Patrón 6: capacidades centradas en la IA

Diseñe nuevas capacidades con agentes como componentes básicos, no como adaptaciones de flujos de trabajo existentes. Estas funcionalidades no eran posibles antes de la inteligencia artificial. Mejoran con el tiempo a través de comentarios, aprendizaje y optimización continua.

En este patrón, los agentes operan en bucles de percibir-decidir-actuar: supervisan continuamente las señales, toman decisiones autónomas dentro de unos límites, ejecutan acciones y aprenden de los resultados. Estos sistemas no son asistentes. Son sistemas inteligentes que crean un nuevo valor empresarial.

Note

Este patrón difiere de los otros cinco en esencia, no solo en grado. No existe ningún proceso con el que comparar, ninguna referencia a partir de la cual mejorar ni ningún flujo de trabajo establecido que guíe el diseño. Debe crear todo, incluso cómo medir el éxito.

¿Qué es este patrón?

Las funcionalidades empresariales de la primera inteligencia artificial comienzan a partir de una pregunta que los otros patrones nunca preguntan: ¿qué podríamos hacer que simplemente no pudimos hacer antes? La respuesta no es una versión más rápida del trabajo actual. Es una nueva funcionalidad, a menudo un bucle autónomo que detecta una situación, decide y actúa, y que mejora a sí mismo con el tiempo. Los agentes son los componentes básicos de la capacidad, no una ampliación acoplada a un flujo existente.

Este patrón es la manifestación más profunda del lado de ejecutar en la transición de asistir a ejecutar. Dado que no hay precedentes, debe inventar el diseño, las barreras de protección y las medidas.

Qué hacen los agentes

Los agentes de este patrón pasan más allá de ejecutar flujos de trabajo definidos para funcionar de forma autónoma:

  • Motores de optimización continua: precios, inventario y programación.
  • Bucles de decisión nativos de IA: detección de fraudes, respuesta de anomalías, enrutamiento adaptable.
  • Plataformas de detección de mercado: supervisión competitiva, análisis de tendencias, identificación de oportunidades.
  • Sistemas de planeamiento predictivo: previsión de la demanda, planeamiento de la capacidad, modelado de riesgos.
  • Generación de flujos de trabajo autónomos: agentes que diseñan y optimizan sus propios procesos.
  • Orquestación multiagente: equipos coordinados de agentes especializados que resuelven problemas complejos.

Estas capacidades crean valor que no podría existir sin IA. No son versiones más rápidas de los procesos existentes. Son realmente nuevos.

Qué hacen los seres humanos

Los seres humanos actúan como propietarios de productos. Definen objetivos, establecen límites, supervisan los resultados y toman decisiones estratégicas sobre la evolución de las capacidades. No hacen el trabajo. En su lugar, controlan el sistema que sí lo hace.

Esta transformación de roles es la más importante de cualquier patrón. Los seres humanos responsables son responsables de los resultados incluso si no ejecutan el trabajo en sí mismos. Son las siguientes:

  • Defina los criterios de éxito y las métricas de resultados para los sistemas autónomos.
  • Establezca los límites dentro de los cuales operan los agentes (y ajústelos a medida que aumenta la confianza).
  • Supervise los bucles de aprendizaje para garantizar que las funcionalidades mejoren en la dirección correcta.
  • Tome decisiones estratégicas sobre cuándo expandir la autonomía del agente.
  • Controlar las prácticas de inteligencia artificial responsables a medida que las funcionalidades se vuelven más sofisticadas.

Funcionamiento del modelo operativo

La implementación correcta de este patrón requiere cambios en cuatro dimensiones:

Dimension antes de después de
Contactos Operadores que ejecutan tareas Propietarios de productos que rigen las funcionalidades
Agentes Ejecución de pasos predefinidos Bucles autónomos de percibir-decidir-actuar
Gobernanza Comprobaciones de cumplimiento Controles integrados en el ciclo de vida con supervisión continua
Métricas Rendimiento y eficiencia Opcionalidad estratégica + velocidad de aprendizaje + velocidad de adaptación

Perfil de madurez objetivo

Este patrón requiere el máximo nivel de madurez en los cinco factores impulsores de capacidad. No hay accesos directos.

