La inteligencia artificial avanza hacia una nueva frontera: los sistemas de agentes. Más allá de los chatbots conversacionales, estos agentes operan con autonomía para ejecutar tareas complejas en nombre de los usuarios, desde resolver incidencias de TI hasta automatizar flujos de trabajo financieros. Sin embargo, construir estos sistemas requiere un replanteamiento arquitectónico profundo, donde la seguridad, la orquestación y el contexto juegan papeles críticos. En ForgeNEX analizamos las mejores prácticas y componentes esenciales para desarrollar agentes de IA de nivel empresarial, basándonos en las experiencias de líderes del sector como Shopify, ServiceNow y Block.

¿Qué hace que un sistema de agente sea realmente efectivo?

Un agente de IA no es simplemente un modelo de lenguaje que responde preguntas. Como señala Andrew McNamara, director de aprendizaje automático aplicado en Shopify, “el término ‘agente’ se refiere a sistemas de IA que pueden realizar acciones en nombre de los usuarios, no solo generar texto o responder preguntas”. Los agentes funcionan de forma continua hasta completar una tarea, como el Sidekick de Shopify, un agente proactivo para comerciantes.

La adopción de la IA agente abarca múltiples dominios. Según Anthropic, los casos de uso más comunes se dan en ingeniería de software (aproximadamente la mitad), seguidos de automatización administrativa, marketing, ventas, finanzas y análisis de datos. Heath Ramsey, vicepresidente en ServiceNow, ejemplifica: “Un caso concreto es la resolución de incidentes de TI, donde los agentes extraen datos contextuales, comprueban resoluciones previas, aplican soluciones y actualizan registros”.

Sin embargo, el desarrollo centrado en agentes introduce desafíos como el indeterminismo, la saturación de tokens y riesgos de seguridad derivados de la desalineación del modelo. Para evitarlos, se requiere una arquitectura fundamentalmente nueva, diseñada para la autonomía, no solo para la automatización. Como apunta Anurag Gurtu, CEO de AIrrived, “los agentes necesitan un entorno de ejecución, un cerebro, manos, memoria y barreras de seguridad”.

Componentes arquitectónicos de un sistema agente

Modelo de razonamiento

En el núcleo de cualquier sistema agente se encuentra un modelo de razonamiento. Frank Kilcommins, director de arquitectura empresarial en Jentic, explica que este motor realiza la planificación basándose en la solicitud del usuario, el contexto disponible y las capacidades existentes. No todos los modelos son igualmente adecuados: McNamara recomienda aquellos que “tienen la cantidad adecuada de llamadas a herramientas y siguen las instrucciones con firmeza”.

Contexto y datos

Un agente necesita contexto: datos internos, conocimiento institucional, políticas, memoria de chats y metadatos de agente. Edgar Kussberg, director de producto en Sonar, menciona fuentes como bases de datos, API, sistemas RAG, bases vectoriales y sistemas externos como Google Drive. Las organizaciones están creando bases de conocimiento de agentes para optimizar la recuperación. Anusha Kovi, ingeniera en Amazon, señala que “la mayoría de los equipos combinan un almacén vectorial como pgvector con algo estructurado como un catálogo de datos o un grafo de conocimiento”.

Herramientas y descubrimiento

Para ser operativos, los agentes necesitan acceso de lectura y escritura a bases de datos, herramientas y API. Jackie Brosamer, directora de datos e IA en Block, destaca que “parte del trabajo más importante tiene que ver con cómo conectamos la IA y los sistemas existentes”. El Model Context Protocol (MCP) se ha consolidado como conector universal, con registros MCP que catalogan capacidades. Ejemplos públicos incluyen el agente goose de Block y el uso de MCP por Workato para flujos empresariales con Claude.

Flujos de trabajo definidos

Los flujos de trabajo claramente documentados son esenciales para procedimientos comunes. Ramsey enfatiza que “los agentes deben coordinarse a través de flujos de trabajo definidos para que la autonomía se amplíe de forma predecible”. Kilcommins sugiere usar definiciones de capacidades legibles por máquina, como la especificación Arazzo de la OpenAPI Initiative.

