{"id":4335,"date":"2025-02-03T16:10:54","date_gmt":"2025-02-03T16:10:54","guid":{"rendered":"https:\/\/www.salesforce.com\/?p=4335"},"modified":"2025-02-03T16:12:24","modified_gmt":"2025-02-03T16:12:24","slug":"complete-ai-system","status":"publish","type":"post","link":"https:\/\/www.salesforce.com\/es\/blog\/complete-ai-system\/","title":{"rendered":"Los LLM y los copilotos por s\u00ed solos no le salvar\u00e1n: el concepto de IA empresarial que utiliza es incorrecto"},"content":{"rendered":"\n

Los CEO de todos los sectores han adoptado la IA, imaginando un crecimiento exponencial, una productividad sin precedentes y reducciones radicales de los costes. Sin embargo, muchos de ellos est\u00e1n abocados al fracaso. La prisa desencaminada por entrenar e implementar grandes modelos de lenguaje (LLM) \u2014alimentada por las excesivas expectativas de algunos sectores y las ideas equivocadas de que estos modelos por s\u00ed solos pueden resolver todos los desaf\u00edos relacionados con la IA\u2014 es un error b\u00e1sico de c\u00e1lculo. <\/p>\n\n\n\n

Las empresas est\u00e1n haciendo una gran inversi\u00f3n en entrenar los LLM o en lanzar prototipos de copilotos de IA aislados que, al final, no van a ninguna parte, ya que no tienen en cuenta el entorno global de lo que realmente se necesita para triunfar con la IA.<\/p>\n\n\n\n

Esta es la verdad: un LLM por s\u00ed solo no es la respuesta. No importa lo sofisticado que sea, un LLM debe ser parte de un sistema m\u00e1s grande y cuidadosamente dise\u00f1ado. El verdadero \u00e9xito de la IA empresarial requiere integrar los datos<\/a><\/strong>, la IA<\/a><\/strong> y la automatizaci\u00f3n<\/a><\/strong>, no solo para responder preguntas, sino tambi\u00e9n para ejecutar acciones con autonom\u00eda. Y la verdadera eficacia implica que la IA trabaje estrechamente con los humanos<\/strong> para garantizar una transici\u00f3n fluida para trabajos complejos y de alto valor. Los datos, la IA, la automatizaci\u00f3n y la transferencia fluida son los elementos fundamentales de un sistema de IA completo,<\/a> y si falta alguno de los cuatro, hasta el LLM m\u00e1s avanzado se quedar\u00e1 corto.<\/p>\n\n\n\n

Las empresas que no asuman esta situaci\u00f3n terminar\u00e1n gastando mucho y obteniendo muy poco a cambio.<\/p>\n\n\n\n

\n\t
\n\n\t\t
\n\t\t\t

\u00a1Empiece a crear a sus agentes de Agentforce hoy mismo!<\/h2>\n\t\t\t\t\t\t\t

Libere todo el potencial de Agentforce aprendiendo a definir funciones, a ampliar las capacidades con herramientas avanzadas y a personalizarlo para que se adapte a las necesidades de su empresa. \u00a1Reg\u00edstrese para recibir ya nuestras demos!<\/p>\n\t\t\t\n\t\t\t\n\t\t\t\t\t\t\t

\n\t\t\t\t\tVer las demos<\/a>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\n\t\t
\n\t\t\t\"\"\t\t<\/div>\n\t<\/div>\n\n\t\n\t<\/div>\n\n\n\n

Los antipatrones de IA empresarial<\/h2>\n\n\n\n

Muchas empresas est\u00e1n atrapadas en un ciclo in\u00fatil de experimentaci\u00f3n con la IA que solo conduce a costosos fracasos o proyectos de prueba de concepto sin posibilidad de ampliaci\u00f3n, aunque tengan \u00e9xito en un primer momento. Estos ciclos suelen manifestarse como uno o m\u00e1s de los cuatro antipatrones de la IA empresarial,<\/strong> y saber reconocerlos es ya algo obligatorio<\/strong>. Identificar si su empresa est\u00e1 atrapada en uno de estos ciclos y actuar para liberarla es fundamental para evitar seguir perdiendo tiempo y recursos. Vamos a verlos de uno en uno.<\/p>\n\n\n\n

