WEBVTT

00:00:00.000 --> 00:00:03.780
El tema de hoy es algo de lo que casi todos han oído hablar, pero pocos pueden explicar realmente,

00:00:03.900 --> 00:00:07.420
el entorno para agentes de IA. Probablemente lo hayas visto en publicaciones de blogs o charlas

00:00:07.420 --> 00:00:11.240
en conferencias, pero ¿qué significa realmente? La cuestión es esta. La mayoría que construir

00:00:11.240 --> 00:00:15.260
un agente de IA se trata de escribir el PROM perfecto, esa instrucción mágica que hace que

00:00:15.260 --> 00:00:19.860
el modelo haga exactamente lo que deseas. Pero eso es como pensar que un auto es solo un motor.

00:00:20.460 --> 00:00:24.980
Claro, el motor es importante, pero sin ruedas, volante, frenos y chasis no vas a ninguna parte.

00:00:25.760 --> 00:00:29.460
Al final de este episodio entenderás que es realmente un entorno para agentes,

00:00:29.460 --> 00:00:34.920
porque es la evolución más allá de la ingeniería de PROM si como Microsoft AI Foundry le da vida

00:00:34.920 --> 00:00:40.680
para empresas reales. Toma tu café y comencemos. Porque el prompting ya no es suficiente.

00:00:41.240 --> 00:00:45.640
Volvamos a los inicios. Alrededor de 2022 a 2024, trabajar con IA era sencillo.

00:00:45.940 --> 00:00:48.640
Escribes un PROM y tienes una respuesta. Necesitas un borrado de correo electrónico.

00:00:48.900 --> 00:00:51.660
Escribe un PROM. Necesitas un resumen de una tica. Escribe un PROM.

00:00:52.060 --> 00:00:56.160
Para tareas simples de un solo paso, eso funcionaba muy bien. Podías pedir algo y el modelo te da

00:00:56.160 --> 00:01:00.300
una respuesta razonable. Pero la gente se volvió más ambiciosa. Empezaron a pedirle a estos modelos

00:01:00.300 --> 00:01:05.240
que hicieran trabajo real. Investigar un tema y redactar un informe. Analizar una base de código

00:01:05.240 --> 00:01:08.800
y corregir un error. O manejar una conversación de soporte al cliente de varios pasos de principio

00:01:08.800 --> 00:01:12.540
a fin. Y de repente un solo prompt no podía manejar. Eso es lo que sucedió.

00:01:12.860 --> 00:01:16.900
La ventana y contexto del modelo se llenaba. Olvidaba las instrucciones anteriores y empezaba a inventar

00:01:16.900 --> 00:01:21.920
hechos o a dar resultados incompletos. Cuanto más larga la tarea, más poco confiable se volvía el resultado.

00:01:21.920 --> 00:01:27.200
Probablemente tú mismo lo hayas experimentado. Le pides a una IA que haga algo complejo. Y al

00:01:27.200 --> 00:01:32.480
final se ha olvidado de lo que le pediste originalmente. Imagina pedirle a una sola persona que construya

00:01:32.480 --> 00:01:36.940
una casa entera desde cero. Todo de una sola vez, sin verificar nunca su trabajo. Eso es lo que le

00:01:36.940 --> 00:01:41.040
estábamos pidiendo a estos modelos. Los resultados eran exactamente lo que esperarías. Una casa medio

00:01:41.040 --> 00:01:45.420
terminar con paredes faltantes y puertas que no abren. La solución no era un mejor PROM. Podrías pasar horas

00:01:45.420 --> 00:01:49.880
ajustando la redacción, agregando más ejemplos y refinando las instrucciones. Y aún así fallaría en tareas

00:01:49.880 --> 00:01:54.860
largas y complejas porque el problema fundamental no era el PROM. Era la falta de un sistema a su

00:01:54.860 --> 00:01:59.440
alrededor. Lo que el modelo necesitaba no eran mejores palabras, sino un mejor soporte. Ahí fue

00:01:59.440 --> 00:02:03.780
donde comenzó la evolución de la ingeniería de PROM a la ingeniería de contexto. Las tres fases de la

00:02:03.780 --> 00:02:09.120
evolución de la IA. Así es como veo la evolución de la IA. Tres fases, cada una cambia el enfoque para

