Orquestación de agentes: ¿Cómo empoderar a los agentes de IA?

La inteligencia artificial no ha empezado a conquistar las empresas hoy. Sin embargo, para subirse a la ola de la innovación, no basta con invertir en tecnologías generativas o en la contratación de herramientas potenciadas con inteligencia artificial.

¿Por qué? Porque para que la IA funcione correctamente, necesita una base de datos armonizada, sin conjuntos de información aislados que dificulten la creación de acciones; es decir, sin silos de datos, los cuales aumentan las posibilidades de información duplicada y resultados poco transparentes.

¿Qué es la orquestación de datos y de agentes de IA?

En este sentido, la orquestación de datos es un proceso indispensable para obtener el máximo potencial de la inteligencia artificial y, consecuentemente, para el funcionamiento eficaz de los agentes de IA. 

Como concepto, la orquestación de datos implica un procedimiento automatizado orientado a la administración y sincronización del flujo de datos entre diversos sistemas, aplicaciones y plataformas.

Es decir, si eres el gestor de una cadena de tiendas de artículos deportivos y utilizas un ERP y un CRM (dos fuentes de datos diferentes), la orquestación de datos contempla y unifica esas dos bases de información, evitando datos duplicados, referencias repetidas y, por lo tanto, agentes de IA actuando de manera poco certera.

Además, la orquestación de datos abarca la transferencia, modificación y unificación de la información, asegurando que los datos adecuados estén accesibles en los momentos y lugares apropiados para análisis, generación de informes y soporte a la toma de decisiones.

En una investigación de Salesforce, podemos apreciar la importancia del proceso de orquestación de datos. En ella, el 80 % de las empresas mencionaron la integración de datos como uno de los principales obstáculos para la adopción de la IA. Ante esto, podemos suponer que un gran número de corporaciones aún enfrenta problemas para implementar procesos eficientes de integración de datos.

LEE MÁS: Clústeres: ¿qué son y para qué sirven?

¿Cómo resuelve la orquestación de datos el problema de los silos de información?

No contar con herramientas de IA conectadas e integradas es un problema. Pero, ¿cómo solucionarlo e iniciar el proceso de orquestación de datos? Esta preocupación debería ser una prioridad estratégica en las empresas, especialmente en aquellas que desean invertir fuertemente en el uso de agentes de IA, ya sea para optimizar chatbots u otras formas de automatización e interacción.

Para estas corporaciones, es esencial construir una base preparada para agentes, es decir, una empresa “lista para agentes”. En otras palabras, para que los agentes de IA funcionen, es necesario contar con una base de datos armónica y con un proceso de orquestación aplicable.

Por lo tanto, esta base debe incluir recursos sólidos de integración y APIs, que permitan a los agentes de IA:

• acceder a datos críticos,
  
• interactuar con sistemas existentes,
  
• actuar para aumentar la eficiencia, y
  
• generar nuevas fuentes de ingresos.

Además, recuerda que los datos integrados son el elemento esencial para crear experiencias consistentes y estrategias que dialoguen entre sí. Otro punto importante a comprender es que cuando hablamos de todos los datos producidos y recopilados por una empresa, nos referimos a TODOS realmente. 

Por eso, esta preocupación por una cantidad masiva de información puede impactar la orquestación de los agentes de IA, dejando que se sientan “confundidos”. En ese caso, puede ser un desafío coordinar diferentes agentes…

LEE MÁS: ¿Por qué cada proyecto de IA debería comenzar como un proyecto de datos?

Agentes de IA: ¿cómo tener una buena estrategia mediante la orquestación de datos y agentes?

Con el escenario caótico descrito anteriormente, algunos gestores pueden estar pensando: “¿Entonces, cómo integrarlos y hacer que trabajen de forma sincronizada?”

Para empezar, es importante recordar el papel de un agente de IA. Como sistema que no solo procesa información, sino que también “lee” el entorno en el que está inmerso, el agente de IA actúa de forma autónoma para cumplir sus objetivos. Sin embargo, esa autonomía no es intrínseca ni independiente. Muy al contrario, depende por completo de la calidad de la base de datos disponible.

Analicemos esta cuestión a través de un ejemplo de orquestación. Supón que inviertes en múltiples subagentes para atención al cliente, los cuales, orquestados, forman un único asistente virtual.

Idealmente, cada uno debería tener una función específica, además de trabajar de forma coordinada para responder a las entradas del usuario de manera más eficiente. Imagina la siguiente interacción con el asistente virtual:

• Usuario: “¿Cuál es la previsión del tiempo para mañana y programa una reunión con Paulo a las 10 h si hace sol?”

En este caso, los múltiples agentes actuarían de la siguiente manera:

Etapa	Agente responsable	Acción
1	NLP	Entiendes que existen dos intenciones: la previsión del tiempo y la programación
2	Orquestador	Divide la tarea: llama al agente del clima y luego agenda
3	Agente de búsqueda	Consulta la API del clima para verificar si estará soleado
4	Agente de decisión	Verifica la condición climática y decide si continúa
5	Agente de calendario	Crea la reunión com Paulo a las 10h
6	Agente de respuesta	Confirma al usuario: ‘Se espera sol. La reunión ha sido agendada.’

En un escenario en el que esto no sucede, el chatbot puede:

• no entender el problema del cliente o la duda del usuario;
  
• no reconocer al cliente, porque extrae información de bases de datos diferentes;
  
• hacer que el cliente repita varias veces su problema o datos personales;
  
• provocar desistimiento y baja demanda en las plataformas de autoservicio;
  
• responder a los clientes y usuarios de forma desconectada, sin reconocer las entradas o generando salidas fuera de contexto.