1. LLM propio: repetici\u00f3n de fallos costosos<\/h3>\n\n\n\n

La idea de entrenar un LLM propio parece atractiva, ya que los l\u00edderes parecen vislumbrar una ventaja competitiva \u00fanica. Pero para crear un LLM no solo se han de recopilar datos y ejecutarlos a trav\u00e9s de un modelo de aprendizaje autom\u00e1tico. La complejidad de la ingenier\u00eda, los requisitos de infraestructura y la adaptaci\u00f3n continua requerida hacen que este esfuerzo sea abrumador para la mayor\u00eda de las empresas. <\/p>\n\n\n\n

A menos que tenga recursos comparables a OpenAI, Google u otros gigantes similares, entrenar a su propio LLM ser\u00e1 en muy poco tiempo un agujero financiero que dar\u00e1 lugar a un rendimiento decepcionante y a necesidades empresariales insatisfechas. Incluso si consigue superar estas dificultades t\u00e9cnicas, pronto se enfrentar\u00e1 a dos grandes problemas:<\/p>\n\n\n\n

El problema de la actualidad de los datos<\/h4>\n\n\n\n

Los LLM son tan actuales como sus datos de entrenamiento m\u00e1s recientes. En entornos din\u00e1micos y repletos de datos, como una empresa, los datos cambian constantemente. Sin un reentrenamiento continuo, una tarea poco pr\u00e1ctica y prohibitiva en cuanto a costes, el modelo se queda obsoleto de inmediato, lo que lo hace efectivamente in\u00fatil. <\/p>\n\n\n\n

Por ejemplo, pensemos en una empresa de servicios financieros que necesita proporcionar evaluaciones actualizadas del riesgo de los pr\u00e9stamos. Si el LLM no se reentrena para reflejar los cambios recientes del mercado, las actualizaciones de pol\u00edticas o los comportamientos crediticios de los clientes, proporcionar\u00e1 evaluaciones obsoletas, lo cual conducir\u00e1 a una mala toma de decisiones y a riesgos financieros importantes.<\/p>\n\n\n\n

El problema de la gobernanza de datos<\/h4>\n\n\n\n

Las bases de datos tradicionales almacenan datos con esquemas estructurados que aplican permisos claros, visibilidad y una recuperaci\u00f3n coherente de los datos. Por el contrario, cuando un LLM adquiere datos, se integran en los par\u00e1metros del modelo y acaban perdiendo cualquier concepto de \u00abubicaci\u00f3n\u00bb o propiedad. <\/p>\n\n\n\n

Esta transformaci\u00f3n crea una aut\u00e9ntica pesadilla para la gobernanza, ya que hace pr\u00e1cticamente imposible aplicar permisos detallados o extraer informaci\u00f3n espec\u00edfica una vez aprendida por un LLM. Gestionar estos problemas de gobernanza de los datos plantea un riesgo grave y, a menudo, subestimado por las empresas, lo que complica los procesos de cumplimiento normativo, auditor\u00eda y gesti\u00f3n de riesgos.<\/p>\n\n\n\n

Para la mayor\u00eda de las empresas, el entrenamiento de un LLM interno es, en el mejor de los casos, poco pr\u00e1ctico y, en el peor de ellos, irresponsable.<\/strong><\/p>\n\n\n\n

2. La falacia de los prototipos de copiloto<\/h3>\n\n\n\n

El concepto de un \u00abcopiloto\u00bb de IA \u2014un asistente digital dise\u00f1ado para ayudar a los empleados\u2014 parece prometedor. Sin embargo, en la pr\u00e1ctica, los prototipos de copiloto no consiguen ser m\u00e1s que experimentos aislados dentro de las aplicaciones existentes.<\/p>\n\n\n\n

