Este documento presenta un punto de vista que describe la arquitectura de TI que las empresas necesitarán en los próximos 3-5 años para capturar completamente el valor de una plantilla de agentes; describe la transformación de TI requerida para dar cobertura a la implementación a gran escala de agentes de IA. El objetivo es proporcionar una guía estratégica y una arquitectura de referencia para ayudar a los CIO, los CDO y los líderes de TI a planificar su trayectoria para convertirse en una compañía agente.

Los potentes modelos de IA están permitiendo la creación de una plantilla de agentes capaz de detectar el entorno, razonar sobre datos, tomar decisiones autónomas, realizar tareas y colaborar de forma efectiva con trabajadores humanos. Esta nueva plantilla promete un cambio radical en innovación, productividad y agilidad, creando valor para accionistas y clientes. Para realizar esta visión, las organizaciones deben someterse a una transformación de negocio y TI para convertirse en Agentic Enterprises.

Hoy en día, la empresa tradicional enfrenta ineficiencias operativas derivadas de silos de información, empleados enterrados en trabajo manual, incentivos desalineados en estructuras organizativas y bucles de comentarios inconexos entre estrategias y resultados. Estos problemas conducen a experiencias de cliente subóptimas, procesos ineficientes y oportunidades perdidas de crecimiento.

Agentic Enterprise supera estas limitaciones integrando una plantilla digital de agentes de IA inteligentes con trabajadores humanos. Con esta nueva plantilla de trabajo aumentada por IA, una organización puede fomentar la innovación para el crecimiento, impulsar la excelencia operativa y crear resiliencia empresarial con varios tipos de nuevas funciones de negocio.

Nuevas funciones de negocio para fomentar la innovación:

• Productividad humana aumentada: La velocidad, la escala y la naturaleza siempre activa de los agentes de IA permite a las empresas automatizar el trabajo repetitivo y liberar trabajadores humanos para centrarse en tareas de mayor valor y más creativas.
• Mejora de la capacidad de adaptación: Debido a que se puede observar el razonamiento de los agentes de IA, pueden aprender e implementar nuevas habilidades de forma dinámica, permitiendo a la compañía mejorar continuamente el desempeño para cumplir objetivos de negocio y adaptarse rápidamente a nuevas oportunidades de mercado.

Ejemplo en acción: Innovación de la experiencia del cliente en servicios financieros: Una firma de gestión de patrimonio puede utilizar un agente de IA para reinventar su modelo de implicación de clientes. El agente monitorea de forma autónoma carteras, identifica momentos clave para una revisión de cliente y prepara el plan previo a la llamada para el asesor, ajustando el plan a medida que surgen noticias. Esto permite al asesor humano ofrecer una experiencia de cliente proactiva y personalizada a escala, fortaleciendo las relaciones y descubriendo nuevas oportunidades.

Nuevas funciones de negocio para proteger y garantizar la resiliencia organizativa:

• Capacidad de plantilla de trabajo elástica: Las compañías pueden ampliar rápidamente su capacidad para hacer frente a aumentos en la carga de trabajo a partir de condiciones de negocio cambiantes, sin los costos y retrasos de aumentar una plantilla laboral completamente humana.
• Resiliencia operativa predictiva: La naturaleza ininterrumpida de los agentes de IA les permite anticipar, modelar y mitigar de forma autónoma los riesgos operativos, de cumplimiento y de seguridad en tiempo real, garantizando que la compañía mantiene la Trust de sus clientes y partes interesadas.

Ejemplo en acción: Protección de datos de clientes: Una gran compañía puede implementar un agente de gobernanza de datos de IA para explorar el entorno normativo en busca de cambios en las leyes de privacidad de datos, descubrir y clasificar información confidencial en conjuntos de datos de compañía y luego aplicar la política de gobernanza apropiada. El agente puede revisar solicitudes de acceso a datos y enrutar excepciones a un analista humano para su revisión, reduciendo el riesgo de cumplimiento al mismo tiempo que permite que los datos se utilicen de una manera confiable.

Nuevas funciones de negocio que optimizan la excelencia operativa:

• Ejecución de procesos autónoma: Una plantilla de trabajo digital puede ejecutar tareas complejas de múltiples pasos las 24 horas del día, los 7 días de la semana a velocidad de máquina (con los humanos al tanto), reduciendo costos y ampliando procesos de forma eficiente.
• Orquestación transfronteriza: Los agentes de IA pueden trabajar en los silos de información e incentivos que normalmente restringen a los trabajadores humanos, fomentando la agilidad para procesos interfuncionales.

Ejemplo en acción: Optimización del embudo de marketing en minorista: Un equipo de marketing minorista puede implementar un agente de IA para acelerar su proceso de campaña en respuesta a las nuevas tendencias de los consumidores. El agente puede generar planes de marketing, colaborar con equipos de marketing, productos y ventas para su revisión, y luego crear automáticamente garantías digitales y ejecutar entre múltiples canales, ajustando dinámicamente la campaña basándose en comentarios en tiempo real.

La arquitectura de TI de la compañía se puede representar utilizando una construcción de capa. Las capas agrupan lógicamente funciones técnicas relacionadas y facilitan el razonamiento estructurado, pero no implican necesariamente implementaciones específicas o el grado en que una capa debe diseñarse de forma monolítica o de una manera más heterogénea. En esta vista de capa (Figura 1), la arquitectura de TI tradicional consta de cinco capas principales: Infraestructura, Datos, Integración, Aplicación y Experiencia. Dos capas cruzadas, Seguridad y Operaciones de TI, abarcan estas capas para garantizar la gobernanza, el monitoreo y la protección.

La arquitectura de TI tradicional se diseñó para un paradigma donde la inteligencia de la compañía residía en trabajadores humanos que realizaban acciones en aplicaciones para acceder a datos, aplicar lógica de negocio, facilitar la colaboración y ejecutar flujos de trabajo. No está diseñado para un paradigma donde los agentes de IA pueden razonar y realizar acciones para ciertos casos de uso realizados anteriormente por humanos (o no realizados en absoluto) mientras los humanos supervisan a los agentes de IA y se centran en tareas más creativas y ambiguas.

Aunque la arquitectura tradicional puede admitir implementaciones a subescala de agentes de IA hoy en día, no puede entregar completamente las funciones de negocio de Agentic Enterprise descritas anteriormente. La realización de estas funciones requiere una arquitectura de TI diseñada para una implementación generalizada de potentes agentes de IA que puedan tratar casos de uso amplios en vez de restringirse a implementaciones limitadas dirigidas a casos de uso estrechos.

Los agentes de IA seguirán mejorando en los próximos 5 años, y la arquitectura de TI tendrá que evolucionar para darse cuenta del valor de agentes de IA más potentes e inteligentes, para convertirse en pruebas futuras. En primer lugar, los agentes serán más inteligentes a medida que evolucionen los modelos de IA subyacentes (como los LLM multimodales) y las arquitecturas cognitivas de los agentes (por ejemplo, planificación de múltiples pasos, descomposición de tareas, etc.). En segundo lugar, los agentes de IA tendrán habilidades de aprendizaje y adaptación mejoradas con mejoras de memoria, funciones de autorreflexión y la capacidad de aprender de comentarios. En tercer lugar, los agentes de IA tendrán una mayor capacidad de interactuar con otros agentes, herramientas y datos, como lo demuestra la rápida evolución del ecosistema de estándares de tecnología abierta (por ejemplo, Protocolo de contexto de modelo, Agent2Agent, etc.). Aunque estas tres tendencias tecnológicas permitirán a los agentes de IA ser más potentes a medida que ejecutan tareas más abstractas y complejas, también presentará numerosos desafíos para la arquitectura de TI actual.

