Diez prácticas que llevamos de proyecto en proyecto para que los agentes de IA salgan del piloto y resuelvan problemas reales.
Desde la llegada de los grandes modelos de lenguaje en 2022, los agentes de Inteligencia Artificial pasaron de la automatización de tareas simples a ser piezas de sistemas coordinados y complejos. Las arquitecturas multiagente, capaces de ejecutar flujos de trabajo enteros de forma integrada, están redefiniendo cómo se hace el trabajo en las grandes empresas.
A pesar de la posibilidad, mientras las empresas divulgan resultados expresivos con la tecnología, los informes muestran que el desafío no es tan simple. Un estudio del MIT que recorrió el mercado señaló que el 95% de los pilotos de IA generativa no llegaba a tener retorno.
Los proyectos que funcionan, sin embargo, tienen rasgos en común. Un relevamiento reciente con 306 ingenieros que operan agentes en producción, el Measuring Agents in Production (MAP), mostró cuáles son. Menos autonomía y más control. Menos benchmark listo y más métrica propia. Menos framework de estante y más ingeniería a medida. Escribimos sobre qué separa a los agentes que funcionan de los que fallan.
No por casualidad, entre ruidos y promesas, la toma de decisiones sobre Inteligencia Artificial está atravesada por la experimentación y los riesgos.
Lejos de subestimarlo, nos tomamos en serio ese contexto. No solo desarrollamos el método AI Sprint como una forma de salir de la inercia, creando y validando una solución orientada a su negocio en pocas semanas, sino que adoptamos una postura de entregas incrementales en nuestras soluciones.
¿Quiere saber más sobre el método y cómo se aplica a su negocio? Hable con nosotros.
La inacción es tan riesgosa como la experimentación desenfrenada. Por eso, es fundamental encontrar formas estructuradas de construir soluciones.
El avance continuo de la tecnología y las complejidades de hacer una solución para empresas exigen entregas incrementales y orientadas al negocio. En lugar de nacer grandes, nuestros sistemas crecen a medida que mueven indicadores importantes y específicos de negocio. Así fue con el agente de IA que vende suscripciones de autos por WhatsApp, que construimos para una de las líderes en movilidad de Brasil. El prototipo de la venta estuvo listo en 3 días y se probó con clientes reales antes de cualquier compromiso de construcción. Hoy el agente conduce seis etapas del recorrido, del descubrimiento al mantenimiento.
Aunque sea prometedora, el éxito depende de una implementación que se adapte a la realidad del negocio, y no al revés. El nuevo paradigma exige actualización tecnológica, pero también exige integraciones consistentes con las visiones y estrategias de la empresa, y no una reacción al hype o al miedo de quedarse atrás.
Cómo desarrollamos soluciones multiagente
1. Cocreando con los equipos de negocio
Inmersos en el contexto y creando un intercambio de conocimiento calificado con los equipos de negocio, validamos una prueba de concepto orientada a la empresa antes de construir. Son esos equipos los que conocen el flujo, las reglas y las excepciones que el agente va a encontrar, y es en el intercambio con ellos donde nace el diseño. Un ejemplo es Kariisma, una startup estadounidense de live commerce para la cual desarrollamos la plataforma. El trabajo empezó con 3 días de inmersión con los fundadores y los inversores en la sala, y la plataforma quedó disponible para los hosts en 4 semanas.
2. Conectando la solución con resultados específicos y relevantes
Desarrollamos con foco en los indicadores clave de mayor impacto en el resultado, incrementando la solución con cada resultado validado. El MAP confirma el camino. Los equipos que tienen éxito en producción no se apoyan en benchmarks listos del mercado. Miden tiempo por tarea, tasa de retrabajo, escalamiento a humano, costo por caso resuelto e impacto en conversión y pérdidas evitadas. Correcto e incorrecto son definiciones operativas y de negocio, no académicas. Así condujimos el agente de suscripción de autos. La primera versión se publicó en pocas semanas, la capacidad de atención aumentó 4,5 veces en dos meses de producción, y la recaudación de la cobranza subió más del 20% después de que el agente entró en el proceso.
3. Alineando estrategia, diseño, investigación e ingeniería
Reunimos un equipo con experiencia en aplicar la tecnología en grandes empresas, uniendo diseño, ingeniería, investigación y estrategia en todo el proceso, siempre cocreando con los equipos de negocio. Apoyado en IA, un mismo equipo reducido asume los tres papeles. Producto conduce la inmersión, mapea los recorridos y escribe las especificaciones. Diseño dibuja y prueba con usuarios reales. Ingeniería monta el ambiente de los agentes y construye las features de punta a punta.
4. Aplicando Inteligencia Artificial donde realmente genera resultados
Mezclando flujos deterministas e IA generativa, reducimos la exposición y el riesgo de alucinaciones, y usamos la IA donde de verdad se destaca, que es entender y generar lenguaje, lidiar con la ambigüedad y adaptarse al contexto. La lógica de negocio, la regla previsible y el tratamiento de excepciones siguen siendo mejores en la ingeniería tradicional. Por ejemplo, en el agente de suscripción de autos que construimos, precio, plazo y condición de pago vienen de reglas definidas con el negocio, nunca del modelo. El modelo entra para calificar, resolver dudas y conversar.
