IA Agêntica
Operaciones agénticas: ¿listos para la autonomía de la IA?
A medida que los agentes de inteligencia artificial dejan de solo recomendar y comienzan a decidir y actuar, el contexto, la gobernanza y la seguridad pasan a ser tan importantes como la propia inteligencia.
En los últimos artículos de esta serie, he discutido una cuestión que considero central para el futuro de las operaciones de TI: los agentes de inteligencia artificial pueden acumular un conocimiento técnico extraordinario y, aun así, tener dificultades para comprender el entorno específico en el que deben actuar. Lo exploramos al mostrar cuándo un agente domina una herramienta, pero no comprende el incidente y cómo la próxima generación de AIOps se apoya en plataformas de contexto operacional.
Un agente puede conocer profundamente redes, nube, Kubernetes, bases de datos o prácticamente cualquier tecnología. Puede consultar documentación, analizar grandes volúmenes de información y combinar conocimientos que normalmente estarían distribuidos entre distintos especialistas.
Pero eso no significa que conozca la arquitectura de una empresa determinada, las dependencias entre sus componentes, los cambios realizados recientemente, el historial de incidentes, los servicios afectados o la relación entre un problema técnico y su impacto sobre el negocio.
Esta diferencia entre conocimiento especializado y contexto operacional ya sería importante si habláramos solo de agentes utilizados para apoyar a especialistas humanos.
Pero una nueva cuestión comienza a surgir a medida que avanzamos hacia la llamada IA agéntica.
¿Qué ocurre cuando esos agentes dejan de solo analizar y recomendar y empiezan también a decidir y actuar sobre el entorno?
Recientemente, durante el Telco Transformation Latam, en Río de Janeiro, tuve la oportunidad de seguir un panel dedicado justamente a la evolución de las operaciones agénticas.
Más que las posibilidades de la tecnología, me llamó la atención la cantidad de desafíos que empiezan a aparecer cuando la discusión deja los casos experimentales y se acerca a entornos reales de operación:
- Visión sistémica.
- Integración entre distintos dominios.
- Sistemas legados.
- Gobernanza.
- Guardrails.
- Seguridad.
- Supervisión humana.
- Orquestación de múltiples agentes.
- Costos.
- Cambios en los procesos y en la cultura de los equipos.
Son cuestiones especialmente relevantes para Telecom, pero que no se limitan a ese sector. Empiezan a surgir en cualquier entorno crítico en el que pretendamos permitir que los sistemas de inteligencia artificial avancen de la recomendación a la ejecución.
Y todas parecen apuntar a una pregunta anterior a la propia adopción de la tecnología:
¿Estamos preparando nuestras operaciones para recibir agentes autónomos con la misma velocidad con que aumentamos la capacidad de esos agentes?
Quizás esta sea una de las preguntas más importantes de la próxima etapa de adopción de la inteligencia artificial en las operaciones.
De la automatización a la autonomía
La automatización no es una novedad en las operaciones de TI y Telecom.
Hace décadas utilizamos scripts, reglas, workflows y plataformas especializadas para ejecutar tareas que antes dependían de la intervención humana. Con el tiempo, esas automatizaciones se volvieron cada vez más sofisticadas y pasaron a asumir partes importantes de los procesos operacionales.
Pero existe una característica fundamental en gran parte de ellas: alguien definió previamente el camino que debe recorrerse.
Se identifica una condición, se activa una regla y se ejecuta una secuencia conocida de acciones. Incluso cuando el flujo tiene diversas ramificaciones, existe una lógica previamente establecida que determina el comportamiento esperado.
La IA agéntica comienza a modificar esa dinámica.
Un agente puede recibir un objetivo, observar el entorno, consultar distintas fuentes, interpretar información, formular hipótesis, elegir herramientas, decidir qué pasos ejecutar y ajustar su estrategia según los resultados encontrados.
Esa capacidad abre posibilidades enormes para las operaciones.
Imagine un incidente que hoy exige que un especialista consulte distintas plataformas, confronte alarmas, analice logs, verifique cambios recientes, busque documentación, identifique dependencias, formule hipótesis y solo después decida qué hacer.
