¿Qué es la IA agéntica y cómo cambiará el trabajo?
L
a manera en que los humanos interactúan y colaboran con la IA está dando un salto dramático hacia adelante con la IA agéntica. Mientras que los asistentes de IA anteriores se basaban en reglas y tenían una capacidad limitada para actuar de forma independiente, la IA agéntica estará capacitada para hacer más en nuestro nombre. Pero, ¿qué es exactamente la IA agéntica?
«Se puede definir la IA agéntica con una palabra: proactividad», dijo Enver Cetin, experto en IA de la firma global de ingeniería de experiencias Ciklum, a quien entrevisté. «Se refiere a sistemas y modelos de IA que pueden actuar de forma autónoma para alcanzar objetivos sin la necesidad de una guía humana constante. El sistema de IA agéntica comprende cuál es el objetivo o la visión del usuario y el contexto del problema que están tratando de resolver».
Para lograr este nivel de toma de decisiones y acción autónoma, la IA agéntica se basa en un complejo conjunto de diferentes tecnologías de aprendizaje automático, procesamiento de lenguaje natural y automatización. Aunque los sistemas de IA agéntica aprovechan las capacidades creativas de los modelos de IA generativa como ChatGPT, difieren en varios aspectos. En primer lugar, se centran en la toma de decisiones más que en la creación de contenido. En segundo lugar, no dependen de indicaciones humanas, sino que se configuran para optimizar objetivos o metas particulares. Y, en tercer lugar, a diferencia de la IA generativa, también pueden llevar a cabo secuencias complejas de actividades, buscando de manera independiente en bases de datos o activando flujos de trabajo para completar tareas.
Las ventajas de trabajar con IA agéntica
Con sus capacidades potenciadas de razonamiento y ejecución, los sistemas de IA agéntica prometen transformar muchos aspectos de la colaboración entre humanos y máquinas, especialmente en áreas de trabajo que anteriormente estaban aisladas de la automatización basada en IA, como la gestión proactiva de sistemas de TI complejos para prevenir fallas; la reconfiguración dinámica de cadenas de suministro en respuesta a interrupciones geopolíticas o meteorológicas; o la interacción realista con pacientes o clientes para resolver problemas.
Tres de los principales beneficios serán una mayor especialización de la fuerza laboral, una mayor confiabilidad de la información y una innovación mejorada.
1. Mayor especialización
La importancia de la especialización de la fuerza laboral (la «división del trabajo») se comprende desde la célebre visita de Adam Smith a una fábrica de alfileres en los primeros párrafos de «La riqueza de las naciones«. La especialización aporta mayor eficiencia y aprendizaje a través de la práctica e innovación, sin embargo, puede ser difícil de implementar cuando las empresas se enfrentan a la escasez de mano de obra y a la falta de adecuación entre las funciones y las capacidades humanas disponibles. Dado que los modelos agénticos están diseñados explícitamente para realizar tareas muy detalladas, permiten una mayor especialización de los roles en comparación con los anteriores sistemas de automatización más generales.
2. Innovación
Con su juicio mejorado y sus capacidades de ejecución, los sistemas de IA agéntica son ideales para la experimentación y la innovación. Los modelos de IA multiagente también pueden escanear y analizar vastos espacios de investigación (como artículos científicos y bases de datos) en una fracción del tiempo que le tomaría a equipos de científicos e investigadores humanos.
3. Mayor confiabilidad
El mayor razonamiento cognitivo de los sistemas de IA agéntica significa que es menos probable que sufran las llamadas alucinaciones (o información inventada) comunes en los sistemas de IA generativa. Los sistemas de IA agéntica también tienen una capacidad significativamente mayor para filtrar y diferenciar las fuentes de información según su calidad y fiabilidad, aumentando el grado de confianza en sus decisiones. Por ejemplo, mientras que la información del cliente a menudo se encuentra dispersa en diferentes formatos en distintas partes de una empresa (correos electrónicos, bases de datos, hojas de cálculo y similares), un sistema de IA agéntica puede discernir rápidamente que la información más fiable y actualizada probablemente se encuentre en los sistemas de gestión de relaciones con los clientes (CRM) de la empresa.
