La vicepresidenta sénior de Target, Siobhán Mc Feeney, dice que los modelos de IA que utiliza su empresa no son lo que le da a Target su ventaja: todo lo construido alrededor de ellos sí lo es.
«Hay mucho en juego. Eso para nosotros es el foso», dijo Mc Feeney en Transformación VB 2026. «Los modelos son fantásticos y son importantes. Simplemente no son suficientes para constituir una ventaja competitiva».
Esa disciplina aparece temprano en la forma en que Target decide si construir o no un agente. Mc Feeney fue directa, incluso «controvertida» según ella misma admitió, sobre el momento actual de la IA: todas las empresas quieren agentes de IA, pero no todas las necesitan, dijo.
Los agentes obtienen su autonomía con el tiempo en lugar de obtenerla de forma predeterminada, dijo, un principio que recorre todo lo que Target ha construido a su alrededor.
Mc Feeney dijo que el objetivo es garantizar que los agentes se dirijan a los problemas que generan el mayor valor para los huéspedes de Target. «Queremos asegurarnos de que estamos invirtiendo en los lugares correctos», dijo.
Ser deliberado con los agentes
Los agentes se están convirtiendo en parte de la arquitectura subyacente de Target, conectando cada vez más señales, sistemas y decisiones a lo largo de la cadena de suministro, el reabastecimiento y el pronóstico de la demanda.
Mc Feeney lo formuló como la promesa más antigua del comercio minorista: el producto correcto, en el lugar correcto, en el momento correcto, entregado a escala.
Pero su equipo ha sido deliberado en la creación de agentes de IA, comenzando con la pregunta más simple y obvia: ¿Cuál es el problema que están tratando de resolver? Esto lleva a varias preguntas de seguimiento:
-
¿Ese problema necesita un agente?
-
Si es así, ¿qué tipo de agente? ¿Un orquestador? ¿Un superagente? ¿Un agente de dominio específico?
-
¿O lo que usted llama «agente» es en realidad sólo una herramienta?
“Eso lo defines desde el principio, y esto puede parecer un proceso un poco complicado, luego tienes que registrarte y certificar a tu agente”, dijo Mc Feeney. Porque es posible que ya exista una solución y no desee duplicar el trabajo.
El diseño del agente inicia otra serie de preguntas importantes: ¿Qué impulsa a un agente a actuar? ¿Automatización? ¿Un ingeniero? ¿Un cronómetro? ¿Qué se necesita implementar para rastrear eso?
«Estamos tratando de asegurarnos de tener el linaje desde el principio (el nacimiento de este agente, hasta el final) porque a las 2 am de una mañana, cuando algo sale mal, queremos asegurarnos de que entendemos todo lo que sucedió», dijo Mc Feeney.
El nivel de autonomía es otra consideración; Los nuevos agentes normalmente comienzan con una autonomía básica y ganan más con el tiempo. A qué tiene acceso el agente es una cuestión aparte: ¿qué datos, qué sistemas, qué tablas, qué bases de datos?
Finalmente, está el seguimiento y la observabilidad; Los agentes no resolverán problemas ni mejorarán con el tiempo si no se los evalúa continuamente.
«Medimos todo: lo que se pretendía hacer, su calibración, su trayectoria, no sólo el tiempo de ejecución y la latencia», dijo Mc Feeney. Esto crea una transparencia total y permite modificar los agentes con el tiempo.
«Se trata de arquitectura, taxonomía y una capa de gobernanza de datos que era absolutamente necesario establecer», afirmó.
Hay mucho en estas «capas de autonomía»: esa base es lo que le da a Target la capacidad de escalar e invertir adecuadamente en los modelos correctos para el problema correcto.
Los modelos tienen diferentes “gradientes” que son mejores para diferentes trabajos; por ejemplo, los modelos de frontera destacan en tareas complejas que requieren procesar miles de millones de datos (como en las cadenas de suministro de comercialización pesada). Pero en algunos escenarios pueden tener un costo prohibitivo.
«Por lo tanto, se trata de garantizar que siempre haya un beneficio en términos de costos», dijo Mc Feeney.
Los agentes deben ganarse su autonomía
Una simulación de un gemelo digital predijo el inventario de pantalones cortos para hombres en tres tiendas Target en Long Beach este verano, y una tienda volvió a necesitar entre seis y siete veces más existencias que las demás, dijo. Primera reacción de los analistas de inventarios: eso no puede ser correcto. Pero el sistema había encontrado algo que no habían tenido en cuenta. Esa tienda estaba a menos de dos millas de la playa; los otros dos estaban entre 10 y 12 millas tierra adentro. Los analistas dejaron que se mantuviera la recomendación y las acciones se vendieron.
«Esto es ciencia. Esto es matemáticamente más significativo y da más confianza que los humanos haciéndolo», dijo Mc Feeney. Resultados como ese son los que permiten que los sistemas agentes de Target obtengan más autonomía con el tiempo, dijo.
Target considera que la autonomía de los agentes de IA es «ganada» y la estructura como una escalera de cuatro niveles, dijo Mc Feeney: los agentes comienzan haciendo observaciones sin actuar, luego pasan a sugerir acciones mientras esperan aprobación, y luego actúan dentro de barreras definidas. En el nivel más alto que Target opera actualmente, los agentes funcionan de un extremo a otro, pero aún con un ser humano al tanto.
«Los niveles de autonomía de los agentes son muy importantes», dijo Mc Feeney. «Se los ganan y pueden perderlos si no se desempeñan como se espera». Los modelos que se desvíen serán retirados de servicio.
Como ella dijo, los humanos ganamos autonomía cuando demostramos que podemos hacer algo con el tiempo. A nadie se le asignan un montón de responsabilidades adicionales porque sí; Tienen que haber demostrado que son capaces de manejarlos.
De manera similar, los agentes pueden medirse y cuantificarse científicamente: qué tan precisos fueron, cuánto se desviaron y qué tan cerca estuvieron de su objetivo previsto. Esto ayuda a establecer barreras de seguridad, lo que permite a los constructores trabajar más rápido e “ir rápido para siempre”, porque no se preguntan constantemente dónde están las barreras de seguridad.
“Si sigues estas barreras, [follow] pautas de seguridad, registras al agente y algo todavía sale mal, tenemos el linaje completo desde el principio», dijo Mc Feeney. «Nuestra capacidad de recuperación es mucho mejor».
Cuando se trata de esto, el éxito del agente es una confluencia de factores, no solo uno, dijo: «Se trata de su arquitectura. Se trata de su taxonomía. Se trata de los niveles de autonomía que tienen sus agentes, y se trata de seguridad y observabilidad».
Un nuevo conjunto de habilidades para nuevos flujos de trabajo
Sin embargo, incluso cuando la autonomía de los agentes es alta, los constructores deben rendir cuentas cuando algo sale mal. Mc Feeney señaló que los equipos ahora están trabajando a velocidades que nadie podría haber anticipado, lo que significa que se deben establecer mecanismos de evaluación y registrar y rastrear a los agentes.
Mucho de esto es cultural; la fuerza laboral se está remodelando y los constructores e ingenieros necesitan nuevas habilidades para gestionar a los trabajadores humanos y los sistemas de inteligencia artificial en paralelo. Estos contextos son bastante diferentes, pero la evolución profesional es “súper emocionante”.
«Eres un constructor. Observas a los agentes construyendo y también entrenas a los humanos que observan a los agentes construir», dijo Mc Feeney. «El nivel de matices es bastante especial».
Suscríbete y recibe las historias más importantes del día.
Al suscribirte aceptas nuestros términos y condiciones y política de privacidad.