En primer lugar, los agentes de IA se basan fundamentalmente en modelos de IA, tanto desarrollados internamente como de origen externo, que evolucionan rápidamente y demandan una gestión de modelos de IA/ML sofisticada, compartida y estandarizada. Hoy en día, los modelos de IA están atornillados para casos de uso específicos en una aplicación, no como funciones compartidas para su reutilización con herramientas comunes para la capacitación, implementación, gobernanza y gestión de riesgos. En adelante, las compañías tendrán que poder utilizar diferentes modelos de IA para varios casos de uso de agentes que requieren herramientas que permitan a los agentes intercambiar modelos subyacentes (por ejemplo, modelo de base frente a modelo más pequeño específico de dominio) basándose en contexto de negocio. Esto requiere gestionar modelos de IA internamente desarrollados u alojados con herramientas de ciclo de vida unificadas para garantizar la coherencia, la reutilización, la escalabilidad y la eficiencia. Del mismo modo, el acceso a modelos de IA alojados de forma externa requiere un marco de trabajo de control de toda la compañía para garantizar un desempeño, seguridad, cumplimiento, disponibilidad y fiabilidad óptimos.

En segundo lugar, los agentes de IA tienen distintos patrones de escala y requisitos operativos como alojamiento, desarrollo, razonamiento, aprendizaje, gestión de memoria y operaciones, que requieren un límite arquitectónico separado y exclusivo para los agentes. La integración de esta función directamente en la arquitectura de aplicaciones estática y determinista actual introduciría riesgos y complejidad arquitectónica innecesarios. Además, los agentes de IA deben interoperar con aplicaciones existentes a través de interfaces estandarizadas o sistemas de mensajería para la interacción en tiempo real.

En tercer lugar, los agentes de IA necesitan poder razonar sobre conjuntos de datos dispares y colaborar entre sí, a menudo entre pilas de aplicaciones en silos, pero en la arquitectura actual, no hay funciones semánticas comunes para proporcionar un entendimiento compartido para que estos agentes razonen sobre diferentes conjuntos de datos. Como resultado, aunque los agentes de un solo propósito pueden implementarse con éxito, su ampliación para operar en gran número en tareas complejas entre sí sigue siendo difícil y arriesgada.

Por último, la arquitectura de TI de negocio actual carece de una forma efectiva de orquestar, optimizar y gobernar procesos de negocio de extremo a extremo que incluyan los flujos de trabajo dinámicos realizados por agentes más potentes, que aumentarán y en algunos casos sustituirán la función realizada por los trabajadores humanos en ese proceso. Hoy en día, las herramientas de automatización se aprovechan para gestionar flujos de trabajo lineales y deterministas que normalmente siguen una secuencia predefinida, documentada en lenguajes específicos de procesos y se basan en lógica estática que rara vez cambia. Las tecnologías de IA pueden mejorar algunos de estos procesos lineales (por ejemplo, el uso de modelos ML en vez de reglas de negocio codificadas para calcular umbrales de aprobación de préstamos), pero los aspectos estratégicos y de ejecución de la mayoría de los procesos de negocio críticos siguen siendo inherentemente dinámicos y flexibles. Tareas como el desarrollo de estrategias de marketing, la resolución de problemas complejos de clientes o la prospección de clientes tienen objetivos claros (satisfacción del cliente, velocidad de resolución de casos, etc.) pero no siguen una secuencia de ejecución fija y predefinida.

Actualmente, las empresas tradicionales dependen principalmente de los humanos para coordinar y realizar estos procesos de negocio complejos (como la configuración de estrategias y la gestión de programas complejos). A medida que los agentes de IA continúen evolucionando (mayores capacidades de inteligencia, aprendizaje e interacción) durante los próximos 3-5 años, su capacidad de ejecutar dichos procesos dinámicos de forma autónoma se ampliará significativamente, introduciendo complejidades y desafíos de integración que superan con creces las capacidades de las herramientas de integración y automatización existentes. La naturaleza adaptativa y dinámica de los agentes de IA crea una gran necesidad de nuevas funciones de orquestación para garantizar el control a nivel de compañía, la visibilidad integral y la alineación coherente con los objetivos estratégicos de toda la compañía, particularmente en la gestión de flujos de trabajo complejos, largos y de múltiples pasos que abarcan agentes de IA, seres humanos, herramientas de automatización y otros sistemas deterministas.

La arquitectura de TI de Agentic Enterprise establece una plataforma para acciones inteligentes integrando a la perfección trabajadores humanos, agentes de IA y sistemas deterministas. Esta arquitectura permite a los agentes humanos y de IA acceder de forma dinámica y aprovechar Knowledge empresarial unificado desde diversos orígenes de datos, enriquecido con contexto semántico para ejecutar de forma eficiente flujos de trabajo complejos y procesos alineados con objetivos de negocio estratégicos. La arquitectura de TI existente de un conjunto de plataformas en silos y soluciones puntuales evolucionará hacia un conjunto de servicios de aplicación componibles, herramientas semánticas y de datos y redes de agentes de IA supervisadas y gobernadas por nuevas herramientas de orquestación de procesos de negocio inteligentes.

Esta arquitectura permite a los agentes detectar, razonar y actuar dentro de sus ámbitos respectivos, trabajar dentro y entre dominios de negocio y aprender, mejorar y adaptarse continuamente. Esto requiere un diseño centrado en mecanismos sólidos para acceder a datos y Knowledge (comprensión semántica), protocolos e interfaces de comunicación flexibles y estandarizados (como agentes a agentes, agentes a sistemas deterministas y agentes a humanos) y, de forma crítica, orquestar flujos de trabajo y procesos entre agentes, humanos y herramientas de automatización y sistemas deterministas.

