Un importante número de empresas ya están aprovechando la IA con casos de uso basados en Agentes y Agentic AI para lograr eficiencias en sus procesos de negocio y lanzar ofertas innovadoras a sus clientes. Sin embargo, muchos de estos casos de uso están todavía en un estado de piloto productivo y no suelen estar implantados los casos de uso de mayor impacto (y típicamente de mayor complejidad).
En otros artículos de este blog, os hemos explicado cómo las empresas están creando valor tangible en aplicaciones reales que abarcan la selección de modelos LLM, la gestión inteligente de prompts, o la incorporación de datos propios con técnicas como RAG y grounding. En esta entrada del blog damos un paso más y os contamos en qué estado se encuentran los Agentic frameworks para poder desarrollar aplicaciones inteligentes y lo que, desde dataguru, consideramos que deberían tener dichos frameworks. Para ello, usaremos una analogía con los sistemas SOA/BPM que tan de moda estuvieron en la primera década del presente siglo.
Los principales proveedores Cloud de IA como Google, Microsoft, AWS y otros son conscientes de la importancia de Agentic AI y ofrecen APIs a sus LLMs que facilitan la creación de Agentes de propósito específico mediante técnicas de poco o ningún código. Un ejemplo de ello es el framework Agent Development Kit (ADK). Sin embargo, el proceso de desarrollo, implementación, mantenimiento y documentación de una aplicación Agentic integral extremo a extremo sigue siendo un desafío significativo. Si queremos que nuestra aplicación Agentic perciba su entorno, planifique los pasos del proceso de manera inteligente, sea capaz de conocer y conectarse a sistemas externos, tenga memoria a largo plazo y aprenda mediante la observación de los resultados, es preciso hacer desarrollos a medida para los cuales todavía no hay un framework suficientemente completo, aunque estamos convencidos que veremos avances muy importantes en un futuro cercano.
Al igual que las soluciones de Gestión de Procesos de Negocio (BPM) de la década de 2000, los frameworks de aplicaciones Agentic deben ofrecer ventajas significativas sobre la construcción de aplicaciones desde cero. En primer lugar, estos frameworks deben permitir el desarrollo de Aplicaciones Inteligentes utilizando stateless LLM y dotarlos automáticamente de estado para procesos de negocio a largo plazo, gestionar la persistencia del historial de conversaciones y manejar la seguridad de forma nativa. En segundo lugar, deben proporcionar modelado visual y gráfico para la orquestación de procesos de negocio, lo que facilita el desarrollo, la documentación y el mantenimiento para usuarios no técnicos. Finalmente, estos frameworks deben ofrecer observabilidad de cada una de las iteraciones con los procesos, lo que permite el seguimiento de la calidad de la inteligencia del LLM y los resultados entre la aplicación y los usuarios/sistemas de negocio para una mayor auditabilidad y cumplimiento normativo. Exploremos esto más a fondo.
Nivel 1: Interoperar
Esta capa fundamental establece los building blocks para nuestras Aplicaciones Inteligentes. Estos frameworks gestionan interoperabilidad entre sistemas y con los LLMs de manera automática mediante protocolos predefinidos. Google, por ejemplo, usa el Protocolo de Contexto del Modelo (MCP) – estandarizando cómo los modelos de IA acceden a herramientas y datos externos – y el protocolo Agent2Agent (A2A), que estandariza la colaboración entre Agentes de IA independientes (conceptualmente similar a SOAP en arquitecturas orientadas a servicios). Microsoft ofrece Azure AI Studio junto con Azure OpenAI Service, mientras que AWS aprovecha un conjunto de herramientas que incluyen servidores AWS MCP, funciones AWS Lambda y Amazon SageMaker.
Los frameworks abiertos como LangChain desacoplan aún más sus Aplicaciones Inteligentes de la infraestructura Cloud subyacente con un framework potente, aunque no es 100% drag-n-drop y no gestiona aspectos clave como la sesión de cada instancia del proceso (session id).
Usando estos frameworks, aunque todavía incompletos, reducimos significativamente los costos de desarrollo mediante la reducción de la codificación, disminuimos los costos de mantenimiento con componentes preconstruidos y disminuimos la dependencia de TI al permitir que los usuarios de negocio construyan y modifiquen aplicaciones, liberando a TI para iniciativas estratégicas.
Nivel 2: Orquestación
Con los building blocks ya definidos y funcionando, el siguiente paso es la orquestación y el razonamiento. Antes de la aparición de los frameworks de orquestación de Agentic AI, definir y codificar la lógica del flujo de los procesos de negocio exigía una importante experiencia en programación de bajo nivel. Para desarrollar aplicaciones de Agentic AI con distintos grados de interacción visual, vale la pena considerar opciones como AWS Flow Builder, Google Cloud Vertex AI (con sus funciones de arrastrar y soltar con Agent Builder) y Azure AI Studio. Si bien el Kit de Desarrollo de Agentes (ADK) de Google Cloud se inclina por un enfoque de desarrollo de código, estas plataformas a menudo incorporan herramientas de drag and drop u otras herramientas visuales para facilitar la creación de Aplicaciones Inteligentes.
