Cerrar la brecha: prácticas de ingeniería de software para agentes de IA

By Mirko Peters · 2026-08-13

¡Bienvenido de nuevo al blog! Si has seguido nuestros episodios de audio recientes, sabes que llevamos tiempo profundizando en la práctica de la inteligencia artificial moderna…

Automatically translated with AI from the original post. Read the English original

¡Bienvenido de nuevo al blog! Si has seguido nuestros episodios de audio recientes, sabes que llevamos tiempo profundizando en la práctica de la inteligencia artificial moderna. Hoy ampliamos un tema cada vez más crítico para desarrolladores, arquitectos empresariales y líderes tecnológicos: dejar atrás la ingeniería de prompts frágil y aplicar principios fundamentales de ingeniería de software a los agentes de IA. Cuando dependemos únicamente de modelos de lenguaje grandes (LLM) sin gestionar, nuestros sistemas suelen colapsar bajo la presión de la imprevisibilidad del mundo real. En este artículo veremos por qué existe este problema oculto, analizaremos los riesgos de descuidar las prácticas básicas de ingeniería y explicaremos cómo plataformas como Azure AI Foundry pueden ayudarte a construir arquitecturas agénticas escalables, fiables y de nivel empresarial.

Entender los agentes de IA y los LLM

¿Qué son los agentes de IA?

Los agentes de IA están en todas partes en las aplicaciones empresariales modernas. Actúan como asistentes digitales que te ayudan a completar tareas, responder preguntas y automatizar flujos de trabajo. La industria de la IA los utiliza para crear sistemas conversacionales, asistentes de programación e incluso herramientas que permiten a los abogados interactuar con bases de datos jurídicas. Hay ejemplos como TxGemma para terapéutica o sistemas agénticos que lanzan aplicaciones web. Los agentes de IA dependen de la experiencia de personas y máquinas. Su eficacia depende de lo bien que se conecten con los datos y los sistemas de software tradicionales. Cuando usas agentes de IA para tareas complejas, necesitas la guía y la revisión humanas para garantizar la calidad y la precisión.

• Los agentes de IA facilitan sistemas conversacionales para aplicaciones de programación, jurídicas y terapéuticas.
• Pueden redefinir los paradigmas de la informática, pero no siempre generan beneficios para los laboratorios de IA.
• Su rendimiento depende de la integración con el software tradicional y de la experiencia humana.

Si las empresas de software jurídico añaden interfaces conversacionales a sus datos mediante sistemas agénticos, los abogados pueden trabajar con más eficiencia. Para esto no necesitas modelos de frontera. Los datos y el software que rodean a los LLM importan más que el propio modelo. Incluso los modelos de segunda categoría pueden crear agentes eficaces cuando se combinan con las herramientas de IA adecuadas y la experiencia necesaria.

Los LLM en la IA

Los LLM, o modelos de lenguaje grandes, son la tecnología central detrás de las herramientas de IA generativa. Los usas para generar texto, responder preguntas y resumir información. Los desarrolladores crean agentes autónomos combinando LLM con herramientas y memoria. Estos agentes pueden realizar tareas sin supervisión constante. La IA agéntica representa sistemas complejos en los que varios agentes planifican estrategias y se adaptan para alcanzar objetivos. Los LLM impulsan desde chatbots hasta la automatización de flujos de trabajo.

Esta es una comparación entre arquitecturas basadas en modelos y arquitecturas basadas en agentes:

Como puedes ver, las arquitecturas basadas en agentes usan LLM con memoria y herramientas para crear agentes autónomos. Estos agentes pueden colaborar y mejorar con el tiempo.

Por qué existe el problema oculto

Muchos desarrolladores y organizaciones están normalizando los enfoques centrados en LLM en el desarrollo de agentes de IA. Se centran en orquestar LLM mediante encadenamiento de prompts y razonamiento estructurado. Esta tendencia aumenta la productividad y la flexibilidad. Los sistemas multiagente permiten la colaboración entre agentes especializados. Los marcos orientados a flujos de trabajo combinan canalizaciones deterministas con la toma de decisiones basada en agentes. Las plataformas de nivel empresarial amplían sus capacidades con controles de gobernanza y cumplimiento.

Sin embargo, te enfrentas a un problema oculto cuando confías demasiado en los LLM. La calidad de los resultados mejora cuando integras conocimiento del dominio y flujos de trabajo estructurados. Las evaluaciones de expertos muestran que combinar LLM con conocimiento del dominio produce mejores resultados. Debes recordar que los LLM por sí solos no pueden garantizar un rendimiento fiable. Necesitas experiencia, herramientas de IA adecuadas y principios de ingeniería para construir agentes autónomos en los que se pueda confiar.

El problema oculto en el diseño de agentes de IA

Dependencia excesiva de los LLM

Quizás pienses que los modelos de lenguaje de gran tamaño, por sí solos, pueden resolver todos tus desafíos con agentes de IA. Muchos desarrolladores y organizaciones han normalizado este enfoque, confiando en gran medida en los LLM para impulsar la toma de decisiones y la ejecución de tareas. Sin embargo, esta dependencia excesiva genera un problema oculto que afecta a la calidad y la fiabilidad de tus agentes de IA. Los LLM generan resultados basados en patrones de datos, pero carecen de una comprensión real y de un control determinista. Cuando dependes demasiado de ellos, tus sistemas pueden producir resultados impredecibles o inconsistentes. Esta imprevisibilidad dificulta confiar en los agentes de IA en flujos de trabajo empresariales críticos.

Los sistemas multiagente, que combinan varios agentes basados en LLM, prometen un comportamiento más sofisticado. Sin embargo, suelen consumir muchos más recursos y tokens que las configuraciones con un único agente. Por ejemplo, Anthropic observó que las ejecuciones multiagente utilizaron unas 15 veces más tokens para la misma tarea en comparación con un chat con un solo agente. Esta ineficiencia puede ralentizar tus sistemas y aumentar los costes, sin garantizar mejores resultados. También te enfrentas a retos para gestionar el contexto y la coordinación entre agentes, lo que puede provocar confusión y errores.

Las brechas clave de ingeniería en los diseños de agentes de IA con mucho peso en LLM incluyen la necesidad de una mejor visibilidad operativa, una distinción clara entre sistemas agénticos y no agénticos, y una mejor orquestación multiagente y gestión del contexto.

Brechas en la ingeniería de software

El problema oculto empeora cuando descuidas los principios de ingeniería de software en el diseño de tus agentes de IA. Muchos proyectos de IA se centran en la ingeniería de prompts y el ajuste de modelos, pero pasan por alto prácticas de ingeniería esenciales como la gestión de estados, la observabilidad y el manejo de errores. Sin ellas, tus agentes de IA se vuelven frágiles y difíciles de mantener.

Debes tratar los agentes de IA como sistemas de software complejos que requieren una ingeniería rigurosa. Esto implica diseñar flujos de trabajo claros, gestionar cuidadosamente los estados de los agentes e implementar herramientas de monitorización para seguir el rendimiento y los fallos. Muchos flujos de trabajo de IA siguen siendo frágiles porque carecen de estos cimientos. La supervisión humana se vuelve necesaria para detectar fallos frecuentes y casos límite, lo que ralentiza la automatización y reduce la calidad.

Los flujos de trabajo con agentes de IA suelen ser complejos y requieren supervisión humana continua debido a fallos frecuentes y casos límite, lo que pone de relieve los desafíos operativos del despliegue de sistemas de IA con mucho peso en LLM.

Cuando omites estos pasos de ingeniería, tus agentes de IA tienen dificultades para escalar o adaptarse a nuevos escenarios. La depuración y las pruebas se vuelven difíciles, y pierdes el control sobre el comportamiento del sistema. Esta brecha en la ingeniería de software crea un problema oculto que socava tus inversiones en IA.

Impacto en el rendimiento de la IA

El problema oculto afecta directamente al rendimiento de tus agentes de IA. Puedes notar problemas como tiempos de respuesta lentos, baja precisión en las decisiones y poca capacidad de adaptación a entradas inesperadas. Estos problemas reducen la calidad general de tus sistemas de IA y frustran a los usuarios.

Los desafíos de rendimiento más comunes incluyen:

• Dificultad para procesar de forma rápida entradas inesperadas o nuevas
• Latencia elevada en las llamadas a los LLM que retrasa las respuestas
• Dificultades para probar y evaluar el comportamiento de los agentes
• Retos para depurar interacciones complejas entre múltiples agentes

Estos problemas surgen porque los agentes de IA dependen demasiado de los resultados probabilísticos de los LLM sin controles de ingeniería sólidos. Necesitas equilibrar el poder creativo de los LLM con la ingeniería de software determinista para mejorar la fiabilidad y la calidad.

