Agentic Ai es el próximo gran desarrollo en Herramientas AIutilizando agentes autónomos para mejorar la eficiencia empresarial y organizacional con capacidades más sofisticadas que pueden tomar decisiones, tomar medidas e incluso aprender por su cuenta para lograr objetivos específicos.
Los analistas de Gartner creen que un tercio de las aplicaciones de software empresarial incluirán AI de Agentic para 2028, en comparación con cerca de cero el año pasado (2024).
Esto permitirá a las empresas permitir a los equipos centrarse en decisiones de alto impacto, respuestas más rápidas de los clientes e impulsar la innovación y el crecimiento.
Ingeniero de ventas en Intersystems.
Sin embargo, el camino para el uso de AI de Agentic está lejos de ser sencilla para muchas organizaciones, a menos que revisen su arquitectura de datos. Gartner cree que más del 40% de los proyectos de IA de agente serán cancelados a fines de 2027. La exageración, el costo y la complejidad hacen que los proyectos se detengan.
El poder real se encuentra en múltiples agentes que pueden comunicarse y coordinarse entre sí en una infraestructura de datos conectada, en tiempo real y confiable. Los modelos de idiomas grandes (LLMS), sobre qué agentes dependen, siguen siendo susceptibles a las alucinaciones, inventando hechos o aplicando información erróneamente.
Estos son peligros que ninguna organización puede permitirse ignorar porque las consecuencias de los errores son potencialmente graves, lo que lleva a daños personales o pasivos legales en cualquier área, desde la salud hasta el seguro.
Sin embargo, la producción de sistemas de múltiples agentes es difícil y la mayoría de los proyectos de IA de agentes son excelentes para los prototipos, pero se desmoronan al escalar a los sistemas del mundo real.
La IA agente requiere acceso a datos en tiempo real
Si bien la IA de Agente se basa en varios LLM, también requiere un contexto en tiempo real de la propia organización local y bases de datos en la nubetransmisión de datos, bases de datos y proveedores externas, y datos históricos.
Lograr esto mientras reduce la probabilidad de alucinaciones a un porcentaje muy bajo o si es que es desafiante. Los datos contextuales deben completar los vacíos porque LLM Los datos nunca están completamente al día y pueden estar extremadamente anticuados.
Este desafío destaca una transformación más amplia en curso: las empresas están comenzando a converger análisis con sistemas operativos para admitir la IA agente. El resultado es un cambio de sobrecarga de información a una visión clara y procesable.
Sin embargo, la mayoría de las organizaciones se desempeñan mal cuando se trata de obtener los datos correctos frente a la persona adecuada en tiempo real, lo que hace que no sea sorprendente que muchos pilotos de IA de AI fallen.
Unificar datos fragmentados en un enfoque auditable y confiable
Para desbloquear los beneficios completos de la IA de agente, las organizaciones deben reunir datos de múltiples fuentes de una manera en que los usuarios puedan confiar. Las fuertes barandillas, los permisos claros y los senderos completos de auditoría serán esenciales para garantizar que los datos sean seguros, precisos y utilizados de manera responsable.
Las organizaciones necesitan limpiar y normalizar sus datos, y establecer una rigurosa gobernanza de datos, de modo que cuando usan LLM y datos contextuales, puedan generar la inteligencia adecuada para la tarea automatización. Los datos deben ser actuales, en tiempo real y confiables.
Escalabilidad y tolerancia a fallas
Los agentes de IA no operan de forma aislada y necesitan compartir el contexto, coordinar acciones y tomar decisiones en tiempo real al tiempo que se integran con herramientas externas, API y fuentes de datos amplias de la organización.
Estándares abiertos recientes dentro del espacio de AI de agente como el Protocolo de contexto del modelo (MCP) y la comunicación de agente a agente (A2A) parece muy prometedor que los agentes de IA se comuniquen, accedan a la información, ejecuten tareas y tomen decisiones en complejo empresa flujos de trabajo.
Memoria persistente
La ingeniería rápida efectiva aprovecha las capacidades de memoria persistente para mejorar la comprensión, la preservación del contexto y la capacidad de la IA para generar respuestas relevantes y personalizadas.
Si los agentes no recuerdan nada más allá de su consulta actual, sería muy difícil implementar sistemas de IA agente listos para la producción.
Aumento de la capa de datos de IA
Plataformas de datos tradicionales como almacenes de datos, lagos de datos que se atendieron principalmente Sql Los analistas e ingenieros de datos ya no son suficientes.
El panorama actual exige acceso a datos para una variedad de casos de uso: aprendizaje automático, analistas de negocios, informes, paneles y aplicaciones habilitadas para la IA agente de próxima generación.
El mayor desafío en la construcción de la infraestructura de datos para la IA agente radica en operacionalizarlo y escalarlo de manera efectiva de manera rentable. En el corazón de esta infraestructura se encuentra la gobernanza de datos, el control de acceso, la observabilidad y la seguridad.
¿Es la arquitectura de tela de datos la mejor estrategia de datos?
El éxito de cualquier capa de datos de IA depende de la accesibilidad y la calidad de los datos subyacentes. Aquí es donde se produce Data Fabric en el que actúa como una capa de datos inteligente que conecta y administra datos de todos sus sistemas en tiempo real.
Elimina la fragmentación de datos integrando a la perfección cada fuente, asegurando la consistencia y la accesibilidad de los datos. Los tejidos de datos utilizan metadatos gestiónGráficos de conocimiento y capas semánticas para agregar contexto y significado a los datos. Esto permite a los agentes de IA comprender el contexto comercial y las relaciones entre diferentes puntos de datos.
Esto satisface las necesidades básicas de la IA de agente de los datos unificados para alimentar los modelos de IA que ofrecen información precisa y consciente del contexto para la toma de decisiones y la automatización de tareas.
Fabrics de datos vs malla de datos
El tejido de datos utilizando el modelo de arquitectura de datos y gobernanza centralizadas permite compartir e integrar datos en toda la organización.
La malla de datos, por otro lado, es un enfoque descentralizado para la gestión de datos. La propiedad de los datos permanece con el propietario del dominio y cada dominio es responsable y debe definir, entregar y gobernar sus productos de datos. Se basa mucho en personas y procesos.
Los sistemas de IA agente requieren múltiples agentes federados por definición, pero tener infraestructura y gobernanza de datos federados agrega otra capa de complejidad e incluso más coordinación entre las personas y los procesos.
Algunos de los primeros éxitos en la implementación de sistemas de IA agente dentro de una empresa pueden correlacionarse con infraestructuras de datos centralizadas basadas en telas de datos.
Barandas
Los agentes de IA deben operar dentro de los límites seguros y éticos que alinean sus acciones con casos de uso, políticas organizacionales y cumplimiento de las regulaciones.
El seguimiento de los orígenes de los datos, la observabilidad mejorada, la incorporación de marcos de IA éticos y la seguridad de toda la empresa son fundamentales para cualquier sistema de IA agente preparado para la producción.
Enumeramos la mejor herramienta de visualización de datos.
Este artículo fue producido como parte del canal de Insights Expert de TechRadarpro, donde presentamos las mejores y más brillantes mentes de la industria de la tecnología en la actualidad. Las opiniones expresadas aquí son las del autor y no son necesariamente las de TechRadarpro o Future PLC. Si está interesado en contribuir, obtenga más información aquí: https://www.techradar.com/news/submit-your-story-to-techradar-pro