A pesar de ser crítico, el escenario anterior aún ocurre, principalmente debido al crecimiento de los silos de información. Así, los agentes enfrentan dificultades para acceder a los datos necesarios, sus acciones se vuelven limitadas y es casi imposible entregar conocimientos o resultados significativos.

Por ello, el uso de APIs e integraciones se vuelve esencial, permitiendo que los agentes se conecten a fuentes de datos críticas e interactúen con los sistemas y flujos de trabajo existentes de manera eficaz.

LEE MÁS: Chat de inteligencia artificial: ¿qué es y cómo usarlo?

El futuro de los agentes de IA

El cambio provocado por la IA requerirá repensar qué sistemas son realmente necesarios dentro de las organizaciones. Algunos serán reemplazados por soluciones más modernas, mientras que otros deberán integrarse en una nueva arquitectura orientada por IA. Y, inevitablemente, surgirán nuevas herramientas para atender las demandas de este escenario en evolución.

Sin embargo, adoptar agentes de IA no significa descartar todo lo que ya se ha construido. Por el contrario: es posible extender los sistemas y herramientas ya existentes, conectándolos a esta nueva generación de aplicaciones inteligentes.

En este sentido, plataformas como MuleSoft, por ejemplo, ofrecen recursos de integración y APIs que permiten unir el mundo actual al universo de los agentes, sin necesidad de reconstruir todo desde cero.

La construcción de una empresa preparada para operar con agentes requiere una base sólida de conectividad. Para ello, es necesario considerar que integraciones robustas y APIs bien estructuradas son elementos centrales de este proceso.

Al fin y al cabo, es a través de ellas que los agentes de IA pueden acceder a datos esenciales, interactuar con diferentes sistemas y actuar de manera eficiente. Cuando están bien orquestados, estos agentes son capaces de:

• Acceder y actuar sobre datos relevantes, utilizando información en tiempo real para tomar decisiones más asertivas;
  
• Automatizar procesos entre sistemas distintos, optimizando flujos de trabajo y aumentando significativamente la productividad;
  
• Expandir su actuación más allá de entornos aislados, alcanzando diferentes plataformas y conjuntos de datos a través de integraciones confiables.

Un buen ejemplo de esto es Agentforce, que amplía las capacidades de la plataforma digital de trabajo de Salesforce. Integrado con MuleSoft, permite que los agentes operen con seguridad y agilidad en todo el ecosistema empresarial, unificando datos y automatizando interacciones basadas en las necesidades reales de los clientes.

En la práctica, este enfoque ya está brindando resultados concretos. Con Agentforce, por ejemplo, las organizaciones pueden conectarse con sus miembros en el momento adecuado, ofreciendo propuestas personalizadas y aumentando las tasas de renovación.

LEE MÁS: ¿Qué es Zero Copy? (y cómo funciona)

¿Cómo Salesforce está transformando la orquestación de agentes?

Las innovaciones de Salesforce, como MuleSoft, DataCloud y Agentforce, funcionan como una verdadera tríada para la captura, armonización y aplicación de datos. Mientras que DataCloud captura datos de forma inteligente, MuleSoft los organiza para que, luego, Agentforce pueda aprovecharlos al máximo, actuando con autonomía.

De esta manera, los servicios de Salesforce permiten que los clientes hagan que cualquier integración sea accesible y comprensible para los agentes de IA, además de construir flujos de trabajo con múltiples agentes y una gobernanza robusta. 

Con el lanzamiento de Salesforce Agentforce 3, que ya incluye soporte nativo para MCP, los clientes ahora pueden aprovechar las nuevas capacidades de MuleSoft para convertir APIs en servidores MCP y ampliar Agentforce con nuevas posibilidades de interoperabilidad entre agentes, sin perder el control sobre los procesos.

Estas innovaciones permiten, por ejemplo, automatizar la resolución de incidentes de TI, mejorando la experiencia del cliente y liberando a los equipos técnicos para que se dediquen a actividades más estratégicas y de alto valor. 

A medida que crece el uso de agentes de IA y se multiplican las aplicaciones y modelos inteligentes en las empresas, las infraestructuras tecnológicas se vuelven más complejas y fragmentadas. La integración es hoy uno de los mayores obstáculos para que la IA cumpla su potencial: el 95% de los líderes de TI señalan este factor como la principal barrera para la eficacia de la tecnología.

La arquitectura corporativa tradicional, diseñada para ejecutar aplicaciones, no está preparada para coordinar miles (o incluso decenas de miles) de agentes a escala empresarial. Este nuevo escenario exige un enfoque completamente diferente en orquestación, integración y gobernanza.

MuleSoft ya es una referencia en apoyar a las organizaciones en la transición hacia la era de la IA, con soluciones robustas de integración, APIs y automatización. Ahora, con los agentes asumiendo un papel central en la competitividad de las empresas, sus nuevas capacidades de orquestación de agentes se vuelven fundamentales para viabilizar esta transformación.

¿Te ha gustado saber más sobre la orquestación de datos?

Nuestro blog y Centro de Recursos están siempre actualizados, con novedades y contenidos increíbles sobre CRM, datos e inteligencia artificial. A continuación, te sugerimos otros materiales que pueden ser útiles.

• 5 mitos sobre agentes de IA y la verdad detrás de ellos
• Augmented Reality: ¿qué es y cuáles son sus aplicaciones?
• IA y CRM: cómo funcionan y por qué conviene integrarlos

Aprovecha para informarte sobre todas las funcionalidades de Agentforce y entender cómo nuestro CRM transforma tu rutina. ¡Buen trabajo y hasta la próxima!