Si ignoras este equilibrio, tus agentes de IA corren el riesgo de volverse poco fiables o incluso perjudiciales en entornos de producción. Las empresas exigen sistemas coherentes y en los que se pueda confiar. Sin una ingeniería adecuada, tus agentes de IA no podrán cumplir estas expectativas.

La adaptabilidad, los tiempos de respuesta, la precisión en la toma de decisiones y los problemas generales de fiabilidad siguen siendo los problemas de rendimiento más comunes que se reportan en los agentes de IA centrados en LLM.

Debes reconocer este problema oculto y abordarlo integrando prácticas sólidas de ingeniería de software en el desarrollo de tus agentes de IA. Así podrás crear sistemas que ofrezcan una calidad constante y escalen de forma eficaz.

Principios de ingeniería de software para agentes de IA

Para crear agentes de IA fiables, debes aplicar principios sólidos de ingeniería de software. Estos principios te ayudan a superar las limitaciones de ingeniería y a crear sistemas que escalan, se adaptan y ofrecen resultados constantes. Los ingenieros de software se centran en diseñar sistemas simples, transparentes y fáciles de mantener. Debes priorizar estos valores cuando trabajes con sistemas de ingeniería impulsados por IA.

Orquestación y gestión del estado

La orquestación te permite dividir tareas complejas en pasos más pequeños. Puedes asignar cada paso a un agente especializado. Este enfoque gestiona una complejidad que los agentes individuales no pueden manejar. La gestión del estado garantiza que los agentes recuerden información importante a lo largo de flujos de trabajo largos. Debes persistir el estado compartido para que los agentes puedan reanudar el trabajo tras una interrupción. Los ingenieros de software usan la orquestación para aislar tareas y mejorar la fiabilidad. También crean un registro de auditoría natural al registrar cada acción. Esto te ayuda a investigar incidencias y a mantener el cumplimiento normativo.

Debes vigilar el tamaño del contexto y usar resúmenes para mantenerlo manejable. Los ingenieros de software persisten solo el estado mínimo necesario para reducir los riesgos de privacidad.

Evaluación y observabilidad

La evaluación continua es esencial para la fiabilidad de los agentes de IA. Debes medir los costes del sistema, los tiempos de respuesta y el rendimiento después del despliegue. Los ingenieros de software usan herramientas de observabilidad para capturar patrones de latencia y el consumo de recursos. Esto te ayuda a detectar problemas antes de que afecten a los usuarios. Monitorizar los estados internos y las decisiones favorece el análisis de causa raíz y reduce el tiempo de diagnóstico. Obtienes visibilidad sobre cómo los agentes toman decisiones, algo fundamental para gestionar el riesgo y garantizar la eficiencia operativa.

• La evaluación continua permite medir los costes y los tiempos de respuesta.
• La observabilidad captura la latencia y el uso de recursos.
• La monitorización favorece la gobernanza y la gestión de riesgos.
• La visibilidad sobre la toma de decisiones mejora el control operativo.

Prácticas de ingeniería de software como estas te ayudan a mantener sistemas estables y fiables.

Integración y escalabilidad

La integración conecta tus agentes de IA con sistemas empresariales, LLM y APIs. Necesitas APIs claras e interfaces bien documentadas para un funcionamiento fluido. Los ingenieros de software se centran en escribir código limpio, optimizar algoritmos y diseñar sistemas escalables. Azure AI Foundry proporciona una plataforma unificada para gestionar todo el ciclo de vida de la IA. Admite una integración fluida con aplicaciones empresariales e infraestructura escalable para grandes volúmenes de transacciones. Empresas como Kinectify y H&R Block usan Azure AI Foundry para automatizar flujos de trabajo complejos y procesar datos en tiempo real.

• La plataforma centralizada reduce los retos de integración.
• La infraestructura escalable satisface las necesidades empresariales.
• El acceso basado en API facilita la conexión con los sistemas existentes.

Debes diseñar el entorno con modularidad y separación de responsabilidades. Este enfoque te permite añadir o actualizar agentes sin rediseñar toda la arquitectura del sistema. Los ingenieros de software garantizan que los sistemas de ingeniería impulsados por IA sigan siendo fiables, adaptables y preparados para el crecimiento futuro.

