma. El camino refleja más las tecnologías de infraestructura previas que los avances de la IA para el consumidor. En los próximos uno a dos años, los avances en el aprendizaje automático desbloquearán un uso más confiable de herramientas, mejores marcos de orquestación, mejores sistemas de memoria y recuperación, evaluación y monitoreo más sólidos y patrones de autonomía más seguros. Esto podría dar lugar a la expansión de agentes específicos del dominio y a un mayor uso de la autonomía supervisada.

En tres a cinco años, es plausible esperar que los agentes puedan gestionar un conjunto más amplio de tareas, una planeación y recuperación más adaptativas, una menor necesidad de revisión constante y marcos de gobernanza estandarizados de los agentes. La siguiente gran evolución no son agentes individuales más poderosos, sino sistemas coordinados de agentes especializados que trabajan juntos. La colaboración entre múltiples agentes permite una mayor escala, solidez y flexibilidad, pero plantea nuevos retos en materia de coordinación y gobernanza.

Herramientas y plataformas de inteligencia artificial agéntica

Las organizaciones que implementan IA agéntica pueden aprovechar diversas herramientas y plataformas de IA agéntica para construir, desplegar y gestionar soluciones impulsadas por IA. Estas herramientas proporcionan marcos para coordinar agentes de IA, gestionar ciclos de aprendizaje continuo e integrarse con otros sistemas. Las plataformas basadas en IA ofrecen componentes preconfigurados para la resolución de problemas, la gestión de datos de procesos y capacidades de IA que aceleran el desarrollo al tiempo que mantienen una seguridad sólida.

Conclusión

La IA agéntica representa un cambio continuo hacia una inteligencia artificial autónoma y orientada a objetivos. A medida que evoluciona, la IA pasa de ser una herramienta a convertirse en un colaborador u operador. Pero la IA agéntica no ofrece valor simplemente por ser más autónoma. El valor surge cuando sus mecanismos fundamentales (planificación, uso de herramientas, memoria, retroalimentación y control) se adaptan al tipo de trabajo adecuado.

Permitir que los agentes de IA automaticen tareas complejas aporta el mayor valor cuando las tareas son de varios pasos y no lineales, o involucran múltiples sistemas, APIs o fuentes de datos, son repetitivas pero no requieren ejecución rígida, dependen de la retroalimentación de dónde los resultados informan los siguientes pasos y donde las acciones se pueden restringir o revisar.

En la actualidad, puede explorar implementaciones en tiempo real en operaciones y análisis, garantía de calidad y cumplimiento, monitoreo y remediación e investigación y síntesis. Para considerar la preparación de su organización para implementar IA agéntica, sepa que estas implementaciones exitosas tienen definiciones claras de lo que poseen los agentes, una fuerte integración con los sistemas existentes, condiciones de detención explícitas, ciclos de retroalimentación estrechos y humanos como tomadores de decisiones responsables.

Si su automatización actual es frágil o no está documentada, si los procesos son informales, si la rendición de cuentas no está clara hoy en día, la IA agéntica amplificará el problema. Y a medida que se empieza a poner en práctica la autonomía, espere una autonomía incremental, no un salto repentino.