Un agente puede, potencialmente, participar en varias de esas etapas.
El problema es que existe una diferencia importante entre ayudar a alguien a decidir y recibir autoridad para ejecutar la decisión.
Mientras la IA produce una recomendación, todavía existe la oportunidad de que un especialista evalúe la información, considere aspectos que eventualmente no se hayan identificado y decida si esa recomendación debe ejecutarse o no.
Cuando el agente pasa a actuar directamente sobre el entorno, ese último punto de control puede desaparecer.
En una operación crítica, las consecuencias de este cambio son significativas.
Una interpretación incorrecta, una información desactualizada o una relación causal mal establecida pueden dejar de producir solo una recomendación equivocada y pasar a producir una acción equivocada.
Y cuanto mayor la autonomía, mayor puede ser el impacto de esa acción.
Por eso la discusión sobre IA agéntica comienza a acercarse a temas que tradicionalmente no ocupaban el centro del debate sobre inteligencia artificial: gobernanza, permisos, trazabilidad, seguridad y control.
El camino hacia las Autonomous Networks
En el sector de Telecom, esta discusión también avanza dentro del camino de Autonomous Networks desarrollado por el TM Forum.
El modelo establece niveles progresivos de autonomía, de L0 a L5. El Level 4 representa un cambio particularmente importante porque involucra entornos más complejos, incluso cross-domain, en los que los sistemas pasan a analizar situaciones y tomar decisiones utilizando mecanismos predictivos y closed loops orientados a los servicios y a la experiencia del cliente.
El propio TM Forum describe la llegada a L4 como un cambio de procesos tradicionales de automatización definidos por humanos a una forma efectiva de toma autónoma de decisiones.
Este avance ya dejó de ser solo conceptual. Las operadoras vienen declarando y validando L4 en dominios y casos de uso específicos, mientras que iniciativas recientes experimentan con IA agéntica, razonamiento orquestado y colaboración entre distintos dominios.
Pero existe una cuestión anterior a la autonomía que considero aún más importante.
Para decidir correctamente, el agente necesita comprender aquello sobre lo que está decidiendo.
Y aquí volvemos al problema del contexto operacional.
Cuantos más agentes, mayor la necesidad de una visión compartida
Imagine un agente especializado en redes de acceso. Otro en transporte. Un tercero en core. Otros agentes pueden estar asociados a nube, aplicaciones, seguridad o experiencia del cliente.
Cada uno puede tener un excelente conocimiento técnico y ejecutar muy bien sus tareas dentro de su propio dominio. Eso no significa que, juntos, comprendan la operación.
Un incidente rara vez respeta la arquitectura organizacional que construimos para observarlo. Una falla puede comenzar en determinado componente, producir síntomas en otro dominio, afectar aplicaciones, comprometer un servicio y finalmente aparecer ante la organización como una queja del cliente.
Si cada agente observa solo su parte del entorno, podemos reproducir con inteligencia artificial un problema que ya conocemos muy bien en las operaciones actuales: los silos.
Hoy tenemos silos de herramientas, datos y equipos. Mañana podremos tener también silos de inteligencia.
Esta posibilidad produce una paradoja interesante:
Esa visión no surge simplemente porque los agentes sean inteligentes.
Depende de información que normalmente está dispersa en diversas fuentes: eventos, métricas, logs, topología, inventario, cambios, tickets, dependencias, historial operacional, datos de servicios e información sobre clientes.
Más importante aún, depende de las relaciones entre esa información.
Una alarma aislada dice que algo ocurrió.
El contexto ayuda a explicar dónde ocurrió, qué depende de ese componente, qué otros eventos pueden estar relacionados, qué cambió recientemente y cuál puede ser el impacto sobre los servicios.
Este es un problema conocido para los especialistas humanos y pasa a ser aún más importante cuando empezamos a delegar decisiones en máquinas.
