¿Cómo se mide la inteligencia? ¿Cómo determinamos que un individuo o un programa es más inteligente que otro? ¿Por su volumen de información? ¿O quizá por la forma en que la utiliza para encontrar las mejores soluciones? Si crees que es la segunda opción, es posible que pienses que el más inteligente es aquel que tiene mayor autonomía, y eso tiene mucho que ver con la inteligencia artificial agênica.

La IA se inspiró en las redes neuronales, desde el punto de vista morfológico: a través de capas cerebrales más o menos profundas, las neuronas se conectan entre sí y, al hacerlo, almacenan información en la memoria y, por consiguiente, aprenden. Esa es, por así decirlo, la parte fisiológica de la inteligencia.

Sin embargo, la inteligencia no se mide únicamente por la capacidad de establecer rápidamente numerosas conexiones y almacenar grandes volúmenes de datos. Se mide, en gran medida, por las decisiones que tomamos, más concretamente por la calidad de las elecciones que hacemos a partir de la información que almacenamos. Para tomar decisiones de mayor o menor calidad, necesitamos cierto grado de autonomía; o, dicho de otro modo, de agencia.

Cuando presentamos a los agentes de inteligencia artificial aquí, en el blog de Inmetrics, describimos sus principales características: capacidad «social», reactividad, proactividad, acervo de conocimientos, intención, inocencia y autonomía. Estos atributos definen el grado de agencia de una inteligencia artificial. En otras palabras, «agente» es un adjetivo que califica a una IA y varía según su intensidad: hay agentes de inteligencia artificial más «agentes» que otros.

Explicando el concepto

Quizás la mejor forma de explicar qué es una IA agencial sea imaginar las interacciones que solemos tener con agentes de inteligencia artificial del tipo chatbot. Tú haces una pregunta, él genera una respuesta. Tú haces otra pregunta, él crea otra respuesta, y así sucesivamente. En otras palabras, estas aplicaciones de IA están orientadas a resolver tareas.

Una inteligencia artificial agentiva se orienta hacia uno o varios objetivos. En lugar de limitarse a realizar tareas aisladas, tienen la capacidad de planificar cada paso con vistas al objetivo final. Si recordamos las características de los agentes de inteligencia artificial que hemos mencionado, las IA agentivas tienen más autonomía, proactividad e intención. O, en resumen, tienen más capacidad de acción sobre la tarea que se les asigna.

Podemos considerar que las aplicaciones de inteligencia artificial agencial son versiones evolucionadas de los sistemas de IA. Por lo tanto, los fundamentos conceptuales que guiaron su desarrollo ya estaban presentes en los orígenes de las reflexiones sobre el tema, en la década de 1940. Sin embargo, no fue hasta 2023, con el trabajo de Andrew Ng para estructurar lo que él denominó «flujos de trabajo agentivos», cuando las IA agentivas dejaron de ser meras propuestas en artículos científicos y cobraron vida en aplicaciones de uso generalizado.

En su trabajo, Andrew Ng presenta cuatro patrones de diseño de aplicaciones de inteligencia artificial agentiva:

1. Reflexión → Los modelos de lenguaje grande (LLM) revisan su propio trabajo, identifican errores y encuentran formas de corregirlos
2. Uso de herramientas → : a los modelos de lenguaje grande (LLM) se les dotan de capacidades —como buscar en Internet, ejecutar código u otras funciones— que les ayudan a encontrar información, tomar decisiones o procesar datos
3. Planificación → Los modelos de lenguaje grande (LLM) identifican la necesidad y elaboran un plan en varios pasos para alcanzar un objetivo.
4. Colaboración entre múltiples agentes → los agentes de inteligencia artificial trabajan juntos: debaten sobre las opciones y se reparten las tareas para encontrar una solución mejor que la que podría lograr un agente por sí solo.

Inteligencia artificial agencial: cómo funciona

Presentamos la caracterización conceptual de las aplicaciones de IA agencial. Desde un punto de vista algo más técnico, lo que las define son sus componentes, su arquitectura y sus flujos de trabajo.

Entre los componentes, quizá el elemento principal que diferencia a los agentes de inteligencia artificial tradicionales de las IA agentivas es la memoria persistente. Además de utilizar la memoria a corto plazo, la de la ventana de contexto de los LLM, conservan memorias a largo plazo en bases de datos vectoriales. Es la memoria persistente la que permite la configuración de rutinas asíncronas y autónomas sin necesidad de una indicación inmediata. De este modo, la IA agencial puede actuar de forma continua.

Otro componente importante es el conjunto de herramientas. Existen aplicaciones de IA agentiva que tienen autonomía para crear su propia máquina virtual. Al operarla, pueden compilar y ejecutar códigos, manipular archivos y acceder a Internet para navegar, buscar información e instalar dependencias en los sistemas.

Desde el punto de vista de la arquitectura, podemos decir, a grandes rasgos, que la inteligencia artificial agencial utiliza una arquitectura de aplicaciones que contiene redes neuronales artificiales de diferentes tipos: las Transformer como núcleo de control y otras periféricas que, en general, son subtipos de redes neuronales feedforward, como las convolucionales. Estas operan en los módulos de visión artificial y se utilizan, por ejemplo, cuando la aplicación necesita leer elementos en la pantalla: botones, imágenes, entre otros.

Como ya hemos mencionado en este texto, fue la estructuración de los «flujos de trabajo agénticos» lo que permitió la materialización de las IA agénticas. Estos constituyen su elemento más característico, ya que determinan el modo en que funcionan estas aplicaciones. A grandes rasgos, podemos dividir el flujo de trabajo en cuatro etapas:

1. Fase de percepción → identificación de la información, ya sea en el mensaje o procedente de otras fuentes, que será necesaria para comprender el objetivo
2. Fase de razonamiento y planificación → el agente establece el objetivo, lo divide en tareas secuenciales e identifica las herramientas que utilizará para completar cada una de ellas
3. Fase de acción → el sistema ejecuta las acciones, coordinadas por el núcleo, normalmente agentes de inteligencia artificial estructurados en redes neuronales artificiales de tipo Transformer
4. Fase de aprendizaje → la aplicación evalúa si la entrega de las tareas se ajusta al objetivo establecido, comparando lo que se ha completado con el estado deseado. En caso de que la entrega reciba una valoración negativa, la aplicación busca una forma de corregir el error.

La inteligencia artificial agencial ya se utiliza en diversas aplicaciones, tanto de uso corporativo como personal. Se emplea para innumerables actividades que van desde el análisis profundo de datos hasta la detección de fraudes en el sistema financiero, pasando por la gestión integral de un ordenador y todas las tareas del usuario.

Muchas de estas capacidades de la IA agentiva se aplican en los proyectos que desarrollamos para nuestros clientes, y son gestionados tanto por la unidad de Aceleración Digital como por la de Experiencia Digital y por la de Consultoría, Datos e Inteligencia Artificial. En función de sus necesidades, contaremos con una unidad especializada para ayudarle, tanto en el desarrollo de su propio proyecto de IA agentiva —incluida la fase de pruebas— como en el análisis y la aplicación estratégica de la inteligencia artificial en sus sistemas.

Si quieres conocer las capacidades de la IA agentiva en las aplicaciones de tu empresa, ¡ponte en contacto con nosotros! Uno de nuestros especialistas estará a tu disposición para mostrarte cómo han evolucionado los agentes de inteligencia artificial y cómo tu empresa puede sacar partido de ello.