Perfil de madurez

Controlador de funcionalidad Nivel de destino Por qué
Tecnología y datos 500 (eficaz) El que rompe la escalabilidad. Orquestación multiagente, telemetría en tiempo real e infraestructura de aprendizaje.
Estrategia y experiencia de inteligencia artificial 500 (eficaz) La capacidad es la estrategia, y se lleva a cabo mediante iteración continua.
Estrategia empresarial 500 (eficaz) Una nueva funcionalidad empresarial, con procesos adaptables y autónomos.
Gobernanza y seguridad 500 (eficaz) Administración de riesgos predictivos y cumplimiento continuo para sistemas autónomos.
Organización y cultura 500 (eficaz) Una comunidad autosuficiente y una cultura de aprendizaje capaces de inventar y poner en funcionamiento lo nuevo.

Información clave: este patrón exige la madurez más alta en todas las funcionalidades. No hay ningún proceso existente con el que comparar, ninguna línea base para medir la mejora y ningún flujo de trabajo actual para guiar el diseño. Todo debe crearse, incluida la forma de medir el éxito.

Factor decisivo para escalar: tecnología y datos, específicamente orquestación multiagente, telemetría en tiempo real e infraestructura de aprendizaje. Sin una sólida base técnica, las capacidades autónomas se vuelven imprevisibles e ingobernables.

Las funcionalidades de la primera inteligencia artificial son propiedad de los productos, abarcan varios dominios y requieren que los equipos de productos distribuidos funcionen dentro de los estándares compartidos. El CoE proporciona patrones de arquitectura, marcos de inteligencia artificial responsables y estándares de orquestación. No se distribuye de forma centralizada.

Tip

La figura decisiva para este patrón es el responsable de producto del agente. Se trata de un producto, no de un proyecto. Necesita materia de gestión de productos: una hoja de ruta, un trabajo pendiente, una definición de éxito y un equipo comprometido con su evolución a largo plazo. Sin este rol, la funcionalidad se crea una vez y nunca se mejora.

Obtenga más información sobre la estructura, los roles y la gobernanza en niveles de riesgo en Creación de un centro de excelencia agente.

Lo que necesitas y lo que no necesitas

Necesitas:

  • Propiedad del producto con equipos dedicados: cada funcionalidad necesita un propietario del producto y un equipo con el mandato, las aptitudes y la continuidad para desarrollarlo con el tiempo. Este desarrollo no es un proyecto que termine.
  • Límites de autonomía con supervisión continua: Defina límites claros que se adapten a medida que aumenta la confianza. Inicie conservador y expanda en función de la evidencia.
  • Bucles de aprendizaje continuo: la funcionalidad mejora a través de cada interacción. Diseñe para aprender desde el principio porque es mucho más difícil agregarlo más adelante.
  • Prácticas de inteligencia artificial responsables insertadas: la ética y la seguridad deben estar integradas en la arquitectura, no se deben atornillar después de la implementación. Este enfoque incluye pruebas de sesgo, evaluación de equidad y diseño de explicación.
  • Cultura de experimentación con controles de seguridad: Los equipos necesitan permiso para probar nuevos enfoques y redes de seguridad claras cuando las cosas salen mal. Las referencias culturales que castigan el error no pueden crear sistemas de aprendizaje.
  • Arquitectura multiagente: si la funcionalidad implica agentes coordinados, diseñe la coordinación entre agentes desde el principio. El reajuste de la arquitectura multiagente es costoso.

No necesita lo siguiente:

  • Automatización incremental: este patrón no trata de hacer que los procesos existentes 10% más rápido.
  • Entrega de TI central: estas funcionalidades necesitan equipos de productos dedicados con experiencia en el dominio.
  • Adaptación de flujos de trabajo existentes: diseñar desde cero para una ejecución nativa de IA. Las restricciones de flujo de trabajo heredadas limitan lo que es posible.
  • Compilaciones únicas: estas funcionalidades deben aprender y mejorar continuamente. Una funcionalidad que no aprende se degrada con el tiempo.
  • Administración tradicional de proyectos: use la administración de productos con ciclos de experimentos. Los hitos y los resultados son el modelo de gobernanza incorrecto para los sistemas de aprendizaje.

Inteligencia artificial responsable a escala

Las funcionalidades basadas principalmente en IA representan la vanguardia del funcionamiento autónomo de la IA. Las prácticas de inteligencia artificial responsable son especialmente críticas aquí porque:

  • Los agentes operan con una alta autonomía y una supervisión humana limitada en tiempo real.
  • Los errores pueden propagarse a la velocidad de la máquina antes de que los seres humanos puedan intervenir.
  • Los sistemas de aprendizaje pueden desarrollar comportamientos inesperados a medida que optimizan.
  • La escala de impacto, tanto positiva como negativa, es mayor que cualquier otro patrón.

