Si ha buscado alguna herramienta de automatización de marketing en estos días, probablemente haya notado que todas afirman estar “impulsadas por IA”. Disculpas por dividir los pelos, pero simplemente no está bien.
Una parte importante todavía depende principalmente de la automatización basada en reglas, que funciona de manera similar a las plataformas que reemplazaron y desencadena flujos de trabajo creados hace años por ingenieros humanos. Dale a sus sistemas un caso límite para analizar y pronto los encontrarás enviando un correo electrónico inapropiado, un fallo o algún resultado obsoleto que no le importa a un ser humano vivo.
Misma etiqueta. La misma arquitectura de siempre. ¿problema? Una interrupción de reglas.
La automatización del marketing tradicional se basa en conocer las reglas de antemano. ¿Alcanzar un puntaje con una ventaja? Envía un correo electrónico. ¿Un posible comportamiento de A, B y C? Secuencia de activación Y. Espere Z días, envíe un correo electrónico de seguimiento.
Un motor de reglas puede ejecutar estos comandos sin problemas, pero sólo puede ejecutar lo que sabe. Cuando surgen situaciones que no se ajustan a las reglas, ¿qué haces? Por favor actualice las reglas.
¿Por qué esto importa?
El marketing es complicado. Las perspectivas viajan frenéticamente, las tendencias van y vienen de la noche a la mañana y es posible que a las audiencias a las que les encantó su mensaje la semana pasada no les importe esta semana. Pero los sistemas basados en reglas sólo pueden mejorar cuando se implementan nuevas reglas. No es posible que los ingenieros escriban reglas más rápido de lo que cambia el mundo.
Se han publicado artículos sobre este tema con palabras de moda en la industria de la IA. Agregue un poco de magia de red neuronal a un motor de reglas y, de repente, tendrá una “plataforma de inteligencia artificial”. Los ingenieros que miran más allá de los folletos de ventas actualizados todavía encuentran las mismas declaraciones pasadas de moda si/entonces, remendadas con una nueva nomenclatura de moda para la última ronda de financiación.
La diferencia entre la automatización heredada y la verdadera IA agente es que la verdadera IA agente no sólo parcheará la última generación de herramientas de automatización de marketing, sino que las reemplazará. La IA agente se define no tanto por las capacidades sino por las decisiones.
Los motores de reglas preguntan: “Dada esta información, ¿qué regla debería activarse a continuación?” Los agentes preguntan: “¿Qué pasos debo seguir para acercarme a mi objetivo?” Esto es sutil pero crítico. La teoría del agente sostiene que el sistema conoce sus objetivos, su contexto actual y una lista de acciones disponibles que puede realizar.
Con base en estos tres datos, puede razonar sobre qué curso de acción lo acercará más al logro de su objetivo general. Esto va más allá de ejecutar respuestas predefinidas: es determinar qué hacer.
Los sistemas agentes mantienen objetivos, razonan sobre las acciones disponibles, utilizan herramientas, evalúan resultados intermedios y adaptan sus planes a medida que hay nueva información disponible. La arquitectura es fundamentalmente iterativa en lugar de completamente reactiva.
Ya sabes adónde va esto.
Un agente puede adaptarse si una campaña deja de funcionar. Puede coordinarse con otros agentes que gestionan diferentes subconjuntos de ese flujo de trabajo. Y puede hacerlo sin que un ingeniero humano tenga que volver al sistema para reescribir las reglas cada vez que el mundo cambia. El sistema gestiona sus objetivos.
Por qué es importante la especialización
Una decisión arquitectónica importante que separa las buenas implementaciones de agentes del resto es la especialización. ¿Deberíamos crear un gran sistema de IA generalista para manejarlo todo, o muchos agentes especializados, cada uno de los cuales realice sus propias tareas?
La especialización suele surgir en los debates sobre la IA, desde médicos hasta hombres del Renacimiento. La generalización tiene una amplia utilidad, pero la especialización tiene una precisión singular. El médico de familia puede descartar cualquier síntoma que tengas. Pero cuando necesites estar absolutamente seguro de un diagnóstico, conviene acudir a un especialista.
