IA analítica: su oportunidad en la era de los agentes LLM: del miedo a perderse algo (FOMO) a aprovechar la oportunidad

¿Siente “miedo a perderse algo” (FOMO, por sus siglas en inglés) cuando se trata de agentes de modelos de lenguaje grandes (LLM, por sus siglas en inglés)? Bueno, así me sentí durante mucho tiempo.

En los últimos meses, parece que mis canales de noticias en línea se han inundado por completo con “agentes de modelos de lenguaje grandes (LLM)”: todos los demás blogs de tecnología intentan mostrarme “cómo crear un agente en 5 minutos”. Cada dos noticias tecnológicas destaca otra startup brillante que crea productos basados ​​en agentes de modelos de lenguaje grandes (LLM), o una gran empresa tecnológica que lanza una nueva biblioteca de creación de agentes o un protocolo de agente con un nombre sofisticado (¿ha visto suficiente MCP o Agent2Agent?).

De repente parece que los grandes modelos de lenguaje (LLM) están en todas partes. Todas estas llamativas demostraciones muestran que estas bestias digitales parecen más que capaces de escribir código, automatizar flujos de trabajo y descubrir conocimientos, y parecen amenazar con reemplazar... bueno, casi todo.

Lamentablemente muchos de nuestros clientes comerciales también comparten esta opinión. Están solicitando activamente integrar funciones de proxy en sus productos. No dudan en financiar nuevos proyectos de desarrollo de agentes, por miedo a quedarse atrás de sus competidores a la hora de aprovechar esta nueva tecnología.

Como profesional del análisis de IA , después de ver las impresionantes soluciones para agentes desarrolladas por mis colegas y los comentarios entusiastas de los clientes, debo confesar que experimenté un grave caso de miedo a perderme algo (FOMO, por sus siglas en inglés).

Me dejó pensando honestamente: ¿El trabajo que hago se está volviendo irrelevante?

Después de luchar con esta pregunta, llegué a esta conclusión:

No, ese no es el caso en absoluto.

En esta entrada de blog, me gustaría compartir mi opinión sobre por qué el rápido auge de los agentes de Modelos de Lenguaje a Gran Escala (LLM, por sus siglas en inglés) no disminuye la importancia de la IA analítica. De hecho, creo que ocurre lo contrario: crea oportunidades sin precedentes tanto para la IA analítica como para la IA basada en agentes.

Exploremos por qué.

Antes de entrar en detalles, aclaremos rápidamente la terminología:

• IA analíticaMe refiero principalmente a técnicas de modelado estadístico y aprendizaje automático aplicadas a datos cuantitativos y numéricos. Considere aplicaciones industriales como detección de anomalías, pronóstico de series de tiempo, optimización del diseño de productos, mantenimiento predictivo, gemelos digitales, etc.
• Agentes de modelos de lenguaje grandes (agentes LLM):Me refiero a los sistemas de IA que utilizan grandes modelos de lenguaje (LLM) como núcleo y que pueden realizar tareas de forma autónoma combinando la comprensión del lenguaje natural, el razonamiento, la planificación, la memoria y el uso de herramientas.

• IA analíticaMe refiero principalmente a técnicas de modelado estadístico y aprendizaje automático aplicadas a datos cuantitativos y numéricos. Considere aplicaciones industriales como detección de anomalías, pronóstico de series de tiempo, optimización del diseño de productos, mantenimiento predictivo, gemelos digitales, etc.
• Agentes de modelos de lenguaje grandes (agentes LLM):Me refiero a los sistemas de IA que utilizan grandes modelos de lenguaje (LLM) como núcleo y que pueden realizar tareas de forma autónoma combinando la comprensión del lenguaje natural, el razonamiento, la planificación, la memoria y el uso de herramientas.

 

Punto de vista 1: La IA analítica proporciona la base cuantitativa crítica para los agentes de modelos de lenguaje grandes (LLM).

A pesar de las impresionantes capacidades de comprensión y generación del lenguaje natural, los modelos de lenguaje grande (LLM) carecen fundamentalmente de la precisión cuantitativa requerida para muchas aplicaciones industriales. Aquí es donde la IA analítica se vuelve indispensable, ya que los agentes de modelos de lenguaje grandes (LLM) proporcionan la sólida base matemática necesaria.

Hay algunas formas clave en las que la IA analítica puede mejorar el rendimiento, proporcionando a los agentes de modelos de lenguaje grandes (LLM) fundamentos matemáticos precisos y garantizando que funcionen de acuerdo con la realidad:

 

🛠️ La Inteligencia Artificial Analítica como Herramientas Esenciales

La integración de IA analítica como herramientas especializadas e invocables es el patrón más común para proporcionar agentes de modelos de lenguaje grandes (LLM) con fundamentos cuantitativos.

