Si has buscado herramientas de marketing de automatización hoy en día, probablemente hayas notado que todas se proclaman “impulsadas por IA”. Disculpa el detalle, pero eso no es del todo cierto.

Una parte significativa todavía se apoya principalmente en la automatización basada en reglas, funcionando de forma idéntica a las plataformas que reemplazaron, activando flujos de trabajo if/then creados por ingenieros hace años. Si les das un caso límite para analizar, verás rápidamente que envían un correo inapropiado, se bloquean o generan salidas obsoletas que a nadie le importan.

Mismo rótulo. Misma arquitectura antigua. ¿El problema? Un cuello de botella de reglas.

La automatización tradicional se basa en conocer reglas de antemano. ¿Un lead obtiene una puntuación? Envíale un correo. ¿Un prospecto completa comportamientos A, B y C? Desencadena la secuencia Y. Espera Z días y envía el correo de seguimiento.

Un motor de reglas puede ejecutar estos comandos a la perfección, pero sólo puede hacer lo que sabe. Cuando surge una situación que no encaja en las reglas, ¿qué haces? Actualizas las reglas.

Por qué esto importa

El marketing es un campo desordenado. Los prospectos siguen trayectos impredecibles, las tendencias cambian de un día para otro y las audiencias que amaban tu mensaje la semana pasada ya no se interesan esta semana. Pero los sistemas basados en reglas sólo pueden mejorar cuando se les dan nuevas reglas que ejecutar. Los ingenieros no pueden escribir reglas más rápido de lo que cambia el mundo.

La industria ha intentado ocultar este problema con palabras de moda de IA. Espolvorear algo de magia de redes neuronales en un motor de reglas y de pronto tienes una “plataforma de IA”. Ingenieros que miran más allá de los folletos de ventas siguen encontrando los mismos if/then, remendados con nomenclatura de moda para la última ronda de financiación.

La diferencia entre la automatización heredada y la verdadera IA agentiva es que la IA agentiva no se limitará a remendar la última generación de herramientas de marketing; las reemplazará. La IA agentiva no se define por capacidades tanto como por la forma en que se toman las decisiones.

Los motores de reglas preguntan: “¿qué regla debe dispararse a continuación, dado este input?”. Los agentes preguntan: “¿qué acción debo tomar para acercarme a mi objetivo?”. Es sutil, pero crucial. La teoría de agentes sostiene que el sistema conoce su objetivo, su contexto actual y una lista de acciones disponibles.

Basándose en esas tres piezas de información, puede razonar qué acción acercará más a la consecución de su objetivo general. Esto va mucho más allá de responder con respuestas enlatadas: decide qué hacer.

Los sistemas agentizados mantienen objetivos, razonan sobre acciones disponibles, invocan herramientas, evalúan resultados intermedios y adaptan sus planes a medida que llega nueva información. La arquitectura es fundamentalmente iterativa en lugar de meramente reactiva.

Ya te haces una idea de hacia dónde vamos.

Un agente puede adaptarse si una campaña deja de funcionar. Puede coordinarse con otros agentes que gestionan diferentes subconjuntos del flujo de trabajo. Y puede hacerlo sin que un ingeniero tenga que volver a modificar las reglas cada vez que el mundo cambia. El sistema gestiona sus metas.

Por qué la especialización importa

Una decisión arquitectónica clave que distingue a las buenas implementaciones de agentes del resto es la especialización. ¿Construir un único y grande sistema IA generalista para todo o varios agentes especializados, cada uno realizando su propia tarea?

La especialización es un tema recurrente en IA, desde médicos hasta “hombres del Renacimiento”. Hay utilidad en la generalización, pero una precisión singular en la especialización. El médico de cabecera puede manejar cualquier síntoma; cuando necesitas un diagnóstico absolutamente preciso, acudes a un especialista.

No es que los especialistas sean más inteligentes que el generalista: están entrenados en datos más restringidos. Del mismo modo, los modelos de IA generalistas no producirán resultados excelentes para usos muy específicos. Los modelos de OpenAI pueden escribir una estrategia de marketing o crear assets creativos, pero no pueden producir activos que:

• cumplan con los requisitos de ratio de píxeles de un editor
• coincidan con la paleta de colores de tu marca
• se alineen con el perfil emocional de tu audiencia
• incorporen menciones de temas de tendencia del día anterior

No pueden hacer todo eso a la vez, y no deberías esperar que lo hagan. Para problemas complejos con soluciones muy específicas, conviene construir agentes especializados (a veces llamados “equipos de agentes”) que manejan un subconjunto estrecho de tu flujo de trabajo.

Un equipo podría especializarse en generación de estrategia, otro en creación de contenidos, otro en selección de editores, y otro en análisis de rendimiento. Independientemente, estos equipos crean flujos de trabajo atómicos que un sistema generalista lucharía por gestionar.

Cómo no alojar tus modelos afecta la privacidad de los datos

Existe otro argumento a favor de modelos especializados y alojados de forma privada que no se suele mencionar: la privacidad de datos.

Cuando usas un modelo de lenguaje grande público (LLM) para redactar una pieza de marketing, tus datos se suben a la infraestructura de otra empresa. Decir “no usamos datos de clientes para entrenar” es fácil de decir, pero ofrece poca garantía. Las entradas se siguen procesando, almacenando y manejando de acuerdo con las políticas internas de ese proveedor.

Y esas políticas pueden cambiar… la mayoría de abogados corporativos nunca ha revisado la sección de uso de datos de los Términos de Servicio de proveedores de IA públicos, ni los ha analizado minuciosamente.

