Doxa 2360

Diseño de un sistema de IA agente exitoso

Por Linda Mantia, Surojit Chatterjee y Vivian S. Lee

IA y aprendizaje automático

Harvard Business Review

#Doxa #autonomía #percepción #razonamiento #planificación #aprendizaje #memoria #comunicación #objetivos #adaptabilidad #transparencia #robustez #escalabilidad

Resumen. Los sistemas de IA agentic pueden ejecutar flujos de trabajo, tomar decisiones y coordinarse entre departamentos. Para hacer realidad su promesa, las empresas deben diseñar flujos de trabajo en torno a resultados y designar responsables de la misión que la definan, dirijan tanto a los humanos como a la IAagentes y ser dueños del resultado; desbloquear los silos de datos a los que necesita acceder y aclarar la lógica de negocios que los sustenta; y desarrollar los líderes y las barreras de protección que estos sistemas inteligentes requieren.

Las empresas a menudo han respondido a las nuevas tecnologías con ajustes de procesos o herramientas complementarias. Algunas se adaptaron; otras flaquearon, no por falta de innovación, sino porque no lograron reorganizarse en torno a ella. La IA agente plantea el mismo desafío, pero con mayores riesgos. Exige una ejecución multifuncional que rompa con los silos y las formas de trabajo obsoletas.

Gracias a nuestro trabajo en el desarrollo de sistemas de IA agéntica para empresas y su asesoramiento, hemos constatado que, para aprovechar al máximo el valor de la IA agéntica, las empresas deben rediseñar no solo su visión de su plantilla, sino también la estructura de sus organizaciones para obtener resultados. En este artículo, compartimos algunos principios clave para la implementación de sistemas de IA agéntica que aumentarán la probabilidad de que proporcionen el valor deseado.

Cómo funciona la IA Agentic

La IA agentica (sistemas de agentes de IA capaces de planificar, razonar y actuar de forma autónoma) puede ejecutar flujos de trabajo, tomar decisiones y coordinarse entre departamentos. Piense en la IA agentica como un equipo de colegas digitales. Algunos agentes son especialistas: un copiloto de codificación que acelera el desarrollo o un asistente virtual que se conecta a una herramienta SaaS. Otros actúan más como coordinadores, uniendo el trabajo de muchos especialistas para obtener un resultado mayor. Cuando se orquestan como un sistema, estos agentes planifican, razonan y actúan para alcanzar objetivos, ajustándose a medida que cambian las condiciones. Fundamentalmente, pueden operar en aplicaciones y fuentes de datos fragmentadas sin forzar todo en un sistema central. Guiada por la supervisión humana, la IA agentica se convierte en una capa inteligente que vincula procesos dispersos y corta a través de silos en un flujo más fluido.

Al hacerlo, la IA agentica marca una evolución significativa en la automatización inteligente. Si bien la automatización tradicional, incluida la automatización robótica de procesos (RPA) y los sistemas basados ​​en reglas, es potente para tareas repetitivas basadas en reglas, no puede manejar las interacciones de ida y vuelta que requieren la mayoría de los flujos de trabajo reales. Cada excepción debe estar codificada y la automatización se interrumpe cuando los sistemas o procesos cambian. La IA agentica, por el contrario, está diseñada para ejecutar decisiones de forma autónoma para lograr objetivos o resultados generales. Es similar a cómo un chatbot de IA generativa como ChatGPT o Gemini toma la solicitud ingresada por el usuario (el objetivo) y genera su respuesta de forma autónoma, no prescriptiva. Construida sobre los mismos tipos de grandes modelos de lenguaje, la IA agentica está inherentemente orientada a los resultados, no a las tareas.

La implementación de IA agentic en operaciones de RR. por parte de Hitachi Digital, una unidad de Hitachi que se centra en proporcionar soluciones digitales e impulsadas por IA a clientes que buscan transformaciones digitales, ilustra cómo funcionan estos sistemas. (Hitachi Digital es cliente de Ema, que vende una plataforma de software de IA agentic para llevar a cabo flujos de trabajo empresariales. Surojit cofundó Ema, y ​​dos de nosotros, Linda y Vivian, le servimos como asesores). Cada año, los empleados plantean más de 90.000 preguntas sobre todo, desde políticas de viajes y trabajo remoto hasta formación y soporte de TI, al equipo de RR. de la empresa, compuesto por 120 respondedores humanos. Responder a estas consultas puede ser difícil, en parte debido a la compleja infraestructura de Hitachi de más de 20 sistemas de registro, incluidos múltiples sistemas de RR. dispares, varios proveedores de nóminas y diferentes entornos de TI. En lugar de migrar toda la empresa a un sistema común, Hitachi decidió crear un flujo de trabajo agentic. El objetivo de esta implementación de IA agentic era funcionar como un sistema de gestión de casos y conocimientos. “Skye”, el agente de inteligencia artificial de RR. HH. de Hitachi, fue diseñado para actuar como el primero en responder a las consultas de los empleados.

Este es el flujo de trabajo de la IA de Agentic: Una consulta de un empleado a Skye activa el sistema de IA de Agentic, que envía la solicitud específica del empleado a un agente clasificador de intenciones. Su función es dirigir la consulta al agente de IA correspondiente.

Por ejemplo, el agente clasificador de intenciones envía una pregunta sencilla sobre políticas, como " ¿Cuáles son los gastos permitidos para viajar al extranjero?" o " ¿Estas vacaciones cuentan como tiempo libre remunerado?", a un agente de búsqueda y respuesta de archivos, que proporciona respuestas inmediatas examinando la base de conocimiento adecuada según el puesto y la organización del empleado. Un agente de generación de documentos puede crear cartas de verificación de empleados (que verifican la situación laboral de las personas) en segundos, con la opción de aprobación manual. Cuando un empleado solicita vacaciones, el agente de gestión de permisos utiliza el sistema de gestión de RR. HH. adecuado, basándose en su conocimiento de la identidad del usuario, completa los formularios necesarios, espera la aprobación del gerente del empleado y le informa al respecto.

Este sistema de IA con agentes también puede abordar preguntas que requieren información externa a RR. HH. Un empleado que busca la aprobación de TI para descargar un software se dirige a un agente de soporte técnico de TI, que genera un ticket en el sistema de gestión de servicios de TI correspondiente, espera la respuesta y, a continuación, responde al empleado. El agente de nóminas gestiona una consulta sobre nóminas. La coordinación entre estos agentes convierte lo que antes era un laberinto de sistemas en una experiencia fluida para los empleados.

Cómo la IA agente pasa de las tareas a los resultados

Para Hitachi Digital, la capacidad de acceder a la información de las diversas divisiones de la organización y de las diferentes tecnologías es, en sí misma, una gran ventaja. Mejor aún, al permitir que el departamento de nómina o TI cree sus propios agentes capaces de resolver problemas automáticamente, el éxito se define como resultados alcanzados, en lugar de tareas completadas o tickets cerrados.

Considere la implementación más utilizada de IA generativa: los chatbots para atención al cliente. La mayoría de las empresas tienen miles o más de transcripciones de estas interacciones con los clientes. La IA agenética hace más que resolver una sola queja de un cliente a la vez. Puede revisar todas las conversaciones, detectar problemas recurrentes y actuar para eliminarlos. Si un transportista en particular se retrasa constantemente, el sistema puede identificar el patrón, derivar a alternativas y monitorear el rendimiento. Si un error de configuración en el software de seguimiento está causando errores, los agentes pueden escalar una solución: por ejemplo, iniciar una solicitud de cambio, redactar el código necesario, probarlo y enviar el resultado para su aprobación. Lo que comienza como soluciones más rápidas se convierte en una columna vertebral de control de calidad y retroalimentación del producto que anticipa los problemas antes de que surjan, fortaleciendo toda la experiencia del cliente.

Esta progresión —desde soluciones rápidas hasta prevención y fiabilidad sistémica— muestra el potencial de la IA agencial. Lograrla requiere repensar la estructura y la dirección de las organizaciones para que los agentes puedan orquestarse en torno a resultados, no solo a tareas. Hemos descubierto que existen tres imperativos esenciales.

