¿El Agente de Inteligencia Artificial significará el fin del SaaS?

¿Se acabará el SaaS? Quizás no ahora. Quizás nunca. Pero hay mucho que tener en cuenta con nuestros amigos de Agentic AI.

por Frank Palermo

La esencia

• Ecosistemas de IA dinámicos. Las aplicaciones de software están pasando de ser software estático y monolítico a ser ecosistemas dinámicos basados ​​en IA que se integran perfectamente con diversas necesidades comerciales.
• La disrupción de la IA con agentes. Los sistemas de IA con agentes pueden empezar a neutralizar el crecimiento de las aplicaciones SaaS a medida que las empresas buscan aprovechar la IA para optimizar aún más sus negocios.

Existe un creciente impulso en torno a un paradigma de inteligencia artificial (IA) denominado IA agéntica, que tiene el potencial de transformar las empresas al reducir las cargas de trabajo, simplificar los procesos y orquestar el trabajo. La IA agéntica es un tipo de IA que puede actuar de forma independiente y tomar decisiones sin intervención humana. Los sistemas de IA agéntica pueden analizar datos, predecir resultados y ejecutar decisiones de forma autónoma. Piense en los agentes de IA como compañeros de equipo digitales con los que las personas pueden colaborar mediante lenguaje natural o indicaciones.

Como la mayoría de los paradigmas de IA, la IA agente no es un concepto completamente nuevo. Tiene sus raíces en las décadas de 1950 y 1960, cuando los esfuerzos de IA se centraron en crear programas que pudieran imitar la toma de decisiones humana. En las décadas de 1980 y 1990, los avances en robótica y visión artificial otorgaron a las máquinas cualidades similares a las de los agentes.

Los primeros ejemplos de IA con agentes también se encontraron en los chatbots de IA que demostraron el potencial de la IA para interactuar con los clientes de forma autónoma. Estos primeros chatbots se limitaban a utilizar la comparación de patrones y árboles de decisión para simular una conversación.

En 2024, el concepto fue revigorizado por el empresario tecnológico Andrew Ng . Ng ha dedicado su carrera al campo de la inteligencia artificial y ha sido cofundador de Google Brain, científico jefe de Baidu y profesor adjunto en Stanford. Ha ayudado a lanzar algunos de los programas de inteligencia artificial más ambiciosos y se ha ganado su estatus como una de las figuras más respetadas en la ciencia informática.

Ng predice que los agentes impulsados ​​por IA serán un gran foco en el espacio tecnológico en los próximos años, contribuyendo más al progreso de la IA que simplemente a la ampliación de los modelos de lenguaje de gran tamaño. Ha observado que cada vez más empresas tecnológicas están desarrollando plataformas para respaldar los flujos de trabajo de agentes, y que cada vez se crean más aplicaciones en torno a ellos. Los sistemas multiagente pueden resolver problemas más complicados que las configuraciones tradicionales de un solo agente.

¿Son los LLM similares a los agentes de IA?

Hoy en día, utilizamos la IA para generar respuestas sofisticadas a indicaciones que brindan información clave en segundos. Lo que antes requería horas de investigación y síntesis puede suceder literalmente en tiempo real con indicaciones bien pensadas. Sin embargo, estas respuestas son de naturaleza lineal o, en términos de IA, de “ cero disparos ”, donde la respuesta se proporciona de principio a fin sin acciones asincrónicas o iterativas.

Los agentes de IA no pueden tomar sus propias decisiones ni planificar ni adaptarse a situaciones cambiantes. En lugar de simplemente generar contenido, los agentes de IA pueden interactuar con su entorno, responder a los cambios y completar tareas con una mínima orientación humana. Los agentes de IA no se adaptan ni aprenden en tiempo real; se basan principalmente en los patrones que aprendieron durante el entrenamiento. Los agentes de IA no pueden interpretar un entorno físico y solo reaccionan a la información que se les da, no al contexto que los rodea.