Casos de uso potenciales
Aunque muchas aplicaciones de la IA agéntica siguen siendo experimentales o están en fase piloto, ya están empezando a emerger aplicaciones potenciales en diferentes industrias y funciones. Algunos ejemplos incluyen:
Servicio al cliente
A diferencia de los bots de servicio al cliente tradicionales que estaban preprogramados con un rango limitado de respuestas y acciones, los agentes de servicio al cliente agénticos pueden captar rápidamente las intenciones y emociones de los clientes y tomar medidas independientes para resolver consultas y problemas.
Manufactura
Desde el control del flujo de las líneas de producción hasta la personalización de productos y la formulación de sugerencias para mejorar el diseño de los productos, es probable que la IA agéntica tenga múltiples aplicaciones en la manufactura inteligente. Los datos de sensores conectados a máquinas, componentes y otros activos físicos en fábricas y transportes pueden ser analizados por sistemas de IA agéntica para predecir el desgaste y las interrupciones de producción, evitando el tiempo de inactividad no programado y los costos asociados para los fabricantes.
Soporte de ventas
Para los agentes de ventas, el objetivo crucial de encontrar y desarrollar oportunidades comerciales a menudo queda enterrado bajo una avalancha de correos electrónicos, papeleo y otras tareas administrativas mundanas pero necesarias. Los sistemas de IA agéntica podrían liberar significativamente a los equipos de ventas de gran parte de esta actividad que consume mucho tiempo.
Salud y cuidados sociales
Su capacidad para adaptarse a diferentes entornos, interpretar emociones humanas y mostrar empatía hace que los sistemas de IA agéntica sean ideales para trabajos no rutinarios que requieren habilidades interpersonales, como la atención médica y el cuidado de personas.
Los desafíos por delante
A pesar de su gran potencial para transformar la colaboración entre humanos y máquinas, y aumentar la eficiencia y el crecimiento empresarial, los sistemas de IA agéntica aún se encuentran en una etapa relativamente temprana de desarrollo. Además, pese a sus mayores capacidades de razonamiento y ejecución, no eliminan los desafíos tradicionales de la gestión de equipos; más bien, los transforman. Al igual que con los equipos humanos tradicionales, los gerentes deben seguir prestando atención a la composición del equipo, la asignación de funciones y la definición de metas adecuadas para garantizar el éxito de los equipos híbridos o de los sistemas de IA agéntica.
Claves para el éxito
Para aprovechar las oportunidades que ofrece la IA agéntica y, al mismo tiempo, mitigar los riesgos, los gerentes deben considerar las siguientes acciones clave:
Establecer objetivos SMART
Al igual que el rendimiento de los equipos humanos puede verse obstaculizado por objetivos mal definidos o poco claros, los sistemas de IA agéntica también pueden desviarse si no se establecen metas precisas. Cetin, de Ciklum, destaca la importancia de fijar objetivos exhaustivos: «Para que la IA agéntica tenga éxito, los modelos deben tener objetivos y subobjetivos SMART (específicos, medibles, alcanzables, relevantes y con tiempo definido) y saber cómo medirlos. Como gerentes, necesitamos establecer bucles de retroalimentación para ajustar los modelos a medida que aprendemos más sobre su desempeño».
Prestar atención a la selección del equipo
En comparación con la IA generativa, que se basa en gran medida en hacer preguntas concretas a modelos de lenguaje de gran tamaño, la IA agéntica es mucho más un esfuerzo de equipo. Al igual que en los equipos humanos, es probable que surjan problemas de coordinación, conflictos y gestión de recursos. Los gerentes que utilicen sistemas de IA agéntica deberán prestar especial atención a la selección del equipo, asegurándose de contar con la combinación adecuada de roles agénticos que lleven a cabo las tareas correctas de manera eficiente.
