Los LLM y los copilotos por sí solos no le salvarán: el concepto de IA empresarial que utiliza es incorrecto
![Una imagen de una mujer y un agente de IA de pie juntos.](https://www.salesforce.com/es/blog/wp-content/uploads/sites/13/2024/10/TSK-38418_The_Enterprise_AI_Revolution.jpg?w=300)
Un sistema de IA completo es cohesivo y escalable, e integra datos, IA y acciones para ofrecer resultados empresariales concretos.
Los CEO de todos los sectores han adoptado la IA, imaginando un crecimiento exponencial, una productividad sin precedentes y reducciones radicales de los costes. Sin embargo, muchos de ellos están abocados al fracaso. La prisa desencaminada por entrenar e implementar grandes modelos de lenguaje (LLM) —alimentada por las excesivas expectativas de algunos sectores y las ideas equivocadas de que estos modelos por sí solos pueden resolver todos los desafíos relacionados con la IA— es un error básico de cálculo.
Las empresas están haciendo una gran inversión en entrenar los LLM o en lanzar prototipos de copilotos de IA aislados que, al final, no van a ninguna parte, ya que no tienen en cuenta el entorno global de lo que realmente se necesita para triunfar con la IA.
Esta es la verdad: un LLM por sí solo no es la respuesta. No importa lo sofisticado que sea, un LLM debe ser parte de un sistema más grande y cuidadosamente diseñado. El verdadero éxito de la IA empresarial requiere integrar los datos, la IA y la automatización, no solo para responder preguntas, sino también para ejecutar acciones con autonomía. Y la verdadera eficacia implica que la IA trabaje estrechamente con los humanos para garantizar una transición fluida para trabajos complejos y de alto valor. Los datos, la IA, la automatización y la transferencia fluida son los elementos fundamentales de un sistema de IA completo, y si falta alguno de los cuatro, hasta el LLM más avanzado se quedará corto.
Las empresas que no asuman esta situación terminarán gastando mucho y obteniendo muy poco a cambio.
¡Empiece a crear a sus agentes de Agentforce hoy mismo!
Libere todo el potencial de Agentforce aprendiendo a definir funciones, a ampliar las capacidades con herramientas avanzadas y a personalizarlo para que se adapte a las necesidades de su empresa. ¡Regístrese para recibir ya nuestras demos!
![](https://www.salesforce.com/es/blog/wp-content/uploads/sites/13/2024/12/agentforce-form-conf-og-image.png)
Los antipatrones de IA empresarial
Muchas empresas están atrapadas en un ciclo inútil de experimentación con la IA que solo conduce a costosos fracasos o proyectos de prueba de concepto sin posibilidad de ampliación, aunque tengan éxito en un primer momento. Estos ciclos suelen manifestarse como uno o más de los cuatro antipatrones de la IA empresarial, y saber reconocerlos es ya algo obligatorio. Identificar si su empresa está atrapada en uno de estos ciclos y actuar para liberarla es fundamental para evitar seguir perdiendo tiempo y recursos. Vamos a verlos de uno en uno.
1. LLM propio: repetición de fallos costosos
La idea de entrenar un LLM propio parece atractiva, ya que los líderes parecen vislumbrar una ventaja competitiva única. Pero para crear un LLM no solo se han de recopilar datos y ejecutarlos a través de un modelo de aprendizaje automático. La complejidad de la ingeniería, los requisitos de infraestructura y la adaptación continua requerida hacen que este esfuerzo sea abrumador para la mayoría de las empresas.
A menos que tenga recursos comparables a OpenAI, Google u otros gigantes similares, entrenar a su propio LLM será en muy poco tiempo un agujero financiero que dará lugar a un rendimiento decepcionante y a necesidades empresariales insatisfechas. Incluso si consigue superar estas dificultades técnicas, pronto se enfrentará a dos grandes problemas:
El problema de la actualidad de los datos
Los LLM son tan actuales como sus datos de entrenamiento más recientes. En entornos dinámicos y repletos de datos, como una empresa, los datos cambian constantemente. Sin un reentrenamiento continuo, una tarea poco práctica y prohibitiva en cuanto a costes, el modelo se queda obsoleto de inmediato, lo que lo hace efectivamente inútil.
Por ejemplo, pensemos en una empresa de servicios financieros que necesita proporcionar evaluaciones actualizadas del riesgo de los préstamos. Si el LLM no se reentrena para reflejar los cambios recientes del mercado, las actualizaciones de políticas o los comportamientos crediticios de los clientes, proporcionará evaluaciones obsoletas, lo cual conducirá a una mala toma de decisiones y a riesgos financieros importantes.
