Esta es la Parte II de una serie de dos partes del Centro de innovación en IA generativa de AWS. Si se perdió la Parte I, consulte Operacionalización de la IA agente, Parte 1: Guía para las partes interesadas.
La mayor barrera para la IA agente no es la tecnología, sino el modelo operativo. En la Parte I, establecimos que las organizaciones que generan valor real a partir de agentes comparten tres rasgos: definen el trabajo con detalle preciso, limitan deliberadamente la autonomía y tratan la mejora como un hábito continuo en lugar de un proyecto único. También presentamos los cuatro ingredientes del trabajo que está verdaderamente “en forma de agente”: un comienzo y un final claros, juicio entre herramientas, éxito observable y medible, y un modo de falla seguro. Sin estas bases, incluso el agente más sofisticado se quedará estancado en el laboratorio.
Ahora viene la pregunta más difícil: ¿quién hace que funcione y cómo?
En la Parte II, hablamos directamente con los líderes que deben convertir esa base compartida en acción. Cada función conlleva un conjunto distinto de responsabilidades, riesgos y puntos de apalancamiento. Ya sea que sea propietario de una cuenta de pérdidas y ganancias, administre una arquitectura empresarial, lidere la seguridad, gobierne los datos o administre el cumplimiento, esta sección está escrita en el lenguaje de su trabajo, porque ahí es donde la IA agente tiene éxito o muere silenciosamente.
Parte II – Orientación por persona
Para el propietario de la línea de negocio: ponga al agente a cargo de sus KPI.
Si posee un P&L, no necesita otro juguete tecnológico. Necesita menos tickets abiertos, menos días en su ciclo de conversión de efectivo, menos carritos abandonados y menos excepciones de cumplimiento. Un agente sólo es útil si se puede vincular directamente a esos números.
El primer paso es escribir una descripción del trabajo para el agente de la misma manera que lo haría para un nuevo empleado. "Este agente toma X entrante, verifica Y, hace Z y lo entrega a este equipo cuando termina". Incluya lo que significa hecho en sus términos operativos: tiempo para responder, umbral de calidad, factores desencadenantes de escalamiento y compromisos de cara al cliente.
El segundo paso es anclar el caso de negocio en números que su propio equipo ya rastrea. ¿Cuántas unidades por semana pasan por este flujo de trabajo? ¿Cuánto cuesta cada unidad en mano de obra, retrabajo y cancelaciones? ¿Cuánto tiempo pasa esperando en las colas? ¿Con qué frecuencia se recupera porque falta algo o está mal? Si no puede responder estas preguntas hoy, su primer proyecto no es un agente: está instrumentando el flujo de trabajo.
El tercer paso es la secuenciación. Al principio del viaje, el agente más útil suele ser el que colapsa las transferencias: lee la solicitud entrante, recopila el contexto de múltiples sistemas, propone un plan y lo deja en el regazo de su equipo con todo preparado previamente. Puede que no cierre el círculo por sí solo, pero puede eliminar horas o días de ida y vuelta. Ganancias de ahorro de costos como esta ayudan a generar credibilidad ante el director financiero y le brindan capital político para buscar casos de uso más ambiciosos y centrados en los ingresos más adelante.
El propietario de la línea de negocio no necesita comprender modelos ni indicaciones. Necesitan poseer una pequeña cartera de trabajos de agentes vinculados directamente a sus métricas y deben insistir en que cada iniciativa comience con un contrato de trabajo escrito, no con una diapositiva con una etiqueta.
Para el CTO o el arquitecto jefe: decida si quiere diez agentes o cien
Si eres el CTO, uno de tus mayores riesgos es el éxito. Una vez que el primer agente aterrice bien, otros equipos querrán uno. Si cada equipo construye su propia pila (su propio marco, sus propios conectores, su propio modelo de acceso), terminará con un zoológico de agentes que se ven diferentes, se prueban de manera diferente y son imposibles de monitorear en su conjunto.
La pregunta sobre la arquitectura es simple de formular y difícil de ejecutar: ¿quiere diez agentes únicos impresionantes o quiere un sistema que pueda admitir cien agentes de forma segura?
