Sin ánimos de hacer aseveraciones que puedan resultar exageradas, todo lo relacionado con IA se está convirtiendo en uno de los mayores puntos de quiebre y de disrupción desde la puesta en marcha de Internet, y su continua consolidación. Desde el auge de los modelos de lenguaje masivos (LLMs) hasta los denominados agentes autónomos, la nueva generación de IA va cambiando desde una, podríamos decir, inagotable capacidad de absorber información, hasta pasar ahora a procesos con capacidades de toma de decisiones y generar acciones por sí misma, y de esta manera posiblemente transformar todas las industrias en cualquier parte del Planeta.
Con esto en mente, este es un momento crítico para analizar una brecha en América Latina, donde la histórica escasez de talento técnico y la fragmentación de datos en los sistemas heredados (sistemas desarrollados con tecnologías antigua) siempre ha sido vistas como una talanquera, a veces insalvable, para la digitalización a escala de la región. Por supuesto, que también esto exige una apuesta importante por el acceso a energía eléctrica y a la conectividad, para que lo que podríamos llamar el ecosistema IA pueda afianzarse, y así entender de dónde viene esta última ola de IA y hacia dónde se dirige.
Frente a esto, es importante recordar una pregunta básica: ¿Qué son los modelos de lenguaje masivos y cómo han venido evolucionando?Hace apenas tres años, es decir a finales de 2022, se pudo conocer de manera amplia, lo que sería el primer modelo de lenguaje masivo, con acceso amplio al público en general conocido como ChatGPT. Básicamente, ChatGPT y los demás modelos de lenguaje masivos (LLMs por sus siglas en inglés), son redes neuronales profundas con miles de millones de parámetros entrenados en enormes corpus de texto extraídos de internet. Estos modelos emplean una arquitectura llamada transformadores, presentada en el artículo "Attention is All You Need" por Vaswani et al. (2017), que permite el procesamiento eficiente de secuencias ordenadas de datos, como el lenguaje natural.
Durante un proceso complejo de multiplicaciones de matrices, los modelos aprenden relaciones estadísticas en el texto y codifican contexto para predecir palabras o generar texto con un grado de razonabilidad y coherencia aceptables. Al conocer esto, empresas como OpenAI y Anthropic comenzaron a entrenan modelos propios en gigantescos conjuntos de datos, incluyendo libros, artículos, sitios web y foros. En esencia, todo el contenido de internet del mundo.
A partir de esta arquitectura, algunos modelos (como GPT de OpenAI o Claude de Anthropic), sorprendentemente han demostrado grandes habilidades para responder preguntas técnicas, generar contenido creativo, traducir idiomas, proponer debates, e incluso hasta generar obras de arte, entre una lista larga de opciones. Hoy, más de 100 millones de personas han creado cuentas para utilizar estas herramientas, demostrando uno de los mayores ritmos de adopción de cualquier tipo de tecnología en la historia. Y la cuenta sigue creciendo todos los días.
Lo anterior tiene un pero; los LLMs tienen limitaciones ya que producen texto pero no realizan acciones. Podríamos decir que no 'persiguen objetivos a lo largo del tiempo', ni tienen memoria a corto plazo ni interactúan con sistemas externos de una manera estructurada. Por lo tanto, aparece la denominada próxima frontera: “Los Agentes de IA”. Y ¿cuáles son esos Agentes de IA? Si decimos que los LLMs pudiesen ser vistos como la primera ola de disrupción, los agentes de IA representan una segunda ola.
En su forma más simple, los Agentes de IA son sistemas diseñados para no solo entender e interpretar el lenguaje, sino también para tomar decisiones y realizar acciones de manera autónoma. En vez de ser simple y llanamente una herramienta que crea textos e imágenes, losagentes son una arquitectura de propósito general que permiten ejecución. Prácticamente, hay un cambio de paradigma y se convierten en sistemas capaces de entender objetivos y actuar por sí mismos.
En ese orden de ideas, un agente de IA hace iteraciones sobre un ciclo de cuatro eventos, que parte de lo que se podría llamar ingestión de datos, recogiendo datos del entorno usando APIs, bases de datos, interfaces de usuario, etc; luego, se pasa a la parte de planificación, utilizando modelos de razonamiento para planificar, excusando la redundancia, una secuencia de acciones adaptadas al contexto; posteriormente se entra propiamente a la ejecución, la cual a partir de la comunicación con los sistemas, realiza acciones y va ajustando, cuando se necesario, el enfoque de la acción; y finalmente, a partir del aprendizaje, se adapta y ajusta a partir de retroalimentación (típicamente humana). Si lo vemos de manera simple, este proceso cognitivo responde a la lógica de siempre en los procesos de tomar, planificar, ejecutar, retroalimentar, y volver al ciclo, y así sucesivamente.
Bajo esta estructura,los Agentes prometen la posibilidad de moverse autónomamente entre interfaces y sistemas, recopilar y procesar datos, procesar múltiples sistemas y tomar acción sin necesidad de control humano directo. A diferencia de los LLMs, las necesidades de los agentes de IA no están basadas en humanos para ejecutar acciones. Y esto en definitiva es lo que marca las etapas entre las olas de IA.
Si bien aún hay mucho por recorrer y la tecnología no es perfecta, ya se están viendo los primeros casos de uso, que se han pasado de la experimentación y conceptualización a la práctica. Empresas como Sierra AI, Piper AI y plataformas similares, permiten la delegación de tareas de servicio al cliente a agentes de modelos de lenguaje masivos que pueden entender el contexto, actualizar bases de datos y escalar casos complicados solo cuando es necesario. Se ha observado que en sistemas de producción se han producido hasta el 70% de reducción en los costos, y una mejora notable en los estándares de experiencia y satisfacción del cliente.