00:02:09.120 --> 00:02:14.780
los ingenieros. La fase 1 fue la ingeniería de PROM. Eso fue aproximadamente de 2022 a 2024. La gran

00:02:14.780 --> 00:02:19.900
pregunta era simple. ¿Qué le debo decir al modelo? Escribías una instrucción, obtenías una respuesta y

00:02:19.900 --> 00:02:23.960
eso era todo. Todo el trabajo consistía en la redacción y todo. Para tareas básicas eso era

00:02:23.960 --> 00:02:30.000
suficiente. Luego vino la fase 2. Ingeniería de contexto 2024-2025. La pregunta cambió de qué

00:02:30.000 --> 00:02:34.600
debo decir a qué debe ver el modelo. Los ingenieros descubrieron que lo que alimentas al

00:02:34.600 --> 00:02:38.580
modelo importa más que cómo preguntas. Así que crearon sistemas como llamadas herramientas

00:02:38.580 --> 00:02:43.720
generación aumentada por recuperación y protocolo de contexto de modelo, MSP. Esto permite al modelo obtener la

00:02:43.720 --> 00:02:47.920
información correcta al instante. En lugar de meter todo en un PROM, el modelo podía buscar lo que

00:02:47.920 --> 00:02:53.360
necesitaba cuando lo necesitaba. La fase 3 es donde estamos ahora. La ingeniería de arnés. Desde

00:02:53.360 --> 00:02:59.080
2026 la pregunta es ¿qué sistema necesito construir alrededor del modelo? Aquí es donde se pone interesante

00:02:59.080 --> 00:03:03.180
porque la fiabilidad, la memoria, la orquestación y los límites no vienen del modelo sino del sistema

00:03:03.180 --> 00:03:08.140
que construyes a su alrededor. Aquí está la forma más sencilla de pensarlo. Un agente es igual a un modelo

00:03:08.140 --> 00:03:13.300
más un arnés. El arnés es todo lo demás. El modelo piensa, el arnés hace el resto. Ese arnés es el

00:03:13.300 --> 00:03:17.580
ingrediente secreto que hace que todo funcione. Piénsalo así, el modelo es un trabajador calificado,

00:03:17.900 --> 00:03:22.020
muy talentoso pero limitado. El arnés es el taller, las herramientas, la lista de verificación,

00:03:22.160 --> 00:03:26.240
el supervisor y los frenos. Sin el taller el trabajador no tiene dónde trabajar. Sin las

00:03:26.240 --> 00:03:30.540
herramientas no pueden construir nada. Sin la lista de verificación olvidan pasos. Sin el supervisor

00:03:30.540 --> 00:03:34.900
cometen errores. Y sin frenos se agotan. El arnés proporciona toda esa estructura. Entonces,

00:03:35.020 --> 00:03:39.460
¿qué hay exactamente donde resta? Vamos a abrirlo. Lo que un arnés contiene realmente. Entonces,

00:03:39.460 --> 00:03:44.340
¿qué se incluye en un arnés? Revisemos las piezas una por una. Primero, el bucle de la gente. Este

00:03:44.340 --> 00:03:48.080
es el ciclo que mantiene a la gente en marcha. El modelo piensa luego decide llamar a una herramienta.

00:03:48.140 --> 00:03:51.960
La herramienta se ejecuta y devuelve un resultado. El modelo mira eso, piensa de nuevo y quizás llama

00:03:51.960 --> 00:03:57.240
a otra herramienta. El bucle continúa hasta que la gente alcanza su objetivo. Sin este bucle,

00:03:57.480 --> 00:04:02.820
solo obtienes una pregunta y una respuesta. Con él, tienes un sistema que resuelve problemas paso a paso.

00:04:03.860 --> 00:04:07.600
A continuación, gestión de contexto. Esto es crítico porque los modelos tienen un lapso de atención

00:04:07.600 --> 00:04:11.020
limitada. Su ventana de contexto solo puede retener cierta cantidad antes de desbordar.

00:04:11.220 --> 00:04:16.040
¿Y dónde intervenirá? Comprime la conversación, resume todos los mensajes y prioriza lo importante.