La ruta del sistema le pide que trabaje duro desde el principio. Significa estandarizar cómo se exponen las herramientas para que cada agente llame a la misma integración cuando necesite leer datos de clientes, actualizar un ticket o reservar un pago. Significa separar el pensamiento del hacer en su diseño: un componente planifica, otro llama a las herramientas, otro verifica el cumplimiento, otro explica las decisiones a los usuarios. Significa capturar seguimientos de decisiones en un formato consistente para que la observabilidad y la depuración funcionen en todos los casos de uso.
También le pide que piense en los agentes como servicios de larga duración, no como guiones de corta duración. Necesitan identidades, permisos, rotación, gestión del ciclo de vida y una forma de actualizarse sin perjudicar a sus consumidores. Eso supone más trabajo el primer día, pero es lo que te permite decir “Sí” al décimo equipo que quiere un agente sin empezar de cero.
El trabajo del CTO no es elegir el mejor marco de agentes en el vacío. Se trata de construir una base sólida (identidad, aplicación de políticas, registro, conectores y ganchos de evaluación) que permita a muchos equipos enviar agentes de forma segura, rápida y consistente.
Para el CISO: trate a los agentes como colegas, no como código
Si es responsable de la seguridad, está acostumbrado a pensar en activos: sistemas, almacenes de datos, credenciales. Los agentes agregan algo nuevo a su modelo de amenazas: entidades autorizadas que pueden tomar decisiones y acciones a la velocidad de la máquina.
El error es tratar a los agentes como una aplicación más. Están más cerca de sus colegas. Tienen cuentas. Tienen roles. Tienen herramientas que pueden utilizar. Pueden cometer errores. Pueden estar mal configurados.
La medida práctica es establecer identidades no humanas para los agentes con la misma seriedad que se aplica a las identidades humanas. Cada agente debe tener sus propias credenciales, sus propios permisos y su propio registro de auditoría. No debería heredar todos los derechos de la cuenta de servicio bajo la que se ejecuta. Cuando un agente lee datos confidenciales o llama a una herramienta de alto riesgo, eso debería ser visible en sus registros de una manera que su equipo lo reconozca.
También querrás encontrar formas de detener a los agentes limpiamente. Eso significa interruptores que realmente funcionan, no solo una línea en un documento de diseño. Significa políticas que dicen: "Esta clase de acción siempre requiere la aprobación humana" y la aplican a nivel de herramienta, no solo en la indicación del agente. Significa estar atento a comportamientos que se desvían: un agente que de repente llama a una herramienta con mucha más frecuencia de lo habitual o comienza a leer datos que no necesitaba antes.
Los CISO que se adaptan bien a la IA agencial no intentan bloquear la autonomía por completo. Definen dónde es aceptable la autonomía, qué evidencia se necesita para confiar en ella y qué sucede cuando se rompe esa confianza. Se unen tempranamente a la conversación sobre diseño y hacen de la política parte de la configuración del agente, no una puerta al final.
Para el director de datos: haga que los datos sean aburridos
Los agentes amplifican cualquier base de datos que ya tenga. Si sus datos están fragmentados, obsoletos e indocumentados, los agentes pueden hacer que esos problemas sean visibles para todos rápidamente. Si sus datos son consistentes, están bien gobernados y son fáciles de entender, los agentes pueden multiplicar su valor.
El trabajo del CDO en la era de la agencia es hacer que los datos sean aburridos, de la mejor manera posible. Eso significa que cuando un agente pregunta: "Muéstreme todos los reclamos abiertos que superen este umbral", obtiene una respuesta consistente independientemente de en qué región o línea de negocio opere. Significa que existe una definición de "puntuación de salud del cliente" y está lo suficientemente bien documentada como para que tanto las personas como los agentes puedan usarla. Significa que el linaje es claro: cuando algo sale mal, se puede rastrear la decisión a través de las métricas, las características y hasta el sistema fuente.
También significa ser realista acerca de la preparación. Algunos flujos de trabajo simplemente no están preparados para tomar decisiones autónomas porque los datos en los que se basan son demasiado incompletos o demasiado contradictorios. Los mejores CDO se apoyan en esto. No dicen: "No podemos apoyar a los agentes". Dicen: "Podemos admitir esta clase de trabajo hoy. Si desea automatizar esa otra clase, estas son las mejoras de datos que necesitamos primero".
