Cuando la gente piensa en IA generativa, muchos la imaginan funcionando como parte de un “sistema de interacción”: un agente de servicio al cliente, una herramienta de gestión de la cadena de suministro o una forma de interactuar de forma inteligente con los archivos PDF y otros datos patentados de una organización y buscarlos.  Esa es una visión precisa: durante el próximo año o dos, las aplicaciones que crean contenido de manera inteligente  seguirá siendo un foco principal de inteligencia artificial para las empresas.   Aprovechamiento de modelos lingüísticos de gran tamaño (LLM)  Pero tenga en cuenta lo siguiente: la mayor parte del código escrito en las empresas se encuentra dentro de los procesos comerciales, sistemas como la planificación de inventario, que se encuentran entre la capa de participación y los sistemas de registro más rígidos (los datos de una organización, etc.). ¿Cómo beneficiará GenAI a esa capa? ¿Cómo puede una organización mejorar sus procesos comerciales con esta tecnología omnipresente?   La IA con agentes es la respuesta. Si bien los agentes de IA están diseñados para realizar tareas específicas o automatizar tareas específicas, a menudo repetitivas (como actualizar su calendario), generalmente requieren la intervención humana. La IA con agentes se basa en la autonomía (piense en los autos que se conducen solos), y emplea un sistema de agentes para adaptarse constantemente a entornos dinámicos y crear, ejecutar y optimizar resultados de forma independiente.  Cuando la IA agente se aplica a los flujos de trabajo de procesos comerciales, puede reemplazar procesos comerciales frágiles y estáticos con sistemas de automatización dinámicos y conscientes del contexto.  Veamos por qué la integración de agentes de IA en arquitecturas empresariales marca un salto transformador en la forma en que las organizaciones abordan la automatización y los procesos comerciales, y qué tipo de plataforma se requiere para respaldar estos sistemas de automatización.  Qué están haciendo los agentes ahora  Cuando se proporciona contexto a un agente, este lo envía a un LLM y le pide que lo complete y responda. Los agentes de IA también pueden usar capacidades para completar tareas en nombre de los usuarios. Estos agentes de IA pueden realizar varias funciones clave guiadas por instrucciones e información derivada del contexto:  Uso de herramientas: el agente utiliza funciones externas, API o herramientas para ampliar sus capacidades y realizar tareas específicas. Esto puede incluir la llamada a funciones predefinidas o la interacción con servicios externos (como realizar solicitudes web mediante cURL o acceder a API RESTful) para obtener contexto o ejecutar acciones más allá de sus funcionalidades inherentes.    el agente evalúa la información disponible y selecciona la acción más adecuada para alcanzar sus objetivos. Esto implica analizar el contexto, sopesar los posibles resultados y elegir un curso de acción que se ajuste a los objetivos deseados. Toma de decisiones:    El agente formula una secuencia de acciones o estrategias para lograr un objetivo específico. Planificación:    el agente analiza el contexto disponible, saca conclusiones, predice los resultados de las acciones y toma decisiones informadas sobre los pasos óptimos a seguir para alcanzar el resultado deseado. Razonamiento:  Estos últimos tipos de funciones (toma de decisiones, planificación y razonamiento) a menudo implican que varios agentes trabajen juntos para alcanzar un objetivo. Los agentes podrían intentar perfeccionar el código generado para que sea correcto, debatir si una decisión de un agente es sesgada o planificar el uso de otras capacidades de un agente para completar una tarea.  Orquestando una red de agentes  Los modelos que impulsan las redes de agentes son esencialmente funciones sin estado que toman el contexto como entrada y generan una respuesta, por lo que es necesario algún tipo de marco para orquestarlos. Parte de esa orquestación podría consistir en simples mejoras (el modelo solicita más información). Esto podría sonar análogo a  – y debería, porque RAG es esencialmente una forma simplificada de arquitectura de agente: proporciona al modelo una única herramienta que le proporciona información adicional, a menudo de una base de datos vectorial.   Generación aumentada por recuperación (RAG)  Pero los marcos de modelos multiagencial llevan esto más allá: negocian solicitudes de información adicional o brindan una respuesta diseñada para ser enviada a otro agente para mejoras.   Un agente podría, por ejemplo, escribir algo en Python, mientras que otro lo revisa. O un agente podría expresar un objetivo o una idea, y luego el trabajo de un segundo agente podría ser dividirlo en un conjunto de tareas o revisar la idea para encontrar problemas que el primer agente pueda revisar y luego refinar la idea. Los resultados comienzan a mejorar cada vez más.  Bien, pero ¿cómo construyo una IA agente?  En un futuro cercano, muchos ingenieros de software se convertirán en autores de procesos agentes. Construirán estos procesos mezclando y combinando componentes: modelos, información de los usuarios, objetivos y servicios empresariales críticos.  Un ejemplo de uno de estos componentes es el stock en un sistema de gestión de inventario. ¿Qué sucedería si conectara ese sistema a un agente que pudiera ayudar a optimizar los niveles de inventario durante la temporada de fiestas? Con la ayuda de otro agente que haya realizado un análisis histórico de los niveles de inventario, podría asegurarse de que haya suficiente inventario para satisfacer la demanda estacional y, al mismo tiempo, dejar poco inventario después de la temporada alta de fiestas.  Esto podría decepcionar a los fervientes compradores de las rebajas posteriores a Navidad, pero también ayudaría a evitar que los minoristas vendieran sus productos con pérdidas.  Pero ¿cómo construirán los desarrolladores estos sistemas?  Por supuesto, los procesos agénticos se pueden expresar con código, pero también resulta útil visualizarlos como “flujos agénticos”: la salida de un agente se convierte en la entrada de otro agente, y así sucesivamente. Las herramientas disponibles en la actualidad ya están aportando mucho valor en este esfuerzo por simplificar la creación de sistemas agénticos. Una de esas soluciones es  , un constructor visual de bajo código para crear aplicaciones de IA con agentes y flujos de trabajo de IA complejos arrastrando y soltando diferentes componentes, sin necesidad de mucha codificación.    Flujo de lenguaje  Langflow permite a los desarrolladores definir cualquier cosa como herramienta, incluidos componentes como un mensaje, una fuente de datos, un modelo, API, herramientas o cualquier otro agente. Recientemente hemos visto una demanda significativa de creación de "flujos" con agentes, ya que los desarrolladores están creando muchas aplicaciones que incluyen varias capacidades multiagente: Los agentes son el tipo de componente más popular que los desarrolladores están insertando en los flujos con Langflow.  Concluyendo: De copiloto a piloto  Los flujos de trabajo de Agentic combinan datos empresariales, IA y API, y forman sistemas de automatización que permiten a los expertos en el sector ampliar sus capacidades y hacer que las empresas funcionen mejor a través de la IA. La integración de agentes de IA en arquitecturas empresariales marca un gran avance en la forma en que las organizaciones abordan la automatización y los procesos comerciales.  Estos agentes, potenciados por LLM y marcos de trabajo agentes, trascienden los límites tradicionales al operar sin problemas en todos los procesos, flujos de trabajo y códigos.   La adopción de flujos de trabajo basados en agentes promete mejorar la eficiencia, la escalabilidad y la capacidad de respuesta en todas las operaciones comerciales. Estos flujos de trabajo se gestionarán en su totalidad, se ocuparán de tareas complejas con mayor adaptabilidad y mejorarán las experiencias de los clientes al ofrecer interacciones más personalizadas y oportunas. A medida que la automatización se integre en los sistemas empresariales, los copilotos de la IA pasarán a ser pilotos, y las organizaciones que empleen la IA basada en agentes estarán mejor posicionadas para innovar, competir y ofrecer valor.   Para obtener más detalles sobre la IA de Agentic, lea el informe técnico gratuito, “  " Y echa un vistazo    .   Sistemas de automatización: el futuro de la arquitectura empresarial es agente.   Esta página para obtener más información sobre Langflow   Escrito por Ed Anuff, director de productos de DataStax

