El Dr. Philipp Herzig, Chief Technology Officer de 麻豆原创, explica por qu茅 la IA agentiva nos llevar谩 a la pr贸xima era de productividad empresarial.
Desglosar una tarea compleja en componentes, cada uno asignado a diferentes especialistas o equipos, no es nada nuevo. Esta inteligente divisi贸n del trabajo ha sobrecargado las industrias desde principios del siglo XX, desde la fabricaci贸n automotriz de Ford hasta la comida r谩pida y el desarrollo de software.
La especializaci贸n aporta una mayor eficiencia e innovaci贸n a medida que cada especialista completa su parte antes de entregar la tarea a otro. Sin embargo, puede ser un desaf铆o lograr todos los beneficios cuando los silos departamentales y los datos dispersos dificultan la colaboraci贸n. Las organizaciones tambi茅n deben superar la escasez de talento o las brechas entre los puestos y los trabajadores disponibles a la hora de cubrir los roles de especialistas.
La est谩 dise帽ada para transformar lo que se puede lograr a trav茅s de la especializaci贸n, y de la misma manera busca cambiar la forma en que los humanos interact煤an y trabajan con inteligencia artificial. Los agentes de IA colaborativa que trabajan de manera aut贸noma en todas las funciones de negocio impulsar谩n nuevos niveles de productividad. Los que la IA agentiva en las aplicaciones de software empresarial crecer谩 de menos del 1% en 2024 al 33% en 2028, habilitando soluciones aut贸nomas para el 15% de las decisiones de trabajo diarias.
Obtener los beneficios de la IA agentiva
Una de las caracter铆sticas que definen la IA agentiva es la proactividad. Los agentes pueden realizar tareas de forma aut贸noma con flujos de trabajo auto concebidos de varios pasos. Por ejemplo, un agente especializado en el comercio minorista podr铆a reorganizar las entregas de pedidos sin intervenci贸n humana en casos como retrasos por causas clim谩ticas o por la escasez de materiales. El agente puede decidir si proceder con el env铆o, investigar m谩s o validar datos antes de continuar hacia su objetivo. Los agentes que trabajan 24/7 reaccionando a los eventos se adaptar谩n y desarrollar谩n nuevos enfoques o estrategias si las circunstancias cambian.
Si esto suena como si fuera usted el que esta razonando, es porque lo es. Asegurarse de que un agente de IA pueda razonar requiere contexto. Esto le permite tener en cuenta m谩s variables al tomar decisiones. Los datos proporcionan contexto y una comprensi贸n de su negocio: si desea que los agentes de IA trabajen con los datos m谩s recientes de toda la empresa, necesitan acceso a ellos. Los agentes que trabajan en silos de datos crear谩n un progreso espec铆fico del dominio, pero no lograr谩n impulsar el impacto en toda la empresa.
Los metadatos (el qui茅n, qu茅 y cu谩ndo) ayudan a un agente a determinar si se deben tener en cuenta los datos, si est谩n obsoletos o son irrelevantes y deben ignorarse. Los gr谩ficos de conocimiento unen todo exponiendo los metadatos, haciendo que las relaciones entre la informaci贸n sean accesibles. De este modo, un agente de IA que resuelve una disputa de pago conoce las relaciones entre el proveedor y el comprador, las 贸rdenes de compra, etc. Los gr谩ficos de conocimiento tambi茅n proporcionan una base para los datos y el razonamiento del agente de IA conect谩ndolos con hechos del mundo real. Los agentes minoristas necesitan datos conectados al contexto del mundo real para sugerir productos a los clientes basados, por ejemplo, en el historial de compras y la demograf铆a.
Los agentes tambi茅n necesitan una forma de comprender c贸mo dependen entre s铆 los diferentes fragmentos de informaci贸n, de modo que puedan considerar el contexto m谩s amplio de una tarea m谩s all谩 de un componente espec铆fico. Esto se transmite a trav茅s de un gr谩fico de conocimiento que captura esquemas de procesos, como un manual para agentes de IA. Si reserva unas vacaciones, los agentes solicitar谩n el destino y las fechas antes de que el gr谩fico lo dirija a la reserva de vuelos y hoteles.
Esta forma estructurada de derivar nueva informaci贸n y hacer conexiones l贸gicas ayudar谩 a los agentes de IA a razonar y sacar conclusiones. Los gr谩ficos de conocimiento tambi茅n ofrecen el beneficio de la escala. Anote esto solo una vez; no tendr谩 que rehacerlo para cada agente nuevo.
El recorrido multi-agente
Los beneficios de incorporar IA no agentiva en toda la cadena de suministro ya han causado asombro entre los distribuidores 鈥攐freciendo reducciones en los niveles de inventario, costos log铆sticos y gastos de compras鈥�. La IA agentiva construir谩 sobre estos beneficios. T茅cnicas como el razonamiento de varios pasos y la capacidad de ejecutar tareas de forma aut贸noma hacen que la IA agentiva sea perfecta para campos din谩micos como las cadenas de suministro, permitiendo que tareas consideradas demasiado intrincadas, complejas, o con demasiados pasos interdependientes puedan automatizarse. La IA no agentiva puede utilizar datos hist贸ricos para reordenar el inventario, lo que podr铆a provocar un exceso o faltas de inventario cuando se producen picos inesperados. La IA agentiva, por el contrario, puede analizar continuamente una amplia gama de entradas de datos para prevenir la demanda en tiempo real, mientras colabora con otros agentes para optimizar la log铆stica o ajustar los turnos de los empleados.
Esta capacidad de colaborar y unir especializaciones ofrece beneficios que no est谩n disponibles para sistemas aislados. Toma como ejemplo la interacci贸n entre fabricantes, servicio al cliente y la cadena de suministro. Para que las organizaciones manufactureras proyecten costos con precisi贸n, necesitan entender la cadena de suministro. Los proveedores, los costos de materiales y el transporte afectan los precios de fabricaci贸n. Los agentes de IA pueden considerar todo esto en tiempo real, mientras que los datos de los sensores de las m谩quinas y los componentes ayudan a predecir la escala de tiempo de las reparaciones y las interrupciones de la producci贸n. Pasar toda esta informaci贸n a los agentes de servicio al cliente les permite ponerse en contacto proactivamente con los clientes sobre el estado de entrega, informarles si hay alg煤n retraso y ofrecerles una bonificaci贸n para mantenerlos contentos.
驴D贸nde estamos ahora?
La IA agentiva a煤n se est谩 desarrollando y, a pesar de su potencial, hay desaf铆os. Los agentes de IA son tan poderosos como los datos en los que se basan, por lo que las organizaciones deben garantizar que tengan acceso a datos unificados de alta calidad. Los agentes que operan de forma aislada son incapaces de colaborar o de fomentar la productividad interempresarial.
El establecimiento de objetivos pr谩cticos sigue siendo tan crucial para la IA agentiva como para la fuerza laboral tradicional. Debes considerar qu茅 objetivos estableces para los agentes y bajo qu茅 condiciones pueden determinar sus propios objetivos antes de la intervenci贸n humana. Los agentes pueden cometer errores, especialmente a medida que aprenden. Contar con barandillas o barreras de protecci贸n puede ayudar a mitigar los riesgos.
La promesa de la inteligencia artificial agentiva, que act煤a de forma independiente para simplificar tareas complejas y rutinarias puede parecer ciencia ficci贸n. Sin embargo, si se implementa correctamente, los beneficios no estar谩n muy lejos, transformando la ficci贸n en realidad.