00:04:16.540 --> 00:04:20.660
Importante. Piensa en ello como un sistema de archivo para la conversación. El arnés lo organiza

00:04:20.660 --> 00:04:24.260
para que el modelo solo vea lo que es relevante. Sin esto, las sesiones largas se desmoronan a

00:04:24.260 --> 00:04:28.000
medida que el modelo pierde vida. Luego están las herramientas de seguridad. Estas son las manos de la

00:04:28.000 --> 00:04:32.100
gente. Un modelo por sí solo puede generar texto. No puede leer un archivo, navegar por la web,

00:04:32.180 --> 00:04:36.420
ejecutar código o consultar una base de edad. El arnés le otorga esas capacidades. Acceso a archivos,

00:04:36.420 --> 00:04:40.140
navegación web, ejecución de código, consultas a bases de datos. Todas son herramientas que el

00:04:40.140 --> 00:04:45.320
arnés provee. El modelo decide cuándo usarlas y el arnés hace que funcionen. La memoria y la

00:04:45.320 --> 00:04:49.460
persistencia de la sesión son otra parte importante. El arnés recuerda las sesiones pasadas. Sigue

00:04:49.460 --> 00:04:53.220
cuando vuelve un agente el día siguiente, no empieza desde cero. Recuerda sus preferencias,

00:04:53.360 --> 00:04:57.080
el contexto de su proyecto y las decisiones que tomó. El agente aprende con el tiempo porque el

00:04:57.080 --> 00:05:01.100
arnés conserva su historia. Las salvaguardas son la capa de seguridad límites que usted establece en

00:05:01.100 --> 00:05:05.320
el comportamiento del agente. Piensa en esto como el libro de regla agente. Pasos máximos antes de detenerse,

00:05:05.320 --> 00:05:08.920
acciones prohibidas, filtros de aprobación humana para movimientos de alto riesgo como

00:05:08.920 --> 00:05:14.060
escribir archivos o enviar correos. Sin salvaguardas, un agente podría ejecutarse para siempre o hacer

00:05:14.060 --> 00:05:17.960
algo que usted no tenía previsto. El arnés lo mantiene bajo contra. Finalmente, la orquestación.

00:05:18.440 --> 00:05:22.520
El arnés puede activar subagentes especializados para diferentes tareas. Uno se encarga de la

00:05:22.520 --> 00:05:26.920
investigación, otro de la redacción, un tercero de la verificación. Trabajan juntos como un equipo de

00:05:26.920 --> 00:05:31.500
especialistas en una obra de construcción. Cada uno hace lo que mejor sabe hacer y el arnés se asegura de

00:05:31.500 --> 00:05:35.740
que no se estorben entre sí. Ahora bien, estos componentes no son solo teoría. Microsoft ha

00:05:35.740 --> 00:05:40.680
construido una plataforma completa que pone todo esto en práctica. Presentamos Microsoft AI Foundry,

00:05:40.940 --> 00:05:46.140
el arnés empresarial. Esa plataforma es Microsoft AI Foundry. Piensa en ella como un taller completo

00:05:46.140 --> 00:05:50.420
para crear y ejecutar agentes de IA a gran escala. Cuando digo escala, me refiero a escala real,

00:05:50.680 --> 00:05:55.260
no a un experimento de laboratorio. Foundry atiende a más de 70 mil clientes hoy y,

00:05:55.260 --> 00:06:00.760
solo en el último trimestre, procesó 100 billones de tokens. Son 100 billones, no es un error tipográfico.

00:06:01.100 --> 00:06:04.800
Cada día impulsa 2 mil millones de consultas de búsqueda empresariales. Esta es una plataforma

00:06:04.800 --> 00:06:08.080
de producción que maneja algunas de las cargas de trabajo más grandes del mundo. Lo que Foundry

00:06:08.080 --> 00:06:11.820
hace realmente es ofrecerle el arnés como un servicio gestionado. Este no construye la gestión

00:06:11.820 --> 00:06:15.820
de contexto, memoria, salvaguardas y coordinación desde cero porque todo viene integrado, porque todo

00:06:15.820 --> 00:06:19.780
viene integrado. Tú traes a tu agente y Foundry proporciona el taller alrededor de él. Hablemos de

00:06:19.780 --> 00:06:24.020
identidad. Esto es muy importante. Cada agente en Foundry obtiene su propia ID de agente de

00:06:24.020 --> 00:06:28.580
entra. Básicamente una identidad digital. Piensa en ello como una tarjeta de empleado que emite la

00:06:28.580 --> 00:06:33.020
recepción. El agente puede iniciar sesión en servicios, acceder a datos y actuar en nombre

00:06:33.020 --> 00:06:37.100
de la organización como un empleado humano. Y como cada acción está vinculada a esa identidad,

00:06:37.200 --> 00:06:41.280
es totalmente auditable. ¿Por qué es importante eso? En una empresa necesitas saber quién hizo qué.

