Hasta ahora, hemos aprendido a utilizar la inteligencia artificial principalmente como un interlocutor. Le hacemos una pregunta y, a cambio, recibimos un texto, un análisis, una imagen, un resumen o un fragmento de código. El valor reside en la calidad de la respuesta, aunque la interacción a menudo termina ahí.
Con la IA Agéntica, este límite empieza a cambiar. La inteligencia artificial puede comprender un objetivo, identificar los pasos necesarios, utilizar las herramientas disponibles y preparar la siguiente acción. Puede consultar un sistema, recuperar y comparar información, validar una configuración, crear un borrador y enviarlo al usuario para su aprobación.
Esto introduce un sistema de IA que puede participar en procesos y apoyar su ejecución.
El cambio es particularmente relevante en marketing y gestión de datos, donde el principal desafío rara vez es la falta de información. Más a menudo, implica todo lo necesario para que esa información sea utilizable. Los equipos necesitan comprender las estructuras de los conjuntos de datos, moverse entre herramientas, coordinar diferentes habilidades y traducir el análisis en actividad concreta.
La IA Agéntica puede acortar esta distancia y crear un camino más directo entre la intención y la acción. Sin embargo, para proporcionar un valor significativo, necesita comprender su contexto operativo, integrarse con los datos y plataformas empresariales, y actuar dentro de límites claros, verificables y controlados.
Más allá del chatbot: una nueva capa de interacción con las plataformas
Un asistente generativo tradicional recibe una entrada y produce una salida basada en el contexto disponible. Un sistema agéntico puede desglosar un objetivo en una secuencia de operaciones, seleccionar las herramientas más adecuadas, llamar a APIs o funciones de plataforma, y coordinar un flujo de trabajo de varios pasos.
La diferencia también concierne a la capacidad del sistema para interactuar con su entorno operativo. Un agente puede consultar bases de datos, leer metadatos, realizar comprobaciones, utilizar herramientas especializadas, mantener el contexto a lo largo de diferentes pasos y devolver un resultado operativo junto con la información proporcionada.
Imaginemos, por ejemplo, que un director de marketing quiere identificar a los clientes que han realizado al menos una compra en los últimos 30 días, comprobar cuántos de ellos tienen una dirección de correo electrónico válida y crear una audiencia para una campaña.
Un proceso tradicional puede requerir que los equipos:
- identificar las tablas y relaciones correctas;
- verificar la calidad, integridad y formato de los campos;
- definir la lógica de segmentación;
- ejecutar una consulta o configurar filtros;
- calcular el tamaño potencial de la audiencia;
- seleccionar el destino;
- configurar e iniciar la sincronización.
Con una interfaz agéntica, el mismo objetivo puede expresarse en lenguaje natural. El agente interpreta la intención, identifica las fuentes relevantes, llama a las herramientas necesarias, verifica la disponibilidad y calidad de los datos, construye la lógica de la audiencia y calcula una vista previa.
Antes de realizar una operación que modifique el sistema, puede presentar la configuración propuesta, los parámetros utilizados y la acción que pretende ejecutar. El usuario puede entonces aprobar, modificar o rechazar el paso propuesto.
El valor va más allá de la reducción del tiempo operativo. Cambia el nivel de abstracción a través del cual las personas acceden a las capacidades de una plataforma. Los usuarios no necesitan necesariamente conocer la sintaxis de una consulta, la estructura completa de un esquema de datos o la secuencia técnica de las operaciones. Pueden expresar el resultado que desean lograr, mientras el agente traduce esa intención en llamadas a herramientas y configuraciones verificables.
La interacción conversacional se convierte, por tanto, en una capa de orquestación que conecta a los usuarios, los datos y las capacidades de la plataforma. Complementa la interfaz tradicional ofreciendo un acceso más directo, guiado y transparente a los procesos operativos.
El valor real reside en el contexto operativo
Para aportar un valor significativo en un entorno empresarial, un agente necesita algo más que el conocimiento general de un modelo de lenguaje. Debe operar dentro de un contexto de aplicación preciso y comprender qué datos están disponibles, cómo están organizados, qué relaciones existen entre tablas y perfiles, qué herramientas puede utilizar, qué modelos están activos y qué permisos posee el usuario.
