En los últimos años hemos vivido la revolución de la IA. Junto con los modelos de IA como Claude o ChatGPT ha aparecido una nueva forma de usarlos tan importante como revolucionaria: los Agentes de IA.
Si la IA era como un empleado que es una fuente de conocimiento capaz de hacer tareas simples, un agente es un empleado de alto nivel, capaz de hacer y resolver tareas por sí mismo.
¿Qué son los Agentes de IA?
Un Agente de IA es un sistema basado en un Large Language Model (LLM) que no solo genera texto, sino que razona, toma decisiones y ejecuta acciones en el mundo digital. Normalmente, no puede acceder al mundo real porque no es un ser tangible (un robot), sino una entidad autónoma digital, que puede interactuar con tu ordenador, navegar por internet…, entre otras muchas funcionalidades.
En resumen, si a una IA le haces una pregunta y te contesta, a un Agente le das un objetivo, y lo lleva a cabo.
¿Cómo lleva a cabo un Agente sus objetivos?
1. Analiza el objetivo.
2. Crea un plan paso a paso para llevarlo a cabo exitosamente.
3. Utiliza herramientas digitales para ejecutar el plan: Por ejemplo, hacer búsquedas en Google, crear un documento de Word, crear y ejecutar código o consultar una base de datos, o enviar un email.
4. Una vez llevado a cabo, de forma autónoma evalúa los resultados y ajusta su estrategia si algo falla.
¿Para qué sirven los Agentes de IA? ¿Cómo se usan los Agentes de IA?
Los agentes sirven para automatizar flujos de trabajo complejos que antes requerían intervención humana constante.
Los agentes pueden tener objetivos más amplios de lo que parece. Por ejemplo: no se trata solo de redactar un email, sino de gestionar la bandeja de entrada completa, o ciertos correos de todos los que recibamos.
Algunos ejemplos de las posibilidades que ofrece el crear agentes:
- Posts en RRSS: Un agente busca cada día las 3 noticias más destacadas sobre un tema, hace un resumen y crea un post en LinkedIn con ese contenido.
- Responder a preguntas frecuentes: por ejemplo, una empresa recibe una petición para devolver un producto, el agente comprueba que la devolución esté en plazo y genera la etiqueta de devolución y le envía un email con toda la información al cliente.
- Precios: Un agente monitoriza precios en las páginas de la competencia y ajusta los precios de mi eCommerce a diario, basándose en esa información.
- Gestionar reuniones: se recibe un email diciendo “Deberíamos revisar esto la semana que viene”, el agente ve el email, busca un hueco en la agenda, redacta un correo ofreciendo 3 posibles citas, recibe la respuesta con fecha y hora seleccionada, crea la cita en Google Calendar y responde al email.
- Ventas a puerta fría: Para contactar con personas a través de LinkedIn, por ejemplo, el agente puede buscar contactos, darle a conectar y escribir un mensaje personalizado, basado en el historial de posts de esa persona.
¿Cómo construir Agentes de IA?
Para programar un agente es mejor que lo haga alguien con ciertos conocimientos técnicos. Es muy recomendable poder ver o entender código para poder asegurar y entender el correcto funcionamiento, aunque no es imprescindible saber código para poder crearlos.
1. El Cerebro (LLM): Necesitaremos los modelos que actualmente permiten crear agentes: Gemini Pro, GPT-4o o Claude 3.5 Sonnet. Los modelos de IA serán el motor de razonamiento para que el agente pueda entender y tomar decisiones.
2. El Framework de Orquestación: Librerías de Python o TypeScript como LangChain, LlamaIndex, AutoGen o CrewAI se utilizan para darle los objetivos y el comportamiento.
3. Memoria: Normalmente se van a usar bases de datos para que el agente recuerde cosas o tenga datos que necesite usar. Se usarán bases de datos vectoriales como Pinecone, Milvus o ChromaDB donde el agente guarda conocimientos previos.
4. Herramientas: Funciones específicas a las que el LLM tiene acceso. Por ejemplo para buscar en internet (search_web()), hacer consultas a una base de datos (execute_sql()), enviar un mensaje por slack (send_slack_message()), o lo que sea que queramos que el agente haga.
5. Ciclo de Razonamiento: Se utilizan paradigmas como ReAct (Reasoning and Acting) donde el modelo piensa («Necesito saber el clima en Madrid»), actúa (usa una API de clima), observa el resultado («Hace 25 grados») y responde.
Ventajas de crear agentes de IA
- Autonomía: A diferencia de un modelo como ChatGPT, Claude o Gemini (que sirve para preguntas y respuestas, y solo permiten trabajar con ellos paso a paso), un agente tiene su objetivo y trabaja todo el tiempo para conseguirlo. El proceso funciona 24 horas al día, y sigue procesando emails, leads, y lo que le pidas que haga.
