Cómo Construí un Sistema de Investigación con Agentes

El mes pasado, compartí el Estado de la IA Aplicada, un informe basado en más de 200 despliegues reales de IA de empresas de todo el mundo. Varias personas preguntaron cómo se encontraban, analizaban y organizaban esos casos. Lo cubrí brevemente en el informe, ya que el foco estaba en los hallazgos.

Este artículo trata sobre el sistema que hay detrás.

Ese sistema es Applied: un mapa vivo de casos de uso reales de IA. Rastrea cómo las empresas adoptan la IA en industrias, funciones de negocio, herramientas y resultados.

Hoy explicaré cómo un equipo de agentes recopila, estructura y transforma historias dispersas en inteligencia.

Investigación con Agentes

Entre bastidores, Applied es un equipo de agentes con tareas específicas y distintos niveles de autonomía. Por encima de ellos hay una capa de orquestación. Esto suele ser una parte compleja de los sistemas agentes, pero la mantuve lo más simple posible a propósito.

Agente Scout

El Agente Scout descubre y prioriza nuevos casos de uso de IA para extraer. Es el punto de partida del sistema y juega un papel clave para mantener Applied tanto en profundidad como en amplitud. Necesita cubrir tantas industrias y funciones de negocio como sea posible, equilibrando herramientas de IA consolidadas con nuevas incorporaciones.

El objetivo es evitar construir un mapa vivo que solo cubra tres herramientas, o uno donde el 80% de los casos provengan de equipos de ingeniería.

Agente Extractor

El Agente Extractor es el agente más importante del sistema.

Lee cada caso potencial, decide si vale la pena incluirlo y extrae los datos estructurados que hay detrás: empresas, proveedores, herramientas, funciones de negocio, resultados y otras entidades clave.

Es el agente en el que he dedicado más tiempo a ajustar. Consume más tokens, pero también es donde ocurre la mayor parte del control de calidad.

Con el tiempo, ha aprendido qué hace un caso sólido: novedoso en términos de uso de IA, no duplicado, vinculado a una empresa concreta, conectado a un escenario de extremo a extremo, respaldado por resultados tangibles y lo suficientemente reciente como para importar (2025 o más nuevo).

En la práctica, verifica si el caso realmente trata sobre IA, si utiliza tecnologías más recientes como LLMs o sistemas agentes, si los resultados son concretos y si las entidades ya existen en el mapa o hay que añadirlas.

Agente de Enriquecimiento

El Agente de Enriquecimiento se ejecuta después del Agente Extractor. En este punto, el caso ya está estructurado, por lo que el agente tiene más contexto con el que trabajar. Su tarea es completar la información faltante sobre empresas, herramientas, categorías y casos de uso utilizando fuentes adicionales.

Agente Traductor

Los casos de uso de Applied están disponibles en inglés y en español. El Agente Traductor gestiona esa capa de traducción y mantiene el mapa vivo coherente en ambos idiomas.

Agente de Control de Calidad

Al principio, el sistema no tenía ningún tipo de control de calidad. Eso se convirtió en un problema.

Los datos, la taxonomía e incluso partes de la interfaz empezaron a sentirse inconsistentes. El mapa vivo tenía los ingredientes correctos, pero no era lo suficientemente cohesivo.

Por eso se incorporó el Agente de Control de Calidad para encontrar y corregir problemas en Applied.

Agente Match Maker

El Agente Match Maker es el agente más reciente de Applied. A medida que el mapa vivo crece, los filtros simples en una página web ya no eran suficientes para que los usuarios identificaran valor. El Agente Match Maker ayuda a los usuarios a descubrir casos que coinciden con sus intereses y les notifica por email o en la app.

Orquestación

En el ecosistema de herramientas de IA de Applied, hay una categoría llamada Gestión Agéntica. Estas herramientas ayudan a orquestar agentes, rastrear sus salidas y monitorear el gasto. Esta capa es especialmente importante cuando se trabaja con enjambres de agentes y tareas críticas.

Entonces, ¿cómo coordinan los agentes en Applied?

No hay ninguna herramienta de orquestación externa. Hasta ahora, un sistema simple que combina un Modelo de Datos y Registros de Informes individuales por agente ha funcionado bien.

Todos los agentes pueden leer y escribir en el mapa vivo.

Cada agente también lee sus propios registros para entender dónde lo dejó, qué ya fue procesado y qué aún necesita atención.

Los agentes realmente no saben que existen otros agentes. Tampoco conocen las tareas de los demás. Su contexto compartido es el mapa vivo.

Así que, en la práctica, la capa de orquestación es principalmente el mapa vivo, los registros y yo mismo.

Sigo co-guiando las partes donde el juicio importa más:

• Diseño y actualizaciones del modelo de datos.
• Definición de la taxonomía.
• Estructura del ecosistema de herramientas de IA.
• Incluir o descartar casos límite.

¿Cómo se puede mejorar esta arquitectura agéntica?

Aún queda mucho por mejorar, especialmente en el agente de enriquecimiento. Applied podría añadir más contexto sobre casos, proveedores, herramientas y categorías: precios, reseñas, señales de calidad, resultados, tiempo de implementación, experiencia requerida y más.

No hay bucles de retroalimentación automáticos; esos aún pasan por mí. El Agente de QA reporta problemas, pero esos hallazgos no vuelven (directamente) a otros agentes. Yo soy el puente.

Cerrar ese bucle haría que cada agente se mejorara a sí mismo, pero… El riesgo es que los agentes pueden tomar decisiones drásticas sin suficiente evidencia. Incluso con los mejores modelos actuales, a veces se exceden. Podrían introducir cambios drásticos en la taxonomía o el modelo de datos, o quedar atrapados en bucles donde cambian algo, lo revierten y repiten el proceso.

Por eso sería cuidadoso al dar a los agentes control total sobre la estructura central de Applied.

Donde cerrar el bucle parece más seguro es en el Agente Match Maker. Por ejemplo, el agente Match Maker podría aprender de los comentarios de los usuarios, respuestas a emails, comentarios en la plataforma, tasas de apertura y tasas de clics. Con el tiempo, aprendería qué casos son realmente valiosos para diferentes tipos de usuarios.

Otras Aplicaciones para este Sistema Agéntico

Applied está enfocado en la adopción de IA, pero el mismo marco puede usarse en muchas otras áreas. Cualquier flujo de trabajo que requiera encontrar información, filtrar lo que importa, extraer datos estructurados, enriquecerlos y mantenerlos actualizados podría beneficiarse de una configuración agente similar.

Probablemente puedas pensar en tu propia versión basada en los problemas que te importan. Algunos ejemplos:

• Investigación de competidores: rastrear lanzamientos de productos, cambios de precios, historias de clientes, posicionamiento y movimientos del mercado.
• Inmobiliaria: monitorear listados, barrios, precios, permisos, alquileres y oportunidades de inversión.
• Cadena de suministro: rastrear proveedores, interrupciones, actualizaciones de envío, costos, riesgos y proveedores alternativos.
• Inteligencia de amenazas de ciberseguridad: rastrear vulnerabilidades, exploits, actores de amenazas, proveedores afectados, pasos de mitigación y niveles de riesgo.
• Seguimiento de políticas y regulaciones: rastrear nuevas leyes, consultas, acciones de cumplimiento, orientación regulatoria y cómo afectan a industrias específicas.

El patrón es el mismo: A) explorar las fuentes, B) extraer lo que importa, C) enriquecer el contexto, D) verificar la calidad, y E) entregar insights útiles a la persona correcta.

Accede al mapa vivo de adopción de IA en TheApplied.co.