Este contexto implica algo más que proporcionar una mayor cantidad de información. Incluye metadatos, esquemas, reglas de negocio, configuraciones, autorizaciones y el estado actual de los recursos. Estos elementos permiten al agente traducir una solicitud general en una secuencia de operaciones compatibles con el entorno real.
Sin acceso a este contexto, la IA puede sugerir un método o describir un procedimiento, aunque sea incapaz de verificar si los datos requeridos existen, si un campo es adecuado, si una conexión está activa o si el usuario está autorizado para realizar una acción específica.
La IA agéntica se basa, por tanto, en la capacidad de conectar un modelo de lenguaje con herramientas operativas a través de interfaces estructuradas. El agente necesita descubrir las funciones disponibles, comprender sus parámetros y restricciones, llamarlas en el momento adecuado y utilizar el resultado de cada operación para determinar el siguiente paso.
Dentro de esta arquitectura, el modelo de lenguaje interpreta la intención y orquesta el proceso, mientras que las herramientas especializadas, las API y los servicios se encargan de la ejecución. El Model Context Protocol, por ejemplo, define un estándar abierto a través del cual un asistente de IA puede acceder a datos, recursos y funciones expuestos por sistemas externos de forma controlada.
Esta integración aborda una de las principales limitaciones que afectan a la adopción de la IA en los procesos empresariales: la separación entre el entorno donde se origina una solicitud y el sistema donde debe ejecutarse. Cuando un asistente no puede acceder a las herramientas utilizadas por el equipo, el usuario debe recuperar la información manualmente, copiarla en la conversación, interpretar la respuesta y recrear la operación en otra aplicación.
Un sistema agéntico integrado puede reducir estos pasos. Puede trabajar directamente dentro de la plataforma o poner a disposición determinadas capacidades de la misma a través de asistentes de IA ya adoptados por la organización. Esto crea un flujo de trabajo más continuo en el que los datos, el razonamiento y las operaciones forman parte del mismo proceso, mientras que los roles, las autorizaciones y los niveles de acceso permanecen diferenciados.
Mayores capacidades operativas manteniendo el juicio humano en el centro
La idea de un sistema capaz de actuar suele centrar la atención en su grado de autonomía. En un entorno empresarial, una pregunta más útil se refiere a qué actividades deben asignarse al agente, dentro de qué límites y bajo qué nivel de supervisión.
El agente traduce el objetivo del usuario en operaciones técnicas. Identifica las fuentes relevantes, selecciona las herramientas, verifica los requisitos previos y prepara la acción. La evaluación estratégica sigue recayendo en la persona que comprende el contexto empresarial y puede determinar si el resultado propuesto es coherente, útil y apropiado.
Una audiencia puede ser formalmente correcta pero poco adecuada para la campaña. Un modelo puede utilizar campos válidos con escasa relevancia para el objetivo. Una sincronización puede ser técnicamente factible pero inconsistente con la gobernanza interna.
La intervención humana es, por tanto, un componente integral de una arquitectura agéntica. Las actividades de lectura, exploración y vista previa a menudo pueden automatizarse, mientras que las operaciones de escritura, activación y eliminación requieren autorización, confirmación explícita y trazabilidad.
Dentro de un modelo human-in-the-loop, el agente reduce la complejidad técnica y prepara la acción. El usuario evalúa su relevancia y decide si procede. Para apoyar una decisión informada, el sistema debe hacer transparentes los datos consultados, las herramientas utilizadas, los parámetros seleccionados y los cambios propuestos.
IA agéntica en la Bytek Prediction Platform
Las nuevas capacidades de la Bytek Prediction Platform evolucionan en esta dirección, haciendo más accesible todo el flujo de trabajo de datos. Esto abarca desde la configuración de las fuentes de datos hasta el desarrollo de modelos predictivos, el análisis y la activación. El objetivo va más allá de la introducción de una interfaz conversacional y se refiere a cómo los usuarios interactúan con las capacidades operativas de la plataforma.
