La empresa agente

Agentic Enterprise representa un cambio fundamental en el modo en que las empresas utilizan la IA. Pasa de herramientas pasivas que requieren una dirección humana constante a agentes autónomos que sienten, razonan y actúan por sí mismos mientras permanecen alineados con la intención humana. Es una organización donde los seres humanos, los agentes y las plataformas trabajan juntos dentro de sistemas comerciales gobernados para entregar resultados que ninguno podría lograr por sí solo.

Este documento es un complemento del Marco bien diseñado. Los cinco pilares del marco de trabajo: Trust, Reliability, Operational Excellence, Resource and Cost Optimization y Fairness, proporcionan la orientación fundamental que se aplica a todas las soluciones de Salesforce. Esta descripción general explica qué cambia cuando las soluciones se vuelven agentes y le indica los detalles pilar por pilar.

Los sistemas agentes combinan grandes modelos de lenguaje, generación aumentada de recuperación, llamadas de funciones y patrones de orquestación para crear funciones que se adaptan al contexto en vez de seguir rutas programadas rígidas. Los agentes combinan el razonamiento probabilista (inferencia de LLM) con la ejecución determinista (flujos de trabajo y orquestación) para permitir la adaptabilidad y la regulación.

Para los arquitectos, este comportamiento introduce consideraciones de diseño en cada pilar. Los agentes operan con un comportamiento no determinista en su capa de razonamiento, lo que requiere nuevos patrones de fiabilidad, supervisión y control. La autonomía de los agentes exige límites de seguridad mejorados y supervisión Human-in-the-Loop. La coordinación de múltiples agentes crea una complejidad emergente que requiere una orquestación deliberada. Agentic Enterprise no solo está agregando funciones de IA a arquitecturas existentes, sino que reimagina cómo se diseñan, implementan y rigen los sistemas.

Hecha bien, esta combinación crea valor comercial real: los agentes gestionan flujos de trabajo complejos de múltiples pasos que requerían intervención humana anteriormente, sintetizan información entre orígenes y amplían la experiencia en toda la organización. También presenta retos que requieren un diseño deliberado. El comportamiento no determinista complica las pruebas, la supervisión y la gestión de errores. La autonomía plantea cuestiones de control, responsabilidad y seguridad. Las estructuras de costes cambian de infraestructura fija a consumo de inferencia variable. Los arquitectos deben equilibrar la autonomía con el riesgo, la innovación con el control y la capacidad con el coste.

Una distinción fundamental en la arquitectura de agentes es si un agente ayuda a un humano (patrón copiloto: sugerir, recomendar, redactar) o actúa de forma autónoma (patrón de agente: decidir, ejecutar, completar). Los copilotos requieren la aprobación humana para acciones de modificación de estado; los agentes operan de forma independiente dentro de los límites de permisos. Esa distinción determina los requisitos Trust, las necesidades de observabilidad y los patrones de supervisión. Pasar de las asistencias a los actos es un cambio arquitectónico, no un cambio de configuración; requiere volver a evaluar cada pilar a través de la lente de operación autónoma.

Agentic Enterprise es una organización donde los seres humanos, los agentes y las plataformas trabajan juntos dentro de sistemas comerciales gobernados para entregar resultados que ninguno podría lograr por sí solo. Este modelo de tres partes da forma a cada decisión arquitectónica:

Los seres humanos proporcionan supervisión, juicio e intervención cuando las capacidades de los agentes son insuficientes o cuando lo que está en juego requiere responsabilidad humana. La colaboración humano-agente permite a las personas centrarse en juicios de alto valor mientras los agentes gestionan la ejecución rutinaria y la síntesis de información. Los seres humanos mantienen el control a nivel del sistema: definen los límites y los agentes deciden y actúan dentro de ellos.
Los agentes proporcionan automatización inteligente, interfaces de lenguaje natural y toma de decisiones adaptativa. Los agentes no son funciones independientes sino participantes integrados en flujos de trabajo comerciales. Detectan contexto a partir de datos gobernados, razonan sobre acciones apropiadas utilizando técnicas probabilistas y deterministas y actúan a través de flujos de trabajo comerciales e integraciones externas.
Las plataformas proporcionan la infraestructura gobernada que hace posible el trabajo de agentes: lógica comercial acumulada, datos unificados, orquestación e infraestructura de colaboración. La plataforma distingue los sistemas agentes de nivel empresarial de los experimentos de IA no gobernados: Aplica permisos, mantiene seguimientos de auditoría, aplica reglas de cumplimiento y mantiene agentes operando dentro del gobierno organizativo.

