Desafíos y experiencias en el uso de agentes de IA: lo que necesitas saber

Serguéi Kozlov, director del desarrollador del sistema CRM 'Megaplan' y de la base de conocimientos con asistente de inteligencia artificial (IA) Collabis, junto con Ígor Sujoverjov, responsable del desarrollo de Collabis, comparten su experiencia en la implementación de agentes de IA. Señalan que la calidad del trabajo del agente depende en gran medida de lo bien estructurada que esté la base de conocimientos: si está desordenada, las respuestas de la IA serán inexactas. El contexto también es importante; simplemente escribir 'hazlo genial' no es suficiente, es necesario sumergir profundamente al agente en el contexto de la tarea. El enfoque moderno para trabajar con la IA es la ingeniería de bucles (loop engineering), donde el factor clave es cómo el agente realiza la tarea y utiliza las herramientas. Los autores advierten que si la IA va en la dirección equivocada, pierde tiempo y tókenes. Ponen un ejemplo: en la tarea de un probador, en lugar de señalar un botón roto, el agente se sumergió en el código e intentó arreglarlo. La mayoría de los modelos manejan bien tareas simples y bien definidas, pero las tareas complejas de múltiples pasos requieren modelos más costosos; pueden olvidar el principio, al igual que los humanos. El control manual es obligatorio: un agente hoy es como un junior, cuyo trabajo debe ser supervisado por un senior. También se mencionan los riesgos de bloquear el acceso a modelos extranjeros, por lo que se recomienda almacenar los datos en una base de conocimientos personal. La empresa 'Megaplan' ha desarrollado un servidor MCP (Model Context Protocol) para la transferencia de datos, y también existe un proyecto Pet basado en GPT 5.6 que se ejecuta localmente.