Satya Nadella, CEO de Microsoft, dijo hace poco: \u00abPuedes concebir Copilot como la interfaz de usuario de la IA\u00bb. Esto revela el problema fundamental: los copilotos a\u00f1aden una fina capa de IA a las aplicaciones existentes en lugar de aprovechar la oportunidad m\u00e1s amplia de crear capacidades de IA aut\u00f3nomas en toda la empresa. Las empresas necesitan un sistema verdaderamente integrado de datos, IA y acci\u00f3n, no solo una interfaz \u00fatil, sino un motor transformador que pueda ejecutar tareas con autonom\u00eda y fomentar el cambio empresarial.<\/p>\n\n\n\n

El enfoque del copiloto lleva a las empresas a a\u00f1adir LLM de manera superficial, centr\u00e1ndose solo en lo referente a la interfaz de usuario. \u00bfEl resultado? Una magn\u00edfica distracci\u00f3n que podr\u00eda convencer a los l\u00edderes de que est\u00e1 innovando, pero que deja sin hacer el trabajo real y la transformaci\u00f3n efectiva.<\/p>\n\n\n\n

3. Agentes aislados: falta el entorno de la plataforma<\/h3>\n\n\n\n

Los agentes aut\u00f3nomos de IA<\/a> se promocionan como transformadores, pero en realidad puede que no lo sean tanto cuando se implementan de forma aislada. Lo que las empresas necesitan es una verdadera plataforma de agentes<\/a><\/strong>, un entorno unificado y plenamente desarrollado en el que los agentes de IA<\/a> est\u00e9n profundamente integrados con los datos de su empresa, los procesos comerciales y los empleados humanos que trabajan en sus aplicaciones. Sin esta integraci\u00f3n, incluso los agentes de IA m\u00e1s inteligentes est\u00e1n destinados a ser meros experimentos, incapaces de generar resultados comerciales relevantes.<\/p>\n\n\n\n

Actualmente, el mercado est\u00e1 saturado de startups de IA que ofrecen soluciones de agentes de IA, pero la mayor\u00eda carece de la infraestructura para integrarse en los flujos de trabajo y los datos comerciales fundamentales. Para disimularlo, muchas de estas startups ocultar\u00e1n su falta de infraestructura b\u00e1sica detr\u00e1s de prototipos de \u00abcodesarrollo\u00bb, que son esencialmente una forma resumida de hacer el trabajo de integraci\u00f3n en los servicios profesionales. Intentar\u00e1n hacer un n\u00famero suficiente de estos prototipos para ganar tiempo, con la esperanza de que puedan construir o adquirir las piezas que faltan antes de que nos demos cuenta de que no est\u00e1n ah\u00ed. <\/p>\n\n\n\n

Esto supone un riesgo para usted. Puede que consiga que su primer agente despegue, pero \u00bfqu\u00e9 pasa cuando haga el segundo, el tercero o el d\u00e9cimo? \u00bfO cuando desee hacer una modificaci\u00f3n sencilla a su agente? \u00bfEstas startups van a seguir asumiendo ese coste de los servicios profesionales para hacer ese trabajo de integraci\u00f3n? \u00bfO revelar\u00e1n sus limitaciones y le repercutir\u00e1n ese coste a usted? Sin una verdadera integraci\u00f3n con sus datos y procesos comerciales, es posible que no pueda ofrecer IA a gran escala.<\/p>\n\n\n\n

4. Plataformas propias: los inconvenientes de reinventar la rueda<\/h3>\n\n\n\n

Muchos l\u00edderes de TI, despu\u00e9s de experimentar uno o todos los antipatrones anteriores, reconocer\u00e1n la necesidad de contar con una plataforma de IA completa. Sin embargo, a menudo cometen el error de elegir la v\u00eda autodidacta. Pero desarrollar una plataforma de IA integrada es una tarea monumental, llena de enormes dificultades de integraci\u00f3n, deuda t\u00e9cnica y costosos retrasos.<\/p>\n\n\n\n