Agentes de IA: configúrelo y olvídese

Los agentes de IA pueden actuar de forma independiente sin la intervención constante de los seres humanos. Pueden ejecutar una “ cadena de pensamiento ” que requiere una orquestación compleja y la iteración entre diferentes sistemas y procesos. Esto significa que un agente puede deconstruir un flujo de trabajo complejo en una serie de pasos intermedios, facilitar un análisis adicional y luego sintetizarlo en una respuesta o resultado coherente. Piense en ello como un robot que opera sin un controlador humano y que determina qué hacer a continuación en función de su entorno.

Los agentes de IA ofrecen capacidades que van más allá de las capacidades de los LLM. Los agentes de IA ofrecen una funcionalidad que los LLM por sí solos no pueden igualar, ya que tienen conexiones a varias fuentes de datos y herramientas para orquestar la toma de decisiones. Por ejemplo, un LLM puede generar texto en función de una indicación, mientras que un agente de IA puede tomar el resultado generado, analizar datos adicionales y realizar una serie de secuencias de acciones para completar un objetivo o una tarea más amplios.

Agentes de IA vs. Chatbots

Los agentes de IA son más sofisticados que los chatbots de IA tradicionales. Los chatbots están diseñados principalmente para responder preguntas predefinidas o seguir un guión establecido, mientras que la IA con agentes puede analizar información, aprender de los datos y tomar decisiones basadas en el contexto para lograr objetivos. Los chatbots de IA tradicionales  se basan en reglas, lo que limita su proactividad y capacidades autónomas. Esto crea un alcance limitado de lo que se puede lograr a través de estas interfaces de IA rudimentarias.

Un chatbot de IA funciona bien para brindar respuestas a preguntas básicas sobre un producto o servicio a través de un sitio web o una aplicación móvil. Sin embargo, un sistema de IA con agentes puede monitorear las tendencias del mercado, identificar oportunidades potenciales y automatizar las decisiones de compra de productos en función del precio y otros criterios predeterminados.

La IA agente es la próxima evolución de la IA generativa.

Componentes básicos de la inteligencia artificial de Agentic

Los sistemas de IA con agentes están orientados a tareas y objetivos

Una vez habilitados, pueden actuar de forma autónoma y tomar decisiones sin intervención humana. Son adaptables y pueden aprender de sus experiencias y acciones a lo largo del tiempo. Los agentes de IA pueden colaborar y trabajar juntos para completar tareas de forma muy similar a los equipos humanos. Los agentes suelen tener un diseño modular, por lo que se pueden escalar para resolver problemas complejos distribuyendo tareas especializadas a subagentes y luego orquestando el resultado.

Los sistemas de inteligencia artificial de Agentic combinan modelos de lenguaje de gran tamaño (LLM), herramientas y mensajes para la gestión de tareas complejas

Un sistema de IA con agentes normalmente tiene componentes básicos, como la arquitectura del agente, las interfaces del entorno, la gestión de tareas, los protocolos de comunicación y los mecanismos de aprendizaje. Estos componentes están cada vez más disponibles en plataformas de software diseñadas específicamente para simplificar la creación, la implementación y la gestión de agentes de IA.

Los sistemas de inteligencia artificial de Agentic son más potentes que los LLM básicos

Por ejemplo, un sistema de inteligencia artificial con agentes podría gestionar de forma autónoma todo el proceso de préstamo de un cliente. Va más allá del procesamiento automatizado básico basado en reglas, que es lo que ofrece una herramienta de automatización de procesos robóticos (RPA) típica. En cambio, puede analizar el historial financiero del cliente, predecir el flujo de efectivo futuro, ajustar los términos de pago, analizar las tasas de interés del mercado y ofrecer de forma proactiva un producto de préstamo que se adapte mejor al cliente. Todo esto sucede en tiempo real sin necesidad de intervención manual.