Ha habido una larga tradición (antes del revuelo actual en torno a los modelos de lenguaje de gran tamaño) de desarrollo de herramientas de IA analíticas especializadas en diferentes industrias para abordar desafíos utilizando datos operativos del mundo real. Estos desafíos, ya sea predecir el mantenimiento de equipos o pronosticar el consumo de energía, requieren una alta precisión numérica y capacidades de modelado avanzadas. Francamente, estas capacidades son fundamentalmente diferentes de las fortalezas lingüísticas e inferenciales que caracterizan a los grandes modelos lingüísticos actuales.

Esta sólida base de IA analítica no solo es relevante, sino esencial para establecer agentes de modelos de lenguaje complejos con precisión realista y fiabilidad operativa. La principal motivación es separar las tareas : que los agentes de modelos de lenguaje complejos se encarguen de la comprensión, el razonamiento y la planificación, mientras que las herramientas de IA analítica realizan el análisis cuantitativo especializado para el que han sido entrenadas.

En este modelo, las herramientas de IA analítica pueden desempeñar múltiples funciones cruciales. En primer lugar, pueden potenciar las capacidades del agente con capacidades analíticas avanzadas de las que carece inherentemente. También pueden validar los resultados o hipótesis del agente comparándolos con datos reales y patrones aprendidos. Finalmente, pueden imponer restricciones físicas , asegurando que los agentes operen dentro de un espacio realista.

Para dar un ejemplo concreto, imaginemos un gran agente de modelo de lenguaje encargado de optimizar un proceso complejo de fabricación de semiconductores para aumentar la productividad y mantener la estabilidad. En lugar de confiar únicamente en registros de texto o notas del operador, el agente interactúa continuamente con un conjunto de herramientas de inteligencia artificial analítica especializadas para obtener una comprensión cuantitativa y contextualmente rica del proceso en tiempo real.

Por ejemplo, para lograr su objetivo de alto rendimiento, el agente consulta un modelo XGBoost preentrenado para predecir el rendimiento potencial basándose en cientos de lecturas de sensores y parámetros del proceso. Esto le proporciona al agente información valiosa sobre los resultados de calidad.

Al mismo tiempo, para garantizar la estabilidad del proceso y una calidad constante, el agente utiliza un modelo autoencoder (preentrenado con datos normales del proceso) para identificar posibles desviaciones o fallos en los equipos antes de que interrumpan la producción.

Cuando surgen problemas potenciales, según lo indica el modelo de detección de anomalías, el agente debe corregir la trayectoria de forma óptima. Para ello, recurre a un modelo de optimización basado en restricciones , que utiliza un algoritmo de optimización bayesiana para recomendar ajustes óptimos a los parámetros del proceso.

En este escenario, el agente del modelo de lenguaje grande actúa esencialmente como un coordinador inteligente. Interpreta objetivos de alto nivel, planifica consultas con herramientas de IA analíticas adecuadas, infiere sus resultados cuantitativos y traduce estos análisis complejos en información procesable para los operadores o incluso activa ajustes automatizados. Esta colaboración garantiza que los agentes de modelos lingüísticos de gran tamaño sigan siendo robustos y confiables a la hora de abordar problemas industriales complejos del mundo real.

 

🪣 La IA analítica como entorno de pruebas digitales

Además de ser una herramienta reutilizable, la IA analítica ofrece otra capacidad crucial: la creación de entornos de simulación realistas donde los agentes del Modelo de Lenguaje a Gran Escala (LLM, por sus siglas en inglés) se entrenan y evalúan antes de interactuar con el mundo físico. Esto es especialmente valioso en entornos industriales donde los fallos pueden tener graves consecuencias, como daños en los equipos o incidentes de seguridad. Estas simulaciones digitales son esenciales para garantizar la seguridad de los procesos y optimizar el rendimiento.

Las técnicas de IA analítica son altamente capaces de crear representaciones precisas de activos o procesos industriales mediante el aprendizaje a partir de datos operativos históricos y ecuaciones físicas que los rigen (como las redes neuronales basadas en la física). Estos gemelos digitales capturan principios físicos fundamentales, restricciones operativas y la variabilidad inherente del sistema. El uso de estos gemelos digitales permite un análisis preciso y predicciones fiables.

En este mundo virtual impulsado por IA analítica, un agente de modelo de lenguaje grande (LLM) se puede entrenar recibiendo primero datos de sensores simulados, tomando decisiones sobre acciones de control y luego observando las respuestas del sistema calculadas por la simulación de IA analítica. Como resultado, los agentes pueden iterar a través de muchos ciclos de aprendizaje de prueba y error en un tiempo mucho más corto y exponerse de manera segura a una variedad de condiciones operativas realistas. Esto acelera el proceso de desarrollo y reduce los riesgos.

Además del entrenamiento de agentes, estas simulaciones con IA proporcionan un entorno controlado para evaluar y comparar con precisión el rendimiento y la robustez de diferentes versiones de configuración de agentes o políticas de control antes de su implementación en entornos reales. Esta evaluación exhaustiva garantiza un rendimiento y una fiabilidad óptimos.

Para ilustrarlo con un ejemplo concreto, consideremos la gestión de la red eléctrica. Un agente de Modelo de Lenguaje Grande (LLM, por sus siglas en inglés) (o varios agentes) diseñado para mejorar la integración de energías renovables puede probarse en un entorno simulado, con el apoyo de múltiples modelos de IA analítica: podríamos contar con un modelo de red neuronal con información física (PINN, por sus siglas en inglés) para describir flujos de energía dinámicos complejos. También podríamos tener modelos de predicción probabilística para simular patrones climáticos reales y su impacto en la generación de energía renovable. En este entorno enriquecido, el o los agentes LLM pueden aprender a desarrollar políticas sofisticadas de toma de decisiones para equilibrar la red bajo diversas condiciones climáticas, sin riesgo de interrupciones reales del servicio. Esto permite una gestión eficiente y sostenible de la red eléctrica.

La conclusión es que sin IA analítica, nada de esto sería posible. Constituye la base cuantitativa y las limitaciones físicas que hacen realidad el desarrollo de agentes seguros y eficientes. La IA analítica es la piedra angular del desarrollo de sistemas inteligentes y confiables.

 

📈 Inteligencia Artificial Analítica como Herramienta Operativa

Ahora bien, si analizamos el panorama general desde una nueva perspectiva, ¿ acaso un Agente de Modelo de Lenguaje Grande (LLM, por sus siglas en inglés), o incluso un equipo de ellos, no es simplemente otro tipo de sistema operativo que debe gestionarse como cualquier otro activo o proceso industrial?

Esto significa efectivamente que todos los principios de diseño, optimización y monitorización de sistemas siguen siendo válidos. ¿Y adivina qué? La IA analítica es exactamente la herramienta para eso.

Una vez más, la IA analítica tiene el potencial de llevarnos más allá del método de ensayo y error (prácticas actuales) hacia enfoques objetivos y basados ​​en datos para la gestión de sistemas inteligentes. ¿Qué tal si utilizamos algoritmos de optimización bayesiana para diseñar arquitecturas y configuraciones de agentes? ¿Qué tal si empleamos técnicas de investigación operativa para optimizar la asignación de recursos computacionales o gestionar eficientemente las colas de pedidos? ¿Qué tal si utilizamos métodos de detección de anomalías en series temporales para alertar a los agentes sobre comportamientos en tiempo real?

Tratar a un agente de modelo de lenguaje grande (LLM) como un sistema complejo sujeto a análisis cuantitativo abre muchas oportunidades nuevas. Es precisamente esta disciplina operativa habilitada por la IA analítica la que puede elevar a estos agentes de una mera “demostración” a algo confiable, eficiente y “verdaderamente útil” en las operaciones industriales modernas.

 

Punto de vista 2: La inteligencia artificial analítica puede ser amplificada por agentes de modelos de lenguaje grandes (LLM, por sus siglas en inglés) gracias a su inteligencia contextual.

Hemos discutido extensamente cuán importante es la IA analítica para el gran ecosistema de agentes del modelo lingüístico. Pero esta poderosa sinergia funciona en ambos sentidos. La IA analítica también puede aprovechar las fortalezas únicas de los agentes de modelos lingüísticos grandes para mejorar su usabilidad, eficacia y, en última instancia, su impacto en el mundo real. Estos son los puntos que los profesionales de la IA analítica no deben pasar por alto acerca de los agentes de modelos de lenguaje grandes, ya que pueden mejorar significativamente el análisis de datos y los procesos de toma de decisiones.

 

🧩 De objetivos vagos a problemas solucionables

A menudo, la necesidad de análisis comienza con un objetivo comercial vago y de alto nivel, como "Necesitamos mejorar la calidad del producto". Para que este objetivo sea posible, los profesionales de la IA analítica deben formular repetidamente preguntas aclaratorias para descubrir las verdaderas funciones objetivo, las restricciones específicas y los datos de entrada disponibles, lo que inevitablemente conduce a un proceso que consume mucho tiempo. Esto requiere una comprensión profunda de las métricas de rendimiento clave (KPI) relevantes.

La buena noticia es que los agentes de modelos de lenguaje grandes (LLM) se destacan aquí. Pueden interpretar estas consultas ambiguas en lenguaje natural, hacer preguntas aclaratorias y formularlas en problemas cuantitativos bien estructurados que las herramientas de IA analítica pueden abordar directamente. Esto acelera enormemente el proceso de identificación y formulación de problemas, ahorrando tiempo valioso a los equipos de análisis de datos.

 

📚 Enriquecer los modelos analíticos de IA con contexto y conocimiento

Los modelos tradicionales de IA analítica operan principalmente con datos numéricos. En el caso de datos no estructurados en gran parte sin explotar, los agentes de modelos de lenguaje grande (LLM) pueden ser muy útiles para extraer información útil para alimentar el análisis cuantitativo.

Por ejemplo, los agentes de modelos de lenguaje a gran escala (LLM, por sus siglas en inglés) pueden analizar documentos, informes y registros de texto para identificar patrones significativos y convertir estas observaciones cualitativas en características cuantitativas que los modelos de IA analítica pueden procesar. Este paso de ingeniería de características suele mejorar significativamente el rendimiento de los modelos de IA analítica, ya que les permite acceder a información valiosa presente en datos no estructurados que, de otro modo, podrían pasar por alto. La ingeniería de características avanzada es esencial para mejorar la precisión del modelo.

Otro caso de uso importante es la nomenclatura de datos . En este caso, los agentes de modelos de lenguaje a gran escala (LLM, por sus siglas en inglés) pueden generar automáticamente etiquetas de clase y anotaciones precisas. Al proporcionar datos de entrenamiento de alta calidad, pueden acelerar considerablemente el desarrollo de modelos de aprendizaje supervisado de alto rendimiento.

Finalmente, al aprovechar el conocimiento de los agentes de modelos de lenguaje a gran escala (LLM), ya sean preentrenados dentro de un LLM o investigados activamente en bases de datos externas, estos agentes pueden automatizar la configuración de un sofisticado proceso de análisis. Los agentes LLM pueden recomendar algoritmos y configuraciones de parámetros adecuados según las características del problema [1], generar código para implementar estrategias personalizadas de resolución de problemas o incluso ejecutar automáticamente experimentos para ajustar los hiperparámetros [2].

 

💡De resultados técnicos a información procesable

Los modelos analíticos de IA tienden a producir resultados densos, e interpretarlos correctamente requiere experiencia y tiempo. Por otro lado, los agentes de modelos de lenguaje grande (LLM) pueden actuar como “traductores” al transformar estos resultados cuantitativos densos en explicaciones en lenguaje natural claras y accesibles.

Esta interpretabilidad desempeña un papel crucial al explicar las decisiones tomadas por los modelos de IA analítica de manera que los operadores humanos puedan comprenderlas y actuar en consecuencia con rapidez. Además, esta información puede ser muy valiosa para los desarrolladores de modelos, ya que les permite validar los resultados, identificar posibles problemas y mejorar el rendimiento de los modelos. Este proceso fomenta una comprensión más profunda de los procesos de IA.

Además de la explicación técnica, los agentes de LLM también pueden generar respuestas personalizadas para diferentes tipos de audiencias: los equipos técnicos recibirán explicaciones metodológicas detalladas, el personal de operaciones puede obtener implicaciones prácticas, mientras que los ejecutivos pueden obtener resúmenes que destaquen las métricas de impacto en el negocio. Esta personalización garantiza que la información correcta llegue a las partes interesadas adecuadas.

Al actuar como traductores entre los sistemas analíticos y los usuarios humanos, los agentes de Modelos de Lenguaje a Gran Escala (LLM, por sus siglas en inglés) pueden ampliar enormemente el valor práctico de la inteligencia artificial analítica.

 

Punto de vista 3: Quizás el futuro resida en la verdadera colaboración entre la IA analítica y la IA agente.

Ya sea que los agentes de modelos de lenguaje grandes (LLM) recurran a herramientas de IA analítica o que los sistemas analíticos utilicen agentes LLM para la interpretación, los enfoques que hemos discutido hasta ahora siempre han girado en torno a un tipo de IA responsable de otro. En realidad esto introduce varias limitaciones que vale la pena estudiar.

En primer lugar, en el modelo actual, los componentes de IA analítica se utilizan solo como herramientas pasivas y solo se recurre a ellos cuando el modelo de lenguaje grande lo decide. Esto les impide aportar ideas de manera proactiva o cuestionar suposiciones.

Además, el ciclo típico del agente de “planificar-llamar-responder-actuar” es de naturaleza secuencial. Esto puede resultar ineficiente para tareas que podrían beneficiarse del procesamiento paralelo o de la interacción asincrónica de IA.

Otro factor limitante es el ancho de banda limitado de la conexión. Es posible que las llamadas API no puedan proporcionar el rico contexto necesario para un diálogo real o un intercambio de inferencias intermedias.

Finalmente, la comprensión de agentes de modelos de lenguaje grandes para herramientas de IA analítica a menudo depende de una documentación concisa y un esquema de parámetros. Es probable que los agentes de modelos de lenguaje grandes cometan errores en la selección de herramientas, mientras que los componentes de IA analíticos carecen del contexto para reconocer cuándo se los está utilizando incorrectamente.

El hecho de que la adopción del patrón de recuperación de herramientas esté generalizada hoy en día no significa necesariamente que el futuro deba ser igual. Tal vez el futuro resida en un verdadero modelo de colaboración entre pares donde ninguna IA sea dominante.

¿Cómo podría verse esto en la práctica? Un ejemplo interesante que encontré es una solución proporcionada por Siemens [3].

En su sistema de fábrica inteligente, hay un modelo gemelo digital que monitorea constantemente la salud de los equipos. Cuando el estado de la caja de cambios se deteriora, el sistema de inteligencia artificial analítica no espera a que se le consulte, sino que emite alertas de forma proactiva. El agente Copilot LLM monitorea el mismo vector de eventos. Cuando recibe una alerta, (1) realiza referencias cruzadas de registros de mantenimiento, (2) “pide” al gemelo que vuelva a ejecutar simulaciones con los próximos patrones de turnos y luego (3) recomienda ajustes de programación para evitar tiempos de inactividad costosos. Lo que hace que este ejemplo sea único es que el sistema de IA analítico no es solo una herramienta pasiva. Más bien, el diálogo comienza cuando es necesario.

Por supuesto, esta es solo una posible arquitectura de sistema. Otras opciones incluyen sistemas multiagente con funciones cognitivas especializadas, o incluso el entrenamiento cruzado de estos sistemas para desarrollar modelos híbridos que incorporen aspectos de ambos sistemas de IA (al igual que los humanos desarrollan un razonamiento matemático y lingüístico integrado), o simplemente inspirarse en técnicas de aprendizaje conjunto ya establecidas , tratando a los agentes de modelos de lenguaje a gran escala y a la IA analítica como diferentes tipos de modelos que pueden integrarse sistemáticamente. Las posibilidades futuras son infinitas.

Pero esto también plantea desafíos de investigación fascinantes. ¿Cómo diseñamos representaciones compartidas ? ¿Qué arquitectura soporta mejor el intercambio de información asíncrono ? ¿Cuáles son los protocolos de comunicación ideales entre la IA analítica y los agentes?

Estas preguntas representan nuevos horizontes que ciertamente requieren la experiencia de los profesionales de la IA analítica. Nuevamente, el conocimiento profundo en la construcción de modelos analíticos con precisión cuantitativa no es obsoleto, pero es esencial para construir estos sistemas híbridos del futuro.

 

Cuarta perspectiva: Abracemos un futuro integrador.

Como hemos visto a lo largo de este artículo, el futuro no es "IA analítica frente a agentes de modelos de lenguaje grandes (LLM)", sino más bien "IA analítica + agentes de modelos de lenguaje grandes (LLM)".

Así, en lugar de sentir FOMO (miedo a perderse algo) acerca de los agentes de modelos de lenguaje grandes (LLM), ahora encuentro un entusiasmo renovado sobre el rol evolutivo de la IA analítica. Las bases analíticas que hemos construido no están obsoletas; Son componentes esenciales de un ecosistema de IA más capaz.

Vamos a construir.

Referencias

[1] Chen et al., PyOD 2: Una biblioteca de Python para la detección de valores atípicos con selección de modelos basada en LLM. arXiv, 2024.

[2] Liu et al., Large Language Models to Enhance Bayesian Optimization . arXiv, 2024.

[3] Siemens presenta innovaciones revolucionarias en IA industrial y tecnología de gemelos digitales en CES 2025. Comunicado de prensa, 2025.