Cree una inteligencia artificial responsable en la arquitectura desde el primer día:

  • Explicación: ¿Puede comprender por qué el sistema tomó una decisión específica? Si no es así, no puede detectar ni corregir el desfase.
  • Supervisión de sesgo: evalúe continuamente si el aprendizaje refuerza los sesgos o crea resultados inequizables.
  • Capacidad de reversión: ¿Puede volver a un estado anterior si se produce un error en una actualización del aprendizaje?
  • Intervención humana: incluso en sistemas totalmente autónomos, defina las condiciones en las que un humano puede intervenir y cómo se implementa esa intervención.

Obtenga más información en Aplicación de principios de IA responsables.

Métricas de valor y éxito

El valor aquí es la existencia de una funcionalidad que no existía antes y los nuevos resultados que crea. Conducir con medidas de creación y existencia de valor, no porcentajes de eficiencia, porque no hay ninguna línea base anterior para mejorar.

Qué aspecto tiene el valor

  • Nuevas funcionalidades que no eran posibles antes de la inteligencia artificial.
  • Nuevos ingresos, servicios o modelos empresariales.
  • Respuesta autónoma a una velocidad y escala que ningún proceso manual podría alcanzar.
  • Una ventaja compuesta a medida que la funcionalidad aprende y mejora.

Métricas de éxito que seguir

Categoría Medidas de ejemplo Lo que te dice
Creación de valores (el titular) Nuevos ingresos o modelo de negocio creado, existencia de funcionalidad ("ahora podemos hacer X"), nuevo alcance desbloqueado Si la capacidad crea valor que no existía antes.
Autonomía y bucle Latencia de decisión de la señal a la acción, velocidad de finalización de tareas autónoma, rendimiento y escala de bucles, costo unitario por tarea autónoma Si el bucle detectar-decidir-actuar funciona a la velocidad y escala de las máquinas.
Calidad y seguridad Puntuaciones de evaluación, fundamentación y seguridad, tasa de escalado y de retroceso Si el sistema autónomo permanece correcto y seguro a medida que se ejecuta.
Rendimiento de la innovación Tiempo de lanzamiento de una nueva funcionalidad, número de funcionalidades en producción, reutilización en escenarios Ya sea que puedas llegar repetidamente a la frontera, no sólo una vez.
Governance Proporción de agentes con identidad administrada, tasa de cumplimiento de directivas, recuento de agentes en la sombra Si el patrimonio autónomo permanece regido a medida que crece.

Cómo medir

  • Las evaluaciones de Microsoft Foundry y la observabilidad rastrean el comportamiento de los agentes y evalúan la calidad y la seguridad, algo especialmente importante cuando no existe una línea base.
  • Defina la medida de éxito por adelantado porque la capacidad no tiene precedentes. Decida qué significa "bueno" antes de lanzarlo.
  • Microsoft Agent 365 gobierna y mide el entorno autónomo, incluidos el descubrimiento de identidades y de agentes en la sombra.

Tip

No juzgue una nueva funcionalidad con métricas de eficiencia antiguas. "Cuánto tiempo ahorramos" supone un proceso que no existía. Mida si la funcionalidad existe ahora, qué nuevo valor crea y cómo se ejecuta el bucle autónomo de forma segura. Invente la medida junto con la funcionalidad.

Antipatrones comunes

Los errores en esta área proceden de tratar el trabajo de frontera como un proyecto normal.

Antipatrón Qué aspecto tiene Qué hacer en su lugar
Productividad disfrazada La capacidad «completamente nueva» es, en realidad, una tarea ya existente, pero más rápida. Ponga a prueba la idea: ¿se podía hacer esto siquiera antes de la IA? Si es así, pertenece a otro patrón.
Métricas antiguas en el nuevo trabajo El éxito se juzga por el tiempo ahorrado con respecto a una referencia que no existe. Defina de antemano la razón de ser y las medidas de creación de valor.
Construir antes de que los cimientos estén listos La funcionalidad se inicia antes de que la tecnología, los datos y la gobernanza sean lo suficientemente maduras. La infraestructura no puede admitir los bucles de aprendizaje, la telemetría y la supervisión que necesita, por lo que el sistema es impredecible sin visibilidad sobre por qué se comporta como lo hace. Alcance la madurez suficiente en la tecnología, los datos y la gobernanza primero. Compile la orquestación, la telemetría en tiempo real y el bucle de aprendizaje antes de la funcionalidad.
Aprendizaje sin límites de protección El sistema aprende de datos operativos sin supervisión, refuerza patrones no deseados, optimizando para el objetivo incorrecto o amplificando el sesgo presente en los datos. Defina lo que el sistema debe y no debe aprender antes de habilitar el aprendizaje y supervisarlo continuamente.
Sin barreras de protección inventadas Los límites de seguridad se asumen de otros patrones que no encajan. Diseñe límites de protección específicamente para esta funcionalidad, ya que no hay precedentes.
Revisión de inteligencia artificial responsable programada para después del lanzamiento El equipo planea abordar la inteligencia artificial responsable una vez probada la funcionalidad. A continuación, la arquitectura es fija y el costo del cambio es alto. Incorpore la inteligencia artificial responsable desde el principio.
Mentalidad de proyecto aplicada a un producto El equipo alcanza el hito de «puesta en producción» y da el trabajo por terminado. La funcionalidad no se mantiene, los bucles de aprendizaje no se supervisan y el sistema se degrada con el tiempo. Tratarlo como un producto con compromiso de administración indefinida, no un proyecto que termine en el lanzamiento.
Experimentación sin supervisión Los agentes de frontera proliferan sin identidad ni supervisión. Gobierna con una identidad administrada y un registro desde el principio.

