Del ciberespacio a la empresa: agentes autónomos y nuevas IA

En las siguientes líneas se analizan dichas transformaciones a la luz de la obra de Gibson; entre la ficción y la realidad, entre los sueños de un hacker y los retos de un CFO, entre la literatura especulativa y la inminente revolución económica.

¿Qué es un agente autónomo?

Este concepto se refiere a sistemas de software capaces de actuar en un entorno, percibir cambios, tomar decisiones y ejecutar acciones encaminadas al logro de un objetivo, sin necesidad de supervisión constante por parte de un humano.

La noción de agente no es nueva. En la literatura de ciencias de la computación ya se hablaba desde los años 90 de rational agents, es decir, entidades que perciben su entorno mediante sensores (en el caso del software, datos digitales) y actúan sobre él mediante actuadores (comandos, solicitudes a bases de datos o interacción con otras aplicaciones). Lo novedoso es la autonomía creciente que estos sistemas adquieren gracias a modelos de lenguaje generativo, arquitecturas multiagente y marcos de planificación de tareas.

A diferencia de un bot tradicional (que sigue un guion rígido), los agentes autónomos pueden:

• Definir subtareas a partir de un objetivo general.
• Acceder a información en tiempo real (vía Internet o bases de datos privadas).
• Coordinarse con otros agentes o con aplicaciones externas (ERP, CRM, software contable).
• Aprender de la experiencia, ajustando sus estrategias con base en resultados previos.

En otras palabras, mientras un bot es un empleado con instrucciones fijas, un agente autónomo es un colaborador digital con iniciativa limitada, pero real, capaz de sorprender a su creador.

Pasamos de bots que ejecutan instrucciones fijas a colaboradores digitales que pueden definir subtareas, aprender de la experiencia y coordinarse entre sí.

¿Cómo funciona un agente autónomo?

Estos agentes de IA suelen estar compuestos por cuatro módulos principales:

• Percepción: reciben información del entorno (bases de datos, correos electrónicos, documentos contables, precios de mercado, etc.).
• Razonamiento: usan modelos de lenguaje, algoritmos de planificación o heurísticas para decidir qué hacer.
• Acción: ejecutan pasos concretos; por ejemplo, enviar un reporte, programar una transacción o generar un contrato.
• Aprendizaje: almacenan los resultados de sus acciones y los usan para mejorar.

A continuación, un ejemplo práctico en una firma contable:

1. El agente recibe el objetivo de conciliar las cuentas bancarias de septiembre.
2. Accede a los movimientos en la planificación de recursos empresariales (ERP, por sus siglas en inglés) y a los estados de cuenta.
3. Detecta discrepancias y las clasifica (errores de captura, depósitos en tránsito o comisiones).
4. Genera un reporte en Excel para revisión del auditor.
5. Si la tarea se repite mensualmente, se aprende a reconocer patrones recurrentes.

Este flujo muestra cómo los agentes autónomos pueden convertirse en asistentes especializados que reducen la carga de trabajo rutinario, liberando tiempo para que los profesionales se concentren en el análisis estratégico.

Más allá del escalado: limitaciones del paradigma actual

Durante la última década, los mayores avances en IA han estado ligados a un principio sencillo; más datos y más parámetros es igual a más poder de cómputo. Modelos de lenguaje masivos, con cientos de miles de millones de parámetros, han demostrado habilidades impresionantes para procesar texto, imágenes y audio; sin embargo, este modelo de crecimiento enfrenta tres límites estructurales:

• Costos energéticos y ambientales: entrenar un modelo de frontera puede requerir decenas de miles de Unidades de Procesamiento Gráfico (GPU, por sus siglas en inglés) consumiendo tanta energía como una ciudad mediana durante semanas. Esto plantea un dilema económico (¿es sostenible seguir escalando?) y un dilema ambiental (impacto en emisiones y consumo de agua para el enfriamiento).
• Dependencia de datos masivos: los modelos se entrenan con cantidades ingentes de información pública y privada; esto genera tensiones legales (derechos de autor y privacidad de datos), así como técnicas (riesgo de sesgos y desinformación).
• Riesgo de estancamiento cognitivo: algunos investigadores advierten el fenómeno de model collapse, donde los modelos empiezan a entrenarse sobre datos generados por IA previa, reduciendo su diversidad y precisión.

La estrategia de “escalar sin fin” recuerda a una empresa que busca incrementar su productividad sólo aumentando el número de empleados y sin repensar su organización interna; el rendimiento marginal se reduce con cada incremento.

Inspiración en el cerebro humano

Frente a estas limitaciones, la investigación se orienta hacia arquitecturas alternativas, inspiradas en la eficiencia del sistema nervioso humano. El cerebro, con apenas 20 vatios de consumo energético, realiza tareas de percepción, lenguaje y coordinación motriz que superan a cualquier supercomputadora. Sus principios ofrecen pistas valiosas:

• Plasticidad sináptica: las conexiones neuronales se fortalecen o debilitan según la experiencia. En el ámbito de la IA, esto inspira modelos adaptativos capaces de aprender de datos pequeños y específicos.
• Procesamiento paralelo distribuido: el cerebro no depende de un núcleo central que coordine todo, sino de millones de procesos simultáneos. En la IA, esto se traduce en arquitecturas neuromórficas que simulan esta descentralización.
• Codificación espaciotemporal: las neuronas transmiten no sólo señales, sino también patrones de tiempo; esto permite eficiencia al representar información de manera más compacta que las redes neuronales convencionales.

En términos empresariales, sería como pasar de un esquema rígido de jerarquías a una organización más ágil y descentralizada, donde cada unidad aprende y reacciona con autonomía.

Un agente autónomo de IA es un software capaz de actuar en un entorno, percibir cambios, tomar decisiones y ejecutar acciones, sin necesidad de supervisión humana.

Avances en la frontera tecnológica

Ahora bien, varios proyectos recientes exploran caminos más allá del escalado:

• Chips neuromórficos: empresas como Intel (Loihi) o IBM (TrueNorth) han desarrollado procesadores que emulan la forma en que las neuronas transmiten impulsos eléctricos.
• Memristores: son componentes electrónicos que recuerdan la cantidad de carga que ha pasado por ellos, asemejándose a las sinapsis cerebrales.
• Arquitecturas híbridas (simbólico-neuronales): mientras los modelos actuales son cajas negras (incapaces de explicar sus decisiones), los enfoques híbridos buscan combinar redes neuronales con sistemas de reglas lógicas explícitas.
• Aprendizaje continuo y adaptativo: inspirado en el aprendizaje humano, estos sistemas no requieren reentrenarse desde cero, sino que incorporan nuevos conocimientos sobre la marcha.

Conclusiones

Los agentes autónomos representan un cambio de paradigma en la práctica empresarial. Pasamos de bots que ejecutan instrucciones fijas a colaboradores digitales que pueden definir subtareas, aprender de la experiencia y coordinarse entre sí.

El impacto es profundo: eficiencia en procesos rutinarios, liberación de tiempo para labores estratégicas, pero también riesgos legales, éticos y sociales. El profesional de la contaduría ya no puede limitarse a revisar balances; debe supervisar algoritmos, validar las decisiones de la IA y garantizar que las recomendaciones de un agente no entren en conflicto con la regulación financiera o fiscal.

En Neuromante, la unión de Wintermute y Neuromancer dio origen a una entidad más allá de lo humano. En nuestro tiempo, la unión de agentes autónomos y nuevas arquitecturas de IA dará origen a un nuevo orden económico; la diferencia es que nosotros aún estamos a tiempo para decidir qué reglas regirán ese orden.