00:06:41.740 --> 00:06:46.120
Cada acción queda registrada y es rastreado. Foundry se conecta a más de 1.400 fuentes de datos

00:06:46.120 --> 00:06:51.200
empresariales, desde SharePoint y Dynamics 365 hasta Salesforce y bases de datos personalizadas. Si tu empresa

00:06:51.200 --> 00:06:54.720
lo usa, Foundry probablemente tiene un conector. Por lo tanto, la agente no está adivinando ni

00:06:54.720 --> 00:06:58.840
inventando cosas. Extrae datos reales de sistemas reales, lo que significa que las respuestas se

00:06:58.840 --> 00:07:02.680
basan en tus datos comerciales reales. Luego está la memoria. Foundry incluye tipos de memoria

00:07:02.680 --> 00:07:06.820
integrado. La memoria procedimenta a la agente aprender de tareas pasadas. Mejora con el tiempo,

00:07:06.940 --> 00:07:10.840
como la capacitación en el trabajo. La persistencia de sesión significa que recuerda conversaciones

00:07:10.840 --> 00:07:14.140
anteriores, por lo que no empieza de cero cada vez que hablas con él. Eso hace que las interacciones

00:07:14.140 --> 00:07:18.360
se sientan continuas e inteligentes. Entonces, ¿cómo funciona esto realmente? Analicemos los componentes

00:07:18.360 --> 00:07:22.060
que Microsoft proporciona para crear entornos personalizados. El marco de trabajo para

00:07:22.060 --> 00:07:25.560
agentes, creando entornos personalizados. Entonces, ¿cómo construyes realmente un entorno?

00:07:26.100 --> 00:07:30.480
Microsoft proporciona un SDK dedicado llamado Microsoft Agent Framework, que quizás conozcas

00:07:30.480 --> 00:07:34.300
por su nombre anterior, Semantic Kernel. Ha sido reconstruido, pero la idea es la misma.

00:07:34.760 --> 00:07:37.980
Permite a los desarrolladores crear entornos de agentes personalizados en Python y C-Sharp.

00:07:38.280 --> 00:07:42.180
El marco de trabajo tiene tres capas. En la base está el bucle del agente, el ciclo de razonamiento

00:07:42.180 --> 00:07:46.160
central donde el modelo piensa, llama herramientas, obtiene resultados y piensa de nuevo. Encima

00:07:46.160 --> 00:07:49.100
de eso están los flujos de trabajo, patrones de coordinación que gestiona múltiples agentes.

00:07:49.760 --> 00:07:53.060
Y envolviendo todo está la capa del entorno en sí, la estructura que mantiene todo unido.

00:07:53.700 --> 00:07:56.060
Microsoft incluye cinco patrones de coordinación integrados.

00:07:56.880 --> 00:07:59.720
El secuencial ejecuta agentes uno tras otro en un orden definido.

00:08:00.300 --> 00:08:01.840
El concurrente los ejecuta todos en paralelo.

00:08:02.160 --> 00:08:05.160
La transferencia pasa el control de un agente a otro según lo que se necesite.

00:08:05.540 --> 00:08:08.240
El chat grupal permite que varios agentes hablen en una conversación compartida.

00:08:08.800 --> 00:08:11.620
Y luego está Magentic, un gestor de Microsoft Research.

00:08:11.620 --> 00:08:16.620
Aquí, un agente supervisor genera un plan y luego delega el trabajo a sus especializados

00:08:16.620 --> 00:08:19.120
como un gerente de proyecto, asignando tareas a los miembros del equipo.

00:08:19.980 --> 00:08:21.760
Cada patrón maneja un programa de coordinación diferente.