Esto se debe a que los expertos no son más inteligentes que los legos: simplemente están capacitados con un conjunto más limitado de datos. De manera similar, los modelos generalistas de IA no producirán grandes resultados para casos de uso muy específicos. Los modelos de OpenAI pueden ayudarle a redactar una estrategia de marketing. Pueden crear activos creativos. Pero no pueden producir activos de marketing que:
- Cumplir con los requisitos de relación de aspecto de píxeles del editor determinado
- Combina la paleta de colores de tu marca
- Alinearse con el perfil de afinidad emocional de su público objetivo
- Incluir referencias a temas de actualidad del día anterior.
Tampoco pueden hacer todo esto a la vez. Y no deberías esperar que lo hagan. Para problemas difíciles con soluciones específicas, debe crear agentes especializados (a veces llamados “equipos de agentes”) que sean dueños de un subconjunto reducido de su flujo de trabajo.
Un equipo puede especializarse en desarrollar estrategias, mientras que otro se centra en la escritura creativa. Un editor puede hacer selecciones mientras otro analiza el rendimiento. Por separado, estos equipos crean flujos de trabajo nucleares que un sistema convencional tendría dificultades para gestionar.
¿Cómo afecta el alojamiento de su modelo a la privacidad de los datos?
Hay otro argumento a favor de los modelos especializados alojados de forma privada que no se ha planteado lo suficiente: la privacidad de los datos.
Siempre que utiliza un modelo de lenguaje grande (LLM) público para escribir textos de marketing, sus datos se cargan en la infraestructura de otra persona. “No utilizamos los datos de los clientes para la formación” es fácil de decir, pero no garantiza nada. Los insumos todavía se reciben, procesan, almacenan y manejan de acuerdo con las políticas internas de ese proveedor.
Y esas políticas pueden cambiar… la mayoría de los abogados corporativos nunca han examinado la sección de uso de datos de los términos de servicio de los proveedores públicos de IA, y mucho menos la han analizado línea por línea.
Pero ¿qué pasa con los controles que su organización puede implementar? ¿Sus desarrolladores eliminan datos en busca de PII antes de crear contenido con LLM? Esto solo funciona si todos en su empresa memorizan sus políticas de datos y utilizan las herramientas de manera responsable. Un empleado deshonesto viola su consentimiento al adjuntar una hoja de cálculo llena de valores internos a un mensaje.
Pero si el modelo en sí está alojado de forma privada, es una fuente importante de exposición que desaparece. Sus datos nunca abandonan su infraestructura. No hay un punto de ingesta para pasarlo a un tercero, ni un circuito de retroalimentación de capacitación que lo procese, ni ningún acuerdo para analizar cómo esa organización manejará sus datos “en el futuro”.
La gobernanza es una propiedad del sistema.
Debido a que la IA en la empresa ha alcanzado un nivel de madurez en el que la gobernanza es una preocupación legítima, muchos equipos la tratan como una edición masiva al final del contenido generado por IA. Por favor revise y apruebe a las personas. Así es, y muchos equipos hoy en día lo necesitan. Pero la gobernanza debe construirse en el nivel básico.
Los agentes bien formados tienen guardias en cada etapa del proceso de toma de decisiones. Esto significa modelos que hacen predicciones dentro de ciertos límites. Significa observabilidad que puede rastrear cada palabra generada hasta su origen.
Esto significa realizar evaluaciones comparativas de terceros para demostrar que sus modelos funcionan bien según los estándares de la industria, no solo pruebas internas. La gobernanza no debería aplicarse sólo al resultado: debería ser inherente a la arquitectura.
¿Qué deberían preguntarse realmente los compradores empresariales?
