Philipp Herzig, Chief Artificial Intelligence Officer en SAP.
Desglosar una tarea compleja en componentes, cada uno de ellos asignado a diferentes especialistas o equipos, no es nada nuevo. Esta inteligente división del trabajo ha sobrecargado las industrias desde principios del siglo XX, desde la fabricación de automóviles de Ford hasta la comida rápida y el desarrollo de software.
La especialización aporta una mayor eficiencia e innovación a medida que cada especialista completa su parte antes de ceder la tarea a otro. Sin embargo, puede resultar difícil aprovechar todas sus ventajas cuando los silos departamentales y la dispersión de datos dificultan la colaboración. A la hora de cubrir puestos especializados, las organizaciones también deben superar la escasez de personal cualificado o el desfase entre las funciones y los trabajadores disponibles.
La IA agentiva está diseñada para transformar lo que se puede lograr a través de la especialización, así como a cambiar la forma en que los seres humanos interactúan y trabajan con la inteligencia artificial. Los agentes de IA colaborativa que trabajan de manera autónoma en todas las funciones de negocio impulsarán nuevos niveles de productividad. Los analistas estiman que la IA agentiva en las aplicaciones de software empresarial crecerá de menos del 1% en 2024 al 33% en 2028, habilitando soluciones autónomas para el 15% de las decisiones de trabajo diarias.
Obtener los beneficios de la IA agentiva
Una de las características que definen la IA agentiva es la proactividad. Los agentes pueden realizar tareas de forma autónoma con flujos de trabajo auto concebidos en varios pasos. Por ejemplo, un agente especializado en el comercio minorista podría reorganizar las entregas de pedidos sin intervención humana en casos como retrasos por causas climáticas o por la escasez de materiales. El agente puede decidir si sigue adelante con el envío, investiga más o valida los datos antes de continuar hacia su objetivo. Los agentes que trabajan 24/7 reaccionando a los acontecimientos se adaptarán y desarrollarán nuevos enfoques o estrategias si las circunstancias cambian.
Efectivamente, este razonamiento es el que seguiría cualquier ser humano. Asegurarse de que un agente de IA pueda razonar requiere contexto. Esto le permite tener en cuenta más variables a la hora de tomar decisiones. Los datos proporcionan contexto y una comprensión del negocio: si queremos que los agentes de IA trabajen con los datos más recientes de toda la empresa, necesitan tener acceso a ellos. Los agentes que trabajan en silos de datos crearán un progreso específico para cada área, pero no lograrán impulsar el impacto en toda la empresa.
Los metadatos -el quién, qué y cuándo- ayudan a un agente a determinar si se deben tener en cuenta los datos, o si están obsoletos o son irrelevantes y deben ignorarse. Los gráficos de conocimiento unen todo mediante la exposición de metadatos, haciendo que las relaciones entre la información sean accesibles. De este modo, un agente de IA que resuelve una discrepancia sobre un pago conoce las relaciones entre el proveedor y el comprador, las órdenes de compra, etc. Los gráficos de conocimiento también proporcionan una base para los datos y el razonamiento del agente de IA conectándolos con hechos del mundo real. Los agentes del comercio minorista necesitan datos conectados al contexto del mundo real para sugerir a los clientes productos basándose, por ejemplo, en el historial de compra y en los datos demográficos.
Los agentes también necesitan una forma de entender cómo dependen entre sí las diferentes piezas de información, de modo que puedan considerar el contexto más amplio de una tarea más allá de un componente específico. Esto se transmite a través de un gráfico de conocimiento que recoge las líneas generales del proceso, como un manual para agentes de IA. Si se reservan unas vacaciones, los agentes solicitarán el destino y las fechas antes de que el gráfico les indique la reserva de vuelos y hoteles.
Esta forma estructurada de inferir nueva información y establecer conexiones lógicas ayudará a los agentes de IA a razonar y extraer conclusiones. Los gráficos de conocimiento también ofrecen la ventaja de la escala. Sólo hay que escribirlo una vez; no habrá que reconstruirlo para cada nuevo agente.
El viaje multiagente
Los beneficios de incorporar IA no agentiva en toda la cadena de suministro ya han resultado asombrosos para los distribuidores —reduce los niveles de inventario, costes logísticos y el gasto en compras—. La IA agentiva se basará en estas ventajas. Técnicas como el razonamiento en varios pasos y la capacidad de ejecutar tareas de forma autónoma hacen que la IA agentiva sea perfecta para campos dinámicos como las cadenas de suministro, permitiendo automatizar tareas consideradas demasiado intrincadas o con demasiados pasos interdependientes.
La IA no agentiva puede utilizar datos históricos para reordenar el inventario, lo que podría provocar un exceso de existencias o desabastecimientos cuando se producen picos inesperados. La IA agentiva, por el contrario, puede analizar continuamente una amplia gama de entradas de datos para ajustar las previsiones de demanda en tiempo real, mientras colabora con otros agentes para optimizar la logística o ajustar los turnos de los empleados.
Esta capacidad de colaborar y unir especializaciones ofrece beneficios que no están al alcance de los sistemas aislados. Por ejemplo, la interacción entre fabricantes, servicio al cliente y la cadena de suministro. Para que las organizaciones dedicadas a la fabricación puedan prever los costes con exactitud, necesitan entender la cadena de suministro. Los proveedores, el coste de los materiales y el transporte influyen en los precios de fabricación.
Los agentes de IA pueden considerar todo esto en tiempo real, mientras que los datos de los sensores de las máquinas y los componentes ayudan a predecir los plazos de las reparaciones y las interrupciones de la producción. Pasar toda esta información a los agentes de atención al cliente les permite ponerse en contacto proactivamente con los clientes sobre el estado de entrega, informarles si hay algún retraso y ofrecerles una bonificación para mantenerlos contentos.
¿Dónde estamos ahora?
La IA agentiva aún se está desarrollando y, a pesar de su potencial, presenta desafíos. Los agentes de IA son tan potentes 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 entre empresas.
El establecimiento de objetivos prácticos sigue siendo tan crucial para la IA agentiva como para una plantilla tradicional. Hay que considerar qué objetivos se fijan a los agentes y en qué condiciones pueden determinar sus propios objetivos antes de la intervención humana. Los agentes pueden cometer errores, especialmente a medida que aprenden. Contar con barreras de protección puede ayudar a mitigar los riesgos.
La promesa de la inteligencia artificial agentiva, que actúa de forma independiente para simplificar tareas complejas y rutinarias puede parecer ciencia ficción. Sin embargo, si se implementa correctamente, los beneficios son una realidad no muy lejana, que transforman la ficción en realidad.
*** Philipp Herzig es Chief Artificial Intelligence Officer en SAP.