Durante 24 años, Amanda Silver, de Microsoft, ha trabajado para ayudar a los desarrolladores, y en los últimos años, esto ha implicado desarrollar herramientas para IA. Tras una larga trayectoria en GitHub Copilot, Silver ahora es vicepresidenta corporativa de la división CoreAI de Microsoft, donde trabaja en herramientas para implementar aplicaciones y sistemas de agentes en empresas.

Su trabajo se centra en el sistema Foundry dentro de Azure, diseñado como un portal unificado de IA para empresas, lo que le permite comprender de cerca cómo las empresas utilizan realmente estos sistemas y dónde las implementaciones fallan.

Hablé con Silver sobre las capacidades actuales de los agentes empresariales y por qué cree que esta es la mayor oportunidad para las startups desde la nube pública.

Esta entrevista ha sido editada para mayor brevedad y claridad.

Entonces, su trabajo se centra en productos de Microsoft para desarrolladores externos, a menudo startups que no se centran en la IA. ¿Cómo cree que la IA impactará en estas empresas?.

Considero que este es un punto de inflexión para las startups, tan profundo como la migración a la nube pública. Si lo piensas, la nube tuvo un gran impacto para las startups, ya que significó que ya no necesitaban espacio físico para alojar sus racks ni gastar tanto dinero en la inyección de capital para alojar el hardware en sus laboratorios, etc. Todo se volvió más económico. Ahora, la IA con agentes seguirá reduciendo el coste total de las operaciones de software, ya que muchas de las tareas necesarias para poner en marcha una nueva empresa, ya sea personal de soporte o investigaciones legales, se pueden realizar de forma más rápida y económica con agentes de IA. Creo que esto generará más empresas y startups. Y luego veremos startups de mayor valor con menos personas al mando. Y creo que es un mundo emocionante.

¿Cómo se ve esto en la práctica?.

Estamos viendo que los agentes multipaso se están utilizando ampliamente en todo tipo de tareas de programación, ¿verdad?. A modo de ejemplo, una de las cosas que los desarrolladores deben hacer para mantener una base de código es mantenerse al día con las últimas versiones de las bibliotecas de las que depende. Podría depender de una versión anterior del entorno de ejecución .NET o del SDK de Java. Podemos hacer que estos sistemas de agentes razonen sobre toda la base de código y la actualicen con mucha más facilidad, con una reducción del 70% u 80% del tiempo necesario. Y para ello, es necesario implementar un agente multipaso.

Las operaciones en vivo son otro ejemplo: si se piensa en mantener un sitio web o un servicio y algo falla, se produce un problema grave en la noche y alguien tiene que estar de guardia para que se active y responda al incidente. Todavía tenemos personal de guardia 24/7, por si el servicio falla. Pero antes era un trabajo muy detestado porque te activaban con bastante frecuencia por estos pequeños incidentes. Y ahora hemos creado un sistema genético para diagnosticar con éxito y, en muchos casos, mitigar por completo los problemas que surgen en estas operaciones en vivo, de modo que los humanos no tengan que despertarse en mitad de la noche y, aturdidos, ir a sus terminales a intentar diagnosticar qué está sucediendo. Esto también nos ayuda a reducir drásticamente el tiempo promedio de resolución de un incidente.

Otro de los enigmas actuales es que las implementaciones de agentes no se han producido tan rápido como esperábamos hace apenas seis meses. Me pregunto por qué cree que es así.

Si piensa en quienes crean agentes, ¿qué les impide tener éxito?. En muchos casos, se debe a que desconocen cuál debería ser el propósito del agente. Es necesario un cambio cultural en la forma en que se construyen estos sistemas. ¿Cuál es el caso de uso comercial que intentan resolver?. ¿Qué intentan lograr?. Es necesario tener muy claro cuál es la definición de éxito para este agente. Y debes pensar: ¿qué datos le estoy dando al agente para que pueda razonar sobre cómo realizar esta tarea en particular?.

Vemos estos factores como los mayores obstáculos, más que la incertidumbre general de permitir que los agentes se desplieguen. Cualquiera que revise estos sistemas verá el retorno de la inversión.

Mencionas la incertidumbre general, que creo que desde fuera parece un gran obstáculo. ¿Por qué la consideras un problema menor en la práctica?.

En primer lugar, creo que será muy común que los sistemas de agentes presenten escenarios con intervención humana. Piensa en algo como la devolución de un paquete. Antes, el flujo de trabajo para el procesamiento de devoluciones era 90% automatizado y 10% con intervención humana, donde alguien tenía que revisar el paquete y evaluar su grado de daño antes de aceptar la devolución.

Este es un ejemplo perfecto de cómo los modelos de visión artificial están mejorando tanto que, en muchos casos, ya no necesitamos tanta supervisión humana para inspeccionar el paquete y tomar esa decisión. Aún habrá casos límite, donde la visión artificial quizás no sea lo suficientemente buena como para tomar una decisión, y tal vez haya una escalada. Es como preguntarse: ¿con qué frecuencia hay que llamar al gerente?.

Hay algunas cosas que siempre requerirán algún tipo de supervisión humana, debido a que son operaciones muy críticas. Piense en incurrir en una obligación legal contractual o en implementar código en una base de código de producción que podría afectar la confiabilidad de sus sistemas. Pero incluso entonces, surge la pregunta de hasta dónde podríamos llegar en la automatización del resto del proceso.