Una de las contribuciones más valiosas que un CDO puede hacer a la conversación con el agente es un mapa: qué dominios tienen datos de grado de producción, cuáles están en progreso y dónde están las minas terrestres. Ese mapa ayuda a todos los demás a elegir sabiamente sus primeros trabajos, en lugar de descubrir la deuda de datos a mitad de la implementación.
Para el director de ciencia de datos o de inteligencia artificial: la evaluación es su producto real
Si lidera la ciencia de datos o la IA, es tentador centrarse en los modelos: qué modelo base, qué técnica de ajuste, qué puntuación de referencia. Esas decisiones importan, pero en producción, el producto real es el sistema de evaluación que rodea al modelo.
Los agentes pueden fallar de maneras que los puntos de referencia no miden. Se quedan atrapados en bucles. Llaman incorrectamente a las herramientas. Completan a medias tareas de maneras que parecen plausibles pero que son incorrectas. Se comportan bien con datos de prueba limpios y se desmoronan en los casos extremos que nadie pensó incluir. Un sistema de evaluación eficaz logra tres cosas.
Primero, convierte el trabajo real en pruebas. Cuando un agente comete un error en producción, ese escenario pasa a formar parte de un conjunto de evaluación cada vez mayor. Con el tiempo, los casos más difíciles que encuentre se convertirán en barreras de seguridad que le ayudarán a protegerse contra una regresión.
En segundo lugar, se ejecuta automáticamente. Los cambios en solicitudes, modelos, herramientas o índices de recuperación desencadenan una evaluación antes de que el cambio entre en funcionamiento. Eso le da la confianza para iterar rápidamente, porque no depende de algunas comprobaciones al azar y de la esperanza.
En tercer lugar, mide lo que le importa a la empresa. Eso incluye métricas técnicas como la latencia y la tasa de éxito de la herramienta, pero también la tasa de finalización de tareas, la tasa de escalamiento, el costo por decisión y la proporción de trabajo en el que los humanos aceptan la recomendación del agente tal como está. Cuando esos números son visibles y mejoran, surge la confianza.
Los equipos que invierten aquí descubren temprano que la elección de modelos se vuelve más simple, no más difícil. Una vez que puedas ver cómo se comporta un modelo en tus tareas reales, la pregunta “¿qué modelo es mejor?” El debate se convierte en una comparación fundamentada en lugar de una discusión filosófica.
Para el responsable jurídico o de cumplimiento: diseñe las auditorías antes de enfrentarse a una
Si usted es responsable del cumplimiento o del riesgo legal, la IA agente probablemente parezca un objetivo en movimiento. Las regulaciones están evolucionando y el marketing de los proveedores está por delante de la claridad regulatoria. No se puede congelar la organización hasta que se establezcan todos los estándares, pero tampoco se puede tolerar que “descubramos la gobernanza más tarde”.
Un enfoque pragmático es trabajar hacia atrás a partir de una auditoría. Imagine que un regulador o un comité de auditoría interna pregunta: "En esta fecha, ¿por qué este agente tomó esta acción?" Decida ahora qué evidencia necesitaría para responder esa pregunta de forma clara y rápida.
Eso implica algunas opciones de diseño. Cada agente debe dejar un rastro: qué entradas vio, qué herramientas llamó, qué opciones consideró, qué eligió y qué reglas aplicó. Para ámbitos de alto riesgo como las decisiones crediticias, la suscripción de seguros y las acciones relacionadas con el empleo, los seres humanos deben permanecer informados y el papel del agente debe ser asesor o preparatorio: recopilar datos, organizar pruebas, proponer acciones. La aprobación del ser humano pasa a formar parte del registro.
También implica que no todas las ideas de los agentes están permitidas. Algunos casos de uso viven directamente dentro de las zonas rojas regulatorias hasta que maduren los marcos y controles. Su trabajo es hacer que esas líneas sean visibles desde el principio. Cuando puedes decir “Sí” a algunos agentes con condiciones claras, “Sí más tarde” a otros con requisitos previos específicos y “No” a unos pocos con una justificación clara, puedes convertirte en un facilitador en lugar de un bloqueador.
Una de las cosas más útiles que puede hacer para el resto del equipo de liderazgo es convertir preocupaciones abstractas como "necesitamos una IA responsable" en una lista de verificación concreta que se pueda aplicar a cada agente propuesto antes de comenzar el trabajo.