No por casualidad, una de las discusiones más recientes del propio TM Forum sobre la evolución hacia Level 4 está relacionada con el concepto de knowledge plane: una capa capaz de transformar datos fragmentados en conocimiento contextualizado y reutilizable que los agentes puedan comprender, utilizar para razonar y sobre el cual puedan actuar. El objetivo es justamente permitir la coordinación cross-domain y decisiones más explicables.
Las operaciones actuales no se construyeron para agentes autónomos
Existe, sin embargo, otro obstáculo. Gran parte de las operaciones actuales no se construyó imaginando que agentes autónomos necesitarían interactuar con sus sistemas.
Las arquitecturas se formaron a lo largo de años o décadas. Distintos proveedores utilizan modelos de datos diferentes. Algunas plataformas tienen APIs modernas; otras tienen integraciones limitadas. La información importante puede estar en bases estructuradas, documentos, tickets o simplemente en el conocimiento acumulado por los equipos.
Los procesos también se diseñaron para personas y automatizaciones determinísticas.
Colocar agentes sobre esa arquitectura no elimina esas limitaciones. En algunos casos, puede solo exponerlas con mayor claridad.
Antes de pensar en autonomía, por lo tanto, existen acciones fundacionales: organizar datos, integrar plataformas, poner a disposición interfaces adecuadas, revisar procesos, definir políticas y construir mecanismos que permitan a los agentes acceder a información confiable.
También hay una dimensión económica. Agentes capaces de consultar indiscriminadamente grandes volúmenes de datos, activar modelos repetidamente y realizar largas cadenas de razonamiento pueden ser técnicamente interesantes y económicamente poco eficientes. La gestión del consumo computacional y de los tokens pasa a formar parte de la propia arquitectura de la solución.
Y existe una dimensión humana.
La adopción de agentes modifica responsabilidades, procedimientos y competencias dentro de los equipos. Especialistas que antes ejecutaban determinadas actividades pueden pasar a supervisar decisiones, tratar excepciones, definir políticas o analizar situaciones que los agentes no lograron resolver.
Por eso, quizás sea equivocado imaginar la evolución de la IA agéntica como una simple sustitución del trabajo humano. Parece mucho más una redistribución progresiva de las responsabilidades entre personas y sistemas.
¿Cuánta autonomía debemos entregar?
La respuesta probablemente no será igual para todos los procesos.
Una alternativa interesante es pensar la autonomía como algo que debe conquistarse progresivamente.
Inicialmente, un agente puede solo observar. Después, puede formular diagnósticos y recomendar acciones. En una etapa siguiente, puede ejecutar determinadas tareas mediante aprobación humana.
Con el aumento de la confianza y de la madurez, puede recibir autonomía para situaciones conocidas, repetitivas y de menor riesgo, mientras que las decisiones de mayor impacto siguen escalándose a especialistas.
Es una evolución semejante a la que naturalmente aplicamos a las personas.
Un profesional que acaba de entrar en una operación crítica normalmente no recibe de inmediato la misma autonomía que alguien con años de experiencia. Las responsabilidades se amplían a medida que aumentan el conocimiento, la experiencia y la confianza.
Con los agentes, quizás necesitemos adoptar un principio semejante.
La autonomía de los agentes no debería crecer más rápido que nuestra capacidad de comprender, controlar y auditar sus decisiones.
Esta evolución también ayuda a entender mejor cuál debe ser el papel de la supervisión humana en las operaciones agénticas.
Un concepto frecuentemente utilizado en este contexto es human-in-the-loop, en el cual determinadas decisiones o acciones de la IA siguen dependiendo de la participación, validación o aprobación de una persona.
La discusión, por lo tanto, no necesita reducirse a elegir entre operaciones controladas por humanos u operaciones totalmente autónomas. Distintas decisiones pueden exigir distintos niveles de supervisión.
Las acciones reversibles, conocidas y de bajo impacto pueden recibir mayor autonomía. Las situaciones inéditas, ambiguas o capaces de producir impactos significativos pueden exigir validación humana.
El nivel de autonomía pasa, por lo tanto, a depender también de riesgo, criticidad y confianza.
