De ChatGPT a las redes de agentes: el viaje hacia una estrategia multi agentes IA

Ignacio Barahona Moreno 

 

Desde la automatización de tareas rutinarias hasta la predicción de tendencias del mercado publicitario, la IA está transformando prácticamente todos los sectores. Sin embargo, muchas compañías siguen dependiendo de modelos fundacionales, como ChatGPT, lo que puede tener ciertos límites. 
Por eso la tendencia está siendo ir hacia una estrategia Multi Agentes IA combinando diferentes herramientas especializadas para obtener mejores resultados. Veamos por qué.
 

La IA ha pasado a ser “obligatoria”

Desde luego que el panorama actual está cambiando de forma muy rápida, y da la sensación de que la IA está en el centro de ese cambio. Por lo tanto, la cuestión ya no es si tenemos que adoptar un modelo de IA, porque quien no lo haga se va a quedar en desventaja frente a sus competidores, sino qué modelo adoptar y cómo integrarlo de manera adecuada para aprovechar los modelos de Machine Learning, el procesamiento del lenguaje natural y los sistemas automatizados para aumentar la eficiencia, reducir los costes y mejorar la satisfacción del cliente. 

 

¿Qué papel han jugado los modelos fundacionales en esta vorágine de innovación?

Pues uno muy relevante. De hecho, modelos fundacionales como ChatGPT de OpenAI, están a la vanguardia de la innovación impulsada por la IA Generativa. ChatGPT puede mantener conversaciones, responder consultas, escribir correos electrónicos y realizar tareas creativas, como generar textos mediante la comprensión del contexto, los matices y la intención del usuario.
Pero si ChatGPT destaca en la generación de textos y la atención al cliente, también tiene sus limitaciones, por ejemplo, en lo que respecta a la toma de decisiones, al procesamiento de datos en tiempo real y en la realización de determinadas operaciones que requieren conocimientos especializados. Por ejemplo, ChatGPT puede carecer de conocimientos específicos en sectores como Sanidad o Banca, donde la precisión y el cumplimiento regulatorio son súper importantes. 
 

 

Generative AI

Es en lo que la mayoría de la gente piensa cuando escucha “IA”. Puede escribir un artículo, generar imágenes, ayudar con el código y muchas otras cosas.
Es como un asistente súper inteligente, pero que interviene solo cuando tú le preguntas. No tiene iniciativa, no tiene memoria, no tiene objetivos.
Herramientas como ChatGPT, Claude AI o GitHub Copilot están en este grupo.
 

AI Agents

En este caso ya estamos hablando de acciones, porque los “agentes” no solo responden preguntas, sino que hacen cosas.
Son como un equipo de compañeros júnior que puede gestionar un proceso de principio a fin con un mínimo de ayuda: pueden planificar tareas, usar herramientas mediante  interacción con APIs y realizar iteraciones hasta que una tarea esté finalizada.
 

Multi Agentes IA

Con la aparición de las AI Agents Networks las cosas se ponen realmente interesantes, porque pueden ir más allá de la ejecución de tareas simples. Estoy hablando de tener objetivos, memoria y capacidad de adaptación.
Marcan la diferencia entre “Hazme un resumen de este documento” y “Léete estos veinte documentos, resume los puntos más importantes, crea una entrada en mi OneNote y envíame un correo si hay cambios importantes en el formato de colaboración”
Se comportan más como un “sistema pensante” que como un chatbot: pueden colaborar, mejorar con el tiempo y trabajar en modo cooperativo entre agentes. 
Por eso las redes de agentes representan el siguiente paso en la evolución de la IA. Incluyen múltiples «agentes» de IA que colaboran en la realización de tareas complejas. Cada agente se especializa en funciones concretas, y aporta conocimientos de distintos ámbitos para resolver un mayor abanico de problemas. Por ejemplo, en el sector Retail, un agente puede centrarse en la gestión de stock, otro en atención al cliente y un tercero en la predicción de tendencias de ventas. 
Los modelos tradicionales de IA, como ChatGPT, suelen ser sistemas autónomos diseñados para tareas específicas que pueden destacar en un área específica, pero se pueden quedar cortos cuando tienen que enfrentarse a retos heterogéneos. Sin embargo, las redes de agentes integran modelos especializados que trabajan juntos para resolver este tipo de retos. Este enfoque descentralizado permite abordar problemas complejos y variados aprovechando los puntos fuertes de múltiples agentes de IA, cada uno optimizado para una función específica.
Pero veamos algunos otros casos de uso en los que las redes de agentes pueden ser de utilidad, y cómo estos casos de uso aplican a diferentes sectores. Por ejemplo, en el sector Salud, se podría disponer de una red integrada por un agente especializado en la emisión de diagnósticos, otro en la atención al paciente y un tercero para la investigación de fármacos. En Banca, podríamos tener una red de agentes en la que uno facilitara la prevención del fraude, otro la gestión del riesgo y, por otro lado, otro agente que gestionará las acciones comerciales y la interacción con el cliente. 
Luego parece claro que para sacar todo el partido a la IA, es necesario integrar diferentes modelos, componiendo una estrategia Multi-IA que permita combinar las fortalezas de diferentes tecnologías, como ChatGPT para el procesamiento del lenguaje natural y las redes de agentes para la resolución de problemas especializados, como los casos de uso mencionados. De esta forma, podremos aplicar la herramienta adecuada a la tarea adecuada, generando un entorno impulsado por la IA más eficiente, eficaz y adaptable.
 

