McKinsey estudió 50 construcciones de IA agente y dónde fallan más, y lo redujo a 6 factores clave—esenciales para los ingenieros de IA: 1. No se trata del agente, se trata del flujo de trabajo. no te obsesiones con construir agentes "impresionantes". piensa en todo el sistema, no en juguetes divertidos. 2. Los agentes no siempre son la respuesta. No cada flujo de trabajo necesita un sistema multi-agente. Las tareas de baja variabilidad y predecibles se manejan mejor con reglas o ML, los LLMs añaden complejidad. Las grandes victorias para los agentes vienen en procesos de alta variabilidad y desordenados (por ejemplo, extraer información financiera compleja) 3. Evita el "AI Slop". (común) Enfócate en el desarrollo a largo plazo de los agentes, como lo harías con el desarrollo de un empleado. Olvida las demostraciones impresionantes. Duplica los benchmarks. A los agentes se les deben dar descripciones de trabajo claras, ser integrados y recibir retroalimentación para que mejoren regularmente. 4. Rastrea cada paso, no solo los resultados. Escalar agentes sin visibilidad es pedir fracasos silenciosos. Piensa en monitorear cada etapa del flujo de trabajo. De esta manera, los equipos detectan errores temprano, refinan la lógica rápidamente y evitan colapsos totales. Cuando ocurren errores (y ocurrirán), puedes rastrear dónde salieron mal las cosas y por qué. No omitas esto. 5. Reutiliza agentes cuando puedas. Muchas empresas pierden tiempo construyendo agentes únicos para cada tarea. La jugada más inteligente es crear componentes de agente modulares (ingestión, extracción, verificación, análisis) que puedan ser reutilizados para otros flujos de trabajo. Centralizar herramientas y prompts validados reduce un 30–50% del trabajo redundante, este número no es una broma. 6. Los humanos siguen siendo esenciales, pero en nuevos roles. Los agentes pueden analizar, automatizar y escalar. Pero los humanos proporcionan juicio, manejo de casos extremos y resolución creativa de problemas. El futuro no es agente vs. humano, sino agente + humano. Estos son los errores que cometen las startups y las empresas establecidas a gran escala. Causan un daño masivo a la reputación y los recursos. Y ahora sabes cómo evitar esto.

Todo el mundo en la investigación está perdiendo la cabeza por este nuevo artículo de DeepSeek en Nature. No es una broma, de hecho publicaron un nuevo artículo.

¿Por qué no preentrenamos modelos para tareas agentivas? Bueno, estos chicos lo hicieron. Y funcionó. Introdujeron un paso intermedio después del preentrenamiento y antes del postentrenamiento. Sintetizaron datos de acción de agentes y su modelo AgentFounder-30B establece un nuevo SOTA en 10 benchmarks. SFT también tiene una pérdida significativamente menor después de este paso de Preentrenamiento Continual Agentivo. ¿Por qué funciona esto? Porque los modelos fundamentales de propósito general suelen no tener sesgo inductivo agentivo, lo que pone la carga en el postentrenamiento. Cuando introduces razonamiento de múltiples pasos y uso de herramientas en la etapa de preentrenamiento, facilitas el camino para el postentrenamiento, especialmente cuando lo haces con una mezcla de tareas agentivas de corto y largo plazo. Entonces, ¿qué significa esto si ejecutas tu negocio con agentes o los construyes a cualquier escala? Puedes sintetizar datos a bajo costo, preentrenar aún más un modelo fundamental y luego postentrenarlo.