Riesgos de descuidar la ingeniería en la IA

Resultados no fiables

Si descuidas la ingeniería en tus proyectos de IA, corres el riesgo de crear sistemas que producen resultados poco fiables. Estos sistemas suelen depender de herramientas de codificación con IA que usan modelos estadísticos. En realidad no comprenden la información que procesan. En lugar de eso, adivinan lo que probablemente es correcto a partir de datos pasados. Este enfoque puede provocar fallos impredecibles, sobre todo en situaciones que el sistema nunca ha visto antes. Quizá notes que los pasos de cadena de pensamiento de estos sistemas son patrones aprendidos, no razonamiento real. Por tanto, las herramientas de codificación con IA pueden imitar la inteligencia, pero aun así cometen errores difíciles de predecir o explicar.

Quizá observes la pérdida de valor de la experiencia cuando estos sistemas reemplazan a profesionales cualificados pero no igualan su criterio. Esto puede reducir la confianza en tu herramienta de codificación con IA y disminuir la calidad de tus resultados.

Problemas de cumplimiento y seguridad

Descuidar la ingeniería también expone tus sistemas a riesgos de cumplimiento y seguridad. Muchas empresas dudan en adoptar la IA porque les preocupa la gobernanza de los datos. Las herramientas de codificación con IA que carecen de controles adecuados pueden manejar mal el código propietario o la información sensible. Puedes perder el control de tus sistemas, que podrían actuar de forma impredecible o incluso realizar acciones irreversibles. Los accesos con privilegios excesivos en las cargas de trabajo en la nube pueden crear nuevas vías de ataque para los ciberdelincuentes. Algunos sistemas incluso podrían utilizarse como armas para ciberataques o desinformación.

Casi el 88 % de las organizaciones informan de incidentes de seguridad o privacidad confirmados o sospechosos relacionados con agentes de IA. En el sector sanitario, esta cifra supera el 92 %. Estos datos muestran lo importante que es una ingeniería sólida para lograr sistemas seguros y conformes con la normativa.

Impactos económicos y en la productividad

Los sistemas de IA poco fiables pueden causar grandes pérdidas económicas y reducir la productividad. Cuando dependes de herramientas de codificación con IA que carecen de rigor en la ingeniería, puedes enfrentarte a errores costosos y a trabajo de verificación manual. En 2024, las pérdidas económicas documentadas derivadas de una IA poco fiable alcanzaron los 67 400 millones de dólares. Las empresas registraron una caída del 22 % en la productividad porque los equipos tenían que revisar y corregir el contenido generado por IA. Esto no solo malgasta tiempo, sino que también socava la promesa de aumento de productividad que la IA debería ofrecer.

Quizá también observes la pérdida de valor de la experiencia, ya que los sistemas automatizan tareas sin igualar la precisión de los trabajadores cualificados. Esto puede dar lugar a decisiones inconsistentes y a una menor confianza en los sistemas de tu organización. Para lograr un aumento real de la productividad, debes combinar la IA con una ingeniería sólida y datos fiables.

Desafíos reales de los agentes de IA

Caso: agentes de IA fallidos en producción

Quizá veas que muchas organizaciones tienen dificultades cuando despliegan agentes de IA sin una ingeniería sólida. Estos fallos suelen producirse porque los equipos confían demasiado en los modelos de lenguaje y omiten prácticas importantes del desarrollo de software. Los desafíos más comunes son la fiabilidad, la observabilidad deficiente y la pérdida de supervisión humana. Puedes ver estos problemas en la siguiente tabla:

Quizá también te enfrentes a preocupaciones de coste, sobre todo en despliegues pequeños. Los agentes con mucho tráfico pueden sufrir problemas de latencia y fiabilidad. Sin una evaluación y una monitorización sólidas, no puedes detectar los problemas a tiempo. En sectores de alto riesgo como la sanidad y las finanzas, depender en exceso de estos sistemas puede provocar decisiones erróneas. Necesitas una gobernanza ética que mantenga tus operaciones transparentes y responsables.

Muchos equipos descubren que una observabilidad deficiente dificulta seguir cómo toman decisiones los agentes. Esta falta de visibilidad puede provocar errores que pasan desapercibidos hasta causar daños reales.

Caso: historias de éxito impulsadas por la ingeniería

Puedes obtener mejores resultados si combinas la ingeniería con la IA. Las empresas que aplican buenas prácticas de ingeniería mejoran la fiabilidad, la eficiencia y los resultados de negocio. Por ejemplo, los equipos de ingeniería de Synera despliegan agentes en infraestructura de nube escalable. Estos agentes gestionan grandes cargas de trabajo y automatizan tareas repetitivas. Este enfoque agiliza los flujos de trabajo y mejora la productividad en sectores como el automovilístico y el aeroespacial.