Para realizar la visión arquitectónica de una plataforma para acciones inteligentes, se recomiendan estos principios de diseño como mejores prácticas:

• Componibilidad y modularidad: Diseñe elementos arquitectónicos como componentes modulares con interfaces estandarizadas para permitir el ensamblaje rápido y dinámico de funciones de agentes, flujos de trabajo y superficies orientadas hacia las personas. Dé prioridad a la abstracción y los contratos de interfaz claros para permitir la mayor flexibilidad para que los agentes de IA redacten flujos de trabajo.
• Datos y semántica primero: Garantice un acceso integral, preciso, rápido, seguro y rentable a los datos, con comprensión semántica compartida para que los agentes razonen de forma efectiva entre sistemas en silos. Esto requiere tratar los datos (y metadatos) como un producto, con herramientas para garantizar la calidad, el linaje, la gobernanza y el acceso, así como una forma de proporcionar comprensión semántica compartida entre agentes y seres humanos.
• IT y observabilidad de negocio integrados: Integre funciones de monitoreo, rastreo, evaluación y capacidad de explicación integrales en toda la arquitectura para obtener perspectivas sobre el razonamiento, los comportamientos, las interacciones del sistema y el impacto de los agentes en los indicadores clave de desempeño de negocio para permitir la optimización continua del desempeño de los agentes. Esto incluye optimización de costos (FinOps), mediciones de sostenibilidad y telemetría operativa manteniendo Trust, cumplimiento y consumo de recursos responsable. Dado que los agentes de IA son inherentemente no deterministas, la observabilidad es primordial para garantizar que los agentes de IA puedan operar de una manera confiable, compatible y auditable con la supervisión humana.
• Confianza durante: Aplique permisos granulares y dinámicos basándose en la intención de las tareas del agente (acceso a datos, acciones, etc.) e implemente prácticas de seguridad integrales incluyendo la creación de equipos rojos, la exploración CVE automatizada, la detección de vulnerabilidades y los controles de validación basados en riesgos. Se necesitan controles más granulares y dinámicos dado el riesgo de que los agentes provoquen riesgos en cascada debido a su capacidad para operar a velocidades de máquina. Asegúrese de que todos los resultados generados por IA (desde agentes o modelos) se validan rigurosamente con políticas definidas de cumplimiento, seguridad, toxicidad y sesgo antes de su uso o entrega, lo que requiere mecanismos de registro y capacidad de explicación con seguimientos de auditoría verificables para decisiones, acciones, contenido y predicciones de IA.
• Agente primero con supervisión humana: Active los agentes de IA para que sean la herramienta predeterminada para resolver casos de uso de negocio, excluyendo otras consideraciones (por ejemplo, costo, ajuste técnico) y diseñe sistemas de TI para que sean accesibles para flujos de trabajo de agentes. Esto incluye la capacidad de los humanos de monitorear, intervenir y sustituir cualquier paso del proceso de un agente. Los agentes requieren funciones de autorreflexión para buscar orientación humana de forma proactiva si su confianza sobre la toma de decisiones cae por debajo de umbrales preprogramados.
• Interacción reactiva y multimodal: Active la arquitectura para admitir mecanismos de respuesta e invocación de agentes integrales entre todos los tipos de interacciones incluyendo protocolos de agente a agente, entradas multimodales humanas (voz, texto, visual), eventos de negocio, señales del sistema y datos de transmisión. Active funciones de procesamiento dirigidas por eventos y en tiempo real para garantizar que los agentes pueden reaccionar a cualquier señal oportuna desde cualquier origen o formato.
• Infraestructura preparada para la IA: Asegúrese de que la infraestructura puede ampliarse elásticamente con redundancia incorporada para gestionar cargas de trabajo de IA fluctuantes e integrar oportunidades en curso ML/LLM en la arquitectura de datos y aplicaciones, mientras mantiene el cumplimiento de los requisitos de residencia de datos.
• Ecosistema abierto: Dé prioridad a la interoperabilidad y evite el bloqueo tecnológico favoreciendo estándares abiertos, protocolos e interfaces bien definidas (API, eventos) para beneficiarse del ecosistema tecnológico.

Para activar y ampliar con éxito la transformación de agentes, las empresas deben ir más allá de la mera mejora de las capas actuales; deben considerar la introducción explícita de cuatro capas arquitectónicas adicionales (Figura 2) diseñadas específicamente para satisfacer las necesidades de los agentes de IA.

La Capa genética está dedicada al desarrollo y la gestión de agentes de IA, abarcando funciones cognitivas como planificación, razonamiento, memoria, utilización de herramientas, gestión de estados y control del ciclo de vida. Esta capa aborda los requisitos técnicos y operativos exclusivos de los agentes de IA, garantiza la interoperabilidad entre aplicaciones y almacenes de datos a través de protocolos estandarizados y facilita la colaboración de agente a agente. La capa de aplicación existente evolucionará a servicios de aplicación para estar compuesta de forma dinámica para flujos de trabajo de agentes.

La Capa semántica se presenta para resolver la desconexión entre datos de compañía sin procesar y la comprensión semántica que necesitan los agentes de IA. Codifica y gestiona explícitamente entidades de negocio, conceptos, definiciones e interrelaciones, creando una ontología de negocio y una representación de Knowledge de negocio para permitir la comprensión semántica compartida que impulsa flujos de trabajo de múltiples agentes más complejos realizando tareas de nivel superior. Más allá de un catálogo de datos, Capa semántica traduce una consulta de lenguaje natural en consultas precisas en establecimientos de datos específicos, armoniza los resultados y devuelve una respuesta contextual y más enriquecida para el agente. La Capa de datos existente mientras tanto unifica a través de la adopción de lagos centralizados al tiempo que amplía el acceso a los datos a través de un entramado de datos listo para IA para admitir principios de modelo operativo de malla de datos.

La Capa de IA/ML centraliza la gestión de funciones de IA de compañía, incluyendo modelos de lenguaje grandes, modelos de acción grandes y modelos de ML específicos de dominio, gestionando modelos de IA desarrollados internamente a lo largo de su ciclo de vida y el acceso/uso controlado a servicios de IA externos. A diferencia de las arquitecturas tradicionales donde los modelos de IA están integrados en aplicaciones, esta capa establece modelos de IA como componentes de primera clase y servicios compartidos en la compañía. Se centra en funciones de IA controladas por la compañía (no funciones de IA proporcionadas por proveedores externos). Esta capa proporciona la inteligencia para varios agentes y otras cargas de trabajo de IA en la compañía con mecanismos estandarizados para Trust, seguridad, cumplimiento e implementación.

La Capa de orquestación de compañía es la abstracción funcional para coordinar, gobernar y optimizar flujos de trabajo complejos de múltiples pasos y procesos de negocio que abarcan agentes de IA, seres humanos, herramientas de automatización y sistemas deterministas. Esta capa aprovecha un modelo de orquestación combinado que permite a los agentes y sistemas individuales gestionar de forma autónoma tareas coreográficas locales utilizando protocolos abiertos como MCP y A2A proporcionando al mismo tiempo supervisión y coordinación centralizadas de extremo a extremo de todo el proceso. Para implementar el modelo de orquestación combinado, esta capa representa procesos de negocio críticos en formatos semánticamente enriquecidos legibles por máquina que definen los pasos deterministas (modelados durante el tiempo de diseño) y los pasos dinámicos (decididos por agentes durante el tiempo de ejecución) de un proceso de negocio, creando la base del modelo de proceso para la gobernanza y la optimización.

Tradicionalmente, partes significativas de los procesos de negocio dirigidos por humanos permanecen indocumentados o inaccesibles en formas legibles por máquina. Sin embargo, la observabilidad detallada de las actividades de los agentes de IA, incluyendo datos enriquecidos y metadatos acerca de sus tareas y acciones, permite capturar, documentar e integrar trabajo dinámico no estructurado anteriormente con flujos de trabajo lineales deterministas para crear modelos de procesos integrales. La documentación detallada del proceso captura interdependencias de tareas y rutas de ejecución invisibles anteriormente, permitiendo a la compañía optimizar continuamente la eficiencia operativa, solucionar de forma efectiva cuellos de botella y codificar sistemáticamente mejores prácticas identificadas por agentes en libros de jugadas reutilizables de toda la compañía. Esto da como resultado un gemelo digital holístico de procesos individuales, y cuando se amplía, toda la compañía.