Data Source Manager: configuración de datos mediante un proceso guiado
El primer paso consiste en conectar y configurar correctamente las fuentes de datos que alimentarán la plataforma.
Data Source Manager guía a los usuarios a través de la incorporación de conjuntos de datos. Analiza automáticamente tablas y campos, les permite seleccionar la información a incluir, facilita la configuración de identificadores y permite revisar la estructura general antes de la activación.
Para los usuarios de BPP, esto proporciona una forma más rápida de entender qué datos están disponibles y cómo los interpretará la plataforma. Los usuarios pueden decidir qué tablas incluir, mejorar los nombres y descripciones de los campos, asociar correctamente identificadores como direcciones de correo electrónico o ID de cliente, y verificar cómo estos identificadores contribuirán a la conciliación de perfiles.
El proceso guiado reduce la probabilidad de que los errores de configuración inicial afecten a las actividades posteriores. Una definición de identificador incompleta, un campo poco claro o una tabla mal seleccionada pueden comprometer las audiencias, las señales y los modelos. Data Source Manager hace que estos pasos sean más visibles y fáciles de controlar antes de que se active la plataforma.
El valor también se extiende a la colaboración entre equipos. Los equipos de infraestructura mantienen el control sobre la configuración técnica, mientras que los equipos de marketing, análisis y datos obtienen acceso a una representación más clara y coherente de los datos que utilizarán. La incorporación puede convertirse, por tanto, en el punto de partida de un proceso operativo más fiable, estrechamente conectado con el resto de la plataforma.
AI Model Copilot: convertir los datos en predicciones operativas
Una vez configurados los datos, los usuarios pueden aplicarlos a modelos predictivos vinculados a objetivos de negocio concretos.
AI Model Copilot guía la configuración, el entrenamiento y el despliegue de modelos como propensión, abandono (churn), valor de vida del cliente predictivo (LTV), segmentación RFM y clasificación de intereses. Los usuarios pueden partir del resultado que desean lograr e identificar el modelo más adecuado, reduciendo la necesidad de traducir un requisito de negocio en una configuración técnica de forma independiente.
Un equipo de marketing puede utilizarlo para crear un modelo que estime la probabilidad de compra, identifique a los clientes en riesgo de abandono, prediga el valor futuro del cliente o segmente la base de clientes según la recencia, frecuencia y valor monetario. Los resultados pueden servir de base para la creación de audiencias, la definición de señales enviadas a las plataformas publicitarias o la personalización de las actividades de retención.
El Copilot facilita la selección de tablas, variables, rangos de tiempo y parámetros de entrenamiento, haciendo que la relación entre los datos de entrada y los resultados esperados sea más fácil de entender. El modelo se guarda inicialmente como borrador, lo que permite al usuario revisar la configuración antes de activarlo y generar predicciones.
Este enfoque puede acercar el modelado predictivo a los equipos que comprenden el problema de negocio pero no gestionan directamente cada etapa técnica del proceso. La experiencia en ciencia de datos sigue siendo fundamental para los proyectos más complejos, mientras que las actividades recurrentes pueden gestionarse mediante un proceso guiado, más rápido y estructurado.
AI Copilot: acceso a las capacidades de BPP mediante lenguaje natural
AI Copilot es el asistente conversacional integrado en la plataforma. Permite a los usuarios explorar su espacio de trabajo y realizar actividades operativas describiendo directamente lo que desean saber o lograr.
A través de una solicitud en lenguaje natural, los usuarios pueden comprobar qué tablas y campos están disponibles, evaluar la calidad de un campo de datos, revisar el número de perfiles conciliados en el Identity Graph, ver qué modelos están activos o verificar los destinos a los que se está sincronizando una audiencia.
El Copilot también puede apoyar la creación y gestión de audiencias y señales. Un usuario puede pedirle que cree un segmento de clientes que compraron en los últimos 30 días, calcular su tamaño antes de guardarlo o clonar una audiencia existente con condiciones diferentes.
Esto puede reducir el tiempo necesario para identificar las funciones correctas, configurar filtros o desplazarse entre diferentes secciones de la plataforma. El usuario puede centrarse en el objetivo operativo mientras el Copilot identifica las herramientas necesarias y organiza los pasos.
Las operaciones de lectura se realizan inmediatamente. Cuando una actividad implica un cambio, el Copilot muestra una tarjeta con la acción propuesta, los parámetros seleccionados y el efecto esperado. El usuario puede aprobarla o rechazarla, mientras que las audiencias, señales y otras entidades se crean inicialmente como borradores.
Los usuarios pueden, por tanto, obtener una mayor autonomía en la exploración y activación de datos, manteniendo la visibilidad sobre la información consultada por el sistema y el control sobre las operaciones que modifican el espacio de trabajo.
Bytek MCP: uso de BPP a través de asistentes de IA ya adoptados por la organización
AI Copilot proporciona capacidades agénticas dentro de la plataforma. Bytek MCP pone a disposición determinadas capacidades a través de asistentes externos compatibles con el Model Context Protocol, incluidos Claude y ChatGPT.
Para los usuarios, esto significa poder acceder a BPP mientras siguen trabajando en su entorno actual. Desde un asistente de IA externo, pueden revisar datos, audiencias, señales, conexiones y modelos, ejecutar consultas controladas de solo lectura y preparar nuevos borradores para su posterior revisión dentro de la plataforma.
Un usuario que analice una estrategia de campaña en Claude o ChatGPT puede, por ejemplo, comprobar si ya existe una audiencia específica, verificar qué datos están disponibles para construirla o preparar un nuevo borrador sin tener que copiar manualmente información entre diferentes sistemas.
Esto reduce el cambio de contexto e integra BPP en los flujos de trabajo de IA que ya utiliza la organización. Se puede acceder a las capacidades de la plataforma desde el entorno en el que el equipo ya está trabajando, en lugar de permanecer ligado a una única interfaz.
El acceso sigue siendo personal y limitado. Cada credencial está asociada a un usuario y espacio de trabajo específicos y otorga únicamente las operaciones permitidas. Los asistentes externos pueden leer información y crear borradores, mientras que la activación y los cambios más sensibles permanecen dentro de BPP.
Esto proporciona a los usuarios una mayor continuidad entre los datos, el análisis y las operaciones, manteniendo la separación de entornos, el acceso seguro y la supervisión de las acciones.
De la interacción a la orquestación
La IA agéntica introduce una forma de acceder a las plataformas en la que los usuarios pueden partir del objetivo en lugar de la secuencia técnica necesaria para alcanzarlo. El agente interpreta la solicitud, identifica los datos y herramientas relevantes, coordina los pasos y devuelve una propuesta operativa verificable.
Esto también puede afectar a la relación entre la experiencia especializada y el uso cotidiano de la tecnología. El conocimiento técnico sigue siendo fundamental para diseñar infraestructuras, modelos, autorizaciones y reglas de gobernanza. Al mismo tiempo, más personas pueden acceder a estas capacidades sin necesidad de conocimientos detallados sobre consultas, esquemas y configuraciones.
La eficacia de este modelo depende de la calidad de su integración con el contexto operativo. Un agente puede aportar valor cuando comprende los datos disponibles, reconoce los límites del espacio de trabajo, utiliza herramientas autorizadas y hace visibles sus operaciones propuestas. Sin estos elementos, la interacción puede quedar desconectada de los procesos reales.
La evolución de las interfaces puede implicar, por tanto, su transformación gradual. Los cuadros de mando, filtros y configuraciones pueden seguir proporcionando control y detalle, mientras que la capa agéntica coordina las actividades distribuidas entre datos, modelos y destinos.
En las plataformas de datos y marketing, gran parte del valor reside en crear una mayor continuidad entre el análisis y la activación. Esto implica comprender qué información está disponible, transformarla en segmentos o predicciones y utilizarla dentro de los canales operativos a través de un proceso más directo.
