La adopción por parte de los consumidores también sigue siendo relativamente baja. A pesar del uso de palabras como «revolución»,data que la mayoría de los usuarios lo utilizan semanalmente en lugar de diariamente, a diferencia del uso más frecuente de las redes sociales o plataformas como Google. Esto sugiere que AI genérica aún AI convertido en un verdadero hábito de consumo. La gente la utiliza ocasionalmente, a veces de forma intensiva, pero no se ha convertido en una base de la vida cotidiana. En otras palabras, el entusiasmo sigue estando por delante de la realidad.
A pesar de estos reports, creemos que AI genérica AI un cambio fundamental a la misma escala que Internet o los teléfonos inteligentes. Internet nos proporcionó aproximadamente dos décadas de innovación y Compañia. La revolución de los teléfonos inteligentes generó 15 años de crecimiento impulsado por las aplicaciones móviles. Creemos que AI genérica AI una era de transformación similar, quizás una década o más de creación de nuevo valor.
Este patrón es habitual en las nuevas tecnologías (el optimismo excesivo seguido de la desilusión y, posteriormente, la creación de valor real, a menudo articulado a travésdel ciclo de hype de Gartner). En nuestra opinión, muchos de los principales AI están exagerando cuando afirman con rotundidad que sectores enteros de la economía serán sustituidos en breve por AI. Esto se debe a que AI real y funcional AI las empresas consolidadas es un trabajo arduo: requiere data relativamente limpios, mapeo de procesos y una experimentación profunda, e incluso entonces a menudo requiere la intervención humana. Sin embargo, estamos viendo avances reales entre bastidores, cuyos ejemplos sugieren que el uso de sistemas multiagente para automatizar y sustituir tareas repetitivas puede conducir a un aumento más prolongado y fundamental de la productividad.
Nuestra opinión es que los líderes no deberían intentar adivinar lo que va a pasar dentro de 10 años. En su lugar, deberían preguntarse qué pueden lograr de forma realista en los próximos dos años. Según los proyectos que hemos llevado a cabo desde finales de 2024, AI agencial AI demostrando ser un verdadero punto de inflexión (al menos a corto plazo), ya que aporta un valor real a las empresas. La realidad es que las ganancias financieras por proyecto son buenas, pero ninguna de ellas es espectacular. Estas ganancias incrementales son similares a las de Lean, una comparación quetambién ha hecho el director ejecutivo de Microsoft,Satya Nadella.
Basándonos en nuestro trabajo en una cartera de proyectos que están implementando con éxito AI agencial, hemos descubierto que para tener éxito con esta tecnología es necesario ir más allá de las exageraciones, comprender lo que la tecnología puede hacer y adaptar esa capacidad a oportunidades claras de creación de valor. También requiere un enfoque práctico para la implementación de sistemas multiagente basados en la experimentación y el aprendizaje.
El auge del paradigma del flujo de trabajo agencial
En los últimos años, la madurez de AI ha evolucionado rápidamente a través de al menos tres fases distintas:
- Prompting (2022):El entusiasmo inicial se centró en los «power prompts». En las pruebas de concepto (POC), los prompts parecían funcionar. Pero en la producción, la fiabilidad decayó rápidamente. Los procesos empresariales suelen requerir una precisión del 95-99 %. Basándonos en la experiencia de más de 50 casos, estimamos que el prompting por sí solo rara vez superaba el 70 %.
- Generación aumentada por recuperación (RAG, 2023):RAG mejoró la estabilidad al vincular AI generativa a bases de conocimiento. Una vez más, las pruebas de concepto parecían prometedoras, pero la complejidad de la producción a menudo ponía de manifiesto debilidades que conducían a una precisión inaceptablemente baja.
- Sistemas agenticos (2024 hasta la actualidad):Los avances más recientes implican redes de agentes pequeños y especializados. Algunos encaminan preguntas. Otros realizan tareas estrictamente definidas. Otros comprueban y corrigen los resultados. Es fundamental destacar que la caída de los costes de los tokens hace que los sistemas multiagente en cascada sean ahora comercialmente viables. Este diseño por capas mejora significativamente la fiabilidad.
Este otoño se produjo una explosión de iniciativas comerciales basadas en agentes. OpenAI establecióasociaciones con Stripe y Shopify.Google anunció su Protocolo de Pago por Agente, que automatiza el proceso de compra y transacción. Aunque las empresas pueden sentirse tentadas a seguir el ejemplo de los gigantes tecnológicos, puede que no sea ahí donde surja la primera ola de valor sostenible. En unareciente encuesta de Bain a los consumidores, el 76 % afirmó que no se sentiría cómodo utilizando sistemas de agentes para realizar compras, y la mayoría citó preocupaciones sobre la seguridad y la privacidad como motivo de su reticencia.
