El Dr. Philipp Herzig, Chief Technology Officer de SAP, explica por qué la IA agentiva nos llevará a la próxima era de productividad empresarial.
Desglosar una tarea compleja en componentes, cada uno asignado a diferentes especialistas o equipos, no es nada nuevo. Esta inteligente división del trabajo ha sobrecargado las industrias desde principios del siglo XX, desde la fabricación automotriz de Ford hasta la comida rápida y el desarrollo de software.
La especialización aporta una mayor eficiencia e innovación a medida que cada especialista completa su parte antes de entregar la tarea a otro. Sin embargo, puede ser un desafío lograr todos los beneficios cuando los silos departamentales y los datos dispersos dificultan la colaboración. Las organizaciones también deben superar la escasez de talento o las brechas entre los puestos y los trabajadores disponibles a la hora de cubrir los roles de especialistas.
La IA agentiva está diseñada para transformar lo que se puede lograr a través de la especialización, y de la misma manera busca cambiar la forma en que los humanos interactúan y trabajan con inteligencia artificial. Los agentes de IA colaborativa que trabajan de manera autónoma en todas las funciones de negocio impulsarán nuevos niveles de productividad. Los analistas estiman que la IA agentiva en las aplicaciones de software empresarial crecerá de menos del 1% en 2024 al 33% en 2028, habilitando soluciones autónomas para el 15% de las decisiones de trabajo diarias.
Obtener los beneficios de la IA agentiva
Una de las características que definen la IA agentiva es la proactividad. Los agentes pueden realizar tareas de forma autónoma con flujos de trabajo auto concebidos de varios pasos. Por ejemplo, un agente especializado en el comercio minorista podría reorganizar las entregas de pedidos sin intervención humana en casos como retrasos por causas climáticas o por la escasez de materiales. El agente puede decidir si proceder con el envío, investigar más o validar datos antes de continuar hacia su objetivo. Los agentes que trabajan 24/7 reaccionando a los eventos se adaptarán y desarrollarán nuevos enfoques o estrategias si las circunstancias cambian.
Si esto suena como si fuera usted el que esta razonando, es porque lo es. Asegurarse de que un agente de IA pueda razonar requiere contexto. Esto le permite tener en cuenta más variables al tomar decisiones. Los datos proporcionan contexto y una comprensión de su negocio: si desea que los agentes de IA trabajen con los datos más recientes de toda la empresa, necesitan acceso a ellos. Los agentes que trabajan en silos de datos crearán un progreso específico del dominio, pero no lograrán impulsar el impacto en toda la empresa.
Los metadatos (el quién, qué y cuándo) ayudan a un agente a determinar si se deben tener en cuenta los datos, si están obsoletos o son irrelevantes y deben ignorarse. Los gráficos de conocimiento unen todo exponiendo los metadatos, haciendo que las relaciones entre la información sean accesibles. De este modo, un agente de IA que resuelve una disputa de pago conoce las relaciones entre el proveedor y el comprador, las órdenes de compra, etc. Los gráficos de conocimiento también proporcionan una base para los datos y el razonamiento del agente de IA conectándolos con hechos del mundo real. Los agentes minoristas necesitan datos conectados al contexto del mundo real para sugerir productos a los clientes basados, por ejemplo, en el historial de compras y la demografía.
Los agentes también necesitan una forma de comprender cómo dependen entre sí los diferentes fragmentos de información, de modo que puedan considerar el contexto más amplio de una tarea más allá de un componente específico. Esto se transmite a través de un gráfico de conocimiento que captura esquemas de procesos, como un manual para agentes de IA. Si reserva unas vacaciones, los agentes solicitarán el destino y las fechas antes de que el gráfico lo dirija a la reserva de vuelos y hoteles.
Esta forma estructurada de derivar nueva información y hacer conexiones lógicas ayudará a los agentes de IA a razonar y sacar conclusiones. Los gráficos de conocimiento también ofrecen el beneficio de la escala. Anote esto solo una vez; no tendrá que rehacerlo para cada agente nuevo.
El recorrido multi-agente
Los beneficios de incorporar IA no agentiva en toda la cadena de suministro ya han causado asombro entre los distribuidores —ofreciendo reducciones en los niveles de inventario, costos logísticos y gastos de compras—. La IA agentiva construirá sobre estos beneficios. Técnicas como el razonamiento de varios pasos y la capacidad de ejecutar tareas de forma autónoma hacen que la IA agentiva sea perfecta para campos dinámicos como las cadenas de suministro, permitiendo que tareas consideradas demasiado intrincadas, complejas, o con demasiados pasos interdependientes puedan automatizarse. La IA no agentiva puede utilizar datos históricos para reordenar el inventario, lo que podría provocar un exceso o faltas de inventario cuando se producen picos inesperados. La IA agentiva, por el contrario, puede analizar continuamente una amplia gama de entradas de datos para prevenir la demanda en tiempo real, mientras colabora con otros agentes para optimizar la logística o ajustar los turnos de los empleados.
Esta capacidad de colaborar y unir especializaciones ofrece beneficios que no están disponibles para sistemas aislados. Toma como ejemplo la interacción entre fabricantes, servicio al cliente y la cadena de suministro. Para que las organizaciones manufactureras proyecten costos con precisión, necesitan entender la cadena de suministro. Los proveedores, los costos de materiales y el transporte afectan los precios de fabricación. Los agentes de IA pueden considerar todo esto en tiempo real, mientras que los datos de los sensores de las máquinas y los componentes ayudan a predecir la escala de tiempo de las reparaciones y las interrupciones de la producción. Pasar toda esta información a los agentes de servicio al cliente les permite ponerse en contacto proactivamente con los clientes sobre el estado de entrega, informarles si hay algún retraso y ofrecerles una bonificación para mantenerlos contentos.
¿Dónde estamos ahora?
La IA agentiva aún se está desarrollando y, a pesar de su potencial, hay desafíos. Los agentes de IA son tan poderosos como los datos en los que se basan, por lo que las organizaciones deben garantizar que tengan acceso a datos unificados de alta calidad. Los agentes que operan de forma aislada son incapaces de colaborar o de fomentar la productividad interempresarial.
El establecimiento de objetivos prácticos sigue siendo tan crucial para la IA agentiva como para la fuerza laboral tradicional. Debes considerar qué objetivos estableces para los agentes y bajo qué condiciones pueden determinar sus propios objetivos antes de la intervención humana. Los agentes pueden cometer errores, especialmente a medida que aprenden. Contar con barandillas o barreras de protección puede ayudar a mitigar los riesgos.
La promesa de la inteligencia artificial agentiva, que actúa de forma independiente para simplificar tareas complejas y rutinarias puede parecer ciencia ficción. Sin embargo, si se implementa correctamente, los beneficios no estarán muy lejos, transformando la ficción en realidad. SAP News. Traducido al español
Contacto