Por ejemplo, los procesos complejos como la ejecución de estrategias de ventas integrales o la incorporación de nuevos empleados implican numerosos pasos interdependientes donde la capa de orquestación puede garantizar niveles apropiados de implicación humana (por ejemplo, gestión de excepciones), autonomía limitada para agentes de IA y cumplimiento obligatorio. A lo largo de estos procesos, la capa de orquestación descendente agrega previsibilidad y gobernanza, realiza un seguimiento y una evaluación continuos de indicadores clave de desempeño (KPI), garantiza la integridad transaccional de los flujos de trabajo y la lógica de reversión, y mantiene la visibilidad en cada etapa del flujo de trabajo para garantizar la alineación con objetivos de negocio generales. Para implementar esta función, esta capa consume políticas, reglas y salvaguardas de la capa de seguridad y gobernanza (a través de política como código) y objetivos de negocio e indicadores clave de desempeño almacenados en la Capa semántica. Dada la naturaleza autónoma y rápida de las interacciones dirigidas por la IA, el hecho de depender únicamente de una coreografía descentralizada conlleva el riesgo de errores de alineación estratégica o infracciones de cumplimiento, especialmente en flujos de trabajo de múltiples pasos de larga duración. El enfoque de orquestación combinada mitiga estos riesgos integrando reglas de negocio de toda la compañía, comprobaciones de cumplimiento y aplicación de políticas directamente en flujos de trabajo complejos e integra la supervisión humana en coyunturas críticas.

Cada una de estas 11 capas contribuye con funciones específicas a la implementación de agentes de IA a escala de una forma segura, de confianza y efectiva que libera todo el potencial de la IA de agentes para transformar el modo en que se realiza el trabajo en una compañía. La sección siguiente describe la función de la capa, los cambios novedosos debidos al aumento de agentes de IA y sus funciones de tecnología clave.

Función: La Capa de experiencia sirve como la interfaz principal para usuarios humanos, permitiendo la interacción multimodal capturando entradas (texto, voz, visual) y entregando respuestas relevantes en contexto entre múltiples dispositivos. Transfiere sin problemas las intenciones de los usuarios a la Capa de agente para la acción, proporcionando al mismo tiempo la interfaz de usuario dinámica y visualizaciones que facilitan las distribuciones y aprobaciones humanas en flujos de trabajo de agentes.

Qué es diferente frente a hoy: La IA aumentará las interfaces tradicionales basadas en la interfaz de usuario con procesamiento de lenguaje natural, conciencia contextual y compatibilidad de decisiones proactiva. Los agentes de IA podrán iniciar interacciones de forma proactiva, entregando recomendaciones personalizadas en tiempo real entre todos los canales y modalidades.

Funciones de tecnología clave:

• Asistentes digitales y de IA conversacional: Active la UX de forma predeterminada para ofrecer asistencia de IA para usuarios humanos.
• Interfaz de usuario de Atribución y transparencia: Haga que las respuestas sean explicables en la interfaz de usuario, como mostrando citas, orígenes de archivos/sistemas y el enfoque/la justificación de las decisiones.
• Servicio de notificación ambiental y proactivo: Permite a los agentes enviar de forma proactiva perspectivas o alertas a usuarios en el canal y el factor de forma más apropiados, basándose en el contexto actual del usuario.
• Experiencias de OmniCanal: Proporciona una experiencia transparente, coherente y unificada entre todos los canales con continuidad de trayectoria, donde las pláticas y tareas siguen a la persona en vez de la aplicación.
• Capacidades multimodales: Permite a las personas interactuar con agentes y aplicaciones a través de texto, voz, imagen, tacto, video y AR/VR de modo que los agentes puedan comprender y presentar información en la modalidad más eficiente.
• Personalización consciente del contexto e interfaz de usuario dinámica: Activa experiencias de usuario en tiempo real (tiempo, ubicación, acciones de usuario) contextuales para activar la personalización, incluyendo la generación de interfaz de usuario sobre la marcha.

Función: La Capa agente actúa como el entorno de tiempo de ejecución predeterminado para realizar trabajo en la compañía donde los agentes de IA descomponen tareas desde la capa de experiencia y ejecutan tareas reuniendo flujos de trabajo de forma dinámica utilizando herramientas desde la capa de aplicaciones y servicios de aplicación y la capa de datos. El estado de configuración de los agentes de IA se almacena y gestiona en esta capa. Los agentes se instancian para tareas específicas y las instancias de agentes específicas se retiran posteriormente. Esta implementación permite invocar siempre a los agentes desde el estado de configuración más reciente basándose en optimizaciones sin conexión (utilizando funciones desde capas de IA/ML, observabilidad y orquestación). Esta capa es responsable de la gestión, coordinación y gobernanza integrales del ciclo de vida de los agentes de IA.

Qué es diferente frente a hoy: Esta capa emergerá del conjunto dispar de pilotos actual y las implementaciones de agentes limitadas. Aunque existen bots basados en reglas, existen pocos programas de software adaptativos, no deterministas y orientados a objetivos implementados a escala.

Funciones de tecnología clave:

• Entorno de tiempo de ejecución de agentes: Gestiona el ciclo de vida, la ejecución y la asignación de recursos para agentes de IA.
• Suite de gestión del ciclo de vida de agentes: Incluye marcos de trabajo de desarrollo, herramientas de desarrollo y prueba y sistemas de gestión para actividades de agentes y control de versiones.
• Motor de razonamiento de agentes: Un marco cognitivo para que los agentes descompongan objetivos, planifiquen y decidan qué herramientas utilizar para resolver problemas complejos.
• Almacén de memoria y contexto de agente: Permite a las instancias de agentes recuperar y mantener contexto sobre interacciones anteriores, garantizando la coherencia y la personalización.
• Protocolos de interoperabilidad de agentes: Interfaces estandarizadas para la comunicación de agente a agente (A2A) y para que los agentes interactúen con sistemas externos (como a través del Protocolo de contexto de modelo).
• Registro de herramientas: Un conjunto depurado de herramientas admitidas interna y externamente para que los agentes las invoquen para realizar una tarea concreta.
• Registro de agentes: Un ecosistema depurado de soluciones y agentes de IA preconstruidos que admite el descubrimiento y la coincidencia de funciones.
• Aplicación de políticas de agentes distribuidos: Activa la gobernanza de toda la compañía permitiendo a los agentes autocomprobar el cumplimiento antes de realizar acciones.
• Marco de trabajo de autorreflexión y adaptación de agentes: Proporciona un mecanismo para que un agente analice su propio desempeño y, con la aprobación humana, desencadene mejoras o sugiera modificaciones a sí mismo.

Función: Esta capa funciona como un núcleo de inteligencia centralizado, ofreciendo modelos de IA como un conjunto de servicios compartidos para ser consumidos por la Capa de agente (y aplicaciones) para potenciar sus funciones de razonamiento y toma de decisiones con marcos de trabajo de seguridad y monitoreo integrados.

Qué es diferente frente a hoy: Tradicionalmente, los modelos de IA se incrustaban en aplicaciones específicas. En la arquitectura de TI de Agentic Enterprise, la capa de IA/ML será un conjunto de servicios centralizado de primera clase que potenciará muchas aplicaciones y agentes, admitiendo el ciclo de vida completo del modelo desde el desarrollo hasta el servicio en tiempo real a escala.

Funciones de tecnología clave:

• Modelos de Foundation preintegrados: Modelos ML de gran tamaño entrenados en un amplio espectro de datos, capaces de realizar una amplia variedad de tareas generales.
• Generación aumentada de recuperación (RAG): Oportunidades en curso centradas en la IA que fundamentan modelos de base en datos específicos de la compañía para mejorar la precisión y reducir las alucinaciones.
• Núcleo de confianza, seguridad y gobernanza de IA: Un conjunto de herramientas integradas en el ciclo de vida del modelo para aplicar principios de IA responsables como detección de sesgos, capacidad de explicación y monitoreo de seguridad.
• Pasarela de modelo: Un motor de enrutamiento que actúa como un punto de entrada único para todas las solicitudes de inferencia de modelo, gestionando llamadas a varios modelos internos y externos para optimizar el costo, el desempeño y el cumplimiento.
• Sobremesa de trabajo de desarrollo de modelos: Un entorno de desarrollo integrado para científicos de datos con herramientas para el preprocesamiento de datos, la capacitación de modelos y la experimentación.
• Oportunidades en curso de MLOps y automatización del ciclo de vida: El motor de CI/CD para el aprendizaje automático, automatizando el ciclo de vida de extremo a extremo de modelos desde la capacitación hasta la implementación y la retirada.
• Tiempo de ejecución de servicio de modelo e inferencia: Un entorno ampliable y de baja latencia para implementar modelos entrenados como extremos de API seguros para el consumo en tiempo real.
• Registro de modelos y activos: Un repositorio centralizado y controlado por versión para todos los activos de IA/ML, incluyendo modelos, conjuntos de datos y código fuente, garantizando la reproducibilidad y la capacidad de auditoría.
• Generación y gestión de datos sintéticos: Herramientas para generar y gestionar datos sintéticos que mantienen las propiedades estadísticas de datos reales sin exponer información confidencial.

Función: La Capa de orquestación de compañía es el plano de control para el trabajo de extremo a extremo en una compañía de agentes. Garantiza que los flujos de trabajo y las interacciones de agentes se adhieren a los objetivos de la compañía y las políticas de gobernanza. Consume telemetría de observabilidad desde otras capas para construir modelos de procesos de negocio integrales, permitiendo la optimización frente a KPI extraídos desde la Capa semántica. Esta capa proporciona el contexto compartido y la memoria de larga duración a cada nueva instancia de un agente de IA para flujos de trabajo críticos.

Qué es diferente frente a hoy: Esta capa proporciona visibilidad unificada en procesos de negocio creando modelos legibles por máquina que capturan pasos estructurados y deterministas y el trabajo dinámico no estructurado realizado por humanos y agentes. Va más allá de los modelos de gobernanza y colaboración centrados en las personas actuales codificando programáticamente objetivos de negocio y reglas de cumplimiento como restricciones en flujos de trabajo de agentes para gobernar la plantilla de agentes.

Funciones de tecnología clave:

• Motor de ejecución de flujo de trabajo híbrido: El tiempo de ejecución principal que ejecuta el "modelo de orquestación combinado", proporcionando supervisión centralizada mientras permite la coreografía de agentes locales.
• Motor de restricción y gobernanza de procesos: Un servicio de gobernanza en tiempo real que consume y aplica reglas de negocio declarativas, políticas y restricciones a todos los procesos en vuelo.
• Memoria compartida y gestión de contexto: Una capa de memoria compartida accesible para todos los actores en un flujo de trabajo para mantener la continuidad y la coherencia entre múltiples pasos.
• Process Modeling Studio: Un entorno de tiempo de diseño para crear y gestionar modelos de procesos legibles por máquina y enriquecidos semánticamente que definen pasos deterministas y dinámicos orientados a objetivos.
• Optimización y simulación de procesos: Una función que construye simulaciones digitales de procesos de negocio para análisis avanzados, simulaciones de caso y optimización predictiva.
• Descubrimiento de procesos y monitoreo de estado: Ingresa modelos de procesos y datos en tiempo real para crear reportes sobre mediciones de negocio del estado de procesos.
• Modelado de procesos dobles digitales: Un espejo en tiempo real de flujos de trabajo en vivo para probar, simular cambios y optimizar sin afectar a la producción.

Función: Esta capa expone las funciones de aplicaciones de negocio existentes como herramientas y servicios modulares y componibles para que los utilicen los agentes. También sirve como tiempo de ejecución de presentación para integrar funciones de agentes en la experiencia de usuario. Las aplicaciones continúan siendo el sistema de registro, pero están rediseñadas para ser funciones "desatendido" para agentes.

Qué es diferente frente a hoy: Las aplicaciones evolucionarán de interfaces de usuario monolíticas a "servicios back-end" que los agentes pueden llamar dinámicamente a través de API y eventos. Esta capa se integrará de forma nativa con modelos y agentes de IA, y la proliferación de LLM de generación de código llevará a un aumento en el número de microaplicaciones personalizadas creadas por agentes.

Funciones de tecnología clave:

• Servicios de aplicación modular: Lógica de negocio descompuesta desde aplicaciones tradicionales, publicadas como acciones legibles por máquina para que las llamen los agentes.
• SDK de integración de agentes: Kits de herramientas y bibliotecas que permiten a los desarrolladores integrar agentes de forma segura directamente en las interfaces de usuario de aplicaciones.
• Servicios de generación de interfaz de usuario dinámica: Servicios que permiten a un agente de IA generar o modificar componentes de la interfaz de usuario en tiempo real basándose en contexto de usuario.
• Marcos de trabajo nativos de la interfaz de usuario de IA: Marcos de trabajo frontales diseñados con compatibilidad integrada para la gestión de interfaces de usuario dirigidas por IA, como la gestión de datos probabilistas y respuestas de texto de transmisión.
• Sistemas de implicación infundidos por agentes: Aplicaciones de colaboración y productividad de negocio que incorporan funciones de agentes de IA a través de componentes visuales.
• Desarrollo de aplicaciones de código bajo/sin código mejorado por IA: Herramientas que permiten a los usuarios y agentes crear aplicaciones y servicios personalizados utilizando lenguaje natural y solicitudes.
• Barandillas de aplicación para uso de agentes: Controles del lado de la aplicación para el uso de agentes, como limitación de velocidad, permisos con ámbito y telemetría.

Función: La Capa semántica proporciona una comprensión unificada de datos y Knowledge en toda la compañía, permitiendo tanto a los humanos como a los agentes de IA interpretar y actuar sobre la información de forma coherente. Utiliza herramientas de representación Knowledge como ontologías y gráficos Knowledge para traducir consultas de lenguaje natural en consultas de datos precisas y contextuales.