Los contextos de atención al cliente no se adaptan bien a las capacidades actuales de AI . Son desordenados e impredecibles; las entradas no están estructuradas, el tono y el contexto cambian constantemente, y los reguladores y los consumidores tienen poca tolerancia para las alucinaciones o los errores. Los sistemas multiagentepuedenalcanzar altos niveles de precisión, pero para ello es necesario tratar a cada agente individual como si fuera un niño pequeño. No se le pediría a un niño pequeño que pusiera la mesa para la cena. Pero si se divide la tarea y se le guía paso a paso («primero, pon un plato», «ahora, añade los tenedores», «a continuación, los vasos»), el niño puede hacer una contribución significativa. Es fundamental controlar también el entorno: sin hermanos ruidosos, sin mascotas que distraigan y con un solo progenitor dando instrucciones. Pero al desarrollar sistemas multiagente estructurados como se instruye a un niño pequeño —dividiendo la tarea, asignando tareas una por una, comprobando la precisión de las tareas—, estamos creando sistemas extraordinariamente precisos.
Cabe destacar que estos sistemas suelen destinarse a procesos de back-end, en los que la perfección no es esencial porque hay personas involucradas en el proceso. Por el contrario, aunque los experimentos de front-end pueden ser inspiradores, es poco probable que sean la primera área de creación de valor real para la empresa. Los procesos de back-end y operativos son un terreno fértil porque son estructurados y repetitivos, mucho más adecuados para la automatización del flujo de trabajo de los agentes. Las tareas con un alcance bien definido, los entornos bien definidos y las entradas estructuradas pueden dar lugar a proyectos que aporten una contribución significativa.
Creación de sistemas agenticos a nivel empresarial
A escala empresarial, el diseño de estos sistemas es sencillo desde el punto de vista conceptual, pero exigente desde el punto de vista operativo. Como marco general para la creación de sistemas multiagente, 1) se envía una tarea a un agente enrutador, como Google ADK, que, al igual que un padre que da instrucciones a un niño pequeño, divide la tarea en subtareas; 2) las subtareas son completadas por agentes de tareas individuales que completan una parte más pequeña de la tarea, como un padre que le dice a un niño que ponga los vasos sobre la mesa y a otro que ponga los tenedores; después de lo cual 3) los resultados de estas subtareas son verificados por un agente de validación; y 4) si se descubre un error, un agente de mejora recomienda un ajuste.
Un ecosistema en rápido crecimiento de herramientas, metodologías y servicios respalda este enfoque, y estos son excelentes para los procesos no esenciales. Pero cuando se pasa a las operaciones esenciales, donde data y el control sobre las alucinaciones son esenciales, se necesitan agentes codificados a medida, una integración más profunda con los sistemas empresariales y un mejor control y barreras de protección implementadas.
Un ejemplo práctico: reinventar las operaciones sobre el terreno
Para ilustrarlo, consideremos un proyecto que realizamos con un importante proveedor de Internet europeo. Nuestro objetivo era reducir tanto el tiempo de resolución como el coste de las llamadas al servicio técnico. La mayoría de las personas han tenido alguna vez que llamar al servicio técnico por una conexión defectuosa, repetir la información varias veces y, finalmente, esperar a que llegara un técnico. Lo que ocurre (o no ocurre) entre bastidores es revelador: los técnicos suelen llegar con información incompleta y se ven obligados a resolver el problema desde cero. Esto provoca largos periodos de inactividad, a veces de más de un mes, y miles de horas de trabajo perdidas por parte de los operadores.
Decidimos empezar poco a poco. Nos centramos en crear un sistema diseñado para ayudar a los técnicos a realizar sus tareas de forma más rápida y eficaz, un asistente en el proceso, no un agente independiente. Como parte de este esfuerzo, integramos data más de 15 sistemas de información, proporcionando a los técnicos un resumen de los fallos notificados y un historial de las soluciones que se habían probado. Esto les proporcionó una visión general de la tarea (por ejemplo, solucionar un problema de conexión de un cliente) que podían leer o escuchar de camino al trabajo. De esta manera, podían empezar a trabajar para solucionarlo tan pronto como llegaban, ahorrando el tiempo que a menudo se perdía en ponerse al día con el problema.
A continuación, creamos una función que generaba recomendaciones sobre la mejor acción a seguir para resolver el problema. Otra función incluía una interfaz conversacional que permitía al técnico consultar los sistemas informáticos subyacentes de la Compañia de Internet Compañia lenguaje natural para encontrar las causas fundamentales. Por último, automatizamos muchas acciones simples y repetitivas: por ejemplo, corregir los registros de CRM cuando se vinculaba el hogar equivocado o activar reinicios de red cuando un conmutador fallaba en la caja de conexión central del barrio. Esto ahorró al técnico una enorme cantidad de tiempo, ya que no tuvo que llamar al centro de atención telefónica interno para que le ayudara con pequeños cambios para realizar la reparación.
Durante ocho meses, trabajamos de forma iterativa: mapeando procesos, solucionando puntos débiles y añadiendo funcionalidades paso a paso, con comentarios semanales de los técnicos de campo que probaban la solución basada en tabletas.
Los resultados:
- Reducción del 60 % en el tiempo de resolución.
- Más de un millón de euros ahorrados de forma recurrente al año.
- Mejora significativa enla puntuación neta de promotores de clientes.
Basándose en estos resultados, el cliente quiso ampliarlo a otras siete regiones. Esto requirió mucho más trabajo: la metodología y algunos componentes del agente eran reutilizables, pero cada región tenía sistemas informáticos diferentes. Cada implementación requería nuevas integraciones y data . La expansión a cada una de las siete regiones supuso la mitad del esfuerzo original por cada región añadida.
Los retos de la implementación de sistemas multiagente
Como se ha ilustrado anteriormente, las implementaciones de sistemas multiagente pueden crear valor real con éxito, pero muy pocas personas hablan del trabajo real que supone implementarlas. ¿Cuáles fueron las realidades y los obstáculos a los que nos enfrentamos?
Pruebas rápidas frente a ampliación.
¿Lo construimos desde el principio con una arquitectura escalable adecuada? Por mucho que nos gustaría afirmarlo, habría sido imposible. Al igual que los innovadores descubren de forma iterativa el ajuste entre el producto y el mercado, los casos de uso del sistema multiagente y la solución evolucionaron de forma iterativa a medida que nos involucrábamos en un ciclo de experimentación rápida. Además, la tecnología, la metodología y los servicios para construir estos sistemas evolucionaron rápidamente.
No comenzamos con el sistema completo. En su lugar, empezamos con un LLM más RAG como pieza central para resolver básicamente el primer caso de uso. A medida que realizábamos pruebas, nos dimos cuenta de que necesitábamos dividir el sistema en agentes más pequeños que realizaran tareas más especializadas para aumentar la fiabilidad; poco a poco, esto evolucionó hasta convertirse en un sistema totalmente agente. Finalmente, desarrollamos un sistema altamente fiable y funcional que aporta valor. Con estos conocimientos y los resultados que tenemos ahora, lo estamos reconstruyendo en una arquitectura mucho más robusta para escalar otras partes de la Compañia que sea más fácil de mantener.
Zonas problemáticas frente a causas fundamentales.
Como regla general, hemos observado que los líderes y los mandos intermedios saben aproximadamente qué procesos requieren mucho tiempo o esfuerzo, pero tienen opiniones poco fundamentadas sobre dónde reside la complejidad y las oportunidades. Solo los operadores lo saben. La implicación es que hay que hacer dos cosas antes de poder empezar realmente a construir: 1) dedicar tiempo suficiente a comprender los problemas desde la perspectiva de los directivos, pero también 2) hablar con los operadores sobre lo que ellos entienden como la causa fundamental de cualquier problema dado.
Por ejemplo, los gerentes nos señalaban partes del proceso en las que se desperdiciaba tiempo o recursos (por ejemplo, en el centro de servicios compartidos) y nos pedían que buscáramos los «elementos de conocimiento» adecuados para que el operador pudiera resolver un problema más rápidamente. Sin embargo, cuando empezamos a trabajar directamente con los operadores, descubrimos que la mitad de ellos encontraban los «elementos de conocimiento» en 10 segundos, mientras que la otra mitad tardaba varios minutos en encontrar la misma información porque no sabían buscar bien en el sistema. Este no es un problema que AI agencial AI resolver bien, sino una cuestión de formación. Pero también descubrimos que los líderes y gerentes habían pasado por alto por completo que los operadores dedicaban aproximadamente el 50 % de su tiempo a rellenar el CRM después de las llamadas de los clientes. Este es un buen problema para un agente, que puede transcribir la llamada e introducir toda la información en los campos correctos, lo que agiliza enormemente el proceso y mejora data . El operador solo tiene que comprobarlo y pulsar Aceptar.
