Tabla de contenidos
Enfoque gráfico
Durante décadas hemos tenido un enfoque de elaboración manual y mapeo de procesos de principio a fin. Por ejemplo, en el caso de una empresa que construía un chat comprado, había que diseñar y desarrollar sus flujos para todos y cada uno de los escenarios posibles.
Cada uno de estos flujos estaba vinculado y destinado a abordar una determinada intención del cliente y, una vez detectada la intención, se invocaba un determinado flujo predeterminado y fijo.
Este enfoque se convirtió en la espina dorsal de la automatización, diseñando y codificando manualmente árboles de decisión, dependencias y rutas de ejecución.
Sin embargo, el problema de este planteamiento era que, obviamente, estaba predeterminado y no era flexible, por lo que no podía adaptarse a los cambios, especialmente los relacionados con el comportamiento de los usuarios.
También había un elemento de mantenimiento que exigía que estos flujos se revisaran y actualizaran a medida que lo hicieran las vulnerabilidades y cambiaran los procesos y productos.
Agentes de IA
He escrito mucho sobre los agentes de IA, pero baste decir que los agentes de IA dieron lugar a un proceso en el que una consulta del usuario se descompone automáticamente en subpasos y los subpasos se encadenan en la secuencia o un flujo que es ejecutado por el agente de IA para llegar a una conclusión final.
El agente itera a través de un proceso de observación, pensamiento, acción, observación, y este proceso itera hasta llegar a la respuesta final.
El agente de IA tiene como parte de su salida la cadena o secuencia de eventos que creó para llegar a la conclusión final.
Con la llegada de los agentes de IA, la automatización pasó del seguimiento estático de reglas a la toma de decisiones dinámica. Los agentes de IA integraron el razonamiento, el uso de herramientas y la adaptabilidad, lo que les permitió ejecutar tareas con mayor flexibilidad.
Uso de agentes de IA para crear flujos de trabajo agenéticos
Una investigación reciente de OpenAI utilizó su modelo de razonamiento, tomando artículos de conocimiento y convirtiéndolos en una secuencia de eventos con condiciones.
El modelo o1, con sus avanzadas capacidades de razonamiento, parece muy adecuado para crear rutinas que conviertan artículos de conocimiento en flujos de procesos.
Su capacidad para manejar información compleja y estructurada sin necesidad de una amplia formación previa te permite deconstruir intrincados artículos de conocimiento -como los que contienen instrucciones de varios pasos, árboles de decisión descritos o diagramas- y convertirlos en rutinas procesables.
Aprovechando sus capacidades de «disparo cero», o1 puede interpretar y descomponer eficazmente las tareas en pasos claros y manejables sin necesidad de grandes indicaciones o ajustes.
Y este es un nuevo paradigma que me parece realmente interesante, en el que los agentes de IA no se utilizan simplemente para llegar a una conclusión final, sino que se aprovechan para crear flujos de trabajo o gráficos basados en datos existentes.
Esto es algo que se conoce como flujos de trabajo agénticos, en los que el usuario expresa un deseo y se genera un flujo de trabajo que se presenta al usuario.
A continuación, el usuario supervisa, aprueba o modifica el flujo de trabajo y lo envía para que se ejecute.
Se trata de un enfoque intermedio entre los flujos de trabajo manuales hechos a mano y los agentes de IA completamente autónomos, en los que hay un nivel de supervisión humana.
Flujos de trabajo agenéticos, en los que la IA ya no es un simple trabajador, sino que se está convirtiendo en el arquitecto de sus propios flujos de trabajo.
- La IA puede sintetizar información, descomponer problemas y crear secuencias de tareas óptimas.
- Los flujos de trabajo pueden adaptarse dinámicamente en función del contexto, el entorno y los datos en tiempo real.
- La supervisión humana pasa de diseñar flujos de trabajo a validar los procesos generados por la IA.
A medida que los agentes de IA ganan autonomía en la creación de flujos de trabajo, la frontera entre automatización y toma de decisiones se difumina.
Supervisión humana / Flujos de trabajo agénticos
Teniendo en cuenta la imagen siguiente… es un buen ejemplo de introducción de la agencia de forma comedida.
El usuario plantea una pregunta: Necesito programar una alarma para todos los días laborables por la mañana a las 7:30, y luego cancelar la alarma para el jueves, cambiándola a las 8:00 de la tarde.
Se trata de un enunciado compuesto y multiintento, pero observe cómo el Asistente Agentic descompone la solicitud en una secuencia de tareas y subtareas. Y el usuario tiene la opción de eliminar pasos, o refinarlos dividiéndolos.
Esta imagen muestra el plan generado a la izquierda, y la conversación a la derecha.
Y a continuación un último ejemplo de una entrada / solicitud de usuario compuesta, y la tarea descompuesta con múltiples pasos (flujo de trabajo agéntico) para la aprobación humana.
Sígueme en LinkedIn
Chief Evangelist @ Kore.ai | Me apasiona explorar la intersección de la IA y el lenguaje. Desde modelos lingüísticos y agentes de IA hasta aplicaciones agenéticas, marcos de desarrollo y herramientas de productividad centradas en los datos, comparto ideas sobre cómo estas tecnologías están dando forma al futuro.