Testimonios de clientes

Estos casos publicados de clientes de Microsoft muestran cómo se amplía el conocimiento experto con agentes fundamentados y con citas, mientras las personas siguen siendo responsables.

Customer Resultado notificado
Microsoft (Preguntar Microsoft) Un sistema multiagente, con subagentes especializados basados en contenido específico, ofrece hasta 61% menor latencia y hasta 70% menos escalaciones humanas, con visitantes comprometidos mucho más propensos a registrarse.
Fujitsu Una inteligencia artificial compuesta organiza varios agentes especializados y un agente de orquestador que responde "como equipo". Esta arquitectura multiagente, que no existía en la inteligencia artificial generativa convencional, mejora la creación de propuestas en 67%.
Grupo de capital cuántico Reduzca la planificación de escenarios de desarrollo de campos de 3 semanas a 20 minutos con optimización geoespacial en Azure y un agente de consultas de Copilot Studio.
Physics Wallah Apoya a dos millones de estudiantes con el tutor de ia "Gyan Guru" en Azure OpenAI.
Rolls-Royce Aumentó la utilización de las máquinas en un 30 % con IA predictiva en Azure Databricks y Microsoft Cloud for Manufacturing.
Las empresas Estée Lauder Reduzca el tiempo necesario para obtener insights sobre los consumidores de semanas a minutos con el agente "ConsumerIQ" en Copilot Studio y Azure OpenAI.

Las capacidades agénticas de Microsoft para este patrón

En los ejemplos siguientes se resaltan las funcionalidades que son especialmente relevantes para las funcionalidades de la inteligencia artificial. Use estos ejemplos como punto de partida para buscar coincidencias con sus escenarios y segmentos de usuario y, a continuación, explore el ecosistema de agentes de Microsoft para obtener la imagen completa.

Desarrollar la funcionalidad

Tierra, conexión y observación

Evaluación y prueba antes de enviar

En este nivel de autonomía y complejidad, la evaluación continua es una materia de ingeniería básica, no una lista de comprobación previa al lanzamiento.

  • La evaluación de agentes en Copilot Studio realiza evaluaciones estructuradas que puntúan las respuestas según distintas dimensiones de calidad, como la precisión, la fundamentación y la finalización de tareas. Úselo para validar el comportamiento del agente en toda la gama de entradas, incluidos los casos perimetrales y los escenarios adversarios, antes y después de cada cambio.
  • Copilot Agent Kit (anteriormente conocido como Copilot Studio Kit) amplía la cobertura de pruebas con pruebas masivas, ejecuciones de regresión automatizadas y un panel de puntuación. Para los sistemas de inteligencia artificial que mejoran con el tiempo, la evidencia de evaluación repetible y auditable es esencial para mantener la confianza a medida que evoluciona la capacidad.

Cómo saber que está listo

Este patrón es para las organizaciones que operan con la madurez más alta. Téngalo en cuenta cuando:

  • Tiene equipos avanzados que pueden diseñar, ejecutar y mejorar los sistemas autónomos.
  • Tiene la base técnica: orquestación multiagente, telemetría en tiempo real y un bucle de aprendizaje.
  • Puede inventar barreras de protección y medidas de éxito cuando no existen.
  • Puede gobernar un entorno autónomo con identidad gestionada y cumplimiento continuo.
  • Ya está aplicando bien varios de esos otros patrones.

Pasos siguientes

Realizar la evaluación de preparación del agente

O bien explora el modelo completo de madurez de adopción de IA agéntica.

Explore otros patrones con más detalle:

  • Last updated on