5. Desarrollando flujos y arquitecturas de agentes complementarios
En lugar de un gran sistema orientado a la automatización de tareas, trabajamos con agentes especialistas, responsables de tareas específicas, que resuelven problemas de forma coordinada. El mismo agente de suscripción de autos ilustra bien esa arquitectura. Quien conversa con él en WhatsApp ve un único asistente. Por dentro, es un grafo de agentes menores con papeles definidos. Uno entiende la necesidad, otro consulta precio y stock, otro explica el contrato, otro guarda la memoria de la conversación, otro da la respuesta final en el mismo tono. Un orquestador distribuye la conversación entre ellos y funciona como traba de seguridad. Aprendimos también que multiagente no es "muchos agentes conversando entre sí". Cuando un agente lee la inferencia del otro, la hipótesis de uno se vuelve hecho para el siguiente, y la alucinación se cose en el resultado. Por eso aislamos a los agentes en capas, con flujo unidireccional y un papel único para cada una.
6. Priorizando la integración y la autonomía de la empresa con la solución
Además de capacitar a las personas de la empresa en la tecnología, adaptamos nuestros sistemas, frameworks y modelos a la realidad y a la necesidad tecnológica de cada empresa, preservando su autonomía. La solución entra en lo que la empresa ya tiene, y no al revés. Un ejemplo es el portal de pedidos B2B que reconstruimos para Mars en Estados Unidos. Está 100% integrado a Salesforce por un front-end propio y una capa a medida, separados de la plataforma, y se adapta a la forma de pedir de cada comprador.
7. Utilizando técnicas avanzadas de prompt engineering
Acompañando la curiosidad continua de nuestro equipo, trabajamos a partir de técnicas avanzadas de ingeniería de prompt y de contexto, siempre actualizadas. Es donde el esfuerzo rinde. En el MAP, el 70% de los proyectos en producción usa modelos listos, sin fine tuning, y concentra el trabajo en las instrucciones y en el contexto que guían al modelo. En nuestros proyectos, las instrucciones nacen de las reglas relevadas con el negocio, con ejemplos tomados del propio proyecto, y evolucionan con cada duda nueva que llega del cliente.
8. Construyendo con frameworks validados y de distintas calidades
A lo largo de los años no solo probamos múltiples frameworks, sino que validamos estructuras propias de orquestación en grafo, adaptables a distintas realidades empresariales. El MAP muestra que el 85% de los proyectos en producción construyó aplicaciones personalizadas, para ganar control y previsibilidad, en lugar de adoptar frameworks de agentes listos. Ese rigor no vale solo para los agentes que salen al aire. Vale también para los agentes que hoy escriben buena parte de nuestro código. Trabajan dentro de un harness, el conjunto de reglas y verificaciones que dice cómo desarrollar, revisa lo que se hizo y bloquea lo que no pasa. Fue con ese ambiente que reconstruimos la app de pedidos B2B de Reckitt, que ganó 2,4 veces más pruebas automáticas y más de 700 reglas de negocio escritas y ligadas al código.
9. Haciendo mejoras progresivas y no reactivas
Utilizando técnicas y plataformas propias de observabilidad, nuestros sistemas crecen según el resultado alcanzado, acompañando pruebas continuas y alertas de exposición y riesgos. En Kariisma, cada capacidad nueva de los agentes entra primero en modo sombra, sin aparecer para el host, después activada por una llave, siempre con apagado inmediato durante el live. Un modelo de lenguaje juzga las respuestas, y pruebas adversariales confirman que el agente sigue el tono de la marca y no obedece instrucciones plantadas en el chat. Desde el segundo mes, ninguna rotura de código llegó al aire, y el costo por tarea de los agentes cayó 31% en benchmark. La autonomía se conquista, no se concede. En el agente de suscripción de autos, el equipo de calificación coincidía con más del 90% de las decisiones del agente ya en la primera versión, y la autonomía creció por etapas, a medida que demostraba que acertaba.
10. Mapeando el impacto y la responsabilidad ética de la solución
Nuestros sistemas nacen con una preocupación ética orientada, en la que la responsabilidad y las iniciativas de adaptación acompañan progresivamente el desarrollo. En la práctica, eso es supervisión humana en los puntos críticos del flujo, y el MAP muestra el mismo patrón, con el 74% de los proyectos dependiendo primariamente de evaluación humana. Así lo hicimos en el análisis de crédito de la suscripción de autos. La mesa mantuvo la decisión y pasó a recibir la recomendación lista, y, cuando hace falta, el agente pasa la conversación a una persona. La ética en proyectos de IA no tiene que ser un bloque infranqueable. Puede crecer con el proyecto, etapa por etapa, y volverse un diferencial competitivo.
Del negocio a la tecnología
Nuestras experiencias demuestran que, para ganar rápido, hacen falta priorización y una colaboración cercana con los equipos de negocio.
El entusiasmo por la tecnología no debe sobreponerse a las estrategias de negocio, y mucho menos minimizar el desafío que es hacer crecer una empresa. Como aprendimos, en iteraciones de nuestras soluciones, el verdadero potencial del nuevo paradigma se conquista por partes, de lo específico a lo amplio.
Como revela nuestra experiencia, las mejores soluciones son las que se configuran y se adaptan a los procesos, las infraestructuras y las estrategias de la empresa.