Por qué las empresas agentivas necesitan convertirse en sistemas de aprendizaje

Presentado por Splunk. Cada día, las organizaciones aprenden cosas que sus sistemas de IA nunca llegan a utilizar. Un analista de seguridad corrige una investigación generada por IA. Un ingeniero de red identifica la causa raíz de una interrupción recurrente. Un equipo de observabilidad descubre que un patrón de latencia, registros y cambios en la infraestructura predice la degradación del servicio. Un equipo de operaciones de clientes aprende qué señales indican que una escalada es probable. Cada momento contiene valioso conocimiento organizacional. Pero en la mayoría de las empresas, ese conocimiento desaparece en tickets, paneles de control, hilos de chat, revisiones post-incidente y las mentes de expertos individuales. Puede ayudar a resolver el problema inmediato, pero rara vez se convierte en parte de un sistema reutilizable que mejore las decisiones futuras impulsadas por IA. Ese es el siguiente desafío para la empresa agentica. El futuro no se definirá simplemente por quién tiene el modelo más capaz o los agentes más autónomos. Muchas organizaciones tendrán acceso a modelos fronterizos similares. Muchas desplegarán agentes en seguridad, TI, ingeniería, atención al cliente y operaciones comerciales. El verdadero diferenciador será si esos agentes pueden aprender de la organización que los rodea. No mediante el reentrenamiento constante del modelo subyacente, sino capturando la experiencia operacional, convirtiéndola en conocimiento institucional y haciendo que ese conocimiento esté disponible para futuros agentes, flujos de trabajo y decisiones. La empresa agentica no es solo una empresa que usa IA. Es una empresa que aprende a través de la IA. Las empresas agenticas permiten que los sistemas de IA aprendan de ellas. La conversación sobre IA ha estado dominada por la capacidad del modelo: ventanas de contexto más grandes, mejor razonamiento, inferencia más rápida, uso de herramientas más fuerte y comportamientos agenticos más sofisticados. Esos avances son importantes. Pero en la empresa, un modelo es solo una parte del sistema. Un modelo no sabe automáticamente cómo opera una organización específica. No sabe inherentemente qué paso de remediación resolvió la interrupción del mes pasado, qué corrección de un analista mejoró una investigación de amenazas, qué señal de red precedió a una interrupción del servicio, o qué política interna debería anular una recomendación que de otro modo sería plausible. Ese conocimiento pertenece a la empresa. Para que los sistemas agenticos mejoren, las organizaciones necesitan una forma de capturar ese conocimiento y hacerlo reutilizable. En muchos casos, eso no requiere cambiar el modelo en sí. Requiere cambiar el ecosistema alrededor del modelo: la base de conocimientos, la capa de recuperación, los prompts, las políticas, las directrices, la lógica de enrutamiento y los flujos de trabajo que configuran cómo se comportan los agentes. El modelo puede permanecer igual. El sistema de aprendizaje a su alrededor se vuelve más inteligente. Los ciclos de retroalimentación transforman cada resultado en un momento de enseñanza para los agentes. Cada flujo de trabajo agentico crea señales. Un agente recibe una solicitud. Recupera contexto, razona sobre posibles acciones, llama a herramientas y genera respuestas. Un humano acepta, rechaza o modifica esa respuesta. Los sistemas posteriores revelan si la acción funcionó. Toda esa cadena es valiosa. La observabilidad de IA brinda a las organizaciones visibilidad sobre lo que sucedió: el prompt, la respuesta, la ruta de razonamiento, las llamadas a herramientas, las fuentes de datos, los pasos intermedios, los modos de falla y los resultados. Sin esa visibilidad, las organizaciones no pueden entender por qué un agente se comportó de la manera en que lo hizo, y mucho menos mejorarlo. Pero la observabilidad por sí sola no es suficiente. La mayor oportunidad es convertir el comportamiento observado en conocimiento institucional. Un rastro no solo debería ayudar a un desarrollador y a los operadores a depurar un agente. Debería ayudar a la empresa a entender qué aprendió el agente, qué corrigió el humano, qué resultado siguió y qué debería cambiarse antes del próximo evento similar. Ese es el cambio de monitorear la IA a enseñar a la IA. En la empresa agentica, los ciclos de retroalimentación conectan acción a resultado, resultado a conocimiento y conocimiento de vuelta a la acción futura. Un sistema de aprendizaje en la práctica a través de seguridad, observabilidad y la red. Considera un servicio que experimenta degradación intermitente. Un agente de observabilidad detecta latencia y tasas de error inusuales. Un agente de red identifica la pérdida de paquetes en un camino específico. Un