Qué es diferente frente a hoy: Aunque las empresas actuales tienen establecimientos de metadatos dispares, la arquitectura de TI de Agentic Enterprise requiere un Enterprise Knowledge Graph (EKG) centralizado que vincula datos entre dominios con relaciones semánticas definidas explícitamente. Esto proporciona el contexto enriquecido que los agentes de IA pueden atravesar para realizar razonamientos complejos, creando requisitos para un conjunto de funciones técnicas para impulsar gráficos Knowledge que abarcan múltiples dominios funcionales.

Funciones de tecnología clave:

• Servicio de metadatos: Proporciona metadatos descriptivos, incluyendo linaje de datos, propiedad y clasificaciones.
• Glosario de negocio y gestión de taxonomía: Una herramienta para usuarios de negocio para definir y acordar condiciones de negocio estándar.
• Gestión de modelos semánticos: Un sistema de trabajo para ingenieros de Knowledge para crear, gestionar y gobernar modelos semánticos y ontologías.
• Enterprise Knowledge Graph (EKG): Una instanciación en tiempo de ejecución de la ontología de la compañía que almacena y asigna las relaciones entre entidades de negocio.
• Motor de Admisión y Armonización de Metadatos: Canalizaciones automatizadas que rellenan y mantienen Enterprise Knowledge Graph desde varios sistemas de origen.
• Motor de consultas semánticas: Interpreta consultas de lenguaje natural y construye consultas estructuradas basándose en el ECG para recuperar datos de diversos orígenes.
• Motor de razonamiento semántico: Analiza y deriva Knowledge implícito y relaciones ocultas del ECG.

Función: La Capa de datos es la fuente fundamental de la verdad, que gestiona y proporciona acceso seguro y regulado a todos los datos de la compañía para que la Capa semántica los interprete, la Capa de IA/ML los utilice para la capacitación, las aplicaciones para las transacciones y los agentes para el razonamiento.

Qué es diferente frente a hoy: La Capa de datos evoluciona para ser más unificada, en tiempo real y centrada en la gobernanza, a menudo centrada en un lago de datos a escala de nube. Debe gestionar un mayor volumen y variedad de datos y cambiar del procesamiento orientado por lotes a la transmisión en tiempo real para dar cobertura a agentes reactivos. La gobernanza y la calidad de los datos adquieren una importancia aún mayor para evitar que los datos deficientes creen resultados de IA defectuosos.

Funciones de tecnología clave:

• VectorDB: Una base de datos especializada optimizada para almacenar y consultar incrustaciones de vectores de alta dimensión, clave para RAG.
• Oportunidades en curso de datos de análisis inteligente: Un servicio automatizado dirigido por metadatos para el ingreso, la transformación y la carga de datos (ETL/ELT) en la Capa de datos.
• Enterprise Data Lakehouse: Un repositorio central para datos estructurados, semiestructurados y no estructurados, optimizado para cargas de trabajo de análisis e IA.
• Búsqueda y federación de datos de copia cero: Técnicas para acceder, consultar y buscar datos entre múltiples establecimientos sin movimiento de datos físico.
• Lenguaje natural a SQL: Una técnica para convertir consultas de lenguaje natural en SQL.
• Servicio de descubrimiento y catálogo de datos de compañía: Un inventario centralizado con capacidad de búsqueda de todos los activos de datos en la compañía.
• Gestión de datos principal y de referencia (MDM): Gestiona el "registro de oro" para entidades de negocio críticas como Cliente y Producto.
• Servicio de calidad de datos adaptativo: Un servicio de monitoreo continuo que utiliza la IA para detectar y remediar automáticamente Problemas de calidad de datos en tiempo real.
• Contratos de datos: Acuerdos legibles por máquina entre productores de datos y consumidores que especifican el esquema, la semántica y los SLA del intercambio de datos.
• Almacenes de datos especializados en IA: Bases de datos diseñadas para casos de uso de IA específicos, como bases de datos de gráficos o series temporales.
• Tela de datos preparada para IA: Una capa de abstracción de datos lógica que proporciona una vista unificada y virtualizada de datos entre sistemas físicos dispares.
• Procesamiento de datos en tiempo real: Funciones para procesar y analizar transmisiones de datos multimodales de forma continua a velocidades de máquina.

Función: La Capa de infraestructura sustenta el resto de capas, proporcionando las funciones de computación, almacenamiento, red y nube requeridas para ejecutar cargas de trabajo de IA y agentes a escala de una manera resiliente y rentable.

Qué es diferente frente a hoy: Las cargas de trabajo de IA requieren mayor escalabilidad y elasticidad para controlar la naturaleza probabilista de los sistemas de agentes. La infraestructura debe admitir el aprovisionamiento rápido, hardware especializado como GPU y tráfico de red de alta latencia y bajo rendimiento para la comunicación entre agentes.

Funciones de tecnología clave:

• Infraestructura como código: Aprovisionamiento y gestión automatizados de infraestructura con oportunidades en curso de implementación de CI/CD.
• Infraestructura de IA híbrida y de múltiples nubes: Aprovecha la elasticidad de la nube pública y la infraestructura especializada para cargas de trabajo de IA generativa.
• Computación, almacenamiento y red optimizados para IA: Asigna y amplía dinámicamente recursos de infraestructura basándose en demanda variable desde cargas de trabajo de IA.
• Infraestructura de IA periférica: Permite implementar modelos y agentes de IA en el borde de la red para casos de uso con requisitos de privacidad o latencia exclusivos.
• Infraestructura de autocuración: Utiliza la IA para gestionar la recuperación del sistema sin entrada manual, garantizando una alta disponibilidad.
• Computación de IA sostenible: Enfoques de eficiencia energética para mitigar el impacto medioambiental de las cargas de trabajo de IA.
• Escalado automático consciente del costo y el carbono: Utiliza FinOps y señales de sostenibilidad para dirigir la ampliación y la colocación de capacidad.

Función: La Capa de integración sirve como la estructura de comunicación universal para todos los sistemas (heredados y nuevos) a través de API, eventos, protocolos y middleware para garantizar que los agentes puedan descubrir e interactuar con servicios, datos y herramientas de forma transparente.

Qué es diferente frente a hoy: La integración debe evolucionar para dar cobertura a los patrones de comunicación dinámicos de varios a varios agentes de IA, en vez de solo gestionar interacciones estáticas predeterminadas entre algunos sistemas conocidos. Requiere procesamiento de datos en tiempo real y debe acomodar el descubrimiento ad-hoc y la colaboración entre agentes.

Funciones de tecnología clave:

• Oportunidades en curso de conectividad de datos operativos: Herramientas asistidas por IA para la asignación de esquemas automática, la transformación de datos y la generación de flujos de trabajo, incluyendo funciones de ETL inversas, dirigidas por API y dirigidas por eventos.
• Gestión de API adaptativa y malla de servicio: Pasarelas de API y tecnología de malla de servicio que pueden registrar, descubrir y gobernar servicios de forma dinámica con aplicación de políticas adaptativa para agentes.
• Adaptadores de Semantic Knowledge: Un componente de integración que proporciona un vocabulario compartido y un modelo de datos entre agentes y aplicaciones para una interpretación de datos coherente.
• Tela de integración dirigida por eventos: Una cadena principal de transmisión y mensajería de alto rendimiento y baja latencia que permite la comunicación asíncrona desvinculada.
• Puerta de enlace de protocolo de agente: Una pasarela para servicios de MCP que permite a los agentes descubrir herramientas y desencadenar acciones de forma segura, uniendo MCP a API y eventos internos.
• Catálogo de funciones componibles y Mercado: Un catálogo centralizado y regulado para todas las funciones de la compañía (API, servicios, habilidades de agentes, modelos y conjuntos de datos) anotado con metadatos semánticos para la composición on-demand.