00:08:22.240 --> 00:08:24.480
Aquí está la mejor parte. El marco de trabajo es extensible.

00:08:24.960 --> 00:08:28.980
Puedes conectar cualquier modelo que desees, desde OpenAI, Anthropic y Google Gemini,

00:08:29.160 --> 00:08:33.180
hasta Amazon Bedrock, e incluso modelos locales se nos llama, lo mismo ocurre con él.

00:08:33.420 --> 00:08:37.000
Te conectas a través de OpenAI el protocolo de contexto del modelo código directo.

00:08:37.420 --> 00:08:40.460
Algunas personas temen que usar el marco de trabajo de Microsoft te limite a su ecosistema.

00:08:40.460 --> 00:08:41.420
Eso no es cierto.

00:08:41.940 --> 00:08:44.340
El marco de trabajo funciona con cualquier pila tecnológica que ya estés usando.

00:08:44.660 --> 00:08:47.900
La capa de Arnés añade capacidades como acceso a archivos, ejecución de código,

00:08:48.160 --> 00:08:49.520
mide web de planificación y telemetría.

00:08:49.860 --> 00:08:53.240
Así que crear un agente con este marco significa construir un sistema completo que lee archivos,

00:08:53.360 --> 00:08:56.260
escribe código, planifica tareas de varios pasos y registra todo para depuración.

00:08:56.740 --> 00:08:59.100
Es más que una simple interfaz de chat. Así es como se ve.

00:08:59.660 --> 00:09:01.600
Imagina a un agente de programación construir este marco.

00:09:02.080 --> 00:09:05.240
Le das una tarea, por ejemplo, añadir una nueva función a una base de código existente.

00:09:09.000 --> 00:09:09.700
Luego escribe el código.

00:09:10.200 --> 00:09:11.560
Después ejecuta pruebas para asegurarse de error.

00:09:11.560 --> 00:09:15.340
Si una prueba falla, lee el error, corrige el fallo y ejecuta las pruebas de nuevo.

00:09:15.460 --> 00:09:18.980
Todo dentro del mismo Arnés, repitiendo el ciclo de pensar, actuar, verificar hasta que el trabajo esté terminado.

00:09:20.240 --> 00:09:22.320
Sin el Arnés tendrías que alimentar manualmente cada paso.

00:09:22.680 --> 00:09:24.900
Con él, el agente maneja todo el flujo de trabajo por sí mismo.

00:09:25.400 --> 00:09:27.900
Un ejemplo popular de un Arnés en acción es el patrón Claw.

00:09:28.540 --> 00:09:32.480
Microsoft lo ha puesto a disposición en Foundry y es una gran demostración de cómo estas piezas se unen.

00:09:33.220 --> 00:09:34.600
Agentes estilo Claw y Hermes.

00:09:34.600 --> 00:09:36.340
Hablemos de los agentes estilo Claw.

00:09:37.000 --> 00:09:39.300
El nombre proviene de proyectos de código abierto como OpenClaw.

00:09:39.700 --> 00:09:44.000
Estos agentes viven en tu máquina, esperan instrucciones y lo ejecutan en tareas largas por su cuenta.

00:09:44.500 --> 00:09:46.540
Siempre están ahí listos para intervenir cuando los necesitas.

00:09:46.820 --> 00:09:49.500
Piénsalos como un asistente personal que nunca se toma un día libre.

00:09:50.140 --> 00:09:51.400
La versión de Microsoft se llama Hermes.

00:09:51.980 --> 00:09:56.440
Se ejecuta dentro del sandbox de agentes alojado en Foundry y cuenta con algunas capacidades impresionantes.

00:09:56.860 --> 00:09:59.980
Hermes tiene su propio sistema de archivos, su propia memoria y su propio conjunto de herramientas.

00:09:59.980 --> 00:10:04.220
Puede configurar sus propias rutinas de mantenimiento, limpiando archivos antiguos y organizando su espacio de trabajo.

00:10:04.640 --> 00:10:07.700
Y si se da cuenta que necesita una nueva idea que no tiene, puede crearla sobre la marcha.

00:10:08.160 --> 00:10:09.520
Para bien, esto es lo importante sobre los agentes.

00:10:09.880 --> 00:10:12.200
Los arquitectos de la nube los llaman mascotas, no ganado.