El problema de la gobernanza de datos
Las bases de datos tradicionales almacenan datos con esquemas estructurados que aplican permisos claros, visibilidad y una recuperación coherente de los datos. Por el contrario, cuando un LLM adquiere datos, se integran en los parámetros del modelo y acaban perdiendo cualquier concepto de «ubicación» o propiedad.
Esta transformación crea una auténtica pesadilla para la gobernanza, ya que hace prácticamente imposible aplicar permisos detallados o extraer información específica una vez aprendida por un LLM. Gestionar estos problemas de gobernanza de los datos plantea un riesgo grave y, a menudo, subestimado por las empresas, lo que complica los procesos de cumplimiento normativo, auditoría y gestión de riesgos.
Para la mayoría de las empresas, el entrenamiento de un LLM interno es, en el mejor de los casos, poco práctico y, en el peor de ellos, irresponsable.
2. La falacia de los prototipos de copiloto
El concepto de un «copiloto» de IA —un asistente digital diseñado para ayudar a los empleados— parece prometedor. Sin embargo, en la práctica, los prototipos de copiloto no consiguen ser más que experimentos aislados dentro de las aplicaciones existentes.
Satya Nadella, CEO de Microsoft, dijo hace poco: «Puedes concebir Copilot como la interfaz de usuario de la IA». Esto revela el problema fundamental: los copilotos añaden una fina capa de IA a las aplicaciones existentes en lugar de aprovechar la oportunidad más amplia de crear capacidades de IA autónomas en toda la empresa. Las empresas necesitan un sistema verdaderamente integrado de datos, IA y acción, no solo una interfaz útil, sino un motor transformador que pueda ejecutar tareas con autonomía y fomentar el cambio empresarial.
El enfoque del copiloto lleva a las empresas a añadir LLM de manera superficial, centrándose solo en lo referente a la interfaz de usuario. ¿El resultado? Una magnífica distracción que podría convencer a los líderes de que está innovando, pero que deja sin hacer el trabajo real y la transformación efectiva.
3. Agentes aislados: falta el entorno de la plataforma
Los agentes autónomos de IA se promocionan como transformadores, pero en realidad puede que no lo sean tanto cuando se implementan de forma aislada. Lo que las empresas necesitan es una verdadera plataforma de agentes, un entorno unificado y plenamente desarrollado en el que los agentes de IA estén profundamente integrados con los datos de su empresa, los procesos comerciales y los empleados humanos que trabajan en sus aplicaciones. Sin esta integración, incluso los agentes de IA más inteligentes están destinados a ser meros experimentos, incapaces de generar resultados comerciales relevantes.
Actualmente, el mercado está saturado de startups de IA que ofrecen soluciones de agentes de IA, pero la mayoría carece de la infraestructura para integrarse en los flujos de trabajo y los datos comerciales fundamentales. Para disimularlo, muchas de estas startups ocultarán su falta de infraestructura básica detrás de prototipos de «codesarrollo», que son esencialmente una forma resumida de hacer el trabajo de integración en los servicios profesionales. Intentarán hacer un número suficiente de estos prototipos para ganar tiempo, con la esperanza de que puedan construir o adquirir las piezas que faltan antes de que nos demos cuenta de que no están ahí.
Esto supone un riesgo para usted. Puede que consiga que su primer agente despegue, pero ¿qué pasa cuando haga el segundo, el tercero o el décimo? ¿O cuando desee hacer una modificación sencilla a su agente? ¿Estas startups van a seguir asumiendo ese coste de los servicios profesionales para hacer ese trabajo de integración? ¿O revelarán sus limitaciones y le repercutirán ese coste a usted? Sin una verdadera integración con sus datos y procesos comerciales, es posible que no pueda ofrecer IA a gran escala.
4. Plataformas propias: los inconvenientes de reinventar la rueda
Muchos líderes de TI, después de experimentar uno o todos los antipatrones anteriores, reconocerán la necesidad de contar con una plataforma de IA completa. Sin embargo, a menudo cometen el error de elegir la vía autodidacta. Pero desarrollar una plataforma de IA integrada es una tarea monumental, llena de enormes dificultades de integración, deuda técnica y costosos retrasos.