También puedes tomar Azure AI Foundry como caso de estudio de buenas prácticas. NTT DATA utilizó esta plataforma para crear agentes que se conectan con Microsoft Fabric Data Agent y otras herramientas empresariales. Los empleados de RRHH y de operaciones ahora interactúan con los datos de forma natural, obtienen información en tiempo real y actúan con rapidez. Esta solución redujo a la mitad el tiempo de salida al mercado y dio a los usuarios no técnicos un acceso sencillo a la inteligencia empresarial.

• Azure AI Foundry utiliza una gestión de herramientas segura por defecto para una gobernanza de nivel empresarial.
• Los conectores integrados gestionan la autenticación y la identidad, lo que facilita que los equipos de seguridad controlen el acceso.
• La plataforma admite la integración con sistemas de identidad externos, lo que te ayuda a escalar en toda la organización.

Como ves, los enfoques impulsados por la ingeniería te ayudan a crear sistemas de IA fiables, escalables y seguros que aportan valor real.

Cómo crear mejores agentes de IA

Equilibrar los LLM y la ingeniería

Puedes crear mejores agentes de IA si equilibras los modelos de lenguaje de gran tamaño con prácticas de ingeniería sólidas. Muchos equipos se centran solo en el rendimiento del modelo, pero necesitas combinar ambos enfoques para obtener resultados fiables. Empieza por aplicar supervisión colaborativa. Deja que los agentes de IA apoyen tu trabajo, pero valida siempre su resultado. Cuida la calidad de los datos. Entrena a los agentes con conjuntos de datos diversos y de alta calidad para mejorar su fiabilidad. Haz transparente la toma de decisiones para que tu equipo pueda confiar en el sistema. Diseña los agentes para que escalen a medida que crecen tus proyectos. Aborda los problemas éticos comprobando si hay sesgos y garantizando la equidad.

Estos son cinco pasos prácticos que puedes seguir:

1. Aplica supervisión colaborativa para validar con regularidad los resultados de los agentes.
2. Entrena a los agentes con datos diversos y de alta calidad.
3. Haz transparente la toma de decisiones para tu equipo.
4. Diseña los agentes para que crezcan con tu organización.
5. Aborda los problemas éticos y mantén la rendición de cuentas.

Azure AI Foundry te ayuda a integrar la ingeniería y los LLM. La plataforma ofrece herramientas para la orquestación de modelos y la gestión del ciclo de vida. Puedes usar las funciones de ingeniería de prompts y las plantillas reutilizables para crear flujos de trabajo inteligentes. Azure AI Foundry admite una integración fluida con los sistemas empresariales mediante API REST y SDK. Así resulta más sencillo desplegar agentes de IA en aplicaciones de negocio reales.

Equipos multidisciplinares

Obtienes mejores resultados cuando formas equipos multidisciplinares. Estos equipos reúnen a investigadores, clínicos, reguladores y otros expertos. Cada miembro aporta conocimientos únicos, lo que te ayuda a resolver retos complejos. La automatización de las tareas rutinarias permite a tu equipo centrarse en el trabajo creativo y estratégico. El agente de razonamiento actúa como auditor final, revisando y consolidando los resultados de distintos modelos. Este proceso aumenta la transparencia y la fiabilidad. Cuando los equipos trabajan juntos, se observa una mayor precisión, menos sesgos y una mayor robustez frente a la deriva de los modelos.

• La colaboración multidisciplinar reúne conocimientos diversos.
• La automatización libera tiempo para tareas creativas y estratégicas.
• El agente de razonamiento mejora la transparencia y la fiabilidad.

Mejores prácticas y gobernanza

Debes seguir buenas prácticas y modelos de gobernanza sólidos para que tus agentes de IA funcionen bien y se mantengan seguros. Define KPI medibles, como las tasas de precisión y de finalización de tareas. Desarrolla programas de gestión del cambio para que los empleados comprendan los roles de los agentes de IA. Crea marcos de gobernanza con jerarquías de decisión y protocolos de gestión de riesgos. Gestiona el ciclo de vida de los agentes con procesos estructurados para el diseño, el entrenamiento y la supervisión. Utiliza marcos de seguridad para proteger los datos y controlar el acceso. Garantiza el cumplimiento normativo para evitar sanciones. Supervisa el rendimiento de los agentes en tiempo real y prepara planes de gestión de crisis para fallos o brechas de seguridad. Mantén limpias las canalizaciones de datos y valida la calidad de los datos. Prioriza la integración API-first para una comunicación fluida. Planifica la orquestación multiagente y la alta disponibilidad. Haz un seguimiento del comportamiento de los agentes y del cumplimiento con sistemas de monitorización. Gestiona el acceso con sistemas de identidad y conserva registros de auditoría para la resolución de problemas. Aplica prácticas de desarrollo seguro durante todo el ciclo de vida del agente.

