Uno de los principales desafíos que enfrentan las organizaciones hoy en día es implementar herramientas de inteligencia artificial (IA) que realmente aporten valor. Estas herramientas no solo deben mejorar la eficiencia, sino también permitir disminuir el tiempo que se utiliza para llevarlas a cabo.

Un área clave donde la IA puede generar un impacto significativo es el acceso a la información. Actualmente, existe una brecha considerable entre la necesidad de los usuarios y los “lugares” donde se encuentra la información. Este problema se agrava con el auge del SaaS (Software como Servicio) y el crecimiento de las unidades de negocio dentro de las organizaciones, que han llenado las empresas de plataformas y sistemas. Algunos de estos sistemas están integrados, pero muchos operan de forma aislada, lo que dificulta el acceso eficiente a la información.

La solución: Agentes IA

Para abordar estos desafíos, surge la necesidad de un agente de IA capaz de comprender y acceder a todas estas fuentes de información. Un agente que actúe como un asistente en tiempo real, brindando a los colaboradores acceso inmediato a datos, insights y respuestas, ya sea desde sistemas corporativos o documentos.

Kueri representa esta visión: un agente IA diseñado para centralizar el acceso a la información dentro de una organización, sin importar cómo esté estructurada. Sin embargo, construir una solución como esta requiere superar múltiples retos técnicos.

Estructura “multiagente”

Para lograr esta visión, se necesita una estructura multiagente que divida el proceso en etapas especializadas. A continuación, se detalla el flujo básico de operación:

El flujo comienza con una consulta del usuario, como: “¿Cuáles fueron los proveedores que más facturaron durante 2022?”. Aquí entra en acción el agente orquestador, quien determina qué otros agentes deben participar para analizar las fuentes de información y obtener la respuesta.

Por ejemplo, el agente orquestador podría decidir activar un agente de sistemas accesibles vía API. Este agente evaluaría qué sistemas específicos (por ejemplo, Sistema 1 y Sistema 2) contienen la información necesaria y los invocaría para extraerla.

Una vez identificados los sistemas, es necesario determinar cómo acceder y procesar la información, que podría estar en formatos estructurados como JSON. Aquí se presentan dos escenarios principales:

1. Búsqueda directa: Extraer columnas o registros específicos. Ejemplo: “Dame la comuna y ciudad de todas las personas que aprobaron el curso de programación”.

2. Cálculos específicos: Realizar operaciones como sumas, promedios o análisis más complejos. Ejemplo: “Dame el total de ventas de autos en Santiago durante 2024”.

Cuando se requieren cálculos, el modelo de lenguaje (LLM) por sí solo podría no ser suficiente. En estos casos, el sistema debe activar un agente capaz de generar código Python que tome los datos como entrada y realice los cálculos necesarios.

Iteración para obtener resultados precisos

La creación de código no siempre es perfecta en el primer intento. Por esta razón, el agente revisa y ajusta el código hasta que funcione correctamente. Este proceso iterativo asegura que los resultados sean precisos y útiles.

Finalmente, el código generado procesa los datos, y el resultado se muestra al usuario en la ventana de chat o en aplicaciones como WhatsApp.

Conclusión

La implementación de agentes IA como Kueri transforma la manera en que las organizaciones acceden a la información, resolviendo problemas de fragmentación y facilitando el trabajo diario. Aunque el camino para desarrollar estas soluciones es complejo, el impacto que generan en términos de eficiencia y valor es sustancial.