Los sistemas de inteligencia artificial de Agentic se adaptan en tiempo real

La automatización de las solicitudes de servicio al cliente se vuelve más eficiente que un chatbot de IA tradicional, ya que los agentes de IA no solo responden a las consultas de los clientes, sino que también gestionan de forma autónoma interacciones complejas y guían a los clientes a través de varios procesos. Los agentes de IA se adaptan a la situación en tiempo real. Anticipan los próximos pasos del cliente y ofrecen información relevante incluso antes de que la solicite. Esto reduce la fricción en las interacciones con los clientes y crea una experiencia de servicio más fluida y eficiente.

Cómo los marcos de trabajo de Agentic impulsan la innovación en IA

Un marco de trabajo de IA con agentes proporciona a los desarrolladores componentes prediseñados, modelos de datos y herramientas que brindan capacidades básicas y estándar para agilizar la creación de sistemas complejos de agentes de IA. Estos marcos aceleran el desarrollo, promueven la estandarización y mejoran la escalabilidad y la accesibilidad en la IA.

Muchos de estos marcos de trabajo de IA con agentes comenzaron a aparecer a fines de 2023 y durante 2024. El espacio aún está evolucionando rápidamente, pero han surgido algunos marcos de trabajo interesantes, como LangGraph, Crew AI, Microsoft AutoGen, FlowiseAI y OpenAI Swarm:

LangGraph: marco modular para agentes LLM

LangGraph, de los desarrolladores de LangChain, ofrece un marco modular para crear agentes basados ​​en LLM capaces de ejecutar flujos de trabajo de tareas complejas y que admiten encadenamiento de tareas, gestión de memoria e integración de herramientas. LangChain permite realizar tareas de varios pasos, conexiones de fuentes de datos y funciones de agente adaptables para aplicaciones dinámicas.

CrewAI: marco de código abierto para la creación de agentes de IA

CrewAI es otro marco de código abierto, respaldado por Andrew Ng, que permite la creación de equipos de IA en los que cada agente tiene funciones, herramientas y objetivos específicos y trabaja en conjunto para llevar a cabo tareas complejas. Es como formar un equipo de expertos en el que cada miembro aporta habilidades y experiencia únicas y pueden colaborar sin problemas para lograr los objetivos de la tarea.

AutoGen de Microsoft: el código abierto permite la cooperación entre múltiples agentes de IA

AutoGen de Microsoft es un marco de programación de código abierto para crear agentes de IA y facilitar la cooperación entre múltiples agentes para resolver tareas. AutoGen tiene como objetivo proporcionar un marco fácil de usar y flexible para acelerar el desarrollo y la investigación sobre IA con agentes. AutoGen se basa en el marco de actores, donde cada agente es un actor.

FlowiseAI: herramienta de código bajo que respalda la orquestación LLM

FlowiseAI es una herramienta de código abierto y de bajo código para que los desarrolladores creen flujos de orquestación LLM y agentes de IA personalizados. Los usuarios pueden diseñar agentes de IA a través de una interfaz visual sin tener que escribir grandes cantidades de código, lo que la hace accesible para quienes no son programadores. 

OpenAI Swarm: marco de trabajo ligero y estructuras JSON

OpenAI Swarm es un marco experimental y liviano diseñado para simplificar la creación de flujos de trabajo de múltiples agentes. Es más un “patrón de diseño” de “transferencias entre agentes” que un marco completo. Cada agente en Swarm viene con su propio conjunto de instrucciones, un rol designado y una colección de funciones disponibles. Estas funciones se transforman en estructuras JSON, lo que permite una integración y ejecución sin inconvenientes.

Muchos de estos marcos tendrán capacidades similares, pero aquí hay algunas consideraciones clave al seleccionar un marco de IA agente.

• Transmisión: ¿La plataforma admite la transmisión de tokens o mensajes en tiempo real?
• Humano en el circuito: ¿Es posible introducir un humano en el proceso de la cadena de decisiones?
• Viaje en el tiempo: ¿Puede la plataforma volver atrás en el tiempo para comprender dónde se equivocaron los agentes?