Estructurar el espacio de decisión
Aunque los modelos de IA agéntica están diseñados explícitamente para evaluar opciones y ejecutar secuencias complejas de acciones, no son infalibles y pueden cometer errores, al igual que los humanos. La ciencia del aprendizaje destaca la importancia del «andamiaje» en el aprendizaje, que consiste en exponer a los aprendices a la práctica del mundo real con salvaguardas que se retiran progresivamente a medida que aumenta la experiencia.
Desde los primeros días de los autómatas mecánicos hasta los bots conversacionales más recientes, los científicos e ingenieros han soñado con un futuro en el que los sistemas de IA puedan funcionar y actuar de forma inteligente e independiente. Los avances recientes en la IA agéntica acercan ese futuro autónomo un paso más a la realidad.
© 2025 Harvard Business School Publishing Corp. | De: hbr.org | Distribuido por: The New York Times Syndicate.
Artículo en inglés
The way humans interact and collaborate with AI is taking a dramatic leap forward with agentic AI. While previous AI assistants were rules-based and had limited ability to act independently, agentic AI will be empowered to do more on our behalf. But what, exactly, is agentic AI? “You can define agentic AI with one word: proactiveness,” said Enver Cetin, an AI expert at global Experience Engineering firm Ciklum, whom I interviewed. “It refers to AI systems and models that can act autonomously to achieve goals without the need for constant human guidance. The agentic AI system understands what the goal or vision of the user is and the context to the problem they are trying to solve.”
To achieve this level of autonomous decision making and action, agentic AI relies on a complex ensemble of different machine learning, natural language processing and automation technologies. While agentic AI systems harness the creative abilities of generative AI models such as ChatGPT, they differ in several ways. First, they are focused on making decisions rather than on creating content. Second, they do not rely on human prompts, but rather are set to optimize particular goals or objectives. And third, unlike generative AI, they can also carry out complex sequences of activities, independently searching databases or triggering workflows to complete activities.
THE BENEFITS OF WORKING WITH AGENTIC AI
With their supercharged reasoning and execution capabilities, agentic AI systems promise to transform many aspects of human-machine collaboration, especially in areas of work that were previously insulated from AI-led automation, such as proactively managing complex IT systems to preempt outages; dynamically reconfiguring supply chains in response to geopolitical or weather disruptions; or engaging in realistic interactions with patients or customers to resolve issues. Three of the main benefits will be greater workforce specialization, greater informational trustworthiness and enhanced innovation.
GREATER SPECIALIZATION
The importance of workforce specialization — the “division of labor” — has been understood since Adam Smith’s celebrated pin-factory visit in the opening paragraphs of The Wealth of Nations. Specialization brings greater efficiency, learning by doing and innovation — but can be difficult to implement as businesses run up against workforce shortages and mismatches between roles and available human skills. Because agentic models are explicitly designed to carry out very granular tasks, they enable much greater specialization of roles compared with previous broad brush automation systems.
INNOVATION
With their enhanced judgement and powers of execution, Agentic AI systems are ideal for experimentation and innovation. Multi-agent AI models can also scan and analyze vast research spaces — such as scientific articles and databases — in a fraction of the time it would take teams of human scientists and researchers.
GREATER TRUSTWORTHINESS
The greater cognitive reasoning of agentic AI systems means that they are less likely to suffer from the so-called hallucinations (or invented information) common to generative AI systems. Agentic AI systems also have significantly greater ability to sift and differentiate information sources for quality and reliability, increasing the degree of trust in their decisions. For example, while customer information is often scattered in different formats across different parts of a business — emails, databases, spreadsheets and the like — an agentic AI system can quickly discern that the most reliable and up-to-date information is likely to be in the firm’s customer relationship management (CRM) systems.
