IA Agêntica
Más agentes aumentan el riesgo de silos de inteligencia
Los agentes especializados pueden hacer más inteligente cada dominio. El desafío es garantizar que esa inteligencia logre atravesar los límites entre herramientas, equipos y tecnologías para comprender la operación como un todo.
Cuando cada agente conoce solo una parte de la operación
En los últimos artículos, he venido discutiendo cómo la inteligencia artificial empieza a modificar una frontera importante de las operaciones de TI y Telecom. Primero, analizamos qué ocurre cuando los agentes dejan de solo recomendar y pasan progresivamente a participar en las decisiones. Después, a partir del camino de Autonomous Networks del TM Forum, vimos en redes autónomas: arquitectura preparada para la autonomía que llegar a niveles más altos de autonomía exige mucho más que simplemente incorporar agentes más sofisticados. Es necesario preparar la arquitectura, organizar el conocimiento y construir contexto para que las decisiones puedan tomarse con seguridad.
Esta evolución nos lleva ahora a otro problema, quizá menos evidente. A medida que la IA agéntica se difunda por las empresas, difícilmente tendremos un único agente responsable de comprender toda la operación. El escenario más probable es la existencia de diversos agentes especializados, desarrollados por distintos proveedores o por las propias organizaciones, cada uno actuando sobre determinados sistemas, tecnologías, procesos o dominios.
Esto tiene bastante sentido. Un agente especializado en Kubernetes puede conocer a fondo el funcionamiento de clústeres y contenedores. Otro puede estar preparado para redes IP, mientras que agentes diferentes actúan sobre nube, seguridad, bases de datos, aplicaciones, ServiceNow o plataformas específicas de observabilidad. En Telecom, esta especialización puede extenderse aún a acceso, transporte, core, OSS, BSS y otros dominios.
El problema aparece cuando confundimos la inteligencia individual de estos agentes con la inteligencia de la operación como un todo.
En la práctica, un incidente puede atravesar diferentes dominios de la operación, independientemente de la forma en que distribuyamos responsabilidades entre equipos, herramientas o proveedores. Un problema puede comenzar en un componente de infraestructura, producir síntomas en otro dominio, degradar una aplicación y finalmente afectar un servicio utilizado por el cliente. Cada agente puede interpretar correctamente lo que ocurre dentro de su especialidad y, aun así, ninguno comprender por sí solo el incidente completo.
De cierta forma, este problema no es nuevo. Las operaciones conviven desde hace años con silos de herramientas, datos y equipos. El monitoreo tiene una visión, la observabilidad otra, el ITSM mantiene información adicional, los sistemas de inventario conocen parte de la topología y los especialistas acumulan conocimientos que muchas veces no están registrados formalmente en ninguno de esos entornos.
La IA puede ayudar a reducir esa fragmentación, pero también existe el riesgo de simplemente reproducirla en una nueva capa.
Hoy tenemos silos de herramientas y datos. Mañana podemos tener también silos de inteligencia.
Este riesgo crece justamente porque los agentes se están volviendo más capaces. Cuanto mejor desempeñe un agente su función dentro de determinado dominio, más fácil será concluir que ese dominio está suficientemente automatizado. Sin embargo, optimizar individualmente cada parte de la operación no garantiza que las decisiones tomadas por esas partes sean coherentes cuando se analizan en conjunto.
Imagine que un agente responsable de determinada aplicación identifica una degradación y concluye que reiniciar un servicio es la mejor respuesta. Al mismo tiempo, otro agente percibe una anomalía en la infraestructura que soporta esa aplicación, mientras un tercero identifica un cambio reciente en un componente relacionado. Cada uno posee información relevante, pero la mejor decisión depende de la capacidad de relacionarlas.
La cuestión deja entonces de ser solo cuánto sabe cada agente y pasa a incluir lo que los agentes logran comprender juntos.
La inteligencia distribuida exige contexto compartido
La primera respuesta a este problema suele ser la orquestación de agentes en producción. Si tendremos muchos agentes, necesitamos mecanismos capaces de coordinarlos, definir responsabilidades y permitir que intercambien información.
Eso ciertamente será necesario, pero la coordinación, por sí sola, no resuelve todo el problema.
Dos agentes pueden intercambiar mensajes perfectamente y seguir interpretando la realidad de maneras diferentes. Un sistema puede llamar a determinado elemento servicio, otro recurso y un tercero utilizar identificadores completamente distintos para representar la misma entidad. Más importante aún, cada agente puede conocer solo las relaciones disponibles dentro de la plataforma o del dominio al que tiene acceso.
Para colaborar de forma efectiva, los agentes necesitan compartir más que mensajes. Necesitan compartir significado.
Knowledge plane: construyendo una visión compartida de la operación
Por eso conceptos como knowledge plane, ontologías y modelos de conocimiento empiezan a ganar relevancia en la discusión sobre Autonomous Networks.
Como vimos en el artículo anterior, el knowledge plane busca transformar datos fragmentados en conocimiento contextualizado y reutilizable por la inteligencia artificial. El TM Forum viene destacando esta necesidad como parte de la evolución de las redes autónomas, permitiendo que diferentes sistemas y agentes comprendan el entorno, razonen sobre la información disponible y coordinen decisiones entre diferentes dominios.
Para que eso sea posible, también es necesario representar de forma estructurada lo que la organización conoce sobre su propia operación. Es aquí donde entran los modelos de conocimiento y las ontologías. De forma simplificada, un modelo de conocimiento organiza los principales elementos de determinado dominio y las relaciones existentes entre ellos. Una ontología agrega una definición más formal y compartida de esas entidades, relaciones y significados, creando un vocabulario común que pueden interpretar diferentes sistemas y agentes.
En una operación de Telecom, por ejemplo, esto puede ayudar a diferentes inteligencias a comprender que determinados recursos de red soportan un servicio, que ese servicio atiende a determinados clientes y que un cambio en un componente puede producir efectos en otros elementos relacionados. En lugar de que cada agente interprete esas relaciones solo a partir de la información disponible en su propia plataforma, pasa a existir una referencia compartida sobre lo que representan los elementos y cómo se relacionan.
Este punto se conecta directamente con una distinción que vengo explorando a lo largo de esta serie. Conocimiento técnico y contexto operacional no son lo mismo.
El conocimiento técnico de un agente puede ser extremadamente sofisticado y, en gran medida, reutilizable entre organizaciones. El funcionamiento de Kubernetes, de una plataforma de nube o de determinado protocolo de red no cambia por completo de una empresa a otra. Lo que cambia es la manera en que esas tecnologías están combinadas en cada entorno, qué componentes dependen unos de otros, qué servicios utilizan determinada infraestructura, qué se modificó recientemente y qué relaciones son relevantes en ese momento.
Ese contexto pertenece a la operación.
Por eso simplemente poner a conversar a varios especialistas digitales no garantiza una visión sistémica. Si cada uno recibe solo la visión que ofrece su herramienta, podemos terminar con una arquitectura compuesta por agentes extremadamente competentes, pero que siguen viendo solo fragmentos diferentes de la misma realidad.
El desafío pasa a ser construir una base contextual que permita relacionar esas perspectivas. Alarmas, eventos, métricas, cambios, topología, inventario, tickets y otra información dejan de ser solo datos provenientes de plataformas distintas y pasan a tener sentido cuando logramos establecer las relaciones existentes entre ellos.
Esas relaciones pueden venir de diferentes fuentes. Algunas pueden descubrirse dinámicamente mediante el análisis de los datos, mientras que otras representan conocimiento determinístico sobre el entorno: un componente depende de otro, determinado recurso soporta un servicio, dos elementos tienen una relación conocida o determinada secuencia de eventos tiene un significado operativo específico.
Esta combinación es particularmente importante porque no todo el conocimiento necesario para operar un entorno tiene que ser inferido por la inteligencia artificial. Muchas relaciones ya son conocidas por la organización y pueden representarse explícitamente, haciendo el contexto más confiable y reduciendo la necesidad de que cada agente reconstruya por sí solo lo que la empresa ya sabe sobre su propia operación.
El resultado deseado no es lograr que todos los agentes sean iguales ni que tengan acceso indiscriminado a toda la información. La especialización seguirá siendo importante. El objetivo es permitir que diferentes formas de inteligencia puedan trabajar a partir de una comprensión suficientemente consistente de las relaciones que atraviesan sus dominios.
Cuanto más especializados sean los agentes, mayor será la necesidad de una visión compartida de la operación.
Esta cuestión gana aún más importancia en entornos heterogéneos. Una gran organización difícilmente utilizará agentes de un único proveedor. Las plataformas de observabilidad podrán ofrecer sus propios agentes, los proveedores de nube tendrán otros, las herramientas de ITSM incorporarán capacidades agénticas y los modelos corporativos podrán convivir con soluciones desarrolladas internamente.
En ese escenario, atar el conocimiento operativo a cada agente individualmente crea no solo un problema técnico, sino también estratégico. Si toda la comprensión sobre determinada parte de la operación está incorporada a una plataforma específica, cambiar de tecnología puede significar perder parte del contexto construido a lo largo del tiempo.
El desafío no es tener más agentes, sino hacer que comprendan la misma operación
Esta perspectiva cambia la forma en que podemos pensar la arquitectura de las futuras operaciones agénticas. En lugar de imaginar un gran agente central capaz de conocer todo, podemos tener múltiples especialistas trabajando sobre diferentes dominios, pero apoyados por mecanismos que permitan compartir el contexto necesario cuando una decisión atraviesa esos límites.
Es una arquitectura más cercana a la propia forma en que funcionan las organizaciones complejas. Los especialistas siguen existiendo porque el conocimiento profundo es necesario, pero los incidentes más complejos exigen que diferentes áreas logren construir una comprensión común del problema antes de decidir.
La diferencia es que estamos empezando a reproducir esa dinámica también entre sistemas de inteligencia artificial.
Esto crea nuevas exigencias de integración, interoperabilidad y gobernanza, pero sobre todo refuerza la importancia de una capa capaz de relacionar lo que ocurre en diferentes partes del entorno. El conocimiento técnico seguirá distribuido entre agentes especializados, mientras que el contexto operacional tendrá que construirse y actualizarse continuamente a partir de la realidad específica de la organización.
Esta separación también ayuda a reducir la dependencia de determinada tecnología. Un agente puede ser sustituido en el futuro por otro más capaz sin exigir que todo el conocimiento sobre la operación se reconstruya desde cero. Los nuevos agentes pueden consumir el contexto existente y aportar nueva información, mientras la organización preserva lo que aprendió sobre su propio entorno.
No significa que todos los agentes necesitarán acceder a una única base de datos ni que existirá necesariamente una plataforma central responsable de todas las decisiones. Las arquitecturas distribuidas seguirán teniendo sentido y ciertamente surgirán diferentes modelos. El principio más importante es otro: la inteligencia puede estar distribuida, pero debe existir alguna forma de compartir el significado y las relaciones necesarias para comprender la operación más allá de los límites de cada dominio.
Este quizá sea uno de los cambios más importantes que trae la IA agéntica a la arquitectura operativa. Durante muchos años, invertimos en herramientas especializadas y después construimos integraciones para hacer circular los datos entre ellas. Ahora empezamos a enfrentar un desafío adicional: no basta con hacer circular los datos. Necesitamos permitir que diferentes inteligencias logren interpretarlos dentro de un contexto común.
El TM Forum viene avanzando justamente en esa dirección al relacionar knowledge planes, ontologías y conocimiento contextualizado con la evolución de las redes autónomas. Casos recientes presentados en el ecosistema muestran la búsqueda de una comprensión compartida de servicios, clientes y operaciones para permitir que los agentes razonen de manera más consistente entre diferentes dominios.
Esta discusión aún está evolucionando y ciertamente veremos diferentes enfoques para resolver el problema. Pero una conclusión empieza a parecer cada vez más importante.
Agregar inteligencia a cada dominio puede hacer más capaz cada parte de la operación. Construir contexto compartido es lo que puede permitir que esas partes se vuelvan inteligentes juntas.
A medida que avancemos en esa dirección, surgirá inevitablemente otra pregunta: incluso cuando los agentes tienen contexto suficiente para tomar una decisión, ¿cuánto control estamos realmente dispuestos a entregarles?
Ese será el tema del próximo artículo.
De la visión a la práctica: ARGUS
Uno de los riesgos de adoptar agentes especializados es reproducir, en una nueva capa tecnológica, los mismos silos de información que ya existen en las organizaciones. Cada agente puede conocer muy bien su dominio y, aun así, tener una comprensión limitada de lo que ocurre en la operación como un todo.
ARGUS contribuye a enfrentar este desafío conectando información de diferentes herramientas, correlacionando eventos y representando relaciones entre componentes, sistemas y servicios. Ese contexto compartido puede apoyar tanto a los equipos humanos como a los agentes de IA que necesitan comprender el entorno antes de recomendar o ejecutar acciones.
Este enfoque también se relaciona con el concepto de knowledge plane discutido por el TM Forum, aunque no se confunde con toda la amplitud de esa arquitectura. Con AgentOps, agregamos otra dimensión al desafío: además de compartir conocimiento operativo con los agentes, necesitamos acompañar cómo actúan, interactúan y producen resultados esas diferentes inteligencias.
El objetivo es evitar que la multiplicación de agentes resulte en una operación aún más fragmentada, con nuevas inteligencias trabajando de manera aislada.
Conozca ARGUS y vea cómo funciona en la práctica.
Sobre el autor
Paulo Florêncio de Menezes es emprendedor, socio y cofundador de empresas como Target Solutions, BiPTT y ARGUS.
Es graduado en Procesamiento de Datos por la Universidad Federal de Amazonas (UFAM), tiene un MBA en Gestión Empresarial por la Fundação Dom Cabral (FDC) y una Maestría Profesional en Economía por la Fundação Getulio Vargas (FGV).
En su investigación de Maestría, desarrolló el IBEOP-IA (Índice Brasileño de Exposición Ocupacional Potencial a la Inteligencia Artificial), investigando la exposición potencial de las ocupaciones brasileñas a las capacidades de la IA mediante la combinación de datos ocupacionales, patentes de inteligencia artificial y técnicas de procesamiento de lenguaje natural.