Elimine humanos y perderá responsabilidad; elimine agentes y perderá inteligencia; elimine plataformas y perderá gobernanza. Agentic Enterprise requiere los tres como un sistema unificado.

Cualquier arquitectura agente (en cualquier pila de tecnología) debe proporcionar un conjunto común de funciones. Un agente necesita datos de confianza sobre los que razonar, lógica comercial por la que pueda actuar de forma segura, gobernanza sobre su propio ciclo de vida, una comprensión compartida de lo que significan los datos y una ruta para llegar a los seres humanos. Estos son requisitos arquitectónicos, no productos: donde Salesforce proporciona parte de la pila, las funciones restantes aún requieren atención.

Salesforce entrega estas funciones como un conjunto integrado. Tratarlos como un sistema hace que las dependencias sean explícitas: debilitar a cualquiera y los agentes están limitados de forma predecible. Esta sección describe cada función, por qué es importante para los agentes y cómo la proporciona Salesforce.

Los agentes requieren datos gobernados y verificados para razonar de forma efectiva: los modelos de IA conocen patrones de datos de entrenamiento, no los registros de clientes, el catálogo de productos o el historial de transacciones de una empresa. Esta función cierra esa brecha fundamentando agentes en datos precisos, permitidos, actuales y rastreables, en vez de contenido web arbitrario o orígenes no verificados.

Los datos operativos actuales potencian decisiones que distinguen el tiempo: un agente de comercio respondiendo “¿Cuál es mi estado de pedido?”, un Agente de servicio surgiendo casos abiertos, o un agente de ventas clasificando oportunidades que cierran este trimestre.
Los datos históricos, como, por ejemplo, los grandes conjuntos de datos de Data 360, admiten el análisis de tendencias, las previsiones y el aprendizaje de patrones pasados.
El acceso federado permite a los agentes razonar entre datos dondequiera que residan. Reduce la duplicación para orígenes conectados y presenta una vista unificada.

Salesforce proporciona esto a través de la cartera de Data 360.

Implicación arquitectónica: La calidad de los agentes depende de la calidad de los datos. Invierta en la regulación, clasificación y linaje de los datos. Un agente que aflora datos incorrectos erosiona Trust más rápido que uno que dice “no lo sé”.

Un agente que solo puede responder a preguntas es un copiloto. Un agente que puede crear registros, actualizar oportunidades, enviar comunicaciones y desencadenar automatizaciones es autónomo. Esta autonomía permite a los agentes actuar en vez de simplemente ayudar: invoca procesos comerciales existentes bien probados en vez de volver a implementarlos en código generado.

Los agentes traducen la intención de lenguaje natural en operaciones comerciales estándar en vez de requerir que los usuarios escriban código.
Los agentes delegan en procesos de múltiples pasos encapsulados (por ejemplo, un flujo de reembolso que gestiona comprobaciones de crédito, actualizaciones de inventario y notificaciones).
A medida que evolucionan las reglas comerciales, los agentes heredan los cambios automáticamente, siempre que la lógica viva en el flujo de trabajo y no se refleje en instrucciones de agentes.

Salesforce proporciona esta función a través de la lógica comercial Customer 360 y la automatización de plataforma.

Implicación arquitectónica: Diseñe agentes para invocar flujos de trabajo existentes, no sustituirlos. Los agentes que llaman a automatizaciones probadas son más fiables que los agentes que vuelven a implementar la lógica comercial a través del código generado.

Los agentes necesitan gobernanza desde el desarrollo a través de la implementación, la supervisión y la jubilación. Sin ella, la proliferación de agentes no gobernados crea IA en la sombra: agentes con permisos poco claros, sin seguimientos de auditoría, comportamiento no probado y coste desconocido. Esta función garantiza que los agentes se construyan con barandillas, se implementen a través de puertas de aprobación, se supervisen en busca de desviación y se retiren cuando ya no sea necesario.