POTENTIAL USE CASES
While many applications of agentic AI are still experimental in nature or at a pilot stage, the broad contours of potential use cases are already starting to emerge across different industries and functions.
Some examples include:
CUSTOMER SERVICE
In contrast to traditional automated customer bots that were preprogrammed with a limited range of responses and actions, agentic customer service agents can quickly grasp customer intents and emotions and take independent steps to resolve queries and problems.
MANUFACTURING
From controlling the flow of production lines to customizing products to making suggestions for improved product design, agentic AI is likely to have multiple applications in smart manufacturing. Data from sensors attached to machines, components and other physical assets in factories and transportation can be analyzed by agentic AI system to predict wear-and-tear and production outages, avoiding unscheduled downtime and associated costs to manufacturers.
SALES SUPPORT
For sales agents, the critical goal of finding and developing sales leads can often be swamped by a mass of emails, paperwork and other mundane but necessary administrative tasks. Agentic AI systems could dramatically liberate sales teams from much of this time-consuming activity.
HEALTH AND SOCIAL CARE
Their ability to adapt to different settings, interpret human emotions and show empathy makes agentic AI systems ideal for non-routine, soft-skills work in areas such as health care and caregiving.
THE CHALLENGES AHEAD
Despite significant potential to transform human-machine collaboration and drive greater efficiency and business growth, agentic AI systems are still at a relatively early stage of development. Moreover, despite their greater powers of reasoning and execution, they do not remove traditional workforce management challenges; instead, they change them. Just as in traditional, human workforce settings, managers must still pay heed to issues of team composition and role selection, and they must set the right overall goals to ensure that agentic AI or hybrid teams can be successful.
IMPERATIVES FOR SUCCESS
To capitalize on the opportunities of agentic AI while mitigating the risks, managers should consider the following imperatives:
SET SMART GOALS
Just as the performance of human teams can be stymied by poorly defined or badly articulated goals, so too can agentic AI systems go off track if goals are not set clearly. Ciklum’s Cetin underlines the importance of comprehensive goal setting: “For agentic AI to succeed, the models must have SMART (specific, measurable, achievable, relevant, time-bound) goals and sub-goals and know how to measure them. As managers, we need to establish feedback loops to adjust the models as we learn more about their performance.»
PAY ATTENTION TO TEAM SELECTION
Compared to generative AI — which is largely based on prompting large-language models with singular questions — agentic AI is much more of a team endeavor. Just as in human teams, problems of coordination, conflict and resource management are likely to arise. Managers using agentic AI systems will need to pay careful attention to team selection, ensuring that they have the right combination of agentic roles carrying out the right tasks, in an efficient way.
SCAFFOLD THE DECISION SPACE
While agentic AI models are explicitly designed to evaluate decision choices and carry out complex sequences of actions, they are not foolproof and can still make mistakes, just as humans do. Learning science highlights the importance of “scaffolding” in learning, giving learners exposure to real-world practice with safeguards which are then progressively withdrawn as experience grows.
From the early days of mechanical automatons to more recent conversational bots, scientists and engineers have dreamed of a future where AI systems can work and act intelligently and independently. Recent advances in agentic AI bring that autonomous future a step closer to reality.
La IA generativa podría solucionar las evaluaciones de desempeño (o empeorarlas aún más)
La IA puede alejar las evaluaciones de desempeño de las narrativas laborales y acercarlas a evidencia directa del trabajo en la práctica.
Es difícil utilizar la IA en equipo. Estas 3 prácticas pueden ayudar
He aquí tres prácticas que pueden ayudar a desarrollar la «química humano-IA en los equipos» a medida que evoluciona el lugar de trabajo.
¿Cuáles son los problemas de su empresa en materia de IA?
El “Ethical Nightmare Challenge” (ENC) es un marco de trabajo que puede integrarse con programas existentes de gestión de riesgos de IA.