Consejo: usa plataformas como Azure AI Foundry para simplificar la integración y la gobernanza. Obtienes acceso a herramientas de orquestación, funciones de ingeniería de prompts y opciones de despliegue escalables para tu empresa.

Te enfrentas a riesgos graves cuando dependes en exceso de los LLM en el desarrollo de agentes de IA.

Debes combinar una ingeniería de software sólida con los LLM. Muchas organizaciones ya utilizan plataformas como Azure AI Foundry para crear sistemas fiables y escalables. Empieza por definir KPI claros, mejorar la calidad de los datos y planificar la gestión de crisis. A medida que equilibres la ingeniería y los LLM, verás cómo unos agentes de IA más inteligentes y fiables darán forma al futuro de los negocios.

Preguntas frecuentes

¿Cuál es el principal riesgo de depender demasiado de los LLM en los agentes de IA?

Corres el riesgo de obtener resultados impredecibles, desviación de objetivos y falta de responsabilidad. Depender en exceso de los LLM puede hacer que los agentes de IA no sean fiables e inseguros para tareas empresariales críticas.

¿Cómo mejora la ingeniería de software la fiabilidad de los agentes de IA?

La ingeniería aporta estructura mediante la orquestación, la gestión del estado y la observabilidad. Estas prácticas ayudan a controlar el comportamiento de la IA, a hacer un seguimiento del rendimiento y a gestionar los errores de forma eficaz.

¿Pueden los agentes de IA funcionar sin supervisión humana?

No del todo. La supervisión humana sigue siendo esencial para detectar errores, guiar las decisiones y mantener la confianza, especialmente en entornos complejos o de alto impacto.

¿Qué papel desempeña Azure AI Foundry en el desarrollo de agentes de IA?

Azure AI Foundry proporciona herramientas de orquestación, evaluación y gobernanza. Te ayuda a crear agentes de IA escalables, seguros y fiables que se integran bien con los sistemas empresariales.

¿Cómo afectan los sistemas multiagente al rendimiento y al coste de la IA?

Los sistemas multiagente pueden ampliar las capacidades, pero suelen aumentar el consumo de recursos y la complejidad. Sin una ingeniería adecuada, pueden ralentizar los flujos de trabajo y elevar los costes.

¿Qué pasos puedo seguir para equilibrar los LLM y la ingeniería en mis proyectos de IA?

Aplica una supervisión colaborativa, céntrate en la calidad de los datos, diseña para la escalabilidad, garantiza la transparencia y aplica una gobernanza sólida. La combinación de estos pasos conduce a agentes de IA fiables.

🎧 Escucha este episodio

¿Quieres una explicación práctica de Enterprise AI Agent Engineering con Karthikeyan VK [MVP]? Este episodio desglosa el tema con un lenguaje claro y muestra por qué importa para Microsoft 365, Azure, Power Platform, seguridad, IA y el trabajo moderno.

Para profundizar en esta misma conversación y conocer la opinión de expertos sobre cómo domar LLM impredecibles, consulta la entrevista completa en Enterprise AI Agent Engineering with Karthikeyan VK [MVP].

Escucha este episodio si quieres:

• Entender los conceptos clave detrás de Enterprise AI Agent Engineering con Karthikeyan VK [MVP]
• Ver cómo encaja en el ecosistema tecnológico más amplio de Microsoft
• Descubrir dónde puede aportar valor práctico a tu organización

También te pueden interesar estos episodios relacionados de M365 FM:

• Microsoft AI Agent Runtimes: Beyond Enterprise Chatbots
• Enterprise AI Agent Fabric: Architecture Beyond Chatbots
• De los datos a los agentes inteligentes: cómo crear IA empresarial de confianza con Microsoft AI Foundry, con Shubhangi Goyal [MVP]
• De la euforia por la IA a la ingeniería de arneses de IA: cómo crear IA en la que la gente pueda confiar de verdad, con Alan Buscaglia [MVP] de Gentleman Programming
• La comunicación agente a agente (A2A), explicada de forma sencilla

Descubre más conversaciones prácticas sobre Microsoft en M365 FM.