Retos de la estrategia Multi-IA

Pero para crear este marco Multi-IA, se presentan una serie de retos: problemas técnicos en la implementación por la necesidad de integrar tecnologías y sistemas, garantizar que los agentes actúen de manera ética y transparente, y realizar una adecuada gestión del cambio.
Superar estos retos nos exige primero entender bien nuestras necesidades para seleccionar los modelos de IA que las cubran, poniendo el foco en aquellas áreas con mayor impacto, como la atención al cliente, la mejora de la eficiencia operacional o el análisis de datos de Marketing para elegir el mix de tecnologías adecuado.

1. Identificar los modelos que cubren mejor nuestras necesidades es el primer paso para lograr una estrategia multi-IA. Pero no basta con esta selección, sino que hay que considerar también las necesidades a futuro para empezar por un área clave, como la automatización de procesos de onboarding, para luego ir expandiendo hacia otras áreas según se detecten otras necesidades, como la previsión de ventas o la optimización del stock.
2. La integración perfecta implica elegir tecnologías compatibles y garantizar que los distintos modelos de IA puedan comunicarse y colaborar de forma eficaz. Una parte clave de este proceso es el uso de APIs, u otras soluciones para la integración de sistemas, que faciliten los flujos de datos entre las diversas plataformas. Una tendencia habitual es utilizar las plataformas cloud que ofrecen compatibilidad entre diferentes modelos de IA y que además pueden escalar según vayan aumentando las necesidades. 
    

Próximas tendencias

En resumen, el futuro de la IA es poliédrico y si no queremos quedarnos atrás debemos elegir si integrar ChatGPT para la atención al cliente o identificar las áreas en las que modelos de IA específicos pueden tener más impacto e integrar una red de agentes para la realización de las tareas más complejas. 
Las redes de agentes parecen por tanto el siguiente paso en el camino en cuanto a uso de la IA, y, desde luego que parece un paso muy interesante y con muchas perspectivas. Principalmente por su capacidad de escalar en entornos descentralizados, de adaptarse a situaciones cambiantes y de operar de forma autónoma cooperando entre agentes. 
Veamos cuáles son las tendencias clave que van a marcar esta evolución:

1. Integración con IA Generativa y con Modelos Funcionales. Los progresos que han tenido los modelos fundacionales (como ChatGPT, PaLM o Claude) están generando agentes con capacidades cognitivas más avanzadas, capaces de razonar, de generar lenguaje natural más complejo y de adaptarse a nuevos contextos con menos supervisión, o incluso sin supervisión. 
   La integración de estos modelos en agentes autónomos conducirá a: agentes conversacionales más sofisticados y proactivos, redes de agentes generativos y sistemas de toma de decisiones más complejos y adaptativos.
2. Convergencia con IoT. Según van creciendo las redes de dispositivos conectados, los agentes de IA se convierten en fundamentales para gestionar estos sistemas distribuidos. Esta convergencia conducirá a: ciudades inteligentes, sistemas de monitorización ambiental y agrícola y domótica avanzada.
3. Web3 y Agentes Autónomos Descentralizados. El desarrollo de tecnologías blockchain posibilita agentes que pueden operar económicamente sin intermediarios humanos. Esa descentralización conducirá a: intercambiar servicios de forma segura, tomar decisiones y ejecutar transacciones por consenso, crear mercados autónomos en energía o datos. 
4. Robótica y colaboración física multiagente. El futuro de la robótica se encuentra en la cooperación: enjambres de drones, robots industriales colaborativos, y vehículos autónomos que se comportan como una red. Estas colaboraciones conducirán a: agentes que se autoorganizan para repartir tareas, ecosistemas robóticos que se comuniquen con infraestructuras inteligentes.

Todas estas tendencias apuntan hacia un futuro de Inteligencia Artificial Colectiva en el que las redes de agentes llevarán la voz cantante en entornos muy dinámicos, descentralizados y autónomos. Lo realmente importante será diseñar agentes confiables, seguros, éticos y capaces de colaborar entre ellos y con los humanos.