Las herramientas de desarrollo generan configuraciones iniciales a partir de descripciones de lenguaje natural y aplican barandillas (validación de permisos, ámbito de subagente) en tiempo de diseño.
La orquestación en tiempo de ejecución gestiona la invocación de agentes, la aplicación de permisos, el registro de auditoría y la gestión de fallos.
Las funciones reutilizables permiten a los equipos adoptar acciones y agentes predefinidos, incluyendo funciones expertas en dominios verticales, en vez de crear cada agente desde cero.
La observabilidad de sesiones almacena interacciones de agentes, pasos de razonamiento y resultados para análisis, depuración y detección de desviación.

Salesforce proporciona esta función a través de Agentforce Studio, Agent Fabric y AgentExchange.

Implicación arquitectónica: Tratar a los agentes como activos gestionados, no como secuencias de comandos puntuales. La gobernanza a nivel del sistema evita la expansión de los agentes.

Los agentes que consultan datos necesitan comprender la semántica: lo que significa “ingresos”, qué campo es “nombre de cliente”, cómo se relacionan las tablas. Sin una definición semántica compartida, los agentes generan consultas que utilizan los campos incorrectos, interpretan mal nulos o infringen reglas comerciales. Con uno, cada agente consulta a través de definiciones gobernadas y devuelve resultados coherentes y correctos, con calendario fiscal y lógica de reconocimiento de ingresos viviendo en la definición, no en solicitudes de agentes. Esta capa opera dentro del modelo de seguridad nativo de la plataforma: acceso se rige por los controles a nivel de fila y de campo propios de la plataforma, no se vuelven a implementar en la capa semántica. Como resultado, los agentes están vinculados por los mismos permisos de datos que aplica la plataforma.

Salesforce proporciona esta función a través de Tableau Semantics, una capa semántica gobernada integrada con Tableau Next y Data 360.

Implicación arquitectónica: Defina la capa semántica antes de implementar agentes analíticos. Los agentes que consultan tablas sin procesar crean brechas de regulación y resultados incoherentes.

Los agentes completamente autónomos sin supervisión humana crean riesgo de cumplimiento, brechas de responsabilidad y desconfianza de los usuarios. Esta capacidad mantiene a los humanos en control: agentes se distribuyen cuando no están seguros, solicitan la aprobación para acciones de alto impacto y permanecen transparentes acerca de su razonamiento.

Los flujos de trabajo de aprobación permiten a los agentes solicitar el cierre de sesión humano antes de ejecutar acciones consiguientes (emisión de un reembolso, cierre de una oportunidad, eliminación de datos).
Intención de registros de historial de interacciones persistentes, datos a los que se accedió, pasos de razonamiento y acciones realizadas: activación de auditoría, depuración y mejora continua.
Los patrones de distribución pasan a especialistas humanos con contexto completo cuando un agente carece de confianza o alcanza un caso límite.

Salesforce proporciona esta función a través de flujos de trabajo de distribución y aprobación Human-in-the-Loop con historial de interacciones persistente y auditable.

Implicación arquitectónica: Diseñe reglas de distribución explícitas por adelantado. Defina qué decisiones requieren aprobación humana (umbrales financieros, acciones irreversibles, datos regulados) e implemente esos flujos de trabajo antes de implementar agentes autónomos.

Estas funciones son interdependientes. Un agente se basa en datos de confianza para fundamentar su razonamiento, actúa a través de la lógica comercial, opera bajo la regulación del ciclo de vida, consulta a través de la semántica compartida y se distribuye a los seres humanos cuando es necesario. Elimine los datos de confianza y los agentes alucinan; elimine la lógica comercial y solo pueden responder, no actuar; elimine la gobernanza y proliferan en IA en la sombra; elimine la semántica compartida y sus consultas se desvían; elimine la escalada humana y actúan sin supervisión. Un modelo de consumo de API primero, Salesforce Headless 360, permite a los agentes alcanzar estas funciones a través de interfaces programáticas coherentes (API, MCP y CLI) en vez de integrar sistemas separados uno por uno.

Los pilares del Marco bien estructurado siguen siendo la base para los sistemas de agentes: los agentes aún operan dentro de los límites reguladores, requieren controles de acceso apropiados, necesitan supervisión, consumen recursos y sirven a los usuarios de forma equitativa. Comience desde las directrices del pilar principal y, a continuación, aplique las consideraciones agentes que agrega el compañero de cada pilar.