Función: Esta capa monitorea y gestiona el estado y el desempeño operativo de los agentes y todo el sistema (principio integrado de observabilidad), proporcionando transparencia y control generando perspectivas para permitir la auditoría, la depuración, la capacidad de explicación, el costo y la optimización de recursos de la plantilla de agentes de la compañía.

Qué es diferente frente a hoy: Esta capa se vuelve aún más crucial dado el riesgo de que los agentes de IA creen errores a velocidad de máquina. Debe ampliarse más allá del monitoreo de infraestructura para incluir el comportamiento impredecible de agentes autónomos, requiriendo nuevos tipos de telemetría y la capacidad de comprender la corrección semántica, no solo el desempeño técnico.

Funciones de tecnología clave:

• Plataforma de monitoreo y observabilidad en tiempo real: Recopila continuamente registros, mediciones y rastreos en todo el entorno de TI, con extensiones para mediciones de ML y comportamiento de agentes.
• FinOps y Gestión de costos de nube: Responsable de monitorear, analizar y optimizar los costos de infraestructura asociados con la IA y las cargas de trabajo de agentes.
• Monitoreo específico de agente y ML: Registra cada paso de la ejecución de un agente en un seguimiento de auditoría inmutable y perfila continuamente comportamientos de agentes para detectar desviaciones de las normas establecidas.
• AIOps, Gestión de incidentes y cambios: Utiliza IA/ML para predecir posibles problemas de TI, identificar causas raíz y crear flujos de trabajo de corrección.
• Bucle de comentarios de aprendizaje cerrado: Integra la telemetría de observabilidad de los agentes de vuelta en las oportunidades en curso de MLOps, permitiendo el reentrenamiento de modelos automatizado o el ajuste de solicitudes.
• Motor de observabilidad semántica: Integra la observabilidad con la capa semántica para la contextualización para permitir la detección de anomalías semánticas en el comportamiento de agentes.

Objetivo: Esta capa integra Trust y seguridad en toda la arquitectura protegiendo los activos de la compañía de amenazas, gestionando riesgos y garantizando el cumplimiento de los requisitos normativos. Abarca la gestión de identidad, la detección de amenazas, el GRC y las medidas de seguridad específicas de la IA.

Qué es diferente frente a hoy: La capa de seguridad debe evolucionar para solucionar nuevas superficies de ataque presentadas por agentes y modelos de IA, como inyección rápida y envenenamiento de modelo. La gestión de identidad y acceso debe cambiar de controles estáticos basados en funciones a permisos dinámicos basados en intenciones que se otorgan justo a tiempo y se revocan inmediatamente después de su uso.

Funciones de tecnología clave:

• Seguridad de entrada/salida de LLM y barandillas: Barandillas de compañía aplicadas en tiempo de solicitud y respuesta para bloquear contenido inseguro, fugas de PII y fugas de cárcel.
• Cero Trust Architecture con Verificación de IA: Autenticación continua mejorada por análisis de comportamiento basado en IA, con acceso granular justo a tiempo para agentes basándose en su tarea específica.
• Marco de trabajo de seguridad de agentes: Modelos de permisos detallados, monitoreo de comportamientos nocivos y mecanismos de contención para interrumpir de forma segura actividades de agentes.
• Seguridad de modelo de IA: Una estrategia de defensa en profundidad con controles en cada etapa del ciclo de vida del modelo para proteger contra intoxicaciones, extracciones y ataques adversarios.
• IA que preserva la privacidad: Técnicas como el aprendizaje federado y la privacidad diferencial para proteger datos confidenciales.
• GRC mejorado por IA: Uso de agentes de IA para monitorear continuamente el cumplimiento de la arquitectura de TI con los controles.
• Motor de políticas como código: Una fuente única de verdad para definir reglas de negocio y restricciones de cumplimiento en un formato declarativo legible por máquina para establecer barandillas para el comportamiento de agentes.
• Equipo rojo continuo: Pruebas adversarias continuas automatizadas de agentes y modelos de IA para identificar vulnerabilidades antes de que los atacantes las exploten.

La transformación en Agentic Enterprise requiere seguir una trayectoria de múltiples etapas estableciendo las bases tecnológicas mientras crea valor de negocio tangible (consulte la Figura 3 a continuación). Aunque la hoja de ruta precisa depende de la estrategia, la cultura, el modelo de gobernanza de IA y el punto de partida de la arquitectura de TI de la compañía, la mayoría de las organizaciones deben adoptar un enfoque por fases como agentes de potencia de inversiones de TI continuadas con un ámbito, una complejidad y una creación de valor crecientes. El Modelo de madurez de Salesforce ofrece un marco de trabajo útil de niveles de madurez para que las compañías formulen estrategias para su transformación, describiendo cómo las funciones de agentes pueden crecer desde la recuperación de información básica (nivel 1) a la orquestación de flujos de trabajo de múltiples dominios (nivel 2 y 3) y múltiples agentes (nivel 4). Para avanzar con éxito por estas etapas, la arquitectura de TI debe evolucionar de forma concertada, con inversiones dirigidas en diferentes capas de la arquitectura en cada fase para satisfacer las necesidades de las implementaciones más complejas y de mayor valor de los agentes de IA. Para cada nivel de madurez, las funciones de tecnología específicas requeridas en las 11 capas arquitectónicas se identifican con una justificación para la inversión.

Nivel de madurez 1: Agentes de recuperación de información

Valor y objetivo de negocio: Mejore la productividad de los trabajadores humanos proporcionando una interfaz conversacional de confianza para consultar Knowledge empresarial. El valor principal está en aumentar las capacidades humanas, no en sustituirlas. Estos agentes ayudan a los seres humanos recuperando información y recomendando acciones.

Enfoque arquitectónico: El enfoque está en establecer una base de datos segura y confiable y los componentes de IA básicos necesarios para la recuperación de información. La gobernanza y la observabilidad son fundamentales desde el primer día para fomentar la Trust y controlar los costos.

Inversiones tecnológicas clave (figura 4):

En esta etapa, la TI debe centrarse en la creación de oportunidades en curso de datos a agentes fiables y otras funciones de base. Las tecnologías en la Capa de datos, como una VectorDB, son esenciales para activar las técnicas de generación aumentada (RAG) de recuperación que impulsan agentes de recuperación de información. Esto va unido a una capa de IA/ML centralizada que incluye una pasarela de modelo para un acceso seguro y controlado a los modelos de base y un núcleo de IA Trust, Safety & Governance para supervisar los resultados inseguros y garantizar su cumplimiento. La gestión de datos principal y los glosarios de negocio en la Capa semántica son fundamentales para que los agentes recuperen información precisa. Se requieren funciones de ciclo de vida y tiempo de ejecución de agentes para garantizar que los agentes creados en esta etapa se pueden modificar y ampliar para casos de uso futuros. Para entregar valor y generar confianza en los usuarios, la Capa de experiencia debe incorporar una Interfaz de usuario de Atribución y transparencia, que hace que las respuestas de los agentes sean explicables mostrando citas y los orígenes de su información. Las inversiones fundamentales en observabilidad y seguridad (por ejemplo, zero Fideicomiso) deben comenzar a ejecutarse para sentar las bases para futuros despliegues de agentes.

