Presentado por Splunk
Todos los días, las organizaciones aprenden cosas que sus sistemas de IA nunca llegan a utilizar.
Un analista de seguridad corrige una investigación generada por IA. Un ingeniero de redes identifica la causa raíz de una interrupción recurrente. Un equipo de observabilidad descubre que un patrón de latencia, registros y cambios de infraestructura predice la degradación del servicio. Un equipo de operaciones del cliente aprende qué señales indican que es probable una escalada.
Cada momento contiene valioso conocimiento organizacional. Pero en la mayoría de las empresas, ese conocimiento desaparece en tickets, paneles, hilos de chat, revisiones posteriores a incidentes y en las mentes de expertos individuales. Puede ayudar a resolver el problema inmediato, pero rara vez se convierte en parte de un sistema reutilizable que mejore las decisiones futuras impulsadas por la IA.
Ése es el próximo desafío para la empresa agencial.
El futuro no estará definido simplemente por quién tiene el modelo más capaz o los agentes más autónomos. Muchas organizaciones tendrán acceso a modelos de frontera similares. Muchos implementarán agentes en seguridad, TI, ingeniería, servicio al cliente y operaciones comerciales.
El verdadero diferenciador será si esos agentes pueden aprender de la organización que los rodea.
No reentrenando constantemente el modelo subyacente, sino capturando experiencia operativa, convirtiéndola en conocimiento institucional y poniendo ese conocimiento a disposición de futuros agentes, flujos de trabajo y decisiones.
La empresa agente no es sólo una empresa que utiliza IA. Es una empresa que aprende a través de la IA.
Las empresas agentes permiten que los sistemas de IA aprendan de ellas
La conversación sobre IA ha estado dominada por la capacidad del modelo: ventanas de contexto más grandes, mejor razonamiento, inferencia más rápida, uso más sólido de herramientas y comportamiento agente más sofisticado.
Esos avances importan. Pero en la empresa, un modelo es sólo una parte del sistema.
Suscríbete y recibe las historias más importantes del día.
Al suscribirte aceptas nuestros términos y condiciones y política de privacidad.
Un modelo no sabe automáticamente cómo opera una organización específica. No sabe inherentemente qué paso de remediación resolvió la interrupción del mes pasado, qué corrección de los analistas mejoró una investigación de amenazas, qué señal de red precedió a una interrupción del servicio o qué política interna debería anular una recomendación que de otro modo sería plausible.
Ese conocimiento pertenece a la empresa.
Para que los sistemas agentes mejoren, las organizaciones necesitan una forma de capturar ese conocimiento y hacerlo reutilizable. En muchos casos, eso no requiere cambiar el modelo en sí. Requiere cambiar el ecosistema alrededor del modelo: la base de conocimientos, la capa de recuperación, las indicaciones, las políticas, las barreras de seguridad, la lógica de enrutamiento y los flujos de trabajo que dan forma al comportamiento de los agentes.
El modelo puede seguir siendo el mismo. El sistema de aprendizaje que lo rodea se vuelve más inteligente.
Los bucles de retroalimentación convierten cada resultado en un momento de enseñanza para los agentes
Cada flujo de trabajo agente crea señales.
Un agente recibe una solicitud. Recupera contexto, razones a través de posibles acciones, llama a herramientas y genera respuestas. Un humano acepta, rechaza o modifica esa respuesta. Los sistemas posteriores revelan si la acción funcionó.
Toda esa cadena es valiosa.
La observabilidad de la IA brinda a las organizaciones visibilidad de lo que sucedió: el aviso, la respuesta, la ruta de razonamiento, las llamadas a herramientas, las fuentes de datos, los pasos intermedios, los modos de falla y los resultados. Sin esa visibilidad, las organizaciones no pueden entender por qué un agente se comportó como lo hizo, y mucho menos mejorarlo.
Pero la observabilidad por sí sola no es suficiente.
La mayor oportunidad es convertir el comportamiento observado en conocimiento institucional. Un seguimiento no sólo debería ayudar al desarrollador y a los operadores a depurar un agente. Debería ayudar a la empresa a comprender qué aprendió el agente, qué corrigió el humano, qué resultado siguió y qué debería cambiar antes del próximo evento similar.
Ese es el cambio de monitorear la IA a enseñarla.
En la empresa agencial, los circuitos de retroalimentación conectan la acción con el resultado, el resultado con el conocimiento y el conocimiento con la acción futura.
Un sistema de aprendizaje en la práctica sobre seguridad, observabilidad y la red.
Considere un servicio que experimenta una degradación intermitente.
Un agente de observabilidad detecta tasas de error y latencia inusuales. Un agente de red identifica la pérdida de paquetes en una ruta específica. Un agente de seguridad nota que la misma ventana de tiempo incluye un comportamiento de autenticación sospechoso y tráfico inusual de una fuente nunca antes vista.
Individualmente, cada agente tiene sólo una visión parcial. Juntos, crean un panorama operativo más rico.
La primera vez que ocurre este incidente, es posible que sea necesario intervenir expertos humanos. Un ingeniero de redes confirma que la pérdida de paquetes se debió a un cambio de ruta mal configurado. Un analista de seguridad determina que el tráfico sospechoso no fue un ataque, sino un efecto secundario de un servicio interno mal enrutado. Un SRE conecta el evento de la red con la degradación de la aplicación.
Esa resolución contiene conocimientos que la organización no debería tener que volver a aprender.
Un sistema de aprendizaje agente maduro capturaría los rastros, las correcciones humanas, el contexto topológico, los hallazgos de seguridad, las señales de observabilidad y los pasos finales de remediación. Preservaría la relación entre esas señales: patrón de latencia, ruta de red, comportamiento de identidad, cambio de ruta y corrección.
La próxima vez que aparezca un patrón similar, los agentes no empezarán desde cero. Podrían recuperar el caso anterior, comparar las condiciones actuales, recomendar la ruta de diagnóstico probada y escalar con un mejor contexto.
No fue necesario volver a entrenar el modelo de frontera subyacente.
La empresa aprendió.
La arquitectura de la empresa agente de aprendizaje.
Una empresa de agencia orientada al aprendizaje necesita más que un modelo o un chatbot. Necesita una arquitectura que pueda capturar la experiencia, convertirla en conocimiento utilizable, conectar ese conocimiento al contexto operativo y gobernar cómo cambia el comportamiento futuro de los agentes.
Memoria preserva lo que sucedió: lo que el agente vio, lo que hizo, dónde intervinieron los humanos y qué resultados siguieron.
Bases de conocimiento convertir esa experiencia en una guía reutilizable, que incluya guías, ejemplos, políticas, procedimientos y evidencia.
A tejido de datos conecta el entorno operativo. Las señales que los agentes necesitan se transmiten a través de registros, métricas, rastreos, tickets, sistemas de identidad, herramientas de seguridad, telemetría de red, plataformas de colaboración y aplicaciones comerciales. Una estructura de datos hace que esas señales sean detectables, correlacionadas, gobernadas y utilizables en contexto.
Observabilidad de la IA Explica cómo se comportan los agentes al capturar indicaciones, llamadas de herramientas, pasos intermedios, respuestas, comentarios y resultados. Esa visibilidad ayuda a las organizaciones a comprender dónde tienen éxito los agentes, dónde fallan y qué debería mejorar.
El plano de control gobierna cómo el aprendizaje se convierte en cambio: qué conocimiento se promueve, qué indicaciones o políticas se actualizan, qué agentes pueden utilizar nueva información, qué aprobaciones se requieren y cómo se auditan los cambios.
Juntas, estas capacidades permiten que los sistemas de IA mejoren con el tiempo de una manera controlada y confiable que permite a la empresa aprender de sus propias operaciones.
Las organizaciones que aprendan más rápido ganarán
La próxima era de la IA no la ganarán sólo los modelos. Lo ganarán las organizaciones que puedan capturar lo que aprenden de cada flujo de trabajo, corrección de expertos, incidente, investigación y resultado.
Las empresas de agentes más avanzadas no se limitarán a desplegar más agentes. Construirán sistemas que permitan a cada agente beneficiarse del conocimiento colectivo de la organización.
Eso significa conectar datos operativos a través de una estructura de datos. Significa observar el comportamiento de los agentes con suficiente profundidad para comprenderlo. Significa preservar la experiencia en la memoria e institucionalizarla en bases de conocimiento. Significa utilizar un plano de control para gobernar cómo el aprendizaje cambia el comportamiento de los agentes.
El futuro de la IA no es que un agente autónomo actúe solo. Es un ecosistema de agentes, humanos, datos y controles que aprende con el tiempo.
Las organizaciones que construyan ese ecosistema crearán sistemas de inteligencia artificial que mejoren con cada interacción. No porque el modelo cambie constantemente, sino porque la propia empresa se está volviendo más inteligente.
Obtenga más información sobre cómo Cisco Data Fabric impulsado por la plataforma Splunk está acelerando las operaciones agentes.
Hao Yang es vicepresidente de IA en Splunk, una empresa de Cisco.
Los artículos patrocinados son contenido producido por una empresa que paga por la publicación o tiene una relación comercial con VentureBeat, y siempre están claramente marcados. Para más información, póngase en contacto ventas@venturebeat.com.