Orquestación multiagente

A gran escala, los sistemas multiagente son necesarios. Gurtu describe “equipos de agentes especializados: razonamiento, recuperación, acción y validación”. Kovi añade que se necesita una capa de orquestación para el ciclo planificar-ejecutar-evaluar, con herramientas como LangGraph, CrewAI y Bedrock Agents. El protocolo A2A para comunicación entre agentes también será clave.

Seguridad y autorización

La seguridad es crítica. Gurtu advierte: “Ya no se protege software que sugiere, se protege software que actúa”. Los permisos deben ser claramente definidos para evitar escalada de privilegios. Kovi señala que “un agente decide en tiempo de ejecución qué consultar, por lo que no se pueden delimitar permisos de forma tradicional”. La autorización justo a tiempo será crucial. Las reglas de seguridad deben estar en políticas de IAM, no solo en instrucciones de línea de comandos.

Puntos de control humanos

Las acciones sensibles requieren aprobación humana. Shopify usa “diseño con intervención humana” con puertas de aprobación para cambios en producción. Brosamer afirma: “Cualquier cosa que afecte a sistemas de producción necesita controles humanos”, como en Moneybot de Cash App.

Capacidades de evaluación

Las pruebas previas son vitales. Shopify realiza evaluaciones con humanos y simulaciones con evaluadores LLM. McNamara dice: “Una vez que tu evaluador coincide con los humanos, puedes confiar en él a gran escala”. Gurtu recomienda “tratar a los agentes como sistemas regulados, probando en entornos de pruebas”.

Observabilidad del comportamiento

La observabilidad debe ir más allá de la monitorización tradicional. Kussberg afirma: “Se necesita transparencia en cada paso: indicaciones, llamadas a herramientas, decisiones intermedias y resultados finales”. La transparencia impulsa la mejora continua.

Estrategias de optimización del contexto

Proporcionar datos mínimos y relevantes es mejor que la sobrecarga. Brosamer dice: “La calidad de la salida de un agente está directamente ligada a la calidad de su contexto”. En Block, mantienen README claros y jerarquías bien estructuradas. Kussberg añade: “Los sistemas eficaces proporcionan herramientas de descubrimiento versátiles y bucles de recuperación hasta tener suficiente contexto”. Shopify usa entrega modular de instrucciones: “Devolvemos el contexto relevante junto con los datos de la herramienta cuando es necesario”. Kovi advierte sobre matices semánticos: “Si un agente no sabe que ‘usuarios activos’ significa algo diferente en producto vs. marketing, dará respuestas erróneas”.

Buenas prácticas de arquitectura

No todo necesita ser ‘agentificado’. Combinar LLM con MCP es ideal para situaciones novedosas, pero puede ser excesivo para automatización determinista. Kilcommins recomienda codificar lo determinista. Identificar procesos de alta fricción, como solicitudes de servicio o incorporación de nuevos contratados, es un buen punto de partida. Gurtu sugiere “empezar por las decisiones, no por las demostraciones”. Los agentes funcionan mejor como especialistas, no generalistas. Shopify limita las herramientas a 20-50 y evita arquitecturas multiagente en fases iniciales, usando subagentes con herramientas de bajo nivel.

Otras recomendaciones incluyen: usar infraestructura abierta, pensar primero en API, mantener datos sincronizados con arquitecturas basadas en eventos, equilibrar acceso con control mediante auditorías, y mejorar continuamente para evitar la deriva de agentes.

El futuro de los sistemas de agentes de IA

La IA agente avanza rápidamente. Los patrones se consolidan hacia sistemas multiagente, orquestación compleja y estándares abiertos. Brosamer prevé “fábricas de agentes que coordinen trabajo intelectual complejo, empezando por la programación”. También se espera un mayor énfasis en nubes alternativas e inferencia en el borde para reducir latencia. Como dice Ari Weil de Akamai, “el futuro de la IA competitiva exige proximidad, no solo potencia de procesamiento”.

Construir sistemas de agentes es una tarea compleja que combina tecnologías novedosas, diseño tipo microservicios y medidas de seguridad. El diseño inteligente será lo que distinga los proyectos exitosos de los pilotos fallidos. En ForgeNEX, seguimos de cerca estas tendencias para ayudarte a implementar soluciones de IA que realmente transformen tu negocio.

Fuente original: ComputerWorld. Análisis y adaptación por ForgeNEX.