agente de seguridad nota que la misma ventana de tiempo incluye comportamientos de autenticación sospechosos y tráfico inusual de una fuente no vista anteriormente. Individualmente, cada agente tiene solo una vista parcial. Juntos, crean una imagen operativa más rica. La primera vez que ocurre este incidente, los expertos humanos pueden necesitar intervenir. Un ingeniero de red confirma que la pérdida de paquetes fue causada por un cambio de enrutamiento mal configurado. Un analista de seguridad determina que el tráfico sospechoso no fue un ataque, sino un efecto secundario de un servicio interno mal dirigido. Un SRE conecta el evento de red a la degradación de la aplicación. Esa resolución contiene conocimiento que la organización no debería tener que reaprender. Un sistema de aprendizaje agentico maduro capturaría los rastros, las correcciones humanas, el contexto de topología, los hallazgos de seguridad, las señales de observabilidad y los pasos finales de remediación. Preservaría la relación entre esas señales: patrón de latencia, camino de red, comportamiento de identidad, cambio de enrutamiento y remediación. La próxima vez que aparezca un patrón similar, los agentes no comenzarían desde cero. Podrían recuperar el caso anterior, comparar las condiciones actuales, recomendar el camino de diagnóstico probado y escalar con mejor contexto. El modelo fronterizo subyacente no necesitó ser reentrenado. La empresa aprendió. La arquitectura de la empresa agentica de aprendizaje. Una empresa agentica orientada al aprendizaje necesita más que un modelo o chatbot. Necesita una arquitectura que pueda capturar la experiencia, convertirla en conocimiento utilizable, conectar ese conocimiento con el contexto operacional y gobernar cómo cambia el comportamiento futuro de los agentes. La memoria preserva lo que sucedió: qué vio el agente, qué hizo, dónde intervinieron los humanos y qué resultados siguieron. Las bases de conocimiento convierten esa experiencia en orientación reutilizable, incluidos manuales, ejemplos, políticas, procedimientos y evidencia. Un tejido de datos conecta el entorno operativo. Las señales que necesitan los agentes viven a través de registros, métricas, rastros, tickets, sistemas de identidad, herramientas de seguridad, telemetría de red, plataformas de colaboración y aplicaciones comerciales. Un tejido de datos hace que esas señales sean descubribles, correlacionadas, gobernadas y utilizables en contexto. La observabilidad de IA explica cómo se comportan los agentes al capturar prompts, llamadas a herramientas, pasos intermedios, respuestas, retroalimentación y resultados. Esa visibilidad ayuda a las organizaciones a entender dónde los agentes tienen éxito, dónde fracasan y qué debería mejorar. El plano de control gobierna cómo el aprendizaje se convierte en cambio: qué conocimiento se promueve, qué prompts o políticas se actualizan, qué agentes pueden usar nueva información, qué aprobaciones son requeridas y cómo se auditan los cambios. Juntas, estas capacidades permiten que los sistemas de IA mejoren con el tiempo de una manera controlada y confiable que permite a la empresa aprender de sus propias operaciones. Las organizaciones que aprenden más rápido ganarán. La próxima era de la IA no será ganada solo por modelos. Será ganada por organizaciones que pueden capturar lo que aprenden de cada flujo de trabajo, corrección de expertos, incidente, investigación y resultado. Las empresas agenticas más avanzadas no simplemente desplegarán más agentes. Construirán sistemas que permitan a cada agente beneficiarse del conocimiento colectivo de la organización. Eso significa conectar datos operacionales a través de un tejido de datos. Significa observar el comportamiento de los agentes lo suficientemente profundamente como para entenderlo. Significa preservar la experiencia en la memoria y institucionalizarla en bases de conocimiento. Significa usar un plano de control para gobernar cómo el aprendizaje cambia el comportamiento de los agentes. El futuro de la IA no es un único agente autónomo actuando solo. Es un ecosistema de agentes, humanos, datos y controles que aprenden con el tiempo. Las organizaciones que construyan ese ecosistema crearán sistemas de IA que mejoren con cada interacción. No porque el modelo esté cambiando constantemente, sino porque la propia empresa se está volviendo más inteligente. Aprende más sobre cómo Cisco Data Fabric impulsado por la plataforma Splunk está acelerando las operaciones agenticas. Hao Yang es vicepresidente de IA en Splunk, una empresa de Cisco. Los artículos patrocinados son contenido producido por una empresa que está pagando por la publicación o que tiene una relación comercial con VentureBeat, y siempre están claramente marcados. Para más información, contacta a sales@venturebeat.com.