1. Diseñar en torno a los resultados y designar propietarios de la misión responsables.

La estructura organizativa de la mayoría de las empresas aún se basa en estructuras funcionales internas, no en las necesidades del cliente. Marketing responde a la marca. Datos responde a TI. Facturación responde a finanzas. Pero los clientes no experimentan a las empresas de esta manera. Para los clientes, el mejor resultado no son soluciones más rápidas; son menos problemas. Esperan que las empresas anticipen los problemas, los resuelvan de raíz e innoven continuamente para que la experiencia funcione de manera fluida (o incluso agradable) en todas las funciones. Esto requiere un nuevo tipo de pensamiento. Para diseñar en torno a los resultados con IA agencial, cada viaje importante necesita un propietario de la misión : alguien que define la misión, dirige tanto a los humanos como a los agentes de IA y es dueño del resultado. A veces es un gerente de producto o propietario del viaje responsable de supervisar y optimizar la experiencia completa del cliente (o usuario); otras veces, requiere nombrar a alguien con autoridad y visibilidad multifuncionales.

En Ema, no existe un reclutador en el sentido tradicional. En cambio, un responsable de la misión para contrataciones productivas es responsable de todo el proceso (búsqueda, configuración de TI, cumplimiento normativo, capacitación, presentaciones del equipo y evaluaciones iniciales de desempeño) hasta que el nuevo empleado contribuya plenamente. Los agentes de IA gestionan y escalan tareas a lo largo del proceso, mientras que el éxito se mide mediante un KPI preciso: "tiempo hasta el primer compromiso" o la rapidez con la que los ingenieros entregan código real.

En NTT DATA, empresa global de TI y servicios empresariales que forma parte del Grupo NTT y es cliente de Ema, Edoardo Tealdi, vicepresidente de transformación de IA, recibió un mandato claro de la dirección para explorar cómo la IA generativa y la IA agéntica podrían impulsar el crecimiento de las empresas norteamericanas. En lugar de buscar aplicaciones obvias como los chatbots, su equipo y él eligieron como misión aplicar la IA agéntica al proceso de respuesta a las solicitudes de propuesta (RFP). Responder a las RFP, un proceso manual, repetitivo y lento, es uno de los pasos más críticos en el proceso de venta para convertir clientes potenciales cualificados en clientes. El equipo estimó que el 70 % del tiempo y los costes podrían eliminarse si los agentes de IA recopilaran información de diversos repositorios dentro de la empresa y de internet. Una vez implementado el sistema de IA agéntica, una tarea que antes llevaba semanas y requería 20 personas fue sustituida por agentes de IA que redactaban propuestas complejas de más de 300 páginas en minutos. El equipo humano refinó las secciones de forma colaborativa, pero los agentes de IA se encargaron de las tareas más laboriosas. En torno a estos resultados, el esfuerzo combinado de inteligencia artificial y agentes humanos en NTT DATA mejoró la eficiencia más del triple.

2. Desbloquee los silos de datos y aclare la lógica empresarial.

Muchas empresas asumen que la IA requiere datos prístinos y centralizados. No es así. Los agentes de IA pueden operar en sistemas existentes, a menudo aislados, sin necesidad de una única fuente de información. Es decir, el uso de agentes de IA elimina la necesidad de que las organizaciones realicen la difícil tarea de centralizar, estandarizar y consolidar múltiples sistemas en un único conjunto de datos de referencia.

Para que las aplicaciones multiagente funcionen de forma fiable y a escala, las organizaciones deben invertir en la interoperabilidad de los datos a nivel semántico (es decir, significado y contexto) y operativo (es decir, la capacidad de diversos sistemas, aplicaciones y dispositivos para acceder, intercambiar y utilizar datos de forma fluida y segura para respaldar los procesos empresariales diarios). Sin embargo, no se requieren diccionarios de datos comunes unificados (un repositorio centralizado y estandarizado de metadatos que define los elementos de datos, su significado, relaciones y uso en diferentes sistemas o en toda la organización) ni modelos de datos comunes. Liberada de estas limitaciones, la IA agéntica ofrece nuevas esperanzas a los líderes de organizaciones atrapadas en estructuras heredadas y silos organizativos agobiantes.