• Memoria: ¿La plataforma recuerda las decisiones?
• Código bajo: ¿Existe la posibilidad de crear agentes?
• Soporte de idiomas: ¿Qué idiomas admiten?

La mejor manera de comprender el poder de estos marcos es comenzar a desarrollar soluciones para comprender las capacidades de lo que es posible hoy.

Cómo los patrones de diseño de agentes mejoran la inteligencia artificial

Agentic AI utiliza una categoría de patrones de diseño que se centran en cómo los agentes de IA toman decisiones e interactúan con su entorno, incluida la planificación, la reflexión y el uso de herramientas. 

Considere pedirle a un agente de IA que planifique un viaje, en el que deberá tener en cuenta factores como las fechas de viaje, los destinos, el alojamiento, el transporte y las actividades. Luego, podría generar un itinerario detallado con pasos lógicos. Para lograrlo, el agente puede usar varios patrones de diseño. Se pueden usar varios patrones de diseño populares para hacer esto.

Patrones de diseño clave en la IA de Agentic

La reflexión es un refinamiento iterativo en el que la respuesta rápida se puede utilizar para revisar o criticar el resultado de la respuesta del LLM. Esto obliga al LLM a analizar críticamente, identificar fallas y mejorar la respuesta. Este ciclo puede repetirse hasta que el LLM esté satisfecho con el resultado. La reflexión mejora la precisión y la confiabilidad y alienta al LLM a explorar diferentes perspectivas y generar respuestas más matizadas. 

El patrón de uso de herramientas es un mecanismo poderoso que permite que los LLM interactúen con sistemas externos, API o recursos. Este patrón extiende los LLM que pueden estar limitados por datos preentrenados obsoletos y permite la integración dinámica con recursos externos. También permite que los LLM ejecuten herramientas externas para completar una tarea específica.

Un patrón de diseño de razonamiento o planificación es cuando el LLM decide de manera autónoma la secuencia de pasos necesarios para ejecutar una tarea. Este patrón con frecuencia implica entrelazar múltiples LLM para realizar una tarea. Al determinar cada paso, qué modelo utilizar y qué opciones tomar, permite la conducción autónoma de un flujo de trabajo complejo de múltiples pasos.

Por último, la colaboración entre múltiples agentes envía a varios agentes a un entorno compartido para que colaboren o compitan para lograr un objetivo específico, y cada agente actúa de forma independiente para resolver problemas complejos. En algunos casos, los LLM pueden estar especializados para ejecutar determinadas tareas. Un ejemplo de esto podrían ser los vehículos autónomos que coordinan movimientos en una carretera para orquestar el flujo de tráfico.

¿Qué les espera a las aplicaciones empresariales con Agentic AI Dynamic?

¿Qué significa todo esto para el futuro de las aplicaciones empresariales? ¿Su futuro está en peligro? Una cosa es segura: las aplicaciones de software tendrán un aspecto diferente.

Es muy posible que las aplicaciones empresariales comiencen a colapsar en la era de la IA basada en agentes. Si consideramos la base fundamental de una aplicación SaaS típica, consta de un repositorio de datos con una capa de lógica empresarial y un front-end impulsado por procesos.

En el futuro, las aplicaciones no vivirán aisladas como hoy. Considere su actual huella de aplicaciones SaaS para CRM , RR. HH., Finanzas y TI. Hoy, es probable que se trate de diferentes aplicaciones SaaS de distintos proveedores de SaaS. Se dedica mucho esfuerzo a integrar y correlacionar estos sistemas para que una empresa pueda operar sus procesos comerciales centrales. La mayoría de los procesos comerciales centrales de la empresa abarcan múltiples soluciones SaaS en la empresa, lo que aumenta la complejidad y el esfuerzo necesarios para la integración.

El cambio del SaaS tradicional a los sistemas basados ​​en IA

El SaaS tradicional suele centrarse en flujos de trabajo estáticos y predefinidos que requieren personalización para poder cambiar. Las arquitecturas de agentes se complementan con modelos de IA que se adaptan y aprenden de forma dinámica.