La revoluci\u00f3n de la nube nos ha ense\u00f1ado una lecci\u00f3n muy importante: las empresas deben centrarse en actividades que generen valor en lugar de intentar reinventar la infraestructura fundamental. Hoy en d\u00eda, ninguna empresa en su sano juicio intentar\u00eda construir su propia infraestructura global en la nube en lugar de utilizar proveedores acreditados como AWS. Del mismo modo, las compa\u00f1\u00edas deber\u00edan utilizar las plataformas de IA s\u00f3lidas y existentes que ya proporcionan los elementos esenciales (escalabilidad, seguridad e integraci\u00f3n perfecta entre los datos, la IA y la automatizaci\u00f3n) desde el primer momento.<\/p>\n\n\n\n

Las empresas inteligentes saben que invertir en la creaci\u00f3n de estas herramientas fundamentales es perder el tiempo. Deben centrarse en el desarrollo de productos y servicios diferenciados para sus clientes en lugar de enredarse en proyectos que pueden hacerles retroceder d\u00e9cadas.<\/strong><\/p>\n\n\n\n

\n\n\t\"\"\n\n\t\t\t
\n\t\t\t\t\t\t\t\"\"\n\t\t\t\t\t<\/div>\n\t\n\t\"\"\n\n\t
\n\t\t
\n\t\t\t\n<\/svg>\n\t\t\t

Cree su primer agente con Agentforce<\/h2>\n\t\t\t

Cree un agente de servicio de Agentforce para asistir en las recomendaciones y reservas.<\/p>\n\t\t\t\n\n

Empiece a aprender<\/a><\/div>\n\n\t\t<\/div>\n\t\t
\n\t\t\t
+500 puntos<\/div>\n\t\t\t
Trail<\/div>\n\t\t\t

Cree su primer agente con Agentforce<\/a><\/p>\n\t\t\t

<\/p>\n\t\t\t

\n\t\t\t\t
\n<\/svg>\n<\/div>\n\t\t\t\t
\n<\/svg>\n<\/div>\n\t\t\t<\/div>\n\t\t<\/div>\n\t<\/div>\n\n\t\"\"\n\t\"\"\n\n<\/div>\n\n\n\n

\u00bfPor qu\u00e9 tantas empresas caen en estos antipatrones?<\/h2>\n\n\n\n

Creo que todos lo sabemos. Los medios de comunicaci\u00f3n han dado un bombo excesivo y sin descanso a los LLM, obsesion\u00e1ndose con miles de millones de par\u00e1metros y casos de uso para acaparar titulares, y eso ha desviado a los responsables de TI de visualizar el sistema m\u00e1s amplio que la IA realmente requiere. \u00bfEl resultado? Una idea err\u00f3nea de que un LLM por s\u00ed solo es suficiente y que impide ver que se requiere un sistema de IA m\u00e1s sofisticado e integrado para impulsar resultados reales y escalables. <\/p>\n\n\n\n

Piense en la sector de la automoci\u00f3n a principios del siglo XX: si bien el motor de combusti\u00f3n interna fue toda una revoluci\u00f3n, un motor por s\u00ed solo no equival\u00eda a un coche. Un coche necesitaba adem\u00e1s neum\u00e1ticos, direcci\u00f3n y transmisi\u00f3n, todos componentes integrados que juntos creaban una m\u00e1quina funcional. <\/p>\n\n\n\n

De igual forma, el microprocesador revolucion\u00f3 los fundamentos de la computaci\u00f3n, pero sin la integraci\u00f3n con la memoria, los dispositivos de E\/S y el software, era solo un componente aislado. El poder del microprocesador solo se hizo realidad cuando estas piezas se unieron para formar un sistema inform\u00e1tico completo. El mismo principio se aplica a la IA en la empresa: los LLM son innovadores, pero sin un sistema m\u00e1s amplio, con flujos de datos, l\u00f3gica empresarial, automatizaci\u00f3n e integraci\u00f3n del flujo de trabajo, siguen estando incompletos.<\/p>\n\n\n\n

