Los agentes de IA están transformando la forma en que concebimos el desarrollo de software en las empresas. Tradicionalmente, los sistemas confiables siguen un enfoque estructurado: planificar, construir, probar y mantener para garantizar fiabilidad y escalabilidad, enmarcado por el ciclo de vida del desarrollo de software (SDLC).
Sin embargo, los agentes de IA son diferentes: son un equipo de actores autónomos y probabilísticos que trabajan mejor en entornos en tiempo real y dirigidos por eventos, lo que les permite coordinarse con datos en vivo para desarrollar, aprender y operar.
Para escalar una fuerza laboral empresarial de agentes de IA, las organizaciones deben combinar principios de gestión de talento con rigor de desarrollo de software. Estos agentes no son software estático que se puede codificar y desplegar de una vez; debido a los modelos de lenguaje probabilísticos, deben ser construidos, evaluados y gobernados de manera distinta.
Esto implica avanzar desde el SDLC tradicional hacia un Ciclo de Desarrollo de Agentes (ADLC), que aprovecha la estructura y el proceso repetible del SDLC y lo combina con el desarrollo y la gestión de agentes de IA.
Una mano amiga de RR. HH.
Como los agentes de IA desempeñan roles dentro de una empresa, el ADLC debe apoyarse en lecciones del ciclo de vida de los empleados humanos.
Cuando una organización incorpora a un nuevo miembro, hay un proceso deliberado: se define su rol, se le concede acceso a los sistemas necesarios, recibe formación y se integra al equipo. Una vez que está empoderado y en funcionamiento, un gerente supervisa su actividad, monitorizando y desarrollando su rendimiento con el tiempo.
Como actores autónomos operando dentro de un marco de gobernanza, los agentes de IA merecen y requieren el mismo trato.
Los agentes de IA necesitan un enfoque estructurado similar para su incorporación e integración en un negocio y para entregar los beneficios de eficiencia para los que fueron diseñados, lo que significa que requieren datos contextuales en tiempo real para desempeñar sus funciones.
Tratar a los agentes de IA como a humanos en la etapa de contratación
Imagina una organización donde cada empleado es un generalista, no existe jerarquía ni estructura, y toda la comunicación ocurre a través de llamadas uno a uno. Sin correo, sin Slack, sin sistemas compartidos.
La organización no puede escalar. La información no fluye. Las personas se ahogan con datos de todas las direcciones sin comprender qué hacer. No hay estructuras de responsabilidad, no hay controles de acceso, no hay mecanismos de coordinación más allá de conversaciones aisladas.
No se contrataría a un nuevo humano para este caos. Las organizaciones eficaces son distintas: se apoyan en personas especializadas y organizadas jerárquicamente, de modo que la coordinación ocurra en paralelo y la comunicación se base en canales asíncronos que permiten que la información fluya sin requerir que todos estén en línea al mismo tiempo. Lo mismo aplica para la incorporación de IA.
Los agentes de IA y los empleados no son diferentes a los ojos de una malla de agentes
La mayoría de las implementaciones tempranas de IA agente presentan un único agente complejo encargado de hacerlo todo, con acceso a todos los datos, comunicándose de forma síncrona y manteniendo contextos muy amplios o colaborando con sub-agentes. El resultado es un sistema frágil, costoso, poco consistente y totalmente incapaz de manejar la complejidad real de una empresa.
Aquí es donde una malla de agentes puede servir como plataforma de desarrollo y ejecución: ayuda a construir agentes que realmente funcionen en una empresa en tiempo real, especializados en funciones concretas, organizados jerárquicamente y orquestados por una plataforma de desarrollo y ejecución que se especializa en delegar tareas a los agentes adecuados.
Las comunicaciones entre agentes son asíncronas y dirigidas por eventos, y el acceso a datos y sistemas se regula mediante controles de acceso basados en roles, dando a los agentes exactamente los permisos que necesitan y nada más.
Veamos cómo los agentes pueden “integrarse” a través de un ADLC, tal como lo haría un nuevo empleado al unirse a la organización:
1. Tratar la configuración del agente como redactar una descripción de puesto
Antes de que un humano comience, se escribe la descripción del puesto. Se define el rol que ocupará, sus responsabilidades, los comportamientos esperados y los límites de actuación.
El constructor de una malla de agentes puede usar un agente interno de IA para facilitar una interfaz guiada para definir el propósito, alcance y configuración de un agente. Se establecen las instrucciones y prompts del sistema que modelan la personalidad y los parámetros de comportamiento del agente. Se definen también salvaguardas: límites estrictos sobre lo que el agente puede o no hacer, para evitar desviaciones o acciones inseguras.
2. Poner al agente al día con herramientas y acceso a sistemas
Las primeras semanas de un nuevo empleado consisten en obtener acceso a herramientas, sistemas y datos. El onboarding de un agente es igual de importante.
