Guía: cómo preparar a tu equipo para delegar trabajo en agentes de IA

Una guía práctica inspirada en Goldman Sachs: medir resultados reales, rediseñar procesos, supervisar agentes y limitar el daño de sus errores.

Marco Argenti, director de información de Goldman Sachs, explicó en Wave by Vento cómo ve el banco la adopción de la IA: tres olas, desde la experimentación de los desarrolladores hasta el crecimiento del negocio. Esta guía traduce sus ideas, contadas en The Next Web, en un plan de trabajo que puedes aplicar en un equipo pequeño.

No es una receta universal ni un manual oficial de Goldman: es nuestra forma de ordenar lo que dijo Argenti para que sea reproducible. Esperamos que el resultado sea un criterio claro sobre qué delegar, cómo medirlo y cómo acotar los fallos.

Lo que necesitas

Un equipo (o un proyecto) con una cartera de trabajo pendiente más grande que su presupuesto de cada ciclo.
Acceso a al menos un asistente o agente de IA con el que ya se experimente en el día a día.
Un flujo de trabajo concreto que quieras revisar de principio a fin, no una idea abstracta.
Un entorno donde puedas limitar qué puede ejecutar y a qué datos accede cada agente.

Ponente en un escenario durante una conferencia tecnológica en Turín — Argenti habló en la sesión «Mindset, not skillset» de Wave by Vento. Imagen: Unsplash — robot and human hands reaching toward ai text

El plan en cinco pasos

Empieza por quienes ya quieren probar: según Argenti, en Goldman los primeros fueron los desarrolladores, más de 12.000 de unos 47.000 empleados. Para ellos trabajar con IA ya es lo normal.
Cuestiona cada paso de un flujo de trabajo y pregúntate si debería existir. El objetivo no es hacer lo mismo más rápido, sino acercarse al procesamiento de principio a fin sin pasos humanos.
Cambia las métricas: abandona proxies como la frecuencia de commits, que nadie sabe traducir a dinero, y mide resultados, como cerrar en dos meses un proyecto de tres.
Reorienta el rol del desarrollador: describe con claridad cómo es un buen resultado, delega en agentes, supervisa su trabajo y gestiona recursos y prioridades.
Acota el daño antes de ampliar el uso: asume que los modelos fallarán, igual que las personas, y diseña el entorno para que un fallo no cause estragos.

Cómo se limita el riesgo

Argenti describió el modelo como una máquina estadística que no da siempre el mismo resultado. Su comparación fue una guardería: en lugar de entregar a cada niño una política de seguridad, se eliminan los bordes afilados. Goldman lo llama «zero trust» y defensa en profundidad.

En la práctica, eso significa asegurar dónde se ejecutan los agentes y a qué pueden acceder, leer la cadena de razonamiento del modelo y usar otros modelos para cuestionar su trabajo. Si quieres profundizar en fronteras claras entre componentes, este artículo sobre límites de software es una buena lectura complementaria.

Checklist de un agente (plantilla propia, no oficial)
- Dónde se ejecuta: entorno aislado
- A qué accede: solo lo imprescindible
- Quién revisa su salida: persona u otro modelo
- Qué hacemos si falla: revertir y registrar

Elegir el modelo adecuado

Para Argenti, la elección es la moneda más valiosa. Los modelos de pesos abiertos pueden reentrenarse con el conocimiento propio, ayudan con la soberanía y la propiedad intelectual y salen más baratos en tareas simples. Los modelos de frontera aportan el mejor razonamiento para problemas que nadie ha resuelto. Su analogía: el camión hace el trabajo de utilidad y el Fórmula 1 se reserva para donde el negocio compite.

Diagrama conceptual de un desarrollador supervisando varios agentes de IA — El desarrollador pasa de escribir todo el código a dirigir agentes y sub-agentes. Imagen: Unsplash — The letters AI in white with layered dark blue edges on a pink background

Truco Antes de rediseñar un proceso, anota cuánto tarda hoy de principio a fin. Sin esa línea base no podrás demostrar que el cambio ahorra tiempo, ni justificar proyectos que antes quedaban fuera del presupuesto.

Un aviso de realismo: Argenti admitió que el banco podría plantearse tener menos personas, pero añadió que cada cartera de ingeniería contiene mucho más trabajo del que se financia. Esa conclusión depende del apetito de crecimiento de cada empresa y no se traslada automáticamente a cualquier equipo. Para ver cómo otros operan agentes a gran escala, mira el caso de Postman con Amazon Bedrock, y si te preocupa el cumplimiento, los cambios de protección de datos que persigue el ICO.

Fuente original: thenextweb.com

Artículo generado mediante AI.larebelion