Cómo potencia Atlas Reasoning Engine Agentforce

La velocidad de la innovación en el mundo de la IA, y específicamente, la IA generativa, continúa a un ritmo vertiginoso. Con la sofisticación técnica que está disponible ahora, el sector está evolucionando rápidamente de la automatización conversacional de asistencia a la automatización basada en funciones que aumenta la plantilla. Para que la inteligencia artificial (IA) imite un rendimiento a nivel humano, es vital comprender qué hace que las personas sean más efectivas para completar trabajos: la capacidad humana para tomar decisiones. Los seres humanos pueden asimilar datos, razonar sobre las posibles rutas a seguir y tomar medidas. Equipar a la IA con este tipo de capacidad requiere un nivel extremadamente alto de inteligencia y toma de decisiones.

En Salesforce, hemos aprovechado los últimos avances en modelos de lenguaje de gran tamaño (LLM) y técnicas de razonamiento para lanzar Agentforce. Agentforce es un conjunto de agentes con IA listos para usar (aplicaciones autónomas y proactivas diseñadas para ejecutar tareas especializadas) y un conjunto de herramientas para crearlos y personalizarlos. Estos agentes con IA autónomos pueden pensar, razonar, planificar y orquestar con un alto nivel de sofisticación. Agentforce representa un salto cuántico en la automatización de la IA para el servicio de atención al cliente, las ventas, el marketing, el comercio y más.

Este artículo arroja luz sobre las innovaciones que culminaron en Atlas Reasoning Engine, el cerebro de Agentforce, que se gestó en Salesforce AI Research , y que orquesta acciones de manera inteligente y autónoma para llevar una solución de agentes de nivel empresarial a las empresas.

A principios de este año lanzamos Agentforce Assistant, que ahora se ha desarrollado para convertirse en un agente de Agentforce para la gestión de relaciones con los clientes (CRM). Agentforce Assistant era un asistente conversacional basado en IA generativa que derivaba su inteligencia de un mecanismo llamado razonamiento en cadena de pensamiento (CoT). En este mecanismo, el sistema de IA imita la toma de decisiones al estilo humano al generar un plan que contiene una secuencia de pasos para alcanzar un objetivo.

Con el razonamiento basado en CoT, Agentforce Assistant podría cocrear y cotrabajar en el flujo del trabajo. Esto lo convirtió en una solución bastante avanzada en comparación con los bots tradicionales, pero no llegó a imitar realmente una inteligencia similar a la humana. Generaba un plan que contenía una secuencia de acciones en respuesta a las tareas, y luego ejecutaba esas acciones una por una. Sin embargo, si el plan era incorrecto, no tenía forma de pedirle al usuario que lo redireccionara. Esto dio como resultado una experiencia de IA que no era adaptativa: los usuarios no podían proporcionar información nueva y útil a medida que avanzaba una conversación.

Cuando sometimos a Agentforce Assistant a rigurosas pruebas con miles de vendedores de nuestra propia organización de ventas (Org 62), surgieron algunos patrones:

• La experiencia conversacional en lenguaje natural de Copilot era mucho mejor que la de los bots tradicionales, como teníamos previsto, pero aún no daba la talla de ser verdaderamente similar a una persona. Tenía que ser más conversacional.
• Copilot hizo un excelente trabajo cumpliendo los objetivos de los usuarios con las acciones con las que estaba configurado, pero no podía gestionar las consultas de seguimiento sobre la información que ya existía en la conversación. Necesitaba utilizar mejor el contexto para responder a más consultas de los usuarios.
• A medida que agregamos más acciones para automatizar más casos de uso, el rendimiento de Copilot comenzó a degradarse, tanto en cuestión de latencia (cuánto tiempo tardaba en responder) como de calidad de las respuestas. Necesitaba ampliarse de manera efectiva a miles de casos de uso y aplicaciones que pudieran beneficiarse de él.

