Deloitte ha señalado que las empresas deben avanzar más allá de las aplicaciones generativas y escalar la "inteligencia autónoma" para lograr un crecimiento real. Aunque generar texto o resumir comunicaciones internas puede ofrecer mejoras de productividad localizadas, estas capacidades rara vez transforman la estructura de costos o ingresos de una gran organización.

En la actualidad, las empresas buscan implementar sistemas que puedan ejecutar tareas de manera independiente. Los líderes empresariales demandan aplicaciones que naveguen por redes internas, ejecuten lógicas de múltiples pasos y finalicen transacciones sin necesidad de constantes indicaciones humanas.

Prakul Sharma, líder de la práctica de AI & Insights en Deloitte Consulting LLP, comentó: "En Deloitte, consideramos esto como la tercera etapa en una curva de madurez de inteligencia, que comienza con la "inteligencia asistida", donde la IA y la analítica ayudan a las personas a interpretar información, pasando por la "inteligencia artificial", donde el aprendizaje automático complementa las decisiones humanas, hasta llegar a la "inteligencia autónoma", donde la IA decide y ejecuta dentro de límites definidos.

Las capacidades actuales de la era GenAI, como los chatbots y la IA conversacional, se encuentran en el medio de esta curva. La IA agente actúa como el puente hacia la autonomía, y es aquí donde se está produciendo un cambio significativo. La diferencia radica en la agencia: la IA generativa produce una respuesta, mientras que la inteligencia autónoma persigue un resultado razonando sobre un objetivo, invocando herramientas y datos, y adaptándose a medida que cambian las condiciones, con humanos estableciendo límites sin intervenir en cada paso.

Estamos viendo esta evolución en diversas industrias, y en cada caso, el desbloqueo no proviene del agente en sí, sino de la arquitectura de gobernanza circundante que incluye identidad y puntos de control humanos, lo que hace que la autonomía sea segura para escalar.

Para extraer un valor económico real, estos sistemas autónomos deben integrarse directamente en flujos de trabajo que generan ingresos o son costosos. Por ejemplo, en el ámbito de la adquisición empresarial, una aplicación agente puede cruzar continuamente el inventario de la cadena de suministro con los precios de los proveedores en tiempo real dentro de un sistema de planificación de recursos empresariales (ERP). Así, puede autorizar de manera independiente órdenes de compra dentro de parámetros financieros predefinidos, deteniéndose solo para la aprobación humana cuando ocurren desviaciones.

Este mismo sistema también debe tener una identidad verificable en el ERP, leer datos de precios que sean lo suficientemente actuales como para ser contractualmente vinculantes y operar dentro de umbrales de aprobación que el departamento legal y de cumplimiento haya formalmente avalado. Cualquiera de estas dependencias, si no se resuelve, anula por completo el caso para la ejecución autónoma.

Lograr este nivel de automatización requiere un examen forense de las operaciones existentes antes de asignar recursos computacionales. Sharma explica el método que utiliza Deloitte para iniciar esta reestructuración operativa y localizar áreas donde la autonomía puede generar ingresos tangibles: "El primer paso que recomendamos es comenzar con una auditoría de decisiones y del proceso. Pedimos a los líderes que elijan una o dos cadenas de valor donde los resultados estén bloqueados por decisiones y no por tareas en ese proceso, y que mapeen cómo se toman esas decisiones hoy en día.

Formulamos preguntas como quién tiene los datos, quién tiene la autoridad, dónde se rompen los traspasos, qué acciones son necesarias y dónde se aplica el juicio. Hacer estas preguntas revela los flujos de trabajo donde la autonomía puede crear un valor económico real, al tiempo que expone cualquier brecha de datos y gobernanza que pueda haber frustrado un piloto. Desde allí, ayudamos a los líderes a secuenciar la reestructuración: establecer las capas fundamentales con IA y tejido agente, datos, evaluaciones, identidad del agente y patrones de humano en el circuito en relación con esa primera cadena de valor, demostrar que funciona y luego usarlo como plantilla para escalar.

Una vez que se aísla el objetivo operativo, la ejecución tecnológica a menudo se detiene debido a fricciones en la parte superior. Los modelos de base subyacentes de los principales proveedores han avanzado lo suficiente como para manejar tareas de razonamiento complejas, convirtiéndose en comodidades intercambiables. El punto de fricción radica en conectar estos motores de razonamiento a arquitecturas de datos heredadas. Sharma observa que las verdaderas barreras técnicas surgen mucho antes de que el aviso llegue al modelo de lenguaje grande: "Según lo que estamos viendo, el modelo rara vez es el cuello de botella, ya que la capacidad de frontera se está convirtiendo rápidamente en una mercancía. Donde las empresas tropiezan en la fase de diseño es en la parte superior del modelo. Seleccionan un caso de uso antes de mapear el flujo de trabajo subyacente, lo que resulta en que el agente automatice un proceso que ya estaba roto o mal instrumentado.

El segundo patrón es el dato: los clientes pueden subestimar que los sistemas autónomos necesitan datos de calidad de decisión, no datos de calidad de informes, lo que significa que la procedencia y los controles de acceso que la mayoría de los patrimonios de datos empresariales no fueron diseñados para soportar. Esta distinción es crucial porque la mayoría de los patrimonios de datos empresariales fueron creados para analistas humanos, no para sistemas autónomos. Los datos de calidad de informes, agregados en un ciclo nocturno o semanal, estructurados para el consumo en paneles y despojados de la procedencia que documenta cómo se derivó un valor, son adecuados cuando una persona aplica juicio antes de actuar sobre ellos. Un agente autónomo no tiene tal respaldo. Cuando recupera un precio de contrato o un nivel de stock para ejecutar una transacción, esa cifra debe tener una marca de tiempo lo suficientemente actual como para ser vinculante, un origen trazable y controles de acceso que confirmen que el agente está autorizado para leer y actuar sobre ella.

Proveer estos datos de calidad de decisión implica integrar agentes autónomos con los almacenes de eventos adecuados y bases de datos diseñadas para gestionar tanto información empresarial estructurada como no estructurada. Cuando un agente recupera datos para ejecutar una tarea, la empresa debe garantizar su frescura. Depender de datos procesados en lotes obsoletos introduce un riesgo extremo, lo que podría llevar al sistema a actuar sobre niveles de precios obsoletos o marcos de cumplimiento desactualizados. El modelo financiero para escalar estos sistemas también requiere prever gastos computacionales variables. Dado que los flujos de trabajo de los agentes implican múltiples interacciones con modelos de lenguaje grande para razonar sobre un único objetivo, los costos de API pueden escalar de manera impredecible. Mitigar los riesgos de alucinación a través de procesos de generación aumentada por recuperación también incrementa la carga computacional necesaria, requiriendo estrictos controles financieros antes de la implementación empresarial.

Reconocer la deuda de gobernanza y los ecosistemas empresariales es fundamental al pasar de entornos de prueba controlados a la implementación empresarial en vivo. Una prueba a pequeña escala puede funcionar perfectamente utilizando datos cuidadosamente seleccionados, pero...