00:10:12.660 --> 00:10:13.460
Las mascotas son únicas.

00:10:13.700 --> 00:10:15.860
Les da su nombre y los cuidas y no puedes reemplazarlos fácilmente.

00:10:16.200 --> 00:10:17.040
El ganado es intercambiable.

00:10:17.560 --> 00:10:19.180
Así que, si uno falla, pones en marcha a otro.

00:10:19.600 --> 00:10:20.980
Los agentes Claw son definitivamente mascota.

00:10:21.340 --> 00:10:23.720
Cada uno tiene su propio estado historial y comportamiento sorprendido.

00:10:24.400 --> 00:10:27.980
Esa singularidad los hace poderosos, pero también dificulta la recuperación y el escalado.

00:10:27.980 --> 00:10:33.680
Si algo sale mal, no puedes simplemente descartar la instancia y empezar de nuevo porque perderías todo ese conocimiento acumulado.

00:10:34.080 --> 00:10:35.740
Solución de Microsoft es algo llamado rutina.

00:10:36.200 --> 00:10:40.620
Son tareas programadas que permiten a la gente despertarse, realizar tareas de mantenimiento y volver a dormir.

00:10:41.100 --> 00:10:46.760
En lugar de mantener el entorno aislado sandbox funcionando 24-7, lo cual cuesta dinero, el agente se apaga tras un periodo de inactividad.

00:10:47.620 --> 00:10:53.500
El sistema de rutinas lo despierta cuando llega el momento de hacer algo, como limpiar habilidades antiguas, ejecutar una copia de seguridad, buscar nuevas tareas.

00:10:53.980 --> 00:10:54.820
Luego vuelve a dormir.

00:10:54.820 --> 00:10:58.200
Esto ahorra costos, mientras mantiene a gente disponible cuando lo necesitas.

00:10:58.680 --> 00:10:59.900
El sandbox se aísla cada sesión.

00:11:00.740 --> 00:11:05.140
Los archivos, la memoria y la configuración de tu agente permanecen contenidos en su propio entorno.

00:11:05.840 --> 00:11:10.480
Y el arnés se encarga de gestionar ese estado entre sesiones, para que no tengas que preocuparte que los datos de un agente se filtren en otro.

00:11:11.420 --> 00:11:14.880
Construir tu propio arnés desde cero es posible, pero la mayoría de las empresas no lo necesitan.

00:11:15.480 --> 00:11:18.500
Foundry te ofrece una plataforma lista para usar con todas sus capacidades integradas.

00:11:19.000 --> 00:11:21.100
La verdadera pregunta es, ¿qué quieres que haga tu agente?

00:11:21.100 --> 00:11:25.020
Publicación y colaboración, donde los arnés se encuentran con los humanos.

00:11:25.360 --> 00:11:28.380
Entonces ya has construido a tu agente, le has dado herramientas, memoria, orquestación y un sandbox.

00:11:28.840 --> 00:11:29.800
Ahora, ¿cómo lo usa el agente realmente?

00:11:30.240 --> 00:11:31.580
Aquí es donde Foundry facilita las cosas.

00:11:32.220 --> 00:11:37.660
Una vez que tu agente está construido e implementado, puedes publicarlo en Microsoft 365 Copilot en Microsoft Teams con un solo clic.

00:11:38.260 --> 00:11:40.740
No 10 clics, sino un proceso de implementación de 3 días, solo un clic.

00:11:40.740 --> 00:11:45.680
Y tu agente aparece justo donde la gente ya trabaja en su correo electrónico, sus chats y sus documentos.

00:11:46.120 --> 00:11:47.700
Foundry admite dos modos de implementación.

00:11:48.040 --> 00:11:49.020
Primero, agentes de asistencia.

00:11:49.440 --> 00:11:53.000
Estos trabajan en tu nombre, redactando correos, programando reuniones o buscando documentos.

00:11:53.460 --> 00:11:57.220
Actúan como una extensión tuya, como tener un asistente muy rápido que hace lo que le pides.

00:11:58.520 --> 00:11:59.620
Segundo, agentes de piloto automático.

00:12:00.180 --> 00:12:01.240
Estos son más nuevos y más interesantes.

00:12:01.