Los guardrails pasan a formar parte de la arquitectura operacional
En este escenario, los guardrails dejan de ser solo una recomendación y pasan a formar parte de la arquitectura operacional.
El agente necesita saber no solo qué hacer, sino también qué está autorizado a hacer.
¿A qué sistemas puede acceder? ¿Qué acciones puede ejecutar? ¿En qué condiciones? ¿Hasta qué nivel de impacto? ¿Cómo se tratará una excepción? ¿Cómo reconstruiremos posteriormente las decisiones tomadas? ¿Cómo interrumpiremos una secuencia inadecuada?
Estas preocupaciones ya aparecen formalmente en el trabajo del TM Forum. Su guía de seguridad para Agentic AI en Autonomous Networks trata de riesgos relacionados con razonamiento, memoria, uso de herramientas, autenticación, interacción humana y protocolos entre múltiples agentes.
Esto muestra cómo evoluciona la discusión.
Cuando la IA solo produce información, evaluamos principalmente la calidad de la respuesta. Cuando recibe capacidad de actuar, necesitamos evaluar todo el sistema que la rodea.
De la infraestructura al servicio y a la experiencia del cliente
Hay aún un último cambio que considero fundamental.
Durante mucho tiempo, las operaciones se estructuraron principalmente a partir de la infraestructura. Monitoreamos equipos, interfaces, enlaces, servidores, aplicaciones y una cantidad creciente de indicadores técnicos.
Pero el cliente no compra ninguno de estos componentes de forma aislada. Compra un servicio.
Una red puede presentar miles de indicadores dentro de los parámetros esperados y, aun así, un determinado grupo de clientes puede estar experimentando degradación.
De la misma forma, decenas de alarmas técnicamente distintas pueden representar solo manifestaciones diferentes de una misma falla que afecta a un único servicio.
Si pretendemos caminar hacia operaciones más autónomas, los agentes necesitarán comprender progresivamente no solo la infraestructura, sino también las relaciones entre infraestructura, servicios y experiencia del cliente.
Este cambio de perspectiva ya aparece en las iniciativas más avanzadas de Autonomous Networks, que combinan colaboración entre agentes y distintos dominios justamente para avanzar de operaciones centradas en la red a operaciones orientadas a la experiencia.
En el fondo, todas estas cuestiones convergen en una misma conclusión.
El desarrollo de los agentes avanza rápidamente. Pero una operación agéntica depende de mucho más que agentes.
Depende de datos preparados, integraciones, procesos, gobernanza, seguridad, guardrails, supervisión, interoperabilidad y, principalmente, contexto.
Antes de construir una operación autónoma, necesitamos construir una operación que pueda ser comprendida.
De la visión a la práctica: ARGUS
La evolución hacia operaciones más autónomas exige más que agentes capaces de ejecutar tareas. Es necesario que comprendan el entorno en que actúan, tengan acceso a información consistente y operen dentro de límites definidos por la organización.
Esta necesidad está directamente relacionada con el trabajo que desarrollamos con ARGUS. La plataforma comenzó con capacidades de AIOps, conectando herramientas de monitoreo, observabilidad y gestión de la operación para correlacionar eventos, reducir ruido y construir un contexto operacional compartido.
Con la evolución de la propuesta hacia AgentOps, complementada por AI Gateway, ARGUS pasa a abordar también la propia operación de los agentes de IA: su orquestación, observabilidad, aplicación de políticas y seguimiento de las acciones ejecutadas. El objetivo es combinar la comprensión del entorno con mecanismos que ayuden a mantener a los agentes bajo control a medida que ganan autonomía.
Al fin y al cabo, no basta con que los agentes sean capaces de actuar. Necesitamos garantizar que comprendan la operación y que su actuación pueda ser acompañada y gobernada.
En el próximo artículo de la serie, profundizo en por qué las redes autónomas no comienzan con agentes, sino con una arquitectura preparada para la autonomía.
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 MBA en Gestión Empresarial por la Fundación Dom Cabral (FDC) y Máster Profesional en Economía por la Fundación Getulio Vargas (FGV).
En su investigación de máster 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.