Llamado a la acción
Si los patrones de esta publicación le suenan familiares, no se queda atrás. Estás donde están la mayoría de las empresas. Lo que separa a quienes avanzan es la decisión de tratar la IA agente como un desafío de modelo operativo, no como un experimento tecnológico. Cinco movimientos que puedes hacer para empezar:
Convoca la sala adecuada. Reúna a su propietario de LOB, CTO, CISO, CDO, líder de AI/DS y líder de cumplimiento, no para una demostración, sino para una sesión de trabajo. Cada persona responde una pregunta: "¿Qué es lo que más nos impide poner un agente en producción en un flujo de trabajo real?"
Elija un trabajo, no un caso de uso. Identifique una pieza de trabajo concreta con un comienzo claro, un final claro, herramientas definidas y una medida de éxito que alguien fuera del equipo pueda verificar. Escriban juntos la descripción del trabajo del agente. Si la sala no puede ponerse de acuerdo sobre cómo se ve lo hecho, ha encontrado su primer problema que resolver.
Dibuja tu mapa de preparación. Haga que su CDO y CISO esbocen conjuntamente qué dominios de datos y sistemas están listos para producción para decisiones autónomas hoy, cuáles necesitan mejoras primero y dónde están los límites estrictos. Ese mapa de una página puede ahorrarle meses de esfuerzo desperdiciado.
Comprométete con una cadencia. Establezca una revisión semanal o quincenal recurrente en la que el equipo multifuncional examine cómo se comportó el agente, qué funcionó, qué falló y qué ajustar. Si solo evalúas en el lanzamiento, estás creando una demostración. Si evalúas continuamente, estás desarrollando una capacidad.
Hacer de la gobernanza un insumo de diseño, no una puerta de lanzamiento. Decida ahora qué evidencia necesitaría si un auditor preguntara "¿Por qué este agente hizo esto?" seis meses a partir de hoy. Intégrelo en la arquitectura antes de escribir la primera línea de código.
Las empresas que generaron valor real a partir de la IA agente llegaron allí haciendo un trabajo poco glamoroso: definiendo puestos de trabajo con precisión, limitando deliberadamente la autonomía, invirtiendo sin descanso en evaluación y alineando a las partes interesadas en torno a un modelo operativo compartido.
Asóciese con el Centro de Innovación de IA Generativa
No tienes que recorrer este viaje solo. Ya sea que esté planeando su primer piloto agente o escalando a una capacidad para toda la empresa, comuníquese con el equipo del Centro de innovación de IA generativa para iniciar una conversación basada en sus flujos de trabajo, sus datos y sus resultados comerciales.
Sobre los autores
Nav Bhasin
Nav Bhasin es gerente senior de ciencia de datos en el Centro de innovación de IA generativa de AWS, donde acelera el viaje de los clientes empresariales desde el concepto de IA agente hasta la implementación de producción. Con más de una década de experiencia en la creación de productos de IA en los ámbitos industrial, energético y sanitario, Nav ha pasado seis años en AWS liderando equipos mundiales de arquitectos y científicos de GenAI, desempeñando un papel central en la adopción de productos como Amazon Bedrock, Amazon SageMaker y AgentCore. Antes del Centro de Innovación, dirigió equipos de ciencia de datos y arquitectura de lanzamiento al mercado para la cartera principal de productos GenAI de AWS. Antes de AWS, Nav se desempeñó como Jefe de Ingeniería y Ciencia de Datos en Utopus Insights y dirigió Ingeniería y Arquitectura en Honeywell. Nav tiene un MBA y un posgrado en Ingeniería Electrónica.
Sri Elaprolu
Sri Elaprolu es director del Centro de innovación de IA generativa de AWS, donde dirige un equipo global que implementa soluciones de IA de vanguardia para organizaciones empresariales y gubernamentales. Durante sus 13 años en AWS, dirigió equipos científicos de aprendizaje automático asociados con empresas globales y organizaciones del sector público. Antes de AWS, pasó 14 años en Northrop Grumman desempeñando funciones de liderazgo en desarrollo de productos e ingeniería de software. Sri tiene una Maestría en Ciencias de la Ingeniería y un MBA.