Los agentes de IA pueden gestionar silos de datos siempre que cuenten con una lógica de negocio compartida claramente definida y los datos contextuales adecuados mediante interfaces de programación de aplicaciones (API) y metadatos. Gracias a esto, el agente clasificador de intenciones de Hitachi sabe con precisión dónde dirigir cada tipo de consulta, y el agente de soporte técnico de TI sabe a qué API del software de gestión de servicios de TI llamar. En resumen, para implementar la IA agéntica, las empresas necesitan codificar cómo se realiza el trabajo: cómo se toman las decisiones, qué es lo bueno y cómo los clientes y empleados avanzan por los recorridos clave. Una vez definida, la IA agéntica puede tomar flujos de trabajo establecidos y adaptarlos a las variaciones. Cuanto más complejos sean los flujos de trabajo, mayor será su valor.

Tomemos como ejemplo Bigblue, una empresa europea de logística en rápido crecimiento que gestiona millones de envíos para sus clientes de comercio electrónico directo al consumidor. Su plataforma de cumplimiento de pedidos utiliza IA agentic para ofrecer un resultado diferenciado al cliente: una resolución ágil y precisa de problemas complejos de envío. Para implementar la IA agentic, Bigblue, cliente de Ema, partió de un punto de partida aparentemente simple: "¿ Dónde está mi pedido?", el proceso de encontrar un artículo que podría estar retrasado en un almacén, en tránsito o extraviado. Los agentes de IA fueron capacitados para verificar los sistemas relevantes, interactuar con las partes interesadas internas y externas adecuadas, mantener a los clientes informados (con empatía) y resolver los problemas de forma autónoma, ya sea reordenando los artículos, ofreciendo al cliente un reembolso o crédito, o escalando el problema al transportista externo en cuestión.

Profundizar en un caso de uso específico desde el principio ofreció lecciones importantes que fundamentaron el resto de la implementación de IA, para la cual Bigblue mapeó flujos de trabajo para la logística de sus más de 50 transportistas externos, más de 500 marcas de comercio electrónico y minoristas, y numerosos almacenes. Al definir las experiencias de los clientes entre estos actores, tradujo la compleja logística de cumplimiento, envíos a múltiples transportistas y resolución de problemas en un conjunto estructurado de instrucciones y acciones en lenguaje natural que los agentes de IA podían ejecutar de forma autónoma. Basándose en datos de tickets de soporte, procedimientos operativos estándar, API y sistemas internos, estos agentes gestionan el 70 % de los tickets elegibles sin intervención humana, con un menor coste, una resolución más rápida y una mayor satisfacción del cliente.

El mapeo de flujos de trabajo para la implementación de IA agéntica suele revelar debilidades en la gestión de datos y conocimiento existentes. Por ejemplo, los datos clave están desactualizados o faltan porque el conocimiento necesario y la valiosa información de metanivel residen únicamente en la mente de individuos específicos y no en repositorios de acceso universal. Un enfoque disciplinado para garantizar la precisión de los datos y crear una base de conocimiento actualizada no solo mejora el rendimiento de la IA agéntica, sino que también fortalece la fiabilidad de la información en toda la organización.

3. Desarrollar los líderes y las barreras que requieren los sistemas inteligentes.

Estos cambios estructurales no tendrán éxito sin líderes que puedan implementar de manera eficaz una estrategia sólida de gestión del cambio y gestionar la transformación de la IA con agentes de manera decidida.

Para empezar, las organizaciones necesitan una alfabetización en IA con agentes en todos los niveles para que los empleados comprendan a sus compañeros digitales, cómo razonan y cuándo se requiere supervisión. Igualmente importante es que los líderes aborden los miedos y las ideas erróneas.

La directora de recursos humanos de Hitachi Digital, Amee Desjourdy, inició su trayectoria profesional compartiendo demostraciones de IA agentic con sus equipos, diferenciándola de los chatbots y ayudando a desmitificar la tecnología. Involucró a los empleados en el proceso de desarrollo y adopción desde el principio. Recabó ideas de su equipo de RR. HH., de 300 personas, sobre posibles casos de uso de IA agentic y recibió más de 100 sugerencias. Posteriormente, los empleados también participaron en el proceso de evaluación para la selección de proveedores.