Nivel de madurez 2: Orquestación sencilla, Agentes de dominio único

Valor y objetivo de negocio: Automatice tareas rutinarias y orqueste flujos de trabajo de baja complejidad en un único dominio de negocio. Esto mejora la eficiencia operativa y reduce el trabajo manual, permitiendo a los trabajadores humanos centrarse en actividades de mayor valor.

Enfoque arquitectónico: El cambio arquitectónico clave es de la recuperación de datos de solo lectura a la ejecución de acciones. Esto requiere comenzar una trayectoria más larga para modularizar las funciones de la aplicación (a menudo expuestas como API) para que los agentes accedan, implementar una seguridad sólida para las acciones de los agentes y crear funciones de desarrollo semántico y de IA para promover la inteligencia de los agentes de IA.

Inversiones tecnológicas clave (figura 5):

Las inversiones se centran temáticamente en permitir a los agentes de IA realizar acciones con una gobernanza adecuada. La Capa Aplicaciones y Servicios de aplicación experimenta un cambio crítico, ya que la lógica de negocio monolítica se descompone en servicios de aplicación (API) modulares para que los agentes llamen. Estos están protegidos por Barandillas de aplicación para evitar que los agentes abrumen los sistemas, con integraciones en herramientas de observabilidad. Para potenciar estos agentes, es necesario realizar inversiones en razonamiento de agentes, protocolos de herramientas (como MCP) y registros. Esto introduce nuevos riesgos, lo que hace que un Marco de trabajo de seguridad de agentes y un modelo de IA exclusivos y funciones de monitoreo de agentes sean esenciales para la gobernanza y la seguridad. Por último, las compañías pueden comenzar a ampliar sus funciones de IA/ML para modelos personalizados para potenciar estos agentes que abordan tareas específicas de dominio.

Nivel de madurez 3: Agentes de orquestación de múltiples dominios

Objetivo y valor de negocio: Automatice procesos de negocio complejos de extremo a extremo que abarcan límites organizativos y funcionales (como "presupuesto a efectivo", "prospecto a pedido"). El valor está en descomponer silos, acelerar los tiempos de ciclo de procesos y optimizar cadenas de valor completas dentro del negocio. Es posible que se produzcan cambios escalonados más altos en la productividad de los trabajadores humanos a medida que las barreras organizativas comiencen a romperse y que los humanos comiencen a centrarse más en la supervisión de los agentes de IA.

Enfoque arquitectónico: La arquitectura debe admitir ahora problemas técnicos transversales. Un entendimiento semántico compartido en toda la compañía, un motor de orquestación centralizado para la gobernanza y un tejido de integración dirigido por eventos desvinculado se convierten en los habilitadores críticos.

Inversiones tecnológicas clave (figura 6):

Las inversiones en tecnología se centran temáticamente en la orquestación de procesos a escala de compañía entre humanos, agentes y sistemas deterministas. La Capa de orquestación de compañía se convierte en un foco de inversión, requiriendo un Motor de ejecución de flujos de trabajo híbridos para coordinar actividades, y un Motor de restricción y gobernanza de procesos para aplicar reglas de negocio y políticas de cumplimiento en procesos en vuelo ya que los agentes están trabajando entre dominios, a menudo con diferentes políticas y definiciones semánticas. Esta coordinación entre dominios solo es posible con una capa semántica madura que incluya un Enterprise Knowledge Graph (EKG), que crea una comprensión compartida de cómo se relacionan las entidades de negocio entre dominios. La Capa de integración debe evolucionar para incluir un Tela de integración dirigida por eventos, que utiliza una columna vertebral de transmisión para desvincular sistemas y permitir la comunicación resiliente y asíncrona típica de procesos de negocio de larga ejecución. Dado el mayor valor de estos flujos de trabajo y los riesgos asociados, las inversiones adicionales en seguridad y supervisión son primordiales (por ejemplo**, AIOps, política como código**). Por último, se debe seguir invirtiendo en la Capa de aplicaciones y servicios (como el LCNC activado por IA, experiencias de usuario más dinámicas y multimodales) a medida que los usuarios humanos comienzan a monitorear y colaborar con agentes de IA más capaces.

Nivel de madurez 4: Orquestación de múltiples agentes y dominios

Valor y objetivo de negocio: Rediseñe y optimice operaciones de negocio entre dominios para dirigir cambios de paso en productividad y eficiencia. Esta etapa avanza hacia la creación de una simulación digital holística (gemelo digital) de la compañía para la mejora continua y la planificación estratégica entre los principales procesos de negocio y flujos de trabajo.

Enfoque arquitectónico: La etapa final se centra en la activación de la colaboración dinámica y emergente entre agentes. Esto requiere protocolos de comunicación avanzados de agente a agente (A2A), funciones de autoaprendizaje de agentes, más inversión en la maduración de las capas Orquestación, Datos y Semántica, e infraestructura completamente dinámica y de autocuración para dar cobertura a las crecientes necesidades de cargas de trabajo de IA dinámicas a medida que los agentes se amplían en la compañía.

Inversiones tecnológicas clave (figura 7):

Las inversiones temáticas se centran en la creación de un sistema autónomo y automejorable. En la Capa de agente, un Marco de trabajo de autorreflexión y adaptación de agentes proporciona el mecanismo para que un agente analice sus propios registros de desempeño y desencadene mejoras. Este aprendizaje es compatible con la Capa Operaciones TI y Observabilidad, que implementa un Bucle de comentarios de aprendizaje cerrado para realimentar automáticamente datos de observabilidad en oportunidades en curso de MLOps para el reciclaje de modelos que también puede aprovechar la generación de datos sintéticos para optimizar aún más el desempeño del modelo. Con la implementación de redes de agentes entre departamentos junto con los esfuerzos de modularización de aplicaciones en curso, se hacen necesarias más inversiones en seguridad y, de forma crucial, un catálogo de funciones para que los agentes compongan de forma dinámica funciones para resolver tareas más abstractas y de mayor valor. Todos estos procesos están orquestados y optimizados a través de una nueva función Digital Twin Process Modeling que utiliza datos en tiempo real para crear simulaciones para el análisis "qué pasa si" y la optimización predictiva, permitiendo a la compañía probar e implementar nuevas implementaciones de agentes de forma segura.

Conclusión

La hoja de ruta hacia una compañía agente se ejecuta a través de una evolución arquitectónica de TI. Los arquitectos de compañía serán los impulsores cruciales de esta transformación, impulsando las decisiones de inversión críticas, junto con otros socios en el negocio y las TI, necesarias para que la organización obtenga el valor de las nuevas funciones de negocio de Agentic Enterprise.