La revolución de la nube nos ha enseñado una lección muy importante: las empresas deben centrarse en actividades que generen valor en lugar de intentar reinventar la infraestructura fundamental. Hoy en día, ninguna empresa en su sano juicio intentaría construir su propia infraestructura global en la nube en lugar de utilizar proveedores acreditados como AWS. Del mismo modo, las compañías deberían utilizar las plataformas de IA sólidas y existentes que ya proporcionan los elementos esenciales (escalabilidad, seguridad e integración perfecta entre los datos, la IA y la automatización) desde el primer momento.
Las empresas inteligentes saben que invertir en la creación de estas herramientas fundamentales es perder el tiempo. Deben centrarse en el desarrollo de productos y servicios diferenciados para sus clientes en lugar de enredarse en proyectos que pueden hacerles retroceder décadas.
¿Por qué tantas empresas caen en estos antipatrones?
Creo que todos lo sabemos. Los medios de comunicación han dado un bombo excesivo y sin descanso a los LLM, obsesionándose con miles de millones de parámetros y casos de uso para acaparar titulares, y eso ha desviado a los responsables de TI de visualizar el sistema más amplio que la IA realmente requiere. ¿El resultado? Una idea errónea de que un LLM por sí solo es suficiente y que impide ver que se requiere un sistema de IA más sofisticado e integrado para impulsar resultados reales y escalables.
Piense en la sector de la automoción a principios del siglo XX: si bien el motor de combustión interna fue toda una revolución, un motor por sí solo no equivalía a un coche. Un coche necesitaba además neumáticos, dirección y transmisión, todos componentes integrados que juntos creaban una máquina funcional.
De igual forma, el microprocesador revolucionó los fundamentos de la computación, pero sin la integración con la memoria, los dispositivos de E/S y el software, era solo un componente aislado. El poder del microprocesador solo se hizo realidad cuando estas piezas se unieron para formar un sistema informático completo. El mismo principio se aplica a la IA en la empresa: los LLM son innovadores, pero sin un sistema más amplio, con flujos de datos, lógica empresarial, automatización e integración del flujo de trabajo, siguen estando incompletos.
Entonces, ¿cuál es la respuesta?
Para que un sistema de IA empresarial tenga éxito, debe integrar a la perfección los datos, la IA, la automatización y un ecosistema de innovadores. Si falta alguno de estos aspectos, toda la estrategia se ve afectada. Vamos a analizarlos de uno en uno:
1. Datos: los cimientos
El acceso a los datos constituye los cimientos de un sistema de IA exitoso. Sin embargo, el desafío que se presenta no es solo garantizar la calidad de los datos, sino lograr un acceso completo y en tiempo real a los datos en toda la empresa. Los silos de datos son el mayor impedimento para aprovechar la IA de manera efectiva. Las empresas deben adoptar plataformas de datos flexibles que faciliten la integración perfecta entre departamentos y mitiguen esos silos rápidamente.
Plataformas como Salesforce Data Cloud proporcionan el tipo de base de datos unificada e integrada que permite la disponibilidad de datos en tiempo real. Data Cloud también es abierta y flexible, lo que permite a los clientes utilizar la federación de datos de copia cero para conectar sus lagos de datos existentes, como Snowflake, lo que aumenta el retorno de la inversión de estos lagos ya implementados.
Una vez que la plataforma de datos está operativa, el siguiente paso es conectar los datos a los LLM sin tener que volver a someterlos a un costoso reentrenamiento. Aquí entra en juego la generación aumentada de recuperación (RAG), junto con las bases de datos vectoriales que indexan y buscan datos no estructurados, lo que garantiza que los LLM tengan acceso a la información más relevante sin tener que someterse a ciclos completos de reentrenamiento.
Tecnologías como el motor de razonamiento Atlas de Salesforce utilizan técnicas RAG avanzadas que permiten una mejor recuperación jerárquica y abstracción, que a su vez da lugar a una comprensión y un acceso más profundos a documentos empresariales complejos. El resultado final: resultados mejores, más precisos y más relevantes.
2. IA: el motor
Con los datos ya operativos, la IA se convierte en el motor que impulsa la transformación empresarial. Pero esto va más allá de los simples LLM. Los modelos de IA utilizados deben ser capaces de predecir, analizar y adaptarse a las necesidades específicas de la empresa. No existe un enfoque universal: las diferentes tareas requieren modelos especializados, y las empresas pueden querer flexibilidad, como poder adoptar diferentes LLM en diferentes regiones geográficas para cumplir requisitos normativos o utilizar modelos personalizados para varios tipos de trabajos. La Capa de Confianza de Einstein permite a los clientes de Salesforce incorporar cualquier LLM de su elección y utilizarlo de forma segura, garantizando el cumplimiento normativo, la gobernanza y la seguridad, al tiempo que permite aprovechar el modelo más adecuado para cada contexto comercial.