Entonces, \u00bfcu\u00e1l es la respuesta?<\/h2>\n\n\n\n

Para que un sistema de IA empresarial tenga \u00e9xito, debe integrar a la perfecci\u00f3n los datos<\/strong>, la IA<\/strong>, la automatizaci\u00f3n<\/strong> y un ecosistema de innovadores<\/strong>. Si falta alguno de estos aspectos, toda la estrategia se ve afectada. Vamos a analizarlos de uno en uno:<\/p>\n\n\n\n

1. Datos: los cimientos<\/h3>\n\n\n\n

El acceso a los datos constituye los cimientos de un sistema de IA exitoso. Sin embargo, el desaf\u00edo que se presenta no es solo garantizar la calidad de los datos, sino lograr un acceso completo y en tiempo real a los datos en toda la empresa. Los silos de datos son el mayor impedimento para aprovechar la IA de manera efectiva. Las empresas deben adoptar plataformas de datos flexibles que faciliten la integraci\u00f3n perfecta entre departamentos y mitiguen esos silos r\u00e1pidamente. <\/p>\n\n\n\n

Plataformas como Salesforce Data Cloud<\/a> proporcionan el tipo de base de datos unificada e integrada que permite la disponibilidad de datos en tiempo real. Data Cloud tambi\u00e9n es abierta y flexible, lo que permite a los clientes utilizar la federaci\u00f3n de datos de copia cero para conectar sus lagos de datos<\/a> existentes, como Snowflake, lo que aumenta el retorno de la inversi\u00f3n de estos lagos ya implementados.<\/p>\n\n\n\n

Una vez que la plataforma de datos est\u00e1 operativa, el siguiente paso es conectar los datos a los LLM sin tener que volver a someterlos a un costoso reentrenamiento. Aqu\u00ed entra en juego la generaci\u00f3n aumentada de recuperaci\u00f3n (RAG),<\/a><\/strong> junto con las bases de datos vectoriales que indexan y buscan datos no estructurados, lo que garantiza que los LLM tengan acceso a la informaci\u00f3n m\u00e1s relevante sin tener que someterse a ciclos completos de reentrenamiento.<\/p>\n\n\n\n

Tecnolog\u00edas como el motor de razonamiento Atlas<\/a> de Salesforce utilizan t\u00e9cnicas RAG avanzadas que permiten una mejor recuperaci\u00f3n jer\u00e1rquica y abstracci\u00f3n, que a su vez da lugar a una comprensi\u00f3n y un acceso m\u00e1s profundos a documentos empresariales complejos. El resultado final: resultados mejores, m\u00e1s precisos y m\u00e1s relevantes.<\/p>\n\n\n\n

2. IA: el motor<\/h3>\n\n\n\n

Con los datos ya operativos, la IA se convierte en el motor que impulsa la transformaci\u00f3n empresarial. Pero esto va m\u00e1s all\u00e1 de los simples LLM. Los modelos de IA utilizados deben ser capaces de predecir, analizar y adaptarse a las necesidades espec\u00edficas de la empresa. No existe un enfoque universal: las diferentes tareas requieren modelos especializados, y las empresas pueden querer flexibilidad, como poder adoptar diferentes LLM en diferentes regiones geogr\u00e1ficas para cumplir requisitos normativos o utilizar modelos personalizados para varios tipos de trabajos. La Capa de Confianza de Einstein permite a los clientes de Salesforce incorporar cualquier LLM de su elecci\u00f3n y utilizarlo de forma segura, garantizando el cumplimiento normativo, la gobernanza y la seguridad, al tiempo que permite aprovechar el modelo m\u00e1s adecuado para cada contexto comercial.<\/p>\n\n\n\n