The is an opinion piece based on the author’s POV and does not necessarily reflect the views of HackerNoon.

DataStax Astra DB is the vector database for getting GenAI apps into production, fast. Try it for free today!

DataStax

Este audio es producido en el idioma original de la historia!

Agentes de IA: cómo se están preparando para hacer estallar la capa de procesos de negocios

About Author

COMENTARIOS

ETIQUETAS

ESTE ARTÍCULO FUE PRESENTADO EN

Related Stories

Liberando el poder de la IA. Una revisión sistemática de técnicas de vanguardia: resumen e introducción

¿Quieres ganar un concurso de redacción de HackerNoon? Esto es lo que recomiendan los ganadores del concurso #crypto-api

Creación de productos criptográficos centrados en el usuario: la importancia de los comentarios de los clientes

Cómo mejorar su flujo de trabajo 10 veces: 17 aplicaciones esenciales

Liberando el poder de la IA. Una revisión sistemática de técnicas de vanguardia: resumen e introducción

¿Quieres ganar un concurso de redacción de HackerNoon? Esto es lo que recomiendan los ganadores del concurso #crypto-api

Creación de productos criptográficos centrados en el usuario: la importancia de los comentarios de los clientes

Cómo mejorar su flujo de trabajo 10 veces: 17 aplicaciones esenciales

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps