Entrevista sobre agentes de IA con Hanan Ouazan, Managing Partner y Global Lead AI Acceleration en Artefact

Hanan se unió a Artefact en sus inicios hace 10 años y siempre le han apasionado las tecnologías de IA. Desempeña un papel clave en el desarrollo de soluciones de IA generativa en Artefact para nuestros clientes, aprovechando las tecnologías avanzadas en constante evolución para satisfacer mejor sus necesidades en función de los imperativos de su sector.

Graduado por la Centrale Lille y la École Normale Supérieure (ENS), completó su máster de investigación MVA (Matemáticas, Visión, Aprendizaje) en la ENS, uno de los programas más avanzados en Aprendizaje Automático, Minería Data y Aprendizaje Estadístico. Hanan dirige un equipo de ingenieros con talento en el diseño, desarrollo e industrialización de casos de uso de artificial intelligence.

Los agentes de IA ya no son simples herramientas que realizan tareas automatizadas. A diferencia de la RPA (automatización robótica de procesos), que ejecuta tareas predefinidas en una secuencia precisa, los agentes de IA pueden adaptarse a su entorno, tomando decisiones y optimizando procesos sin intervención humana.

Esto supone un paso real hacia una IA más autónoma, flexible e inteligente. Estos agentes de IA aportan un nuevo enfoque más adaptativo porque pueden:

• Observe su entorno y ajuste su comportamiento en función del data.
• Interactúe con múltiples sistemas para realizar tareas complejas.
• Optimice y automatice los procesos sin intervención humana constante.

“Agentes de IA” y "Agentic" serán los términos tecnológicos de los que más se hablará en 2025. Esta evolución de la automatización aprovecha las excepcionales prestaciones que ha aportado la IA generativa. Me gusta llamarlo RPA 2.0, capaz de integrarse en flujos de trabajo dinámicos y de ir más allá del simple asistente de funciones."

Hanan Ouazan, Managing Partner Artefact & Global Lead AI Acceleration

La tecnología RPA (Automatización Robótica de Procesos) consiste en automatizar un proceso descomponiéndolo en una sucesión de tareas que se encadenan hasta obtener el resultado, a menudo mediante un proceso sencillo: Leer, Extraer, Escribir.

Las tecnologías de IA generativa constan de tres elementos de herramientas:

1. LLM: En primer lugar, teníamos modelos que nos permitían responder a preguntas basadas en sus conocimientos.
2. Asistente: Luego llegó la época de los asistentes capaces de interactuar con los sistemas de conocimiento para ayudarnos en nuestra vida diaria (uso de GAR, etc.) - el famoso “COPILOT”. Aquí, la IA no “ejecuta” nada, sino que enriquece sus conocimientos y asiste a su usuario.
3. Agente: Un agente es una aplicación que trata de alcanzar un objetivo observando el mundo y actuando sobre él con las herramientas de que dispone. Lo nuevo es esta “conciencia” del entorno, que permite al agente adaptarse a acontecimientos imprevistos.

Y ahí es donde contrasta con la noción de RPA. ¡Es la capacidad del agente para adaptarse a lo inesperado lo que a menudo le hace ganarse la etiqueta de RPA 2.0!

Los agentes de IA tienen aplicaciones en muchos campos.

• Relaciones con los clientes: chatbots inteligentes capaces no sólo de responder a preguntas, sino también de realizar acciones (actualizar un contrato, generar una factura, gestionar una solicitud específica).
• Back office: EDM 2.0, gestión automatizada de documentos, gestión de incidencias y solicitudes internas.
• Escritura de código: Las IA ayudan a los desarrolladores generando código, optimizando scripts o automatizando pruebas.

 

“Los casos de uso van a tener que replantearse en términos de proceso y no sólo traducirse en IA. El objetivo no es superponer la IA, sino redefinir el proceso sin las limitaciones que puedan haber existido.”

Hanan Ouazan, Managing Partner Artefact & Global Lead AI Acceleration

 

“Estamos asistiendo a la aparición de herramientas de IA capaces de generar código, desplegarlo e incluso automatizar procesos complejos. Estas tecnologías están alterando profundamente el desarrollo de software, haciendo mucho más rápida y accesible la evolución de las aplicaciones.”

Hanan Ouazan, Managing Partner Artefact & Global Lead AI Acceleration

Los agentes de IA tienen dos usos principales:

1. Arranque rápido (por ejemplo, Bolt): transformación inmediata de conceptos en prototipos.
2. Ayuda al desarrollo (por ejemplo, Copilot, Cursor): finalización de código, refactorización, generación de pruebas.

Sin embargo, esta evolución no sustituye a la pericia humana. Estas herramientas requieren supervisión rigurosa para evitar errores estructurales y, en particular, el riesgo del código “castillo de naipes”, que puede parecer de alto rendimiento pero es inestable en producción.

Hoy en día, la conexión entre un agente de IA y el software se basa principalmente en API específicas del servicio. Para comunicarse con sistemas como Google Drive, Slack y Confluence, por ejemplo, esto implica:

1. Integración de tres API distintas, cada una con su propias especificidades técnicas.
2. Configuración del agente de IA con tres conectores, cada uno de los cuales requiere autenticación y configuración individuales.
3. Lanzar tres consultas separadas, cuyas respuestas son luego agregadas o sintetizadas por el agente.

Este proceso no sólo es complejo, sino también difícil de mantener y evolucionar, especialmente a gran escala. Éste es precisamente el problema que la iniciativa lanzada por Anthropic, con el Protocolo de Contexto Modelo (MCP) pretende resolver. Este nuevo protocolo actúa como un API estandarizada, diseñado específicamente para simplificar las interacciones entre los agentes de IA y el software.

Por último, es importante entender que los Agentes de IA ponen en cuestión la estructura del software SaaS, que se basa en tres componentes fundamentales (UX, Inteligencia,Data). Esta tecnología pone en tela de juicio estos 3 componentes:

1. UX: Con los agentes de IA, la interacción con el usuario está evolucionando. Los avisos y la automatización sustituyen al tradicional clic, restando protagonismo a la UX clásica. La experiencia se redefine en torno a flujos de trabajo invisibles o adaptados a las necesidades de los agentes.
2. Inteligencia: Las automatizaciones implican a menudo acciones entre varios sistemas. Una lógica abierta y estandarizada podría sustituir a los flujos de trabajo encerrados en ecosistemas aislados.
3. Data: La propiedad de Data sigue siendo un obstáculo para la plena integración.

 

“Hoy en día, los editores de SaaS integran capas de automatización en sus plataformas, pero este enfoque está mostrando sus límites ante las necesidades multiplataforma. El futuro del SaaS pasa probablemente por lógicas abiertas, interconectadas y adaptables, al servicio de las empresas.”

Hanan Ouazan, Managing Partner Artefact & Global Lead AI Acceleration

Los primeros agentes de IA, como Copilot de Microsoft, Google y Salesforce, se están generalizando, pero siguen limitados a tareas sencillas. Los agentes más avanzados están luchando por industrializarse, debido a la falta de control y confianza, mientras que los agentes autónomos siguen siendo experimentales.

Hace unos meses, en la Feria de Electrónica de Consumo (CES) de Las Vegas, el consejero delegado de Nvidia, Jensen Huang, declaró que “Las TI se convertirán en los RRHH de los agentes de IA”.

Según Hanan Ouazan, aunque esta visión es interesante y desafiante, no es del todo realista ni deseable.

En su opinión, las TI desempeñarán un papel clave en el despliegue de estos agentes de IA, pero no podrán asumir solas la gestión de estas herramientas. Requerirá una transformación organizativa más amplia y la implicación indispensable de las líneas de negocio:

• Un reto empresarial por encima de todo: Los agentes de IA automatizan los procesos empresariales. Supervisarlos requerirá la participación de equipos operativos y data.
• Un profundo cambio organizativo: TI se encargará del mantenimiento técnico, pero la gobernanza y la optimización de los agentes serán responsabilidad de las líneas de negocio.

La IA generativa ya está transformando las empresas: menos ejecución, más supervisión y optimización. Al igual que ocurre con la automatización industrial, las competencias deben evolucionar para integrar estas herramientas con eficacia.

 

“La automatización por sí sola no basta: ya tenemos que replantearnos los procesos empresariales para evitar complejidades innecesarias. La IA no debe ser una capa más, sino una palanca para imaginar modelos más eficientes adaptados a las necesidades empresariales.”

Hanan Ouazan, Managing Partner Artefact & Global Lead AI Acceleration