Los criterios para comprar IA agente variarán según la empresa, pero a medida que las solicitudes de propuestas se aceleran para seguir el ritmo de la innovación de la industria, aquí hay algunas consideraciones que todo comprador empresarial debería hacerse:
- Metas versus reglas – ¿Es este sistema realmente agente? ¿O se trata simplemente de automatizar los flujos de trabajo con herramientas de inteligencia artificial? El primer paso es preguntar a los proveedores qué hace su sistema cuando encuentra datos que no sabe cómo analizar. Los motores de reglas dictarán reglas alternativas específicas que se ejecutarán. Los agentes hablarán sobre reevaluar sus objetivos y sopesar las acciones disponibles hasta que decidan cuál es el siguiente mejor curso de acción.
- Modelo y hosting – ¿Dónde está alojado el modelo? ¿Están especializados y capacitados en datos de dominios específicos? Responde a dos preguntas a la vez: las capacidades de los proveedores y las preocupaciones sobre la privacidad de los datos.
- Memoria a largo plazo y contexto. – Los agentes empresariales se vuelven dramáticamente más útiles cuando conservan el contexto organizacional a lo largo del tiempo. En lugar de tratar cada interacción como una nueva conversación, pueden almacenar conocimiento institucional, recordar decisiones anteriores y personalizar acciones futuras mientras se mantienen dentro de los límites del régimen. La memoria persistente permite que los sistemas agentes mejoren continuamente sin necesidad de que los ingenieros codifiquen nuevas reglas después de cada caso límite.
- Alucinaciones – Ningún LLM actual es inmune a las alucinaciones. La cuestión arquitectónica clave es cómo el sistema los detecta, limita y mitiga antes de que afecten los procesos comerciales posteriores. Los especialistas realizan menos alucinaciones en sus áreas de especialización. La barandilla de la ventana de predicción limita hasta dónde puede llegar un sistema de IA “fuera de los datos”. La captura en vivo pasa por las puertas de aprobación humana antes de enviar algo.
- Gobernanza / Auditabilidad – ¿Puede el sistema proporcionar trazabilidad para cada producto producido? ¿Se compara la precisión del sistema con la de un tercero o se verifica internamente?
Para hacerlo bien, es económico
Hay un argumento adicional que a menudo se pasa por alto en las discusiones centradas en la capacidad: la estructura de costos.
Los precios basados en tokens de grandes proveedores de modelos crean un modelo de costos fundamentalmente impredecible para las implementaciones empresariales. Cada consulta, cada generación, cada iteración cuesta tokens, y iterar hacia un resultado aceptable para una tarea de campaña compleja puede consumir una cantidad significativa de ellos.
Las suscripciones empresariales imponen límites de uso que crean sus propias fricciones operativas. Cuanto más dependiente de la IA se vuelve su flujo de trabajo, más intensa se vuelve esta presión.
Las organizaciones que poseen y alojan sus propios modelos especializados no están sujetas a este medidor de token dinámico que no se está ejecutando. La relación económica se acerca más a la infraestructura que a un servicio medido: usted soporta los costos de construcción y mantenimiento del sistema y, a cambio, tiene costos marginales predecibles. Para las organizaciones a escala, esa matemática cambia significativamente.
No caigas presa del discurso de marketing
Las plataformas de marketing de IA seguirán inundando el mercado con lenguajes que suenan a IA junto con motores de reglas. Pero existen mejores soluciones para las empresas que realmente quieren implementar IA agente. Agentes alojados de forma privada y específicos de dominio que no ponen en riesgo a su organización.
A medida que los sistemas agentes maduren, las organizaciones que diferencian entre verdaderas arquitecturas autónomas y motores de flujo de trabajo mejorados con IA estarán mejor posicionadas para lograr una ventaja competitiva sostenible.
Hemos presentado las mejores plataformas de inteligencia empresarial.
Este artículo fue producido en parte Perspectiva profesional de TechRadarNuestro canal para mostrar las mejores y más brillantes mentes de la industria tecnológica actual.
Las opiniones expresadas aquí son las del autor y no necesariamente las de TechRadarPro o Future plc. Si está interesado en contribuir, obtenga más información aquí:
