De los modelos estáticos a los agentes autónomos
En 2026, el enfoque de AI pasado de la implementación básica a la ampliación de los sistemas autónomos. Gartner prevé que, para 2028, un tercio de todas AI generativa dependerán de agentes autónomos.
En la edición de este mes:
• Analizamos cómo el entrenamiento «post-memoria» permite a AI gestionar activamente su propio estado cognitivo, reduciendo los costes informáticos y alcanzando al mismo tiempo la precisión de modelos más grandes.
• Nuestro nuevo informe técnico, «People Analytics Beyond Turnover Prediction: Potential Applications of AI HR», revela cómo los responsables de RR. HH. están aprovechando los agentes autónomos a lo largo del ciclo de vida de los empleados para personalizar el desarrollo y predecir el absentismo, yendo mucho más allá de la simple predicción de la rotación de personal.
• Analizamos el impacto transformador AIen la fabricación, destacando que el mantenimiento predictivo puede reducir el tiempo de inactividad en un 30 %, siempre que las organizaciones implementen una sólida gobernanza operativa.
Parte I – Formación sobre la posmemoria: EEnseñar a los agentes a recordar, no solo a recuperar.
«Históricamente, las organizaciones personalizaban AI mediante un costoso proceso de ajuste que requería una enorme capacidad de cálculo y la intervención de ingenieros especializados», explica Víctor Coimbra, socio y responsable Data y TI Artefact.
A medida que aumenta el contexto conversacional, los costes crecen de forma cuadrática y los modelos tienen dificultades para retener la información relevante. Las soluciones tradicionales, como la generación aumentada por recuperación o las reglas heurísticas, se quedan cortas porque se basan en la similitud semántica o en una lógica rígida diseñada por el ser humano.
El entrenamiento «post-memoria» Servicios alternativa más accesible, que utiliza el aprendizaje por refuerzo durante la fase posterior al entrenamiento para enseñar al modelo a gestionar su propio estado cognitivo. El agente aprende por ensayo y error cuándo debe almacenar, actualizar, eliminar o recuperar información para completar una tarea.
«Este método requiere una potencia de cálculo considerablemente menor, lo que permite a las organizaciones más pequeñas crear agentes autónomos muy funcionales», afirma Víctor.
Entre las principales conclusiones arquitectónicas se incluyen:
• Los modelos más pequeños que utilizan entrenamiento post-memoria pueden igualar o superar la precisión de modelos mucho más grandes, al tiempo que reducen la latencia de inferencia.
• Los agentes pueden mantener un tamaño de memoria constante generando un estado interno y descartando el contexto anterior.
• Las operaciones de memoria especializadas permiten a los modelos procesar documentos de gran volumen con una complejidad lineal y una pérdida mínima de rendimiento.
Parte II – De la memoria a la navegación: Ampliando los agentes autónomos más allá de la recuperación.
Los recientes avances en el entrenamiento post-memoria y los modelos de lenguaje recursivos ofrecen una vía muy accesible para escalar AI autónomos. Históricamente, las organizaciones dependían de costosos procesos de ajuste fino o de RAG rígidos para gestionar contextos largos. Hoy en día, el aprendizaje por refuerzo permite a los modelos gestionar activamente su propio estado de memoria, decidiendo qué almacenar, eliminar o consolidar.
Además, los modelos de lenguaje recursivos replantean la gestión del contexto como un reto de navegación, en lugar de una simple tarea de recuperación de información. En lugar de recibir data de forma pasiva, los agentes exploran, filtran y leen de forma selectiva una gran cantidad de contextos externos. AI autónomos ponen en práctica estos conceptos en entornos de producción, lo que reduce significativamente los costes informáticos y elimina la necesidad de contar con conocimientos especializados en aprendizaje automático.
Como señala Víctor: «Los agentes que escalarán en la fase de producción no serán aquellos con las ventanas de contexto más amplias ni los modelos más costosos».
• Los agentes aprenden a gestionar la memoria mediante ensayo y error, en lugar de recurrir a costosas modificaciones de los pesos.
• Los modelos exploran activamente el conocimiento externo, en lugar de basarse en la similitud semántica pasiva.
• Estos enfoques reducen los costes de inferencia y evitan la pérdida de fiabilidad en flujos de trabajo prolongados.
El análisis de datos sobre el personal más allá de la predicción de la rotación: posibles aplicaciones de AI recursos humanos.
El departamento de Recursos Humanos está pasando de ser un centro de costes reactivo a convertirse en un motor proactivo del valor de la organización. Sin embargo, muchas empresas siguen limitando data sus data a la simple predicción de la rotación de personal. Los responsables de RR. HH. deben pasar de los paneles de control pasivos a una gestión activa, integrando el aprendizaje automático, AI generativa y los agentes autónomos en todo el ciclo de vida de los empleados, con el fin de anticiparse a las necesidades, personalizar el desarrollo profesional y optimizar el bienestar de la plantilla mucho antes de que la retención se convierta en un problema.
• AI autónomos AI están sustituyendo a los sistemas tradicionales de gestión de incidencias de RR. HH., lo que permite a este departamento organizar trayectorias profesionales fluidas a gran escala.
• Las implementaciones en el mundo real pueden predecir el absentismo para ahorrar costes y evitar los sesgos humanos a la hora de identificar talento de liderazgo diverso que genere beneficios económicos.
• AI exitosa AI requiere una sólida gobernanza ética y estrictas medidas de seguridad técnicas para proteger la privacidad de los empleados y mantener la confianza.
AI los recursos humanos suele reducirse a un único escenario muy conocido: la predicción de la rotación de personal. Las empresas que van más allá de los modelos convencionales están obteniendo una ventaja competitiva sin precedentes».
La transformación de las cadenas de valor industriales AI.
Alexandre Thion de la Chaume, socio director y responsable global del sector de servicios públicos e industria Artefact, y Florence Bénézit, socia y responsable global del sector manufacturero, analizan los retos que plantea AI la industria y el sector manufacturero, así como las condiciones que deben cumplirse para AI convierta AI un verdadero motor del rendimiento, la innovación y la resiliencia.
Los fabricantes se enfrentan a un aumento de los costes energéticos, a interrupciones en la cadena de suministro y a estrictos requisitos de sostenibilidad. Para adaptarse a esta situación, las empresas están incorporando AI sus operaciones con el fin de automatizar flujos de trabajo complejos. AI utilizarse para predecir mejor la demanda y ajustar la cadena de suministro», afirma Alexandre.
A pesar de estas oportunidades, la fragmentación data los estrictos requisitos de seguridad siguen siendo obstáculos importantes. Para alcanzar el éxito es necesario contar con una base sólida en materia de data y gobernanza operativa. Como destaca Florence: «Del mismo modo que hoy supervisamos data , tendremos que supervisar la calidad de AI ».
Conclusiones clave de su conversación:
• El mantenimiento predictivo puede reducir los costes de mantenimiento y el tiempo de inactividad en torno a un 30 %.
• La automatización AI tiene el potencial de reducir la duración de los procesos entre un 70 % y un 75 %.
• La implementación AI marcos de gobernanza sólidos que permitan equilibrar la innovación con el riesgo operativo y la seguridad física.
AI «Adopt AI »: Descubre las conclusiones de la edición de 2025.
El informe «Adopt AI Grand Palais 2025», elaborado en colaboración con el Hub Institute, recoge las principales conclusiones de los debates celebrados el año pasado en el Grand Palais.
A medida que AI de las fases piloto a su implantación a escala industrial, el informe recoge las opiniones de directores generales, líderes públicos y AI de todo el mundo. Ofrece una visión estructurada de cómo las organizaciones pueden convertir sus ambiciones en resultados tangibles.
Lee el informe para dotar a tu organización de conocimientos prácticos y hojas de ruta operativas compartidas durante la cumbre:
• Marcos estratégicos para pasar de la experimentación a un valor empresarial cuantificable.
• Análisis en profundidad por sectores que destacan casos AI concretos AI en 10 industrias
• Una hoja de ruta sobre soberanía que aborda la gobernanza, la ética y la infraestructura en Europa.
¡Apúntate la fecha de la cumbre «Adopt AI Grand Palais» de 2026
, que se celebrará los días 3 y 4 de diciembre en París.
