Agentes de IA

Un Agente de Inteligencia Artificial es un sistema autónomo que realiza tareas diseñando flujos de trabajo con las herramientas que tiene disponibles.


Estos agentes realizan funciones que van mucho más allá del Procesamiento del Lenguaje Natural, es decir, no solo entienden y responden, sino que toman decisiones propias, resuelven problemas, interactúan con sistemas externos y ejecutan acciones.


Resuelven tareas complejas dentro de una empresa, como el diseño de software, automatizaciones del área de informática, generación de código y asistencia conversacional. Usan técnicas avanzadas de procesamiento de Large Languaje Models (LLM) - grandes modelos de lenguaje - para comprender y responder al usuario e identificar cuándo llamar a herramientas externas.


Cómo funcionan los Agentes de IA

En su núcleo, los agentes se apoyan en estosLLM. Por ello, muchas veces los son conocidos directamente como LLM. Los modelos tradicionales producen respuestas en base a los datos con los que fueron entrenados, por lo que están limitados a ese conocimiento. La IA Agéntica, en cambio, tiene la capacidad de llamar a otras herramientas desde su backend para obtener datos actualizados, optimizar flujos de trabajo y crear subtareas de forma autónoma para resolver tareas complejas, cuando no encuentran en su modelo los datos necesarios para ello.


En este proceso, el agente autónomo va aprendiendo a ajustarse a lo que espera el usuario a lo largo del tiempo. Al poder guardar en memoria interacciones pasadas y planear pasos futuros, ofrece una experiencia más personalizada y respuestas más completas. Además, la capacidad de llamar herramientas sin intervención humana expande las posibilidades de uso en escenarios reales.


Aunque los agentes toman decisiones por sí solos, necesitan que los humanos les definan objetivos y reglas. Esto incluye al 1) equipo que los crea, 2) al equipo que los implementa, y 3) al usuario que define qué debe lograrse. Dadas estas instrucciones, el agente descompone tareas para mejorar su desempeño y, en esencia, construye su propio plan de tareas y subtareas para alcanzar un objetivo complejo.


Para tareas simples, el agente no necesita un plan previo. Responde lo solicitado, evalúa si cumple el objetivo meidante feedback y, si no es así, ajusta su respuesta. En tareas complejas, en cambio, construye un plan previo con subtareas y evalúa los resultados en base a reglas o datos definidos. En ambos casos, el agente ajusta su comportamiento hasta acercarse al objetivo.


Razonamiento con las herramientas disponibles

Los agentes basan sus acciones en la información que poseen. Sin embargo, con frecuencia no cuentan con toda la información necesaria para resolver tareas complejas. Para cerrar esta brecha, recurren a bases de datos externas, búsquedas en la web, llamadas a APIs e incluso a otros agentes.


Una vez que recaban la información necesaria, pueden iniciar el proceso de Razonamiento Agéntico. Este proceso involucra la validación continuan del plan de acción y de la toma de decisiones autónoma, lo que deriva en una capacidad de adaptación constante.


Para ilustrar este proceso, imaginemos un usuario que solicita al agente identificar cuál sería la mejor semana del año para surfear en Mar del Plata. Dado que el agente no se especializa en patrones climáticos, debe recurrir a fuentes externas para obtener reportes históricos del clima de la zona de los últimos años. Aun así, esta información no es suficiente y el agente debe crear una nueva subtarea para consultar a una fuente especializadaen surf, con el fin de aprender que las mareas altas, el buen clima y poca o ninguna lluvia representan las mejores condiciones para surfear.


Combinando toda esta información, el agente puede predecir qué semana del año podría presentar mareas altas, días soleados y baja probabilidad de lluvia.


Este intercambio continuo de información entre distintas herramientas es lo que vuelve a la IA Agéntica más eficiente y versátil que la IA Tradicional.


Aprendizaje y Reflexión

Los agentes de IA mejoran su desempeño mediante mecanismos de retroalimentación o feedback, que pueden provenir tanto de usuarios humanos (human-in-the-loop HITL) como de otros agentes. Una vez que el agente genera una respuesta, puede compararla con el objetivo esperado y utilizar ese feedback para ajustar su comportamiento en futuras interacciones. De este modo, no aprende casos específicos, sino patrones sobre cómo resolver mejor distintos tipos de problemas.


En Sistemas Multiagente, el feedback entre distintos agentes permite reducir la intervención humana, ya que los propios agentes pueden evaluarse y corregirse entre sí. Este proceso de mejora continua se conoce como Refinamiento Iterativo y consiste en ajustar progresivamente la forma de razonar y actuar en función de los resultados obtenidos.


Para evitar repetir errores, los agentes pueden almacenar en una base de datos información sobre cómo resolvieron obstáculos anteriores, lo que les permite optimizar la toma de decisiones y adaptarse de forma gradual a nuevos objetivos y preferencias del usuario.