La IA no es est\u00e1tica; debe aprender y adaptarse en tiempo real. Los ciclos de retroalimentaci\u00f3n continuos, impulsados por datos comerciales en constante evoluci\u00f3n, son fundamentales para que la IA siga siendo relevante y efectiva. Estos ciclos garantizan que los modelos se adapten din\u00e1micamente a la nueva informaci\u00f3n, las condiciones del mercado y los cambios operativos, lo que les permite ofrecer resultados comerciales relevantes de forma constante. Esta adaptabilidad es lo que hace que la IA pase de ser una herramienta est\u00e1tica a un motor de transformaci\u00f3n en constante evoluci\u00f3n.<\/p>\n\n\n\n

3. Automatizaci\u00f3n: la acci\u00f3n aut\u00f3noma<\/h3>\n\n\n\n

El verdadero valor de la IA no proviene de la informaci\u00f3n, sino de la acci\u00f3n. No basta con que un LLM genere sugerencias: el verdadero valor empresarial reside en actuar en funci\u00f3n de esas sugerencias. Esto requiere una integraci\u00f3n profunda con los sistemas de flujo de trabajo empresarial, las API y las herramientas de automatizaci\u00f3n. Por ejemplo, Flow y MuleSoft de Salesforce son componentes esenciales para permitir este tipo de acci\u00f3n aut\u00f3noma. Flow proporciona la capa de automatizaci\u00f3n, mientras que MuleSoft se encarga de la integraci\u00f3n de las API, lo que permite a los agentes de IA actuar sin problemas en m\u00faltiples sistemas.<\/p>\n\n\n\n

Imagine un agente de IA que detecte problemas en la cadena de suministro y ejecute autom\u00e1ticamente soluciones, como reasignar recursos o comunicar cambios a proveedores.<\/p>\n\n\n\n

Este tipo de acci\u00f3n aut\u00f3noma significa que los agentes de IA no solo ofrecen recomendaciones de alto nivel o responden preguntas, sino que son un participante nuevo y activo en las operaciones de tu empresa.<\/strong><\/p>\n\n\n\n

4. Un ecosistema de innovadores<\/h3>\n\n\n\n

Pero la tecnolog\u00eda por s\u00ed sola no es suficiente. No nos olvidemos de las personas. Para tener \u00e9xito con la IA a gran escala, las empresas deben fomentar un ecosistema de innovadores. Salesforce ofrece herramientas sin c\u00f3digo, como Agent Builder<\/strong>, que permiten a los empleados crear e implementar soluciones de IA, convirtiendo a la empresa en un referente en agentes de IA.<\/p>\n\n\n\n

Salesforce apoya a una incre\u00edble comunidad de estos innovadores a los que llamamos Agentblazers<\/a><\/strong>, que est\u00e1n abriendo nuevos caminos para la IA dentro de sus empresas. Estas personas utilizan Agentforce no solo como herramienta, sino como plataforma de lanzamiento para replantear las formas de completar el trabajo y, en \u00faltima instancia, redefinir sus carreras. <\/p>\n\n\n\n

Presentamos Agentforce: el sistema completo de IA para empresas<\/h2>\n\n\n\n

Mientras el mundo se enfoca en el tama\u00f1o de los nuevos LLM, Salesforce ha desarrollado Agentforce<\/a>, un sistema de IA<\/strong> integral que combina datos, automatizaci\u00f3n y expertos humanos<\/strong>, continuando su trayectoria de m\u00e1s de 20 a\u00f1os ayudando a las empresas a adoptar innovaciones como la nube, la tecnolog\u00eda m\u00f3vil y la IA predictiva.<\/p>\n\n\n\n

Agentforce es una plataforma completa de agentes de IA aut\u00f3nomos para empresas. Utiliza un LLM y datos conectados para identificar, planificar y ejecutar tareas autom\u00e1ticamente. Ofrece agentes predise\u00f1ados y personalizables que aprenden y se adaptan, garantizando seguridad e integraci\u00f3n con Customer 360, transfiriendo contactos a empleados cuando sea necesario.<\/p>\n\n\n\n

\n