Directrices de pilares principales:

Confide: Modelo de responsabilidad compartida, control de acceso de cuatro capas (org/object/field/record), cifrado, flujos de OAuth, seguimientos de auditoría, marcos de cumplimiento
Fiabilidad: límites reguladores con un colchón operativo recomendado (el límite del 70% es una práctica recomendada de la comunidad ampliamente citada, no una especificación oficial de Salesforce), procesamiento asíncrono, disyuntores, planificación de capacidad, patrones multiorganización, recuperación de desastres
Operational Excellence: Event Monitoring, Proactive Monitoring, prácticas de DevOps (desarrollo dirigido por origen, CI/CD), automatización, gestión de incidentes, mediciones DORA
Optimización de recursos y costes: optimización de SOQL, prevención de sesgos de datos, organización de códigos, estrategias de empaquetado, supervisión de rendimiento, modelado de TCO, compilación frente a compra, optimización de licencias, supervisión de costes
Equidad: accesibilidad (WCAG 2.2 AA), patrones de no discriminación (reglas de colaboración, FLS), arquitectura de privacidad, gobernanza de la ética de la IA

Los patrones de Core Trust (modelo de responsabilidad compartida, menor privilegio, cifrado, OAuth) siguen siendo fundamentales. Los sistemas agentes agregan:

Autenticación e identidad de agentes: los agentes pueden utilizar autenticación basada en JWT en vez de claves de API estáticas, lo que activa seguimientos de auditoría por agente y seguimiento de permisos granulares
Propagación de identidad de usuario: cuando los agentes invocan sistemas externos en nombre de un usuario, propagan la identidad del usuario (no solo la del agente) de modo que los sistemas descendentes aplican permisos a nivel de usuario y seguimientos de auditoría
Límites de permisos: menor privilegio para agentes, herencia de permisos del usuario que ejecuta, permisos explícitos de agentes y validación en límites de delegación
Humano al tanto de decisiones resultantes: flujos de trabajo de aprobación para acciones de alto impacto o irreversibles y datos regulados
Explicabilidad: los agentes explican su razonamiento, citan fuentes para reclamaciones de hechos y hacen que los datos y las acciones que realizaron sean transparentes
Cumplimiento de sistemas autónomos: respetar la clasificación de riesgos de la Ley de IA de la UE (diferenciación de implementaciones de riesgo limitado frente a alto) y las leyes específicas del sector, como la HIPAA y la ley de servicios financieros funcionales; mantener una gestión rigurosa del consentimiento para el procesamiento dirigido por agentes

Por qué esto importa: Los agentes que actúan de forma autónoma sin límites Trust apropiados crean vulnerabilidades de seguridad, infracciones de cumplimiento y desconfianza de los usuarios. El pilar Trust principal proporciona el modelo de responsabilidad compartida y el control de acceso de cuatro capas; la variante agente agrega autenticación de agentes basada en JWT opcional, puertas de aprobación HITL y capacidad de explicación.

Más información: Agentic Enterprise Trust

Los patrones de fiabilidad principales (límites reguladores, procesamiento asíncrono, disyuntores, planificación de capacidad) siguen siendo fundamentales. Los sistemas agentes agregan:

Gestionar razonamientos no deterministas: la misma entrada puede producir diferentes resultados; diseñar para variación con puntuación de confianza, comprobaciones de validación y estrategias de reserva
Degradación graciosa: cuando la inferencia falla o devuelve baja confianza, se degrada a capacidades más sencillas en vez de fallar completamente
Gestión de fallos de orquestación: los flujos de trabajo de múltiples agentes necesitan aislamiento de fallos, estrategias de reintento y gestión de resultados parciales de modo que un agente especialista que falle permanezca aislado en vez de en cascada
SLO de rendimiento de modelo: defina objetivos de latencia, precisión y disponibilidad aceptables para servicios de agentes
Disyuntores para coordinación de agentes: evite fallos en cascada cuando un agente experimenta errores o latencia excesiva

Por qué esto importa: El comportamiento probabilista de los agentes significa que los patrones de fiabilidad deterministas no son suficientes. El pilar Fiabilidad principal proporciona patrones asíncronos e interruptores para integraciones externas; la variante agente agrega una degradación elegante para fallos de inferencia y gestión de fallos de orquestación para la coordinación de múltiples agentes.

Más información: Fiabilidad de empresa de agencia

Los patrones de excelencia operativa principales (Monitorización de eventos, DevOps, automatización, gestión de incidentes) siguen siendo fundamentales. Los sistemas agentes agregan:

Ciclo de vida de desarrollo de agentes (ADLC): gestione agentes en todo su ciclo de vida, desde el diseño y las pruebas hasta la implementación, la supervisión y el ajuste
Observación de sistemas probabilistas: capturar pasos de razonamiento, puntuaciones de confianza, orígenes de datos a los que se accedió y justificación de decisiones, no solo entrada→salida
Detección de deriva: supervise la degradación del rendimiento desde turnos de distribución de datos, cambios de reglas comerciales o actualizaciones de modelos ascendentes con respecto a líneas base de comportamiento
Versión e implementación de agentes: implementación gradual, pruebas de A/B, reversión y control de versión para solicitudes y configuraciones
Respuesta de incidentes para fallos de agentes: distinga fallos de modelo, fallos de orquestación y fallos de datos para la solución dirigida

Por qué esto importa: El comportamiento no determinista dificulta la observabilidad. El pilar Excelencia operativa principal proporciona supervisión de eventos y prácticas de DevOps; la variante de agente agrega ADLC, detección de desviación y observabilidad específica de agentes.

Más información: Excelencia operativa de empresa de agencia

Los patrones de optimización de recursos principales y costes (optimización SOQL, límites reguladores, organización de código, supervisión de rendimiento, modelado TCO, compilación frente a compra, optimización de licencias, supervisión de costes) siguen siendo fundamentales. Los sistemas agentes agregan:

Optimización de latencia de inferencia: respuestas de transmisión, ejecución paralela, almacenamiento en caché y optimización de solicitudes
Economía de tokens: cada paso de llamada, recuperación y razonamiento consume tokens; diseñe estrategias de gestión de contexto (resumen, recuperación selectiva) para plazos de contexto limitados
Optimización de recuperación de memoria: búsqueda vectorial eficiente y recuperación semántica de modo que los patrones RAG no creen cuellos de botella de latencia
Gestión de latencia multiagente: ejecución especializada paralela, delegación asíncrona y presupuestación de tiempo de espera para evitar que las cadenas de agentes secuenciales acumulen latencia
Modularización de agentes: descomponga agentes monolíticos en agentes especializados para su reutilización, ampliación independiente y optimización dirigida
Precios basados en el consumo: a diferencia de las licencias por usuario, los costes de los agentes se amplían con el uso, lo que requiere presupuestos y previsiones diferentes
Unidades de trabajo agenciadas (AWU): miden el gasto en el trabajo que completan los agentes, no solo el consumo de tokens sin procesar, y ajustan el consumo al valor entregado
Crear frente a comprar para capacidades de agentes: Evaluar la creación de capacidades diferenciadas frente a la adopción de capacidades de productos básicos
Medición del rendimiento de las inversiones (ROI) de los agentes: realice un seguimiento de los resultados comerciales frente a los costes operativos de los agentes

Por qué esto importa: El consumo de tokens y la latencia de inferencia son nuevas restricciones de recursos, y los modelos de costes de agentes difieren fundamentalmente de los costes de infraestructura. El pilar principal proporciona directrices de límite regulador, optimización de SOQL y el marco de trabajo de TCO; la variante agente agrega economía de token, optimización de latencia de inferencia, gestión de precios basada en consumo y Unidades de trabajo agente para medir el coste frente a los agentes de trabajo completos.

Más información: Optimización de costes y recursos empresariales

Los patrones de equidad fundamentales (accesibilidad, no discriminación, privacidad, gobernanza de la ética de la IA) siguen siendo fundamentales. Los sistemas agentes agregan:

Explicabilidad: los agentes explican por qué decidieron, qué datos utilizaron y qué alternativas consideraron. (El pilar Trust cubre la explicabilidad como un control de auditoría y transparencia; Fairness lo cubre como el derecho de un usuario a comprender una decisión que le afecta.)
Controversibilidad: los usuarios pueden impugnar decisiones de agentes, solicitar revisión humana y comprender el proceso de apelación
Detección y mitigación de sesgos: realice pruebas con diversas entradas y supervise resultados dispares entre grupos demográficos
Supervisión humana proporcional al impacto: las decisiones de alto riesgo requieren información actualizada sobre las personas; las decisiones de bajo riesgo pueden funcionar de forma autónoma
Experiencias dirigidas por agentes equitativas: sirven a todos los usuarios de forma efectiva independientemente de su dominio del idioma, experiencia técnica o necesidades de accesibilidad

Por qué esto importa: Los agentes autónomos que toman decisiones que afectan a las personas aumentan la equidad. El pilar principal Equidad proporciona estándares de accesibilidad y patrones de no discriminación; la variante agente agrega explicabilidad, impugnabilidad y supervisión humana proporcional.

Más información: Agencia Enterprise Fairness

Al diseñar soluciones de agentes:

Comience aquí para el modelo conceptual: las funciones que requieren los agentes y cómo se aplican los pilares a los agentes.
Lea las guías de pilares principales para los enfoques fundamentales que se aplican a todas las soluciones de Salesforce.
Lea los compañeros de pilares de agentes para los detalles de diseño específicos de los agentes.

Construya sobre patrones de plataforma probados, luego aborde las consideraciones que introducen los agentes. Los pilares principales proporcionan la base, los compañeros agentes proporcionan los detalles y esta descripción general los une.

Las funciones y los pilares anteriores describen cómo diseñar un sistema agente. Poner en producción ese sistema requiere una estructura de gobernanza permanente: a Centro de Excelencia (CoE). En el sistema unificado de humanos, agentes y plataformas, el Centro de Información proporciona el control de los humanos. El centro de excelencia define los límites de los agentes, decide qué alcanza la producción y alinea el trabajo de los agentes con la intención comercial y los requisitos normativos. Un centro de excelencia es la diferencia entre sistemas de agentes gobernados y experimentos no gobernados que se derivan en IA en la sombra: agentes con permisos poco claros, sin seguimiento de auditoría y coste desconocido.

La autonomía hace que cada decisión de gobernanza tenga consecuencias. El Consejo de Europa ayuda a los equipos a tomar esas decisiones deliberadamente y aplicarlas de forma coherente, en lugar de resolverlas un equipo por uno.

Un centro de excelencia reúne negocios, TI y cumplimiento en torno a un retraso compartido y una definición compartida de listo. Su pertenencia abarca las perspectivas que toca una decisión de agente:

Un patrocinador ejecutivo tiene autoridad presupuestaria y borra bloqueadores organizativos.
Los líderes comerciales traducen la estrategia en prioridades y poseen el retraso.
Una oficina del programa y administradores de datos conectan el trabajo de agentes con iniciativas más amplias y evalúan la integridad y la seguridad de los datos.
Los arquitectos, administradores y desarrolladores poseen el modelo de datos, los patrones de integración y la cadencia de entrega, y afloran restricciones técnicas antes de que comience el trabajo.

Los agentes envían, cambian y se desplazan con mayor rapidez que el software tradicional. Para mantener la gobernanza alineada con la ejecución, el Centro de Información se basa en una cadencia de revisión acelerada y asíncrona. El ritmo se aprieta en comparación con un CoE convencional, y la revisión asíncrona se convierte en el modo de trabajo predeterminado:

La revisión continua y asíncrona es el modo principal: los miembros permanecen alineados en un canal compartido a medida que se producen cambios, no solo en reuniones programadas.
Las revisiones operativas semanales confirman que los cambios en vuelo se mantienen compatibles con agentes activos e integraciones, un ritmo más rápido que las revisiones mensuales o trimestrales que permitiría un ritmo de entrega más lento.
Los exámenes estratégicos mensuales ponderan el retraso con respecto a las prioridades comerciales y evalúan la preparación con respecto a la línea base de calidad de los datos actual.

El centro de excelencia toma decisiones explícitas sobre quién aprueba cambios en los objetos, campos y automatizaciones de los que dependen los agentes; quién posee prioridad cuando compiten las solicitudes; cuándo retirar deudas técnicas y qué mediciones comerciales definen el éxito.

Un centro de excelencia listo para agentes rige en cada pilar. Las guías de pilares básicos proporcionan los controles fundamentales; el Consejo de Europa es donde se convierten en una práctica observable y aplicada.

Confianza: La seguridad a nivel de objeto, campo y registro rige los datos que utilizan los agentes. Los controles de acceso a nivel de agente limitan los datos y las acciones a los que puede acceder cada agente. El modelado de identidad, privilegios mínimos y amenazas está integrado en el diseño del agente. Consulte Fideicomiso y Agentic Enterprise Trust.
Excelencia operativa: Los registros de rastreo y auditoría capturan decisiones, acciones y resultados de agentes. Los paneles de supervisión revisan el rendimiento y la alineación con los objetivos en todo el ciclo de vida de Desarrollo de agentes. Consulte Excelencia operativa y Excelencia operativa empresarial.
Fiabilidad y Optimización de recursos y costes: La especificación, la generación de pruebas, los bucles de comentarios y la desaprobación rigen el ciclo de vida completo de los agentes. La limitación de frecuencia, los controles de recursos y las estrategias de solución contienen los efectos de errores de agentes. Consulte Fiabilidad y Optimización de recursos y costes.
Equidad: Los puntos de control humanos al día permiten a las personas interceptar o revisar acciones consiguientes. Las rutas de distribución y la formación del personal preparan a las personas para revisar y sustituir flujos de trabajo de agentes. Consulte Justicia y equidad empresarial.

Un centro de excelencia está listo para gobernar cargas de trabajo de agentes cuando se cumplen estas condiciones:

Política: Las políticas de acceso y acción para agentes se definen, aplican y auditan.
Observabilidad: Las herramientas de supervisión y auditoría admiten revisiones en tiempo real y retrospectivas del comportamiento de los agentes.
Proteger por diseño: La seguridad, la privacidad y el cumplimiento están integrados en flujos de trabajo de agentes desde el principio.
Ciclo de vida: Un proceso estructurado rige la incorporación, actualización y retirada de agentes.
Supervisión humana: Los revisores gestionan excepciones y utilizan comentarios para mejorar flujos de trabajo de agentes.

Confirme estas cuatro bases antes de implementar su primer agente de producción:

Una línea base documentada de la calidad de los datos, revisada de forma periódica.
Un proceso formal de aprobación de cambios de esquema con un propietario nombrado y un cierre de sesión registrado.
Un registro técnico de la deuda mantenido, revisado a la cadencia estratégica.
Una política de regulación de IA que cubre el acceso a los datos, el ámbito de los agentes y los requisitos de auditoría.

Implicación arquitectónica: Establezca el centro de excelencia y confirme estas bases antes de implementar agentes autónomos. La gobernanza que se crea desde el principio se amplía con la adopción de agentes. La gobernanza actualizada después compite con la expansión que está destinada a evitar.

Véase también: Procesos de aprobación de implementación en la guía de excelencia operativa de Agentic Enterprise: la lista de comprobación por agente, de uso y destino que complementa la vista de preparación a nivel de organización de esta sección.

Las organizaciones que comienzan su trayectoria como agentes deben:

Comience con casos de uso de alto valor: centre los agentes iniciales en flujos de trabajo con un ROI claro; el éxito genera impulso.
Cree capacidades fundamentales: establezca la gobernanza de datos, bases de Knowledge y patrones de integración.
Desarrollar experiencia de agentes: construya habilidades en ingeniería de solicitudes y arquitectura de agentes, incluso cuando las herramientas de lenguaje natural y código bajo reducen la barrera de entrada.
Establezca un Centro de Excelencia: levante el órgano de gobierno que es propietario de los procesos de aprobación, las pruebas de seguridad y la supervisión antes de implementar agentes de producción (consulte Preparación organizativa: El Centro de Excelencia anterior).
Iterar: planifique un perfeccionamiento continuo en vez de una implementación inicial perfecta.
Valor de medición: realice un seguimiento de los resultados comerciales, el ahorro de costes y la satisfacción de los usuarios para informar la inversión.

Agentic Enterprise es una oportunidad transformadora para organizaciones listas para adoptar flujos de trabajo con tecnología de IA. El diseño arquitectónico deliberado le permite realizarlo mientras gestiona el riesgo y la complejidad.

Comparta sus comentarios sobre el Marco bien diseñado.