Una malla de agentes debe incluir un conjunto de conectores de datos: integraciones preconstruidas con bases de datos empresariales, lagos de datos, almacenes de datos, APIs de aplicaciones empresariales y servidores MCP. Esto permite que los agentes accedan a datos en tiempo real desde el primer día.
El acceso se otorga mediante controles de acceso basados en roles (RBAC), aplicando el principio de mínimo privilegio para que los agentes vean solo lo necesario. También puede definir habilidades asociadas a herramientas internas para que los agentes sepan cómo utilizarlas de la mejor manera.
3. Pasar el periodo de prueba – someter a estrés a los agentes antes del despliegue
Tras obtener acceso a los sistemas, los humanos reciben formación. Aquí la capacidad general se convierte en habilidades específicas de la empresa y del puesto. No pondrías a un nuevo empleado frente a los clientes sin verificar que sabe lo que hace. La misma lógica se aplica aquí.
Una malla de agentes puede ofrecer una función de Evaluación (Eval) que use IA para proponer pruebas para los agentes, permitir añadir más y ejecutarlas contra ellos. Esto facilita validar la competencia de los agentes frente a criterios de éxito definidos durante el desarrollo, soportando pruebas iniciales y pruebas de regresión a medida que se realizan cambios.
4. Mantener a los humanos en el control – validar las acciones de IA en tiempo real
Incluso el empleado más capaz recibe supervisión cercana al inicio. La supervisión no es micromanejo; es la red de seguridad que garantiza calidad, genera confianza y evita que los errores se agraven.
Una malla de agentes con arquitectura de supervisión humana en el ciclo permitiría canalizar acciones o decisiones de los agentes a revisores humanos para su aprobación antes de la ejecución. Esto es clave en sistemas agentivos porque los modelos de lenguaje grande (LLMs) son no deterministas y cometen errores; cuando el impacto de un fallo es arriesgado, los humanos pueden validar sus acciones, respuestas o conclusiones.
5. El trabajo en equipo hace que el agente de IA alcance su máximo potencial
La fase más transformadora del ciclo de vida de un empleado es aquella en la que los individuos se integran en equipos de alto rendimiento, donde la capacidad colectiva supera la suma de sus partes. Para los agentes de IA, esto es especialmente interesante.
Una malla de agentes debería apoyar flujos de trabajo que definan procesos repetibles, como los pasos para aprobar un préstamo, proporcionar una cotización de seguro o abrir una cuenta. La orquestación dinámica es cuando la malla cobra vida: agentes orquestadores dirigen el trabajo hacia especialistas adecuados, ya sea en secuencia o en paralelo, adaptándose en tiempo real cuando el input es fluido y el camino a seguir debe razonarse.
El resultado es una topología de malla multiagente – organizaciones jerárquicas de agentes que coordinan especialistas en diversas funciones, replicando la estructura de una organización humana eficiente.
6. Mejora continua de IA – detectar deriva de rendimiento temprano
Las organizaciones eficaces no despliegan a los empleados y se olvidan de ellos. Supervisan rendimiento, proporcionan retroalimentación y crean mecanismos para la mejora continua.
La visualización de la malla de agentes ofrecería una interfaz gráfica en tiempo real para rastrear interacciones entre agentes, llamadas a herramientas y LLMs, y los caminos de decisión, de modo que se identifique exactamente qué hacen y por qué. Las evaluaciones continuas detectan deriva de rendimiento o modos de fallo emergentes mediante evaluaciones en línea que se ejecutan en segundo plano, monitorizando la ejecución en producción.
Además, la instrumentación OpenTelemetry puede revelar tendencias de rendimiento a lo largo del tiempo, proporcionando los datos para decidir cuándo y cómo ajustar a los agentes.
Convertir a los agentes de IA en activos críticos exige un nuevo enfoque de despliegue
Para convertir a los agentes de IA de experimentos en herramientas operativas de alto rendimiento, se requiere una mentalidad completamente nueva para construir y desarrollarlos. Los SDLC tradicionales funcionan para código predecible, pero los agentes de IA actúan por sí mismos. Por ello, deben tener roles claramente definidos, accesos seguros a herramientas, pruebas rigurosas, supervisión humana y monitorización constante.
Para desplegar, gestionar y escalar una fuerza de trabajo de agentes de IA con confianza, las organizaciones deben implementar un ADLC sobre una plataforma en tiempo real y dirigiendo por eventos.
We’ve featured the best AI tools. Herramientas de IA destacadas
Este artículo fue producido como parte de TechRadar Pro Perspectives, nuestro canal para presentar las mentes más brillantes de la industria tecnológica actual.
Las opiniones expresadas aquí son propias del autor y no necesariamente las de TechRadarPro o Future plc. Si te interesa aportar, descubre más aquí: https://www.techradar.com/pro/perspectives-how-to-submit
from Latest from TechRadar https://ift.tt/wzfstuc
via IFTTT IA