Durante la implementación, los gerentes enfatizaron que la IA agentic permitiría a los empleados de RR. HH. pasar de tareas rutinarias a trabajos más sofisticados y significativos, asumir funciones generalistas más amplias y mejorar la precisión y el rendimiento general. Sus objetivos eran ayudar a los empleados a ver a los agentes digitales como compañeros de equipo y preparar a la institución para crecer con propósito: lograr un crecimiento empresarial sostenible e intencional, basando todas las decisiones de expansión en la misión y los valores fundamentales de la empresa.

Para generar confianza y administrar responsablemente, la gobernanza también debe integrarse en el diseño de estos sistemas, con las medidas de seguridad adecuadas. Antes de liderar las implementaciones de IA agéntica, Tealdi de NTT DATA ayudó a establecer el sistema de gobernanza de IA generativa de la empresa. Ha aplicado las mismas lecciones a la IA agéntica: crear flujos de procesos claros para la automatización y el análisis; colaborar con los equipos de TI, legal y seguridad para definir los criterios de aprobación; integrar las restricciones de las políticas en el comportamiento de los agentes; establecer rutas de escalamiento claras que describan cómo se elevan los problemas a través de la jerarquía de la organización; y realizar monitoreo en tiempo real con lógica auditable y registros rastreables para monitorear el rendimiento de los agentes.

Finalmente, estos cambios estructurales no tendrán éxito a menos que los líderes se sientan cómodos delegando en sistemas que no pueden controlar completamente. Para que se sientan así, deben tener la certeza de que cada flujo de trabajo agéntico codifica los valores de liderazgo: qué resultados prioriza, cómo gestiona las excepciones y a qué necesidades atiende.

La gestión de la IA agente a gran escala requiere esta distribución de responsabilidades: administradores de sistemas con controles claros, profesionales de TI que gestionan la seguridad y el manejo de datos, y equipos de primera línea capacitados para intervenir cuando los resultados difieren de la intención. Si se implementa correctamente, este equilibrio entre autonomía y supervisión convierte la gestión en un facilitador de la escala, no en un freno para el progreso.

Empezando

Para quienes sienten curiosidad por la IA con agentes pero no saben por dónde empezar, sugerimos comenzar con una experiencia de cliente con alta fricción, donde los resultados importan, pero las transferencias ralentizan el proceso. Reformúlelo como una misión. Asigne un responsable de la misión con autoridad para alinear equipos, acceder a datos interfuncionales e implementar agentes. Defina los resultados deseados para el sistema humano-agente, mapee los flujos de trabajo y clarifique la lógica de negocio en cada paso. Los datos no necesitan ser perfectos, pero deben ser accesibles y lo suficientemente oportunos para que los agentes de IA puedan actuar. Aplique principios de gobernanza sólidos y monitoree en tiempo real.

Hay mucho en juego. Las organizaciones que se tomen en serio estas primeras misiones y se reestructuren con éxito en torno a los resultados no solo generarán mejores experiencias para el cliente, ciclos de negocio más rápidos y nuevas formas de valor; también sentarán las bases del modelo operativo del futuro.

Lea más sobre IA y aprendizaje automático o temas relacionados : Transformación organizacional, Transformación digital, Tecnología y análisis, IA generativa, Análisis y ciencia de datos y Automatización.

Linda Mantia es directora corporativa de varias empresas y anteriormente se desempeñó como directora de operaciones de Manulife y como vicepresidenta ejecutiva del Royal Bank of Canada.

Surojit Chatterjee es el fundador y director ejecutivo de Ema, proveedor de una plataforma de IA con agentes para la gestión de flujos de trabajo empresariales. Fue director de producto de Coinbase y vicepresidente de Google, donde dirigió y expandió Google Shopping.

Dra. Vivian S. Lee es investigadora ejecutiva de la Escuela de Negocios de Harvard y profesora titular de la Escuela de Medicina de Harvard. Fue presidenta de Verily Health Platforms en Alphabet, exdirectora ejecutiva de University of Utah Health y autora de The Long Fix: Resolviendo la crisis de la atención médica en Estados Unidos con estrategias que funcionan para todos (WW Norton, 2020).