La IA no es estática; debe aprender y adaptarse en tiempo real. Los ciclos de retroalimentación continuos, impulsados por datos comerciales en constante evolución, son fundamentales para que la IA siga siendo relevante y efectiva. Estos ciclos garantizan que los modelos se adapten dinámicamente a la nueva información, las condiciones del mercado y los cambios operativos, lo que les permite ofrecer resultados comerciales relevantes de forma constante. Esta adaptabilidad es lo que hace que la IA pase de ser una herramienta estática a un motor de transformación en constante evolución.
3. Automatización: la acción autónoma
El verdadero valor de la IA no proviene de la información, sino de la acción. No basta con que un LLM genere sugerencias: el verdadero valor empresarial reside en actuar en función de esas sugerencias. Esto requiere una integración profunda con los sistemas de flujo de trabajo empresarial, las API y las herramientas de automatización. Por ejemplo, Flow y MuleSoft de Salesforce son componentes esenciales para permitir este tipo de acción autónoma. Flow proporciona la capa de automatización, mientras que MuleSoft se encarga de la integración de las API, lo que permite a los agentes de IA actuar sin problemas en múltiples sistemas.
Imagine un agente de IA que detecte problemas en la cadena de suministro y ejecute automáticamente soluciones, como reasignar recursos o comunicar cambios a proveedores.
Este tipo de acción autónoma significa que los agentes de IA no solo ofrecen recomendaciones de alto nivel o responden preguntas, sino que son un participante nuevo y activo en las operaciones de tu empresa.
4. Un ecosistema de innovadores
Pero la tecnología por sí sola no es suficiente. No nos olvidemos de las personas. Para tener éxito con la IA a gran escala, las empresas deben fomentar un ecosistema de innovadores. Salesforce ofrece herramientas sin código, como Agent Builder, que permiten a los empleados crear e implementar soluciones de IA, convirtiendo a la empresa en un referente en agentes de IA.
Salesforce apoya a una increíble comunidad de estos innovadores a los que llamamos Agentblazers, que están abriendo nuevos caminos para la IA dentro de sus empresas. Estas personas utilizan Agentforce no solo como herramienta, sino como plataforma de lanzamiento para replantear las formas de completar el trabajo y, en última instancia, redefinir sus carreras.
Presentamos Agentforce: el sistema completo de IA para empresas
Mientras el mundo se enfoca en el tamaño de los nuevos LLM, Salesforce ha desarrollado Agentforce, un sistema de IA integral que combina datos, automatización y expertos humanos, continuando su trayectoria de más de 20 años ayudando a las empresas a adoptar innovaciones como la nube, la tecnología móvil y la IA predictiva.
Agentforce es una plataforma completa de agentes de IA autónomos para empresas. Utiliza un LLM y datos conectados para identificar, planificar y ejecutar tareas automáticamente. Ofrece agentes prediseñados y personalizables que aprenden y se adaptan, garantizando seguridad e integración con Customer 360, transfiriendo contactos a empleados cuando sea necesario.
Agentforce ayuda a empresas como Opentable a reinventar su servicio al cliente. Además de responder preguntas, gestiona reservas y canjea puntos automáticamente, liberando al equipo para tareas estratégicas y mejorando la eficiencia.
La revolución de la IA empresarial ya está aquí, pero no consiste en LLM aislados o herramientas inconexas. Se trata de un sistema cohesivo y escalable que integra datos, IA, automatización y Agentblazers para ofrecer resultados empresariales concretos, hoy mismo.
La era de los copilotos y la IA autodidacta ha llegado a su fin. Ha llegado el momento de Agentforce.
¿Alguna pregunta?
Nosotros le ayudamos
![](https://www.salesforce.com/es/blog/wp-content/themes/salesforce-blog/dist/images/offer-block/offer-illustration-layout-two.png)
![](https://www.salesforce.com/es/blog/wp-content/themes/salesforce-blog/dist/images/offer-block/offer-accent-layout-two.png)
![](https://www.salesforce.com/es/blog/wp-content/themes/salesforce-blog/dist/images/offer-block/offer-cloud-layout-two.png)