Durante dos años, las empresas han confiado en la promesa de agentes autónomos de IA: sistemas capaces de reservar vuelos, escribir códigos y analizar datos con una mínima intervención humana. Sin embargo, a pesar de la experimentación generalizada, las implementaciones empresariales reales siguen siendo obstinadamente bajas. Aproximadamente el 95% de los proyectos de IA no logran ofrecer un valor comercial tangible y colapsan bajo el peso de la complejidad del mundo real. ¿La cuestión central? Un malentendido fundamental de lo que son los agentes: no cajas mágicas, sino sistemas de software complejos que exigen una ingeniería rigurosa.
El problema: tratar la IA como una demostración, no como un producto
La desconexión entre las demostraciones de IA y el valor empresarial no se trata de mejores modelos; se trata de una mejor arquitectura. Antonio Gulli, ingeniero senior de Google, sostiene que la industria ha seguido los últimos marcos en lugar de principios fundamentales. “La ingeniería de IA no es diferente de cualquier otra forma de ingeniería”, explica. Para construir sistemas duraderos, se necesitan estándares repetibles, no sólo modelos de vanguardia.
El reciente libro de Gulli, “Agentic Design Patterns”, ofrece precisamente eso: 21 patrones fundamentales para transformar agentes experimentales en herramientas empresariales confiables. El enfoque refleja la revolución de los “patrones de diseño” en la ingeniería de software, poniendo orden en un campo caótico. Estos patrones dictan cómo piensa, recuerda y actúa un agente: los componentes básicos de los sistemas de IA robustos.
Cinco patrones clave para un impacto inmediato
Para las organizaciones que buscan estabilizar su pila de IA, Gulli identifica cinco patrones de alto impacto:
- Reflexión: En lugar de respuestas inmediatas y potencialmente alucinatorias, los agentes deberían pensar creando un plan, ejecutándolo y evaluando críticamente el resultado antes de presentarlo. Esto imita el razonamiento humano y mejora drásticamente la precisión.
- Enrutamiento: Escale sin aumentar los costos dirigiendo tareas simples a modelos más baratos, reservando el razonamiento complejo para los sistemas más poderosos (y costosos). Los modelos pueden actuar como enrutadores, optimizando la eficiencia.
- Comunicación: Los protocolos de comunicación estandarizados como el Protocolo de contexto modelo (MCP) actúan como un “puerto USB para IA”, lo que permite una integración perfecta con herramientas, bases de datos y otros agentes.
- Memoria: La estructuración de cómo los agentes almacenan y recuperan interacciones pasadas crea asistentes persistentes y conscientes del contexto, lo que resuelve el problema del “pez dorado” de la pérdida de memoria a corto plazo.
- Barandillas: Las restricciones arquitectónicas son vitales para la seguridad y el cumplimiento, evitando fugas de datos o acciones no autorizadas. Estos son límites duros, no sólo indicaciones educadas del sistema.
Seguridad transaccional: la clave para confiar en los agentes autónomos
Un obstáculo importante para el despliegue es el miedo: un agente autónomo con acceso de escritura a sistemas críticos es un riesgo si no funciona correctamente. ¿La solución? Seguridad transaccional, tomado de la gestión de bases de datos. Así como las bases de datos utilizan puntos de control y reversiones, los agentes deben operar de manera tentativa, con la capacidad de volver a un estado seguro si ocurren errores. Esto permite a las empresas confiar en los agentes con acceso de escritura, sabiendo que hay un “botón deshacer”.
Probar estos sistemas requiere evaluar las Trayectorias de los agentes : no solo la respuesta final, sino todo el proceso de toma de decisiones. Gulli también aboga por sistemas automatizados de revisión por pares, donde agentes especializados critican el desempeño de los demás para evitar la propagación de errores.
El futuro: de la ingeniería rápida a la ingeniería de contexto
Para 2026, es probable que termine la era de los modelos de uso general. El futuro pertenece a las flotas de agentes especializados: agentes que se centran en la recuperación, la generación de imágenes o la creación de vídeos y se comunican sin problemas. Los desarrolladores pasarán de la ingeniería rápida (trucos lingüísticos) a la ingeniería de contexto : diseñar el flujo de información, gestionar el estado y seleccionar los datos que los agentes “ven”.
El objetivo final no es sólo utilizar la IA; es resolver problemas comerciales de manera efectiva. Gulli advierte contra la IA por la IA. Las empresas deben comenzar con definiciones claras de sus necesidades y aprovechar la tecnología estratégicamente para satisfacerlas.