¿Qué pasa con los controles que tu organización puede exigir? ¿Tus desarrolladores limpian datos con PII antes de generar contenido con un LLM? Eso solo funciona si todos en la empresa memorizaran tus políticas de datos y usaran las herramientas de forma responsable. Un solo empleado que use una hoja de cálculo con datos internos en un prompt podría violar la normativa.

Pero si el modelo se aloja de forma privada, ese es un gran punto de exposición que desaparece. Tus datos nunca salen de tu infraestructura. No hay punto de ingestión para transmitirlos a un tercero, no hay bucle de entrenamiento que procese tus datos, y no hay acuerdo que regule cómo esa empresa manejará tus datos en el futuro.

La gobernanza es una propiedad del sistema

Como la IA en la empresa ha alcanzado un nivel de madurez en el que la gobernanza es una preocupación legítima, muchos equipos la tratan como una edición masiva al final del proceso generado por IA. Hacer que los humanos revisen y aprueben. Eso está bien y muchos equipos lo exigen hoy. Pero la gobernanza debería estar integrada en el sistema desde el principio.

Los agentes bien diseñados tienen salvaguardas en cada etapa del proceso de decisión. Eso implica modelos que hagan predicciones dentro de límites establecidos. Eso implica observabilidad que pueda trazar cada palabra generada hasta su origen.

Eso implica pruebas de terceros para demostrar que tus modelos se desempeñan bien frente a estándares de la industria, no solo pruebas internas. La gobernanza no debería aplicarse solo a los resultados; debería ser inherente a la arquitectura.

Qué deberían preguntar realmente los compradores empresariales

Los criterios de compra para IA agente dependerán de la empresa, pero a medida que las solicitudes de propuestas aceleran para seguir el ritmo de la innovación, aquí hay algunas consideraciones que toda empresa debería preguntar:

• Objetivos vs. reglas – ¿Este sistema es realmente agente? ¿O simplemente automatiza flujos de trabajo con herramientas de IA adjuntas? El primer paso es preguntar a los proveedores, de forma directa, qué hace su sistema cuando encuentra datos que no sabe interpretar. Los motores de reglas señalarán reglas de respaldo específicas; los agentes hablarán de reevaluar su objetivo y sopesar las acciones disponibles hasta decidir la mejor siguiente acción.
• Modelos y hosting – ¿Dónde están alojados los modelos? ¿Están especializados y entrenados con datos específicos del dominio? Esto responde a dos preguntas: capacidad del proveedor y preocupaciones de privacidad de datos.
• Memoria y contexto a largo plazo – Los agentes empresariales son mucho más útiles cuando conservan el contexto organizativo a lo largo del tiempo. En lugar de tratar cada interacción como una nueva conversación, pueden acumular conocimiento institucional, recordar decisiones previas y personalizar acciones futuras dentro de límites de gobernanza. La memoria persistente permite que los sistemas agentizados mejoren continuamente sin que los ingenieros deben codificar nuevas reglas ante cada edge case.
• Alucinaciones – Ningún LLM actual es inmune a alucinaciones. La cuestión arquitectónica importante es cómo el sistema detecta, limita y mitiga estas alucinaciones antes de que afecten procesos empresariales posteriores. Las alucinaciones de especialistas son menores en su dominio. Las paredes de predicción de ventana limitan lo lejos que una IA puede ir “fuera de los datos”. Puertas de aprobación humana antes de lanzar en vivo detectan cualquier fallo.
• Gobernanza / trazabilidad – ¿Puede el sistema proporcionar trazabilidad de cada salida que genera? ¿La precisión del sistema se compara con un tercero o solo se verifica internamente?

El argumento económico para hacerlo bien

Existe un argumento adicional que a menudo pasa desapercibido en discusiones centradas en capacidades: la estructura de costos.

La tarificación basada en tokens de grandes proveedores de modelos crea un modelo de costos fundamentalmente impredecible para implementaciones empresariales. Cada pregunta, cada generación, cada iteración cuesta tokens; iterar hacia una salida aceptable para una tarea de campaña compleja puede consumir un volumen significativo.

Las suscripciones empresariales imponen límites de uso que crean su propia fricción operativa. Cuanto más dependan de la IA tus flujos de trabajo, más aguda se vuelve esta presión.

Las organizaciones que posean y alojen sus propios modelos especializados no están sujetas a esta dinámica. No hay medidor de tokens en funcionamiento. La relación económica se asemeja más a infraestructura que a un servicio con tarifas por uso: asumes el costo de construir y mantener el sistema, y a cambio tienes costos marginales predecibles. Para organizaciones a gran escala, esa matemática cambia sustancialmente.

No caigas en el marketing

Las plataformas de marketing con IA seguirán inundando el mercado con jerga parecida a la IA ligada a motores de reglas. Pero para las empresas que realmente quieren desplegar IA agentiva, hay una solución mucho mejor: agentes especializados, alojados de forma privada, que no salen de la organización y no exponen riesgos.

A medida que los sistemas agentizados maduren, las empresas que diferencien entre arquitecturas autónomas genuinas y motores de flujo de trabajo impulsados por IA estarán mejor posicionadas para capturar una ventaja competitiva sostenible.

Hemos destacado la mejor plataforma de business intelligence.

Este artículo se produce como parte de TechRadar Pro Perspectives, nuestro canal para presentar a las mentes más brillantes de la industria tecnológica actual.

Las opiniones expresadas aquí son de quien escribe y no necesariamente refieren a TechRadarPro o Future plc. Si te interesa contribuir, descubre más aquí: https://www.techradar.com/pro/perspectives-how-to-submit

from Latest from TechRadar https://ift.tt/c2ytLpV
via IFTTT IA