LangChain aborda la construcción de aplicaciones multi-Agente con LangGraph, incorporando el “estado” a los LLMs “stateless” y representa la lógica de la aplicación como un grafo, similar a BPMN en arquitecturas SOA/BPM. Este framework permite un enfoque centrado en los procesos, enfatizando el modelado y la automatización de los procesos de negocio, junto con la formalización y la aplicación de reglas y protocolos de negocio dentro de los flujos de trabajo de las aplicaciones.
Es importante tener en cuenta que para que el LLM sea capaz de razonar qué proceso queremos ejecutar dentro del catálogo de procesos, qué pasos debe seguir basado en contexto y experiencias previas (con lo cual, es un flujo no determinista), y en qué punto del proceso se encuentra la iteración actual, todavía se precisa de una alta codificación y gestión de la persistencia manual.
Los frameworks todavía no son capaces de gestionar de manera intuitiva y nativa la percepción de su entorno. Aspectos triviales como el día de la semana en el que nos encontramos o los datos demográficos del usuario que inicia el proceso tiene que ser codificados a mano, no digamos, por ejemplo la recomendación de un producto o servicio basado en compras previas o patrones de navegación.
Es crucial reconocer que las soluciones de IA Agéntica pueden no ser óptimas universalmente. Las aplicaciones con flujos altamente complejos, con demandas técnicas específicas o requisitos de rendimiento críticos aún pueden beneficiarse de los métodos de codificación tradicionales que ofrecen un control y una personalización más detallados que la IA.
Nivel 3: Evaluación
Una vez que nuestra Aplicación de IA Agéntica está en funcionamiento, y debido a la naturaleza no determinista de la lógica de la aplicación basada en LLM, es fundamental evaluar los resultados de cada iteración para el aprendizaje continuo, la auditoría y el cumplimiento normativo. Google, AWS y Microsoft Azure no proporcionan un framework único para la evaluación, sino un conjunto de diferentes herramientas en diferentes niveles (principalmente herramientas de bajo nivel de Monitoreo y Registro) sin funcionalidades específicas de auditoría y cumplimiento,las cuales deben ser codificadas.
LangSmith proporciona una plataforma unificada para depurar, probar, evaluar y monitorear sus Agentic Application basados en LLM. Al ofrecer un seguimiento detallado de cada paso, desde las entradas y salidas hasta los procesos intermedios, permite una evaluación exhaustiva de la calidad, la precisión y el rendimiento a través de métricas automatizadas y retroalimentación humana. Si bien no es una solución SOA/BPM completa, LangSmith es lo más cercano a ofrecer información valiosa similar un BAM (Business Activity Monitoring).
La ausencia de un control centralizado en los primeros frameworks de IA Agéntica perpetúa la «TI en la sombra», lo que obstaculiza los beneficios potenciales de la IA. Por contra, un framework bien gobernado y centralizado permitiría un entorno de desarrollo de aplicaciones más visible, ágil, colaborativo y rentable. Esta estructura también integraría análisis e informes, proporcionando información crucial sobre el rendimiento del flujo de procesos, identificando cuellos de botella y permitiendo la toma de decisiones basada en datos para una optimización continua.
Conclusión:
Los frameworks de IA Agéntica están en su infancia, pero preparados para un avance significativo. Este cambio de paradigma democratizará el acceso a los procesos de negocio al permitir que todos los usuarios finales —empleados, clientes y proveedores— interactúen de forma intuitiva a través de lenguaje natural. Esta interacción se adaptará al contexto, aprenderá de cada iteración y se mantendrá segura, eliminando la fricción de navegar por múltiples interfaces específicas de aplicaciones poco intuitivas y haciendo que las interacciones diarias sean más eficientes y centradas en el ser humano.
¿Cómo puede ayudarte dataguru?
Con nuestro servicio de Agentes de IA y Aplicaciones Inteligentes, puedes experimentar el siguiente nivel de automatización con IA Agéntica. Diseñamos e implementamos Aplicaciones Inteligentes con Agentes que aprenden, se adaptan e impulsan resultados de forma autónoma. Nuestra metodología de primer nivel y nuestro equipo de expertos en áreas de IA y procesos de negocio te permitirán alcanzar una eficiencia e innovación sin precedentes.
Si no estás seguro de por dónde empezar, nuestro AI Discovery Workshop revelará el poder de la IA a través de inspiradoras historias de éxito. Identificaremos, priorizaremos y trazaremos una hoja de ruta de casos de uso revolucionarios diseñados para ti en una sesión de un día muy efectiva y una documentación clara de los casos de uso más valiosos priorizados en función del impacto y la viabilidad.