Los sistemas informáticos no te ralentizan, las personas sí.
Las partes más laboriosas y complejas de nuestro trabajo fueron entablar las conversaciones adecuadas con la dirección, ganarnos a las partes interesadas e identificar y resolver las dependencias que surgieron a raíz de nuestro trabajo. La integración con una docena de sistemas informáticos para que la solución funcione es compleja desde el punto de vista tecnológico, pero el verdadero reto es que todos estos sistemas tienen sus propios equipos de desarrollo con diferentes plazos, prioridades y hojas de ruta. Hacer que los puntos finales de la API estén disponibles y probarlos puede suponer dos semanas de trabajo. Entrar en las respectivas hojas de ruta de estos sistemas llevó mucho, mucho más tiempo. La mayoría de los equipos con los que coordinábamos dejaron de dar prioridad a este trabajo durante varios meses, alegando (probablemente con validez desde su punto de vista) que tenían trabajos más importantes que eran prioritarios.
Los modelos pueden tener alucinaciones y las tendrán.
Los agentes siguen siendo bastante inestables y pueden tener alucinaciones, lo que requiere fuertes barreras de protección y controles en forma de LLM como juez (el agente de validación). Las indicaciones del sistema al agente deben ser lo suficientemente sólidas y, al mismo tiempo, lo suficientemente ligeras como para que el agente pueda ejecutar las tareas correctamente. Esto requiere matices, tiempo y conocimientos data e data para que estos sistemas agenticos funcionen con la fiabilidad suficiente como para poder utilizarlos en su negocio. En otras palabras, sigue siendo muy importante contar con buenos desarrolladores y experiencia en el negocio.
La nueva disciplina de la transformación agencial
¿Qué lecciones más generales podemos extraer de este caso? En muchos sentidos, parece como si se tratara de redescubrir el método Lean: rediseñar el trabajo desde cero. La diferencia es que las herramientas actuales son mucho más potentes, lo que permite no solo una optimización incremental, sino un rediseño completo de los procesos, incluso entre departamentos.
Más allá de data AI , el éxito depende de un profundo conocimiento de los procesos: comprender el estado actual, imaginar el estado futuro y traducirlo en pequeños pasos factibles. En ese sentido, estamos asistiendo al regreso delos «Lean Black Belts», pero esta vez impulsados por AI genérica.
El trabajo es detallado y metódico, no glamuroso. Hay que ir paso a paso. El enfoque se basa en el método, no en la magia. Cada nueva área de negocio requiere un análisis nuevo y una adaptación personalizada.
Los agentes totalmente autónomos siguen estando muy lejos. Por ahora, la configuración más eficaz es aquella en la que sigue interviniendo una persona, lo que hace que el operador sea más inteligente, más rápido y esté mejor equipado.
Al principio, el progreso es gradual. Solo cuando los sistemas centrales se conectan y la información fluye sin problemas se producen importantes mejoras en la eficiencia.
La tecnología también evoluciona más rápido que los proyectos. Las herramientas que utilizábamos hace ocho meses ya están obsoletas. Por eso nos centramos en casos de uso con un retorno de la inversión en el plazo de un año, antes de que cambie la tecnología subyacente.
Más importante aún, las empresas deben desarrollar capacidades internas:data , data , diseñadores AI genérica y lo que algunos denominan ahora ingenieros de contexto o cinturones AI genérica: personas que comprenden profundamente los procesos y pueden dividir la transformación en pasos alcanzables. Desarrollar estas capacidades como Compañia le Compañia crear nuevos flujos de trabajo agenticos más rápidamente (a medida que evoluciona la tecnología), lo que puede suponer una verdadera ventaja competitiva frente a la competencia.
Por último, aunque estas iniciativas acabarán integrándose en las operaciones comerciales habituales, es fundamental ponerlas en marcha con una gobernanza sólida, que aúne las perspectivas técnicas y comerciales. Ese equilibrio es lo que convierte la experimentación en transformación.
La década que viene
Es posible que el entusiasmo AIgenérica haya superado su adopción, pero su potencial es real. Al igual que las revoluciones de Internet y los teléfonos inteligentes que la precedieron, este cambio de plataforma transformará las industrias, no a través de una disrupción repentina, sino a través de años de reinvención disciplinada.
Las organizaciones que triunfen no solo adoptarán herramientas, sino que desarrollarán la capacidad de reinventarse continuamente a través de ellas.