- Secuencias de pasos: Los agentes pueden aprender a llevar a cabo por sí mismos secuencias de pasos como leer un PDF, extraer los datos, hacer una consulta a una base de datos SQL, cruzar la información y enviar el resultado por Slack. Rompen las barreras entre aplicaciones y automatizan tareas que hasta ahora solo un humano podía hacer.
- Personalización: Se pueden crear secuencias de pasos específicas para diferentes tareas, haciendo que sea muy detallado y personalizado para diferentes usuarios o grupos de usuarios o tareas específicas o generales.
- Colaboración de varios agentes: Se puede crear varios agentes con diferentes tareas específicas que colaboren entre sí. Esto da mucho juego para poder tener diferentes agentes buscando soluciones y realizando acciones tan específicas o genéricas como se quiera: Por ejemplo un agente busca artículos de prensa y otro hace resúmenes y otro publica el contenido en diferentes redes sociales.
- Reducción de tareas repetitivas: los agentes nos permiten reducir el trabajo en tareas recurrentes o repetitivas, delegando en el agente la ejecución de la tarea y la revisión de los resultados.
Desventajas de crear agentes de IA
- Son Lentos: El ciclo de pensar -> actuar -> observar -> responder requiere muchos pasos, y perfectamente pueden consumir 15 o 30 segundos mientras razona los pasos. No encajan bien para procesos de tiempo real estricto (como trading de bolsa de alta frecuencia).
- Costes Impredecibles: Generalmente consumen muchos tokens. Como el agente razona y se corrige a sí mismo, es normal que necesite varios intentos para lograr un objetivo. Esto significa que consume muchos tokens de entrada y salida para desarrollar una tarea. Si usamos modelos de pago (como GPT-4o o Gemini 1.5 Pro), la factura tiende a ser elevada. Hay casos en los que incluso es más caro que un trabajador humano si comparamos el precio por hora.
- Es difícil comprobar su funcionamiento: Como las secuencias de pasos pueden ser complejas y encontrarse ante muchos casos distintos, es difícil probar el agente para saber si en todos los casos va a responder bien. Además, no siempre actúa de la misma forma ante un caso, por lo que es difícil estar seguro de su funcionamiento.
- Legalidad: Con el reglamento de la Unión Europea, es un laberinto saber si estamos incurriendo en problemas a ese nivel: Si un agente extrae datos confidenciales, luego los envía a una API de terceros para procesarlos, luego envía un email… ¿Quién es el responsable legal? Las normativas de protección de datos (como el RGPD) exigen un control estricto sobre la información, algo que choca frontalmente con la naturaleza del uso de los agentes autónomos.
- Fallo en cascada: como casi todos los agentes tienen que dar varios pasos, si se comete un error en el paso 2, todos los pasos del 3 al 10 usarán información falsa o errónea. El resultado puede tener buen aspecto superficial, pero contener toda la información errónea.
Consejos para crear Agentes de IA
- Mejor agentes pequeños: cuanto mayor sea el contexto y la cantidad de tareas que le pidamos, más probable es que se confunda. Es mejor generar muchos agentes pequeños con tareas específicas que un agente grande que haga todo.
- Programar casos de error: Es importante no programar solo los casos de éxito sino también tener en cuenta qué hacer si por ejemplo un email falla al enviarse o no hay variaciones entre los precios y no hay nada que actualizar. En esos casos el problema vendrá si alucina una respuesta.
- «Human in the Loop» (HITL): Para acciones críticas como enviar correos, responder a mensajes, cambiar precios, es mejor que haya una intervención humana. Por ejemplo, que una persona tenga que autorizar el envío del email o un cambio de precios.
Conclusiones
Los agentes son una herramienta revolucionaria, muy importante, que poco a poco se va a ir introduciendo en todas las empresas, aunque en este momento apenas se han dado los primeros pasos en este nuevo mundo y queda mucho por aprender y mejorar.
Si bien tienen un potencial asombroso, el funcionamiento parece de ciencia ficción, aún provocan muchos errores, así que necesitan supervisión porque en otro caso pueden causar un desastre fácilmente.
Crear un agente hoy en día no es fácil, requiere tiempo y esfuerzo en control de errores y pruebas. Un agente probado y funcionando puede ser un alivio grande de trabajo para una empresa, sobre todo en tareas sencillas y repetitivas.
El mayor error que cometen las empresas hoy es intentar construir un agente que lo sepa todo y que haga todo, un super-agente para todo. Hasta ahora la experiencia nos dice que es mejor utilizar sistemas multi-agente hiper-especializados, es decir un montón de agentes pequeños con tareas más bien limitadas, que siempre es una solución más fiable.
En resumen, hoy en día yo no crearía un agente para que responda automáticamente a todos los correos, sino que crearía un agente que clasifique los correos y deje las respuestas como borrador, pendientes de que un humano las revise y las envíe.