Nos propusimos encontrar una solución a estos problemas, y eso generó el nacimiento de Agentforce.

Agentforce es la primera solución de automatización conversacional de nivel empresarial del sector que puede tomar decisiones proactivas e inteligentes a gran escala con poca o ninguna intervención humana. Varios avances lo hacen posible.

• Orquestación basada en el envío de solicitudes de ReAct frente a CoT. La experimentación y las pruebas exhaustivas demostraron que el envío de solicitudes al estilo de Razonamiento y acción (ReAct) produjeron resultados mucho mejores en comparación con la técnica CoT. En el mecanismo ReAct, el sistema pasa por un bucle de razonar, actuar y observar hasta que se cumple el objetivo de un usuario. Este tipo de enfoque de bucle permite que el sistema tenga en cuenta cualquier información nueva y haga preguntas aclaratorias o confirmaciones para que el objetivo del usuario se cumpla con la mayor precisión posible. Esto también resulta en una experiencia conversacional mucho más fluida y similar al lenguaje natural.
• Clasificación de temas. Introdujimos un nuevo concepto llamado temas, que se asigna a una intención del usuario o trabajo que se debe realizar. Cuando llega una entrada de usuario, se asigna a un tema que contiene el conjunto relevante de instrucciones, políticas empresariales y acciones para satisfacer esa solicitud. Este mecanismo ayuda a definir el alcance de la tarea y el espacio de solución correspondiente para el LLM, lo que permite que el sistema se amplíe sin esfuerzo. Las instrucciones en lenguaje natural integradas en los temas proporcionan orientación y límites adicionales para el LLM. Por lo tanto, si necesitamos que algunas acciones se ejecuten en una secuencia determinada, esta necesidad puede definirse como la instrucción de un tema en lenguaje natural. Si hay políticas empresariales como "devoluciones gratuitas en un plazo de hasta 30 días", se pueden especificar como instrucciones y enviarlas al LLM para que pueda tenerlas en cuenta e informar sobre la interacción del usuario en consecuencia. Estos conceptos permiten a los agentes ampliarse a miles de acciones de forma segura.
• Utilice los LLM para las respuestas. Anteriormente, restringíamos el sistema para que respondiera solo con resultados de acción, lo que limitaba drásticamente su capacidad de respuesta en función de la información disponible en la conversación. Al abrir el sistema para permitir que el LLM responda utilizando el contexto en el historial de conversaciones, hemos podido habilitar una experiencia conversacional mucho más enriquecedora. Ahora, los usuarios pueden solicitar aclaraciones y hacer preguntas de seguimiento a los resultados anteriores, lo que lleva a una tasa general de cumplimiento de objetivos más alta.
• Pensamientos/razonamientos. El envío de solicitudes a los LLM para que compartan pensamientos o proporcionen razones para seleccionar ciertas acciones previene tremendamente las alucinaciones. Este enfoque tiene la ventaja añadida de proporcionar visibilidad sobre el comportamiento del LLM para que los administradores y desarrolladores puedan ajustar el agente y que se adapte a sus necesidades. El razonamiento está disponible en el lienzo de Agent Builder de forma predeterminada, y los usuarios también pueden enviar solicitudes al agente con preguntas de seguimiento para que pueda explicar su razonamiento. Esto no solo evita las alucinaciones, sino que también ayuda a generar confianza.

Además de Atlas Reasoning Engine, Agentforce tiene otras características notables que le hacen diferenciarse.

• Acción proactiva. Las entradas de usuario son una forma de activar agentes. Pero los agentes de Agentforce también pueden activarse mediante operaciones de datos en CRM o procesos y reglas empresariales, como una actualización del estado de un caso, un correo electrónico recibido por una marca o una reunión que comienza en cinco minutos. Estos mecanismos otorgan a los agentes un nivel de proactividad que hace que sean útiles y que se puedan implementar en diversos entornos empresariales dinámicos, y amplían su utilidad tanto para los equipos de gestión como para los de atención al cliente.
• Recuperación dinámica de información. La mayoría de los casos de uso empresariales implican la recuperación de información o la realización de acciones. Uno de los mecanismos más prevalentes para alimentar con información estática a los agentes es a través de la fundamentación. Sin embargo, es la capacidad de los agentes para aprovechar la información dinámica lo que genera un vasto potencial de casos de uso y aplicaciones.
  
