Cómo se forma un equipo de consultoría en IA agéntica seria

La IA agéntica dejó de ser un tema de laboratorio. Empresas reales están desplegando agentes que toman decisiones, ejecutan acciones, gastan plata e impactan operaciones. Y la mayoría está improvisando: bajan un framework de moda, lo conectan a una API y “ven qué pasa”.

Cuando te decís consultor de IA agéntica, el cliente te paga porque vos sabés qué pasa antes de que pase. Eso requiere formación seria —no leer hilos de Twitter ni ver cursos sueltos.

Este post describe qué tiene que cubrir un programa de formación profesional en IA agéntica para que la consultoría que sale después sea efectivamente útil, y por qué Comway invirtió en ese tipo de formación para su equipo.

Por qué hace falta más que “saber programar”

Un desarrollador que sabe Python y consume una API de modelo grande puede armar un chatbot. Eso ya no es novedad. Lo que sí es nuevo es:

• Diseñar agentes que persisten estado y razonan en múltiples pasos.
• Definir garantías de comportamiento cuando el modelo puede equivocarse.
• Implementar observabilidad sobre cadenas de tool calls que duran horas.
• Manejar costos de inferencia que escalan con la conversación.
• Auditar decisiones del agente para cumplimiento regulatorio.
• Operar modelos no-determinísticos sobre procesos de negocio críticos.

Ninguno de estos temas se aprende solo programando. Requieren marco conceptual, lectura técnica seria y práctica supervisada.

Qué tiene que cubrir un programa académico de IA aplicada

Un programa de formación profesional en IA agéntica para consultoría debería cubrir, como mínimo, cinco bloques.

Bloque 1 — Fundamentos de agentes inteligentes

Wikipedia, citando a Russell & Norvig, define a un agente inteligente como “una entidad que percibe su entorno, toma acciones autónomamente para alcanzar objetivos, y puede mejorar su performance mediante aprendizaje automático” (fuente).

Esa definición tiene cuatro piezas (percepción, acción, autonomía, aprendizaje) que el programa tiene que desarrollar:

• Tipos de agente: simple reflex, model-based, goal-based, utility-based, learning agent.
• Arquitecturas BDI (Belief-Desire-Intention).
• Agentes vs. chatbots vs. RPA: diferencias técnicas y de aplicación.
• Niveles de autonomía: de “tool” (totalmente controlado por humano) a “agent” (totalmente autónomo).

Bloque 2 — Modelos de fundación y capacidades

Los agentes modernos se construyen sobre LLMs. El programa cubre:

• Cómo se entrenan los modelos: pre-training, fine-tuning, RLHF, constitutional AI.
• Capacidades emergentes y sus límites.
• Cómo se evalúan los modelos (benchmarks, evals, red-teaming).
• Diferencias entre modelos comerciales (Anthropic Claude, OpenAI GPT, Google Gemini) y modelos abiertos.
• Cuándo conviene cada uno y cómo se combinan.

Bloque 3 — Diseño y construcción de agentes

La parte de ingeniería:

• Tool use: cómo se le da al agente acceso a APIs, bases de datos, sistemas externos.
• Memory: persistencia de contexto entre turnos, vector stores, retrieval-augmented generation (RAG).
• Multi-agent: orquestación de agentes especializados.
• MCP (Model Context Protocol) y otros estándares para conectar agentes con herramientas.
• Streaming, async, batching: patrones para producción.
• Caching de prompts y respuestas: para que la inferencia sea económica.
• Costos: cómo se calcula el TCO de un agente desplegado.

Bloque 4 — Alineación, seguridad y robustez

Donde se separa el profesional del aficionado.

Anthropic publica investigación abierta sobre alineación, agentes confiables y supervisión a escala (fuente). El programa cubre:

• Alineación: cómo asegurar que el agente persigue lo que el cliente quiere y no algo cercano pero distinto.
• Hallucinations: por qué pasan, cómo se reducen, cómo se detectan post-hoc.
• Prompt injection y otras vulnerabilidades específicas de LLMs.
• Sandboxing: aislar la ejecución de agentes que tienen permisos sensibles.
• Rollback y undo: estrategias cuando un agente toma una acción equivocada.
• Human-in-the-loop: cuándo es obligatorio, cuándo es contraproducente.
• Red-teaming: probar adversarialmente al agente antes de desplegarlo.