En la frontera de la innovación, proyectos como Manus (un agente de propósito general desarrollado por el startup chino Monica), ha logrado encadenar múltiplos flujos de trabajo sin necesidad de intervención humana o entrenamiento especializado para una función específica. Aunque limitados, estos ejemplos muestran un camino claro hacia dónde nos dirigimos: estamos pasando de una IA asistencial a una IA operativa.
Frente a todo este panorama, surge la pregunta ¿Y qué significa todo esto para América Latina?
Sin duda, los Agentes de IA presentan oportunidades únicas y estratégicas para las empresas, particularmente en América Latina, una región donde la transformación digital ha sido gradual, costosa y dependiente del escaso talento técnico. También es claro que hay que mejorar notablemente los niveles de conectividad y el acceso a energía eléctrica en todos los territorios. Los agentes de IA todavía están en fase de desarrollo, pero la implementación temprana ya es evidente.
Históricamente, dos factores principales han limitado la velocidad de evolución digital en la región: los altos costos de adoptar y modernizar los sistemas (ERP, CRM y otras plataformas no interoperables) y la escasez estructural de talento técnico. Es claro, que hay, se podría decir, una promesa fundamental de disrupción en la cual los agentes estructurados dinámicamente, en teoría, no necesitan ninguna capa intermedia en las formas tradicionales para tomar decisiones sobre los datos de una empresa. Evidentemente, pueden extraer información relevante de correos electrónicos, archivos, hojas de cálculo, bases de datos no estructuradas o formularios mal formateados y convertirla en lo que llamamos acción: generar informes, actualizar sistemas externos, automatizar seguimientos o validar información. Así, las empresas podrían desplegar agentes capaces de colaborar con múltiples plataformas y clientes, interpretando datos en tiempo real y optimizando procesos sin supervisión constante sin necesidad de una capa técnica humana que hasta hoy era indispensable.
Este fenómeno se conoce tradicionalmente como leapfrogging (o salto de rana en español), y se refiere al evento histórico en el cuál una nueva tecnología permite a un país o región saltarse una fase entera de desarrollo económico. Un ejemplo para ilustrarlo fue el de las telecomunicaciones, donde América Latina, sin una red de cableado excesivamente extensa, pasó directamente a los teléfonos móviles en zonas rurales de los países.
De manera similar, los agentes de IA podrían permitir que las empresas de todos los tamaños en la región den un salto en toda una fase de transformación digital, creando una capa inteligente sobre el caos, con agentes imbuidos de lógica de negocio.
McKinsey afirma que “automatizar procesos comerciales usando IA se puede lograr ahorros del 15% al 40% en operaciones internas y servicio al cliente”. En América Latina, donde el gasto en software empresarial es menor al 2% del PIB en la mayoría de los países, pasar directamente a agentes operativos podría resultar en miles de millones de dólares ahorrados en licencias, integraciones y mantenimiento.
Y ¿Qué significa esto para la fuerza laboral y el costo? La región está evolucionando como un movimiento líder en encontrar una forma creativa que pueda ir de la mano con talento técnico especializado. Forjar profesionales técnicos bien capacitados en tales áreas representa un serio desafío para la región, y según datos de CAF y BID, se espera que tengamos un déficit de más de un millón de profesionales de TIC en América Latina para 2025. Este cuello de botella ha incrementado considerablemente los costos de la transformación digital.
Los agentes no significan el fin del talento, pero cambian su propósito. Las funciones operativas, clasificación de información, creación de informes, validación de datos, envío de comunicaciones, actualización de registros, pueden automatizarse, permitiendo que el personal se concentre en actividades más estratégicas y de valor agregado. Esto permite organizaciones más ligeras y eficientes en las que los agentes hacen las tareas tecnológicas simples y los humanos supervisan/entrenan/refinen su comportamiento.
Entonces, ¿Qué deben hacer entonces las empresas para estar preparadas?
Las empresas de America Latina deben aprovechar esas oportunidades, pero también entender que no son automáticas y que la ventana de capitalizar este momento no durará para siempre. Las empresas que busquen beneficiarse de esta nueva etapa deben prepararse en tres dimensiones principalesque podremos indicar como una mejora total en la calidad de sus propios datos, lo que se llamaría “limpiar sus datos”, ya que, si bien los agentes pueden operar con datos desordenados, funcionan mejor con datos de buena calidad. En consecuencia, asegurar la integridad básica de las fuentes de datos y su nomenclatura es fundamental. También es reconstruir procesos pensados para flujos de IA, donde las estructuras convencionales de jerarquías y flujos lineales deben evolucionar hacia procesos de colaboración humano-IA. Finalmente, invertir en formación híbrida, porque en vez de pensar que la única forma de avanzar es formando o contratando talento técnico, las organizaciones necesitarán desarrollar perfiles híbridos. En este nuevo paradigma, serán importantes la personas que comprendan la lógica operacional de los agentes y cómo implementarlos estratégicamente en las operaciones diarias.
En general, la oportunidad de los agentes de IA no es puramente técnica, es estratégica. América Latina tiene la oportunidad de construir una nueva generación de empresas parcialmente operadas por IA que aprovechen agentes inteligentes como parte de sus operaciones. Aquellos que lo vean a tiempo entenderán que esto no se trata solo de reducir costos, se trata de transformar industrias y lograr grandes cosas para la región.
Por lo tanto, el llamado es ¡A comenzar ahora!
La opinión expresada en esta entrada de blog es de exclusiva responsabilidad de su autor y no necesariamente reflejan el punto de vista de Pacto Global Red Colombia.