A pesar de tanto uso de la palabra A, todavía es temprano para la adopción de agentes de IA, lo que significa que los especialistas en marketing deberían preguntar para qué están los agentes, cómo están hechos, qué hacen, qué pueden hacer y qué no pueden hacer, incluyendo posibles riesgos de reputación.

A medida que los titanes tecnológicos construyen bots autónomos para abordar los equipos mundanos, los equipos de marketing deben sopesar cómo integrar a los agentes en sus procesos existentes para convertir mejor los ‘prospectos’ a clientes que pagan.

¿Qué son los agentes de IA?

A diferencia de los chatbots, que son conversacionales, los agentes de IA pueden tomar medidas en nombre de los usuarios. Pueden completar tareas, interactuar con otros sistemas de software, tomar decisiones y actuar de forma independiente.

Las empresas que construyen agentes de IA incluyen Accenture, varias agencias de publicidad y Talkdesk, que estrenaron nuevos agentes de IA para minoristas durante NRF para ayudar con la personalización. Otro ejemplo es Oracle, que acaba de anunciar un nuevo agente de IA de ventas orientado a eliminar las complejidades cargadas de administrador del proceso de ventas para que sus miembros del equipo IRL puedan centrarse en la “comunicación significativa del cliente”.

Aclarando la diferencia entre Agentes de IA, copilotos, LLMS

Los agentes y los copilotos están recibiendo mucha publicidad, pero no son lo mismo. Los copilotos pueden colaborar con los usuarios, pero no tomen decisiones por su cuenta.

Sin embargo, los agentes actúan de manera autónoma en nombre de los usuarios.

Mientras tanto, los modelos de idiomas grandes son la base de los agentes; Son solo parte del proceso. Los LLM pueden generar texto, traducir idiomas, proporcionar información y temas de lluvia de ideas. También se utilizan para alimentar a los agentes de IA y complementar herramientas de software adicionales, que le dan a los agentes de IA su agencia real.

Lo que los agentes pueden hacer y no pueden hacer

David DiCamillo, CTO en Code & Theory, describió tres “cubos” diferentes para los agentes de IA, ver a continuación.

• Los agentes abiertos ayudan a tomar decisiones y herramientas eléctricas para chatbots.
• Los agentes pasivos trabajan detrás de escena para comprender los conjuntos de datos.
• Los agentes de activación de datos luego ayudan a tomar ideas para ayudar a hacer acciones basadas en ellos.

DiCamillo observó además cómo implementarlos de manera segura, precisa y beneficiosa es una consideración clave. Por ejemplo, ¿de dónde vienen los datos, quién los controla y cómo garantizamos su precisión?

Agregó: “El lado del agente ahora tiene otra lata de gusanos para los clientes: ¿quién está monitoreando estas cosas? ¿Qué pasa si cuestan? [clients] dólares? ¿Cuál es el impacto comercial de esto? Entonces la conversación se convierte en: “¿Quién está vigilando a estos agentes?”

¿Cuáles son otros tipos de agentes de IA?

• Los agentes basados ​​en objetivos evalúan diferentes tipos de datos y comparan enfoques basados ​​en objetivos.
• Los agentes basados ​​en servicios públicos evalúan las acciones basadas en posibles opciones y resultados.
• Los agentes de aprendizaje aprenden en función de diversos aportes, comentarios y resultados pasados.
• Los agentes de búsqueda exploran conjuntos de datos y destinos para encontrar información.
• Los agentes de compras, como el Proyecto Mariner recientemente prevista de Google, ayudan a las personas a comprar cosas.

¿Cómo habilitan las plataformas AI a los agentes?

Los principales proveedores de nubes e IA como Amazon, Google y Microsoft han anunciado recientemente actualizaciones para ayudar a las empresas a hacer agentes y ayudar a múltiples agentes a interactuar.

En diciembre, AWS actualizó su plataforma de roca madre de Amazon para ayudar a alimentar la colaboración de múltiples agentes, mejorar la precisión, aumentar las velocidades y reducir los costos. A principios de este mes, Google debutó las nuevas funciones de agentes para los minoristas, mientras que Microsoft introdujo nuevas capacidades de “acciones autónomas”, dio detalles para calcular los costos de los agentes y debutó una forma de “chatear” con agentes de IA que usan lenguaje natural.

Los agentes también pueden ayudar a extender el conocimiento de los modelos de IA, utilizando técnicas como la generación de recuperación aumentada para ir más allá de los datos de pre-entrenamiento de una LLM. Los agentes impulsados ​​por diferentes LLM también podrían colaborar en diversas tareas, dijo Paul Roberts, director de tecnología, cuentas estratégicas, en AWS. Dio un ejemplo de un consumidor que usaba un agente de IA para investigar productos, comparar revisiones y encontrar opciones alternativas basadas en diversos criterios, como la eficiencia energética.

Roberts dijo: “Imagine un mundo donde se convierte en un mercado de agentes donde todos estos agentes haciendo diferentes tareas, y usted comienza a atraerlos para obtener piezas interesantes de contenido para varios casos de uso”.

¿Desafíos y riesgos potenciales?

La construcción de agentes de IA requiere que las empresas repensen sus estrategias de datos. Eso podría incluir todo, desde cómo recopilan, limpian y estructuran datos hasta la construcción de nuevas infraestructuras para ayudar con los flujos de datos en tiempo real y los bucles de retroalimentación. Las empresas también tendrán que descubrir cómo integrar a los agentes en los procesos existentes, si cambiar los flujos de trabajo actuales y cómo integrar a los agentes con otras herramientas de IA.

Al igual que con otros tipos de IA generativa, las preocupaciones incluyen inexactitudes, inconsistencias y ROI no probados. También hay preocupaciones sobre cómo los agentes podrían crear nuevos riesgos para los usuarios, datos corporativos, prejuicios y la posibilidad de que los agentes orientados al cliente puedan decir algo que podría dañar la reputación de una marca.

¿Se están probando los agentes ellos mismos?

Todavía es muy temprano, pero algunas compañías dicen que sus agentes de IA ya están mostrando resultados. Un ejemplo es Twilio, que creó un agente de atención al cliente para probar su propio marco de asistente de IA. El agente, llamado ISA, ahora ha reducido el manejo del 2% del marketing conduce a más del 50%. También ha ayudado a mejorar las métricas de marketing triple, en función de la probabilidad de que los clientes se conviertan en clientes que pagan después de hablar con ISA.

“No solo vaya a automatizar XYZ y observar el impacto en el resultado final”, dijo Kat McCormick Sweeney, quien lidera el equipo de Go-to-Market de Twilio para la tecnología y la innovación emergentes. “¿Cuál es la mejor experiencia del cliente? ¿Cuál es un viaje del cliente que no sería posible antes porque no teníamos recursos humanos ilimitados? Ahora puede infundir agentes a lo largo de su viaje de clientes para crear una experiencia que sea mejor “.