  Agentforce es compatible con varios mecanismos para aprovechar la información dinámica. El primero es la generación aumentada de recuperación, o RAG. Mediante el uso de la búsqueda semántica en datos estructurados y no estructurados en Data Cloud a través de RAG, los agentes pueden recuperar cualquier información relevante de fuentes de datos y bases de datos externas.
  
  En segundo lugar, con la introducción de herramientas genéricas de recuperación de información, como la búsqueda web y las preguntas y respuestas sobre conocimientos, hemos aumentado la capacidad del agente para gestionar tareas complejas. Imagine que puede investigar una empresa o un producto online utilizando la búsqueda web, y combinar esta búsqueda con el conocimiento interno sobre las reglas y políticas de la empresa, y finalmente realizar una acción en forma de resumen de correo electrónico a un contacto. La combinación de datos de múltiples fuentes permite que el agente gestione las tareas empresariales de manera mucho más efectiva y eficiente.
  
  Por último, los agentes se pueden implementar en Flows, API y clases Apex. De este modo, toda la información contextual de un flujo de trabajo, así como la información de varias situaciones, se puede pasar al agente, lo que evita la necesidad de crear soluciones personalizadas y gestionar cada situación por separado. Todos estos mecanismos que hacen que los agentes puedan aprovechar la información dinámica les permiten comprender mejor su entorno, lo que multiplica su interactividad.
• Transferencia a un agente humano. La IA no es determinista y puede alucinar. Por eso hemos sido pioneros en la creación de la sólida arquitectura Einstein Trust Layer para proporcionar detección de toxicidad, contratos de retención de datos cero, defensa contra inyección de solicitudes y varios otros mecanismos. Hemos incorporado reglas en nuestras solicitudes del sistema para evitar que los LLM divaguen y alucinen. Pero a pesar de todos estos mecanismos, los LLM todavía no son 100 % precisos. Para aquellas situaciones empresariales críticas en las que la tolerancia a los errores es cero, la transferencia fluida a un humano es fundamental, y es algo que Agentforce admite de forma nativa. Agentforce trata la "transferencia a un agente humano" como una acción más, y permite que una conversación se transfiera de manera segura y fluida a las personas en cualquier situación empresarial deseada.

A pesar de estar en su etapa inicial, Agentforce es una solución revolucionaria para nuestros clientes. Clientes como Wiley y Saks Fifth Avenue están experimentando un impacto exponencial en sus KPI empresariales con el agente de servicio de Agentforce. A medida que la rueda de la innovación y el avance tecnológico continúa girando rápidamente en Salesforce Research y dentro del sector, continuamos avanzando a la velocidad de la luz para aprovechar varias innovaciones que permitirán que los agentes sean aún más sólidos e inteligentes. Algunos de los avances que los clientes pueden esperar en un futuro próximo son los siguientes:

• Un marco de pruebas y evaluación para agentes. Ofrecer un sistema de agentes complejo como Agentforce a las empresas requiere una cantidad titánica de pruebas y validaciones. Por lo tanto, hemos desarrollado un marco de evaluación sólido para probar los resultados de la acción, las entradas, los resultados, la precisión de la planificación, la clasificación de temas y el estado del planificador. Hemos estado utilizando este marco para optimizar los agentes en métricas como la precisión, la latencia, el coste del servicio y la confianza. A diferencia de la mayoría de los marcos y referencias disponibles para el gran público que se centran principalmente en evaluar el rendimiento de un LLM en tareas como matemáticas, ciencias y dominio del conocimiento general, nuestro marco de evaluación está orientado específicamente a casos de uso empresarial de CRM. También hemos publicado la primera comparativa de mercado de LLM del mundo y actualmente estamos trabajando para poner a disposición de clientes y partners nuestro marco de evaluación para agentes.
• Compatibilidad con múltiples intenciones. Este es un pilar clave para replicar un mecanismo de conversación similar al humano. Bastantes expresiones cotidianas constan de varios objetivos no relacionados, como "actualizar mi pedido y buscar una camisa de la talla M", "actualizar el estado del caso y enviar por correo electrónico al cliente un resumen de los pasos para solucionar problemas" y "reservar un vuelo y reservar un hotel". Con la combinación de las capacidades de comprensión de lenguaje natural de los LLM, la compatibilidad con ventanas de contexto grandes y nuestros conceptos innovadores como los temas, seguimos experimentando para crear una solución fiable, ampliable y segura para nuestros clientes.
• Compatibilidad multimodal. Si bien la mayoría de las interacciones digitales se basan en texto, las interacciones basadas en la voz y la visión aumentan en gran medida la riqueza de las experiencias porque representan la forma más natural de interacción humana. De hecho, con avances como el procesamiento simultáneo de entradas multimodales, plazos de respuesta más cortos, ventanas de contexto grandes y capacidades de razonamiento sofisticadas, se prevé que el mercado de IA multimodal crezca aproximadamente en un 36 % para 2031 . Hay varios casos de uso empresariales que pueden beneficiarse directamente de la compatibilidad multimodal:
  • Casos de uso de voz. Sustitución de la respuesta de voz interactiva (IVR) por compatibilidad de voz basada en IA generativa, coaching de empleados, formación e incorporación.
  • Casos de uso de visión. Búsqueda y comparación de productos, navegación por la interfaz de usuario (web, móvil), solución de problemas y resolución de problemas para los servicios de campo.
• Compatibilidad multiagente. Las interacciones entre agentes representan uno de los desarrollos empresariales más transformadores de nuestro tiempo. Dada su capacidad para recuperar, compilar y procesar simultáneamente la información, los sistemas multiagente pueden reducir exponencialmente los tiempos de procesamiento de flujos de trabajo largos y complejos que actualmente se procesan secuencialmente debido a la transferencia de persona a persona. Los agentes digitales se pueden insertar en estos flujos de trabajo para tareas de procesamiento de datos repetibles, y también pueden ayudar a las personas involucradas en estos procesos a ser más eficientes.
  
  Ya estamos introduciendo este tipo de paradigma multiagente en el proceso de ventas, donde un agente puede funcionar como un representante de desarrollo de ventas para alimentar el proceso, o como un formador de ventas para asesorar a un representante de ventas sobre la mejor manera de negociar un acuerdo. Los agentes especializados también pueden encargarse de otros aspectos del proceso de ventas, como la calificación de candidatos, la preparación de propuestas y el seguimiento posventa. Del mismo modo, un flujo de trabajo de servicios puede constar de agentes que solucionen problemas, hagan un seguimiento y asignen tickets, así como de agentes que respondan a las consultas de los clientes y ayuden a los representantes humanos.

Agentforce representa la tercera ola de la IA, después de la IA predictiva y los asistentes. Con Agentforce, los clientes pueden crear agentes que no solo respondan a las solicitudes conversacionales para tomar medidas, sino que también anticipen, planifiquen y razonen con una ayuda mínima. Los agentes pueden automatizar flujos de trabajo o procesos completos, tomar decisiones y adaptarse a nueva información, todo ello sin intervención humana. Al mismo tiempo, estos agentes pueden garantizar una transferencia fluida a los empleados humanos, lo que facilita la colaboración en todas las líneas de negocio. Con la tecnología de Atlas Reasoning Engine, estos agentes se pueden implementar con solo unos pocos clics para aumentar y transformar cualquier función o equipo empresarial.