En una arquitectura de agente , la lógica se trasladará a la capa de inteligencia artificial o de toma de decisiones. La lógica empresarial se comprimirá en el agente. El agente de inteligencia artificial orquestará el trabajo. Los agentes de inteligencia artificial interactuarán con los repositorios de datos directamente y tomarán decisiones de forma autónoma con una interacción humana limitada. La inteligencia artificial no discriminará qué sistema utiliza o atraviesa para completar una tarea.

Los agentes de IA como nueva interfaz para aplicaciones empresariales

Esto podría hacer que todo el modelo de interacción cambie de experiencias basadas en procesos y formularios a directivas habilitadas por voz. Por ejemplo, lanzar una campaña de ventas podría volverse tan fácil como proporcionar un conjunto de instrucciones como “Dame una lista de mis 20 clientes principales que han hecho negocios conmigo en los últimos 90 días y envíales una oferta promocional de un 20% de descuento en nuevas compras”. En segundo plano, los agentes trabajarían con los sistemas de registro en CRM, herramientas de marketing y campañas para activar esta campaña casi sin intervención.

Inicialmente, las aplicaciones SaaS tradicionales no desaparecen, pero pueden volverse “sin cabeza”, lo que significa que el modelo de interacción cambia a medida que los agentes se convierten en la interfaz de usuario principal.

Sin embargo, una vez que el nivel de IA se vuelve operativo, las empresas pueden comenzar a pensar en racionalizar los back-end para consolidarlos en un repositorio empresarial unificado. Los agentes de IA son independientes del back-end, por lo que no tienen ningún acoplamiento con una aplicación empresarial específica. Esto crea una enorme libertad en las arquitecturas empresariales que con frecuencia están limitadas por los silos heredados que existen en las aplicaciones actuales.

El futuro del SaaS: evolución, no extinción

Puede que no veamos la “muerte del SaaS” en un futuro próximo, pero la evolución de la entrega de software hacia sistemas más inteligentes, flexibles y adaptables ya está aquí. Para las plataformas SaaS tradicionales y ERP heredadas, esto marca un cambio desde un software estático y monolítico a ecosistemas dinámicos impulsados ​​por IA que se integran perfectamente con diversas necesidades comerciales. El futuro de las aplicaciones de software dependerá de la rapidez con la que se adapten a estas tendencias para ofrecer mayor valor, eficiencia y adaptabilidad.

Preguntas fundamentales sobre la IA con agentes

Nota del editor: Aquí hay dos preguntas importantes que debemos hacer sobre la IA agente. 

¿Qué es Agentic AI?

La IA agente se refiere a un tipo de inteligencia artificial que puede actuar de forma independiente, tomar decisiones de forma autónoma y ejecutar tareas sin intervención humana constante. Puede analizar datos, predecir resultados y adaptarse a entornos cambiantes, de forma muy similar a un compañero de equipo digital que colabora con humanos para realizar tareas complejas.

¿En qué se diferencia Agentic AI de los chatbots de IA tradicionales?

A diferencia de los chatbots de IA tradicionales, que se basan en reglas y responden a consultas predefinidas, la IA con agentes puede interactuar de forma autónoma con su entorno, aprender de las experiencias y tomar decisiones por sí sola. Es capaz de gestionar tareas más complejas, adaptarse a los cambios y ejecutar flujos de trabajo que involucran múltiples sistemas y procesos, mientras que los chatbots se limitan a conversaciones simples y predefinidas.

Acerca del autor

Frank Palermo cuenta con más de 22 años de experiencia en liderazgo tecnológico en una amplia variedad de productos y plataformas técnicas. Frank cuenta con una vasta experiencia en la dirección de equipos globales en programas de desarrollo de productos y aplicaciones transformacionales a gran escala.

Fuente: https://www.cmswire.com/ai-technology/will-agentic-ai-mean-the-end-of-saas/