Bloque 5 — Gobernanza, ética y compliance

Donde se separa el profesional del cowboy.

• NIST AI Risk Management Framework (fuente): las cuatro funciones (Govern, Map, Measure, Manage) aplicadas a un proyecto real.
• EU AI Act y otras regulaciones emergentes: qué obligaciones genera para sistemas desplegados en Europa o que impactan a ciudadanos europeos.
• Marco argentino de IA y normativa de protección de datos local.
• Ética práctica: cuándo decirle al cliente que NO se debe hacer algo aunque sea técnicamente posible.
• Documentación de riesgos en proyectos de IA.
• Auditoría externa: cómo dejar el sistema preparado para que un tercero lo valide.

Qué busca esta formación que no se ve en los cursos de moda

Cualquier curso bootcamp de “IA en 8 semanas” cubre la parte técnica de hacer correr un agente. Lo que no cubre es lo que separa un consultor profesional de alguien que arma demos:

• Saber decir que no. Hay clientes que quieren agentes para tareas donde el riesgo de error supera el beneficio. El consultor formado lo identifica y propone alternativas.
• Pensar en falla. Antes de pensar cómo el agente va a tener éxito, pensar en cómo puede fallar y qué se hace cuando falla.
• Cuantificar incertidumbre. Un modelo da una respuesta. La pregunta del consultor profesional es “¿cuánta confianza tenemos en esa respuesta?” y “¿qué hacemos si esa confianza es baja?”.
• Diseñar el ciclo completo. Despliegue, monitoreo, métricas de calidad, retraining, decommissioning. No solo el primer release.
• Hablar el idioma del negocio. Traducir capacidad técnica en métrica de negocio: tiempo ahorrado, errores evitados, costos reducidos. No “tokens por segundo”.

Por qué Comway invirtió en formación profesional avanzada

Cuando arrancamos con consultoría en IA, vimos rápido que el mercado se llenaba de actores improvisados. La diferencia entre un proyecto que sale bien y uno que termina en un escándalo público está en la formación de quien lo lidera, no en la herramienta usada.

Por eso un miembro del equipo de Comway atravesó un programa académico avanzado en IA aplicada (programa internacional reconocido), cubriendo los cinco bloques descriptos arriba. Esa formación se traduce directamente en cómo encaramos cada proyecto:

• Discovery con el cliente que evalúa si el caso es apto para agente, alternativas más simples, y riesgos.
• Diseño que contempla failure modes desde el día uno.
• Implementación con observabilidad y guardrails desde el primer release.
• Documentación que sirve para auditoría externa.
• Capacitación al equipo del cliente, no solo entrega del producto.

No vendemos “IA”. Vendemos sistemas que el cliente puede operar y auditar después de que nos vamos.

Qué pueden esperar los clientes

Un proyecto de IA agéntica con un equipo formado profesionalmente se diferencia en cosas concretas:

• Discovery riguroso, no demo show.
• Pruebas adversariales documentadas antes de productivizar.
• Métricas de calidad del agente medidas en producción, no estimadas en desarrollo.
• Plan de rollback documentado.
• Cumplimiento de los marcos NIST/EU AI Act que apliquen.
• Transferencia de conocimiento: el cliente queda autónomo.

Conclusión

La IA agéntica es una herramienta poderosa que requiere formación seria para usarse bien. La diferencia entre una consultoría profesional y una improvisada se nota en los detalles —en lo que se documenta, en lo que se prueba, en lo que se anticipa que puede fallar. Comway invirtió en formación académica avanzada del equipo porque la alternativa, en este sector, es vender humo. Y eso es exactamente lo que no queremos hacer.

Fuentes y referencias

• Wikipedia — Artificial general intelligence
• Wikipedia — Intelligent agent
• Anthropic Research
• NIST AI Risk Management Framework

Fuentes

• Wikipedia — Artificial general intelligence
• Wikipedia — Intelligent agent
• Anthropic Research
• NIST AI Risk Management Framework