Presentado por SAP
Generar código con IA es rápido, pero lograr que ese código se ejecute de manera confiable dentro de una gran empresa, se integre con sistemas activos, se regule para cumplir con el cumplimiento y se pueda mantener durante años requiere un trabajo fundamental que la mayoría de las organizaciones subestiman.
Si bien el 81% de todas las organizaciones tiene una estrategia detallada, solo entre el 12 % y el 16 % alcanzan la ejecución impulsada por la IAdice Michael Ameling de SAP, CPO de SAP Business Technology Platform, y las razones rara vez se reducen a la calidad del código generado.
«En todas las industrias, las empresas que han invertido mucho en herramientas de IA se están topando con un muro cuando el código generado se adapta a la realidad de sus entornos existentes, porque generar código y ponerlo en funcionamiento no son el mismo problema», afirma Ameling.
Existen requisitos específicos para implementar la lógica generada por IA a escala empresarial: cómo se ven realmente los datos y la preparación para la integración, cómo funciona la gobernanza cuando los agentes de IA pasan de producir recomendaciones a ejecutar flujos de trabajo, y cómo los equipos de desarrollo están cambiando su rol a medida que la IA asume una mayor parte del trabajo de codificación.
Por qué falla la generación de código de IA en entornos de producción empresarial
Las ganancias de productividad derivadas de la generación de códigos de IA son reales y están bien documentadas, pero la facilidad de creación de prototipos ha dado a muchas organizaciones una idea engañosa de cuán avanzados están en realidad.
«Generar código es una cosa», dice Ameling. «Los clientes empresariales, incluidas las multinacionales y las grandes organizaciones, deben asegurarse de que no haya compromisos en materia de cumplimiento o seguridad. El código que se ejecuta de manera confiable durante diez o veinte años, como lo hace en muchos de los clientes más grandes de SAP, también debe ser mantenido, parcheado y comprendido por quien lo hereda. En otras palabras, la gestión del ciclo de vida no se genera por sí sola».
El problema rara vez es la calidad de la generación. Los equipos crean algo atractivo y luego descubren que carecen de acceso a los datos de los que depende, o a las integraciones que supone, o a los permisos necesarios para ejecutarlo en un entorno real. El problema es esencialmente que la IA amplifica la madurez de los procesos y datos existentes de una organización, pero no puede sustituirlos.
Esta dinámica se intensifica a medida que la IA pasa de producir código a ejecutar acciones. La latencia, el costo y la carga del sistema aumentan cuando la lógica se ejecuta continuamente con datos en vivo en lugar de generar una salida única. Los requisitos de desempeño de un agente autónomo que opera en los sistemas de transacciones de una multinacional son categóricamente diferentes de los de un desarrollador copiloto.
Cómo conectar la lógica generada por IA a sistemas empresariales fragmentados
El desafío arquitectónico que la mayoría de los proyectos empresariales de IA subestiman es la integración. Los entornos empresariales reales no son borrón y cuenta nueva: combinan sistemas en la nube, infraestructura local heredada, almacenes de datos fragmentados y docenas de aplicaciones empresariales que nunca fueron diseñadas para comunicarse entre sí. Lograr que la lógica generada por IA funcione de manera confiable en todos ellos requiere una capa que unifique el acceso a los datos, el contexto del proceso y la gobernanza, y debe estar implementada antes de que cualquier agente comience a ejecutarse. Y las organizaciones que ven la IA como una razón para posponer la modernización de la infraestructura están cometiendo un error.
«La cuestión no es si modernizar o no. Por supuesto que es necesario modernizar», afirma Ameling. «Pero el valor que se obtiene además de esto es mucho mayor con la IA. El acceso a datos federados y las capas de proceso armonizadas no son alternativas a la actualización de un panorama fragmentado, son lo que hacen que la actualización valga la pena».
Suscríbete y recibe las historias más importantes del día.
Al suscribirte aceptas nuestros términos y condiciones y política de privacidad.
A nivel de plataforma, esto se traduce en un conjunto de requisitos prácticos: integración de datos estructurados, visibilidad de procesos de un extremo a otro y la capacidad de descubrir API y conectarse a ellas en sistemas tanto modernos como heredados. El enfoque de SAP con Business AI Platform se basa en herramientas que incluyen su capa de arquitectura empresarial Joule Studio, Integration Suite, Business Data Cloud y SAP AI Agent Hub para proporcionar ese contexto. El objetivo es brindar a la lógica generada por IA un conocimiento preciso y actual de lo que hace una empresa y cómo, en lugar de simplemente acceder a datos sin procesar.
Los agentes de IA manejan grandes desafíos dividiéndolos en tareas autónomas más pequeñas, donde cada agente es responsable de un dominio específico y todos coordinados hacia un resultado compartido. Un cierre financiero, por ejemplo, implica docenas de subprocesos discretos. Los agentes que manejan cada tarea en paralelo, dentro de restricciones definidas, pueden comprimir drásticamente los tiempos de los ciclos, pero sólo si los sistemas subyacentes con los que interactúan son coherentes y accesibles.
La gobernanza y supervisión que los agentes de IA requieren en producción
Cuando la IA pasa de asistente a actor operativo, las cuestiones de gobernanza cobran gran importancia, porque los agentes que desencadenan flujos de trabajo, actualizan registros e interactúan con sistemas comerciales en vivo necesitan el mismo marco de responsabilidad que se aplica a los empleados humanos, es decir, identidades, privilegios definidos y comportamiento auditable.
Hay dos modelos distintos:
Propagación principal, donde un agente actúa en nombre de un usuario y hereda los permisos y el alcance de ese usuario.
Agentes activados por el sistema, donde el agente opera bajo su propia identidad y privilegios definidos por roles, funcionando más como un rol de recursos humanos automatizado que como un asistente personal.
Ambos modelos requieren la misma infraestructura subyacente: un centro de agentes donde los operadores puedan ver qué agentes existen, a qué API pueden acceder y qué están autorizados a hacer. La observabilidad también debe operacionalizarse correctamente para la IA, combinada con evaluaciones técnicas y comerciales.
«En la producción, la apertura es muy importante», afirma Ameling. «Utilizamos OpenTelemetry como marco, por lo que podemos integrarnos con otras soluciones, para la observabilidad de la herramienta de un extremo a otro, agentes de terceros y similares».
Además de eso, las evaluaciones técnicas estándar, que prueban si un agente produce resultados consistentes, son necesarias pero no suficientes. Las evaluaciones de negocios evalúan si un agente realmente está moviendo los indicadores de desempeño para los que fue implementado para mejorar, pero tiene que funcionar de un extremo a otro.
El lugar donde se realizan las pruebas es igualmente importante. El ciclo tradicional de desarrollo de software en entornos de desarrollo, prueba y producción se interrumpe cuando un modelo produce diferentes resultados dependiendo de si se ejecuta con datos de prueba o datos en vivo. Llegar a una IA confiable en producción significa aceptar que la validación es fundamentalmente diferente de lo que los equipos de ingeniería han practicado durante décadas, con pruebas en entornos en vivo, incluso pruebas A/B/C para garantizar que los resultados sean confiables.
Cómo la generación de código basada en IA está cambiando las funciones de la ingeniería de software
El papel del promotor no desaparece en este entorno, pero su centro de gravedad está cambiando. El multiplicador de productividad es significativo cuando los desarrolladores pueden ejecutar múltiples agentes de codificación en paralelo en terminales abiertas, cada uno trabajando en un problema separado y cada uno tarda varios minutos en completarse. Pero introduce un nuevo tipo de demanda cognitiva, porque los humanos tienen que mantenerse informados. Eso significa rastrear el contexto en flujos de trabajo simultáneos, evaluar resultados que abarcan grandes bases de código y emitir juicios arquitectónicos que no se puede confiar en que ningún agente haga por sí solo.
«Cuanto más específica y completa sea la indicación, menos intervención se requiere, y los desarrolladores están aprendiendo que brindar más contexto por adelantado genera dividendos al reducir los intercambios», dice Ameling. «Pero aún es necesario comprender el resultado, no sólo aceptarlo».
La ventaja competitiva seguirá siendo la propiedad intelectual, no las herramientas. Las empresas que saldrán adelante serán aquellas que codifiquen de manera más efectiva su conocimiento de dominio en los sistemas que construyan.
«La experiencia en procesos de un fabricante, la lógica de riesgo de una institución financiera, la inteligencia de enrutamiento de una empresa de logística, estos son los activos que la IA puede acelerar, pero sólo si las organizaciones que los poseen hacen el trabajo para hacerlos accesibles y utilizables», dice Ameling. «Protéjalo y aplique IA para acelerar su diferenciación».
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.
