- Los "agentes de IA" han evolucionado rápidamente de experimentos tecnológicos a algo mainstream durante los últimos 18 meses, y los primeros usuarios reportan resultados sorprendentes como reducción de costos, ahorro de tiempo y mejoras de productividad
- Esta innovación ofrece un cambio fundamental en la automatización de tareas complejas, pero todavía existen limitaciones, desafíos y preguntas sin resolver
¿Qué es un agente de IA?
- Un agente de IA es un sistema de software que usa herramientas, memoria y otros sistemas de IA para planificar, coordinar y ejecutar tareas complejas
- Funciona de una manera similar a la de los humanos: establece una meta y la divide en pasos pequeños para lograrla
- Gracias a los avances en los modelos de lenguaje grandes (LLMs) y la IA generativa (gen AI), puede aprovechar inteligencia, herramientas y memoria para alcanzar objetivos mediante planificación, ejecución, evaluación e iteración
Un sistema simple de agentes de IA
- La pregunta de un amigo: "¿Se podría hacer una app que ofrezca los vuelos más baratos a destinos con el clima ideal?"
- Esto también se puede hacer con código tradicional, pero los agentes de IA ofrecen un enfoque más interesante usando lenguaje natural
- Ejemplo de recomendación de viajes con lenguaje natural:
- Recopilar las preferencias del usuario: el usuario ingresa en lenguaje natural sus preferencias de clima y su lugar de salida. El LLM interpreta la entrada, identifica las herramientas necesarias y decide cómo realizar la tarea
- Encontrar destinos: usar la herramienta "find_destinations" para buscar destinos que coincidan con las preferencias, basándose en datos climáticos de 200 ciudades durante los últimos 12 meses
- Buscar vuelos: consultar los datos de vuelos y la información de precios de los destinos
- Generar la recomendación: combinar los datos de los pasos 2 y 3 para producir la recomendación final en lenguaje natural
Sistemas avanzados de agentes de IA
- Gracias a LLMs más potentes, los agentes de IA también pueden encargarse de tareas más complejas
- Casos de uso principales:
- Desarrollo de software: agentes de IA que construyen y mantienen software. Devin, Cursor, Replit, GitHub Copilot (ahora con 1.8 millones de suscriptores), etc.
- Servicio al cliente: agentes de IA que atienden solicitudes de clientes. Klarna AI reemplaza el trabajo de 700 empleados y ahorró $40m en costos en 2024
- Ventas y marketing: agentes de IA que automatizan la prospección comercial y el marketing. El marketing con IA generativa de KFC y Taco Bell aumentó el engagement del consumidor en dos dígitos
Áreas de oportunidad
- Diversas startups están desarrollando productos innovadores usando agentes de IA
- Ejemplos de aplicaciones:
- Salud: OpenClinic – un sistema que apoya a los médicos
- Entrenamiento de robots: innate – una plataforma para entrenar robots
- Asistente personal: Khoj – funciona como un segundo cerebro para el usuario
- Diseño de interiores: Rastro – actúa como un diseñador de interiores personalizado
- Caso de éxito: HappyRobot
- Automatiza llamadas telefónicas y comunicaciones en empresas logísticas
- Tiene más de 50 clientes y ya está generando beneficios visibles. El tiempo promedio de llamada se redujo 50% y los costos operativos bajaron a 1/3
- Ejemplos de tooling
- Construcción de agentes sin código: Gumloop – crea agentes de IA sin escribir código
- Sistema de pagos por teléfono: Protegee – permite pagos telefónicos seguros mediante agentes
- Pruebas de seguridad: usar agentes de IA de "red team" para hacer pruebas automáticas de estrés sobre la seguridad y la alineación de un sistema
Limitaciones actuales
- Aunque hay mucha expectativa alrededor de los agentes de IA, es importante reconocer sus limitaciones actuales y establecer expectativas realistas
- Algunos problemas podrían resolverse en el futuro cercano, pero también es posible que persistan a largo plazo
- Limitaciones técnicas: problemas de confiabilidad de los LLM, dificultad para planificar metas largas y posibilidad de acumulación de errores
- Los modelos de lenguaje grandes (LLMs), que son el cerebro de los agentes de IA, tienen problemas de confiabilidad
- Fenómeno de "alucinación (hallucination)": generan información que no es real
- Falta de capacidad para planificar y razonar sobre objetivos de largo plazo
- Existe el riesgo de que los errores se acumulen al encadenar múltiples tareas
- Ejemplo: un proceso de 10 pasos con una precisión de 90% por paso termina con una confiabilidad final de solo 35% (90%^10)
- Desafíos operativos: problemas de integración de datos y seguridad, y dificultad para manejar información sensible
- La interacción con otros softwares, el manejo de información sensible y las decisiones autónomas (por ejemplo, ejecutar pagos) implican requisitos altos de integración y seguridad
- Problemas de privacidad y seguridad de los datos
- La estructura de conexiones y las salvaguardas para soportar estos sistemas todavía son insuficientes
- Confianza social: la falta de confianza y efectos como la reducción de empleos podrían retrasar su adopción a gran escala
- Se espera que tome tiempo para que la sociedad en general confíe en los agentes de IA y los adopte masivamente
- Además de los problemas de confiabilidad y seguridad, existe preocupación por la pérdida de empleos y la disrupción en la forma de trabajar causada por la IA
- Incluso si la automatización total es posible en algunas áreas, eso no necesariamente significa que sea deseable
Preguntas abiertas
- Los agentes de IA tienen el potencial de transformar la economía, pero a medida que estos sistemas se vuelvan más inteligentes y más usados, surgirán varias preguntas aún no resueltas
- Preguntas técnicas
- ¿El futuro estará centrado en agentes de IA especializados en dominios concretos, o serán posibles sistemas de agentes generales de alto rendimiento?
- ¿Seguiremos usando LLMs con naturaleza probabilística, o se necesitarán sistemas de planificación más deterministas?
- ¿Qué criterios deberían usarse para evaluar el desempeño? ¿Un estándar equivalente al humano o superior?
- Impacto en las personas y el trabajo
- ¿Cuánta intervención humana será necesaria y en qué puntos dejará de ser importante?
- ¿Cuál será el impacto de los agentes de IA en el empleo y en el mercado laboral global?
- Modelos de negocio y cuestiones comerciales
- ¿Cómo debería fijarse el precio de los productos de agentes de IA? ¿Por unidad de trabajo, por tiempo o por valor generado?
- ¿Qué tipos de trabajo creativo, antes imposibles, podrían hacerse con agentes de IA?
- Ejemplo: hacer posible lo que un humano no podía hacer, como sintetizar miles de reseñas de productos usando un sistema de agentes
- Regulación y gestión de riesgos
- ¿Cómo deberían regularse los sistemas de agentes? ¿Cómo se resolverán los problemas de privacidad y seguridad?
- Si un sistema de agentes falla y causa daños, ¿quién es responsable?
- Además de estas, hay muchas más preguntas por explorar
- Ahora es momento de probar la tecnología directamente
- Se recomienda imaginar de forma concreta el futuro, distinguiendo entre el hype y la realidad, y explorar cómo los agentes de IA pueden mejorar el trabajo y el tiempo libre
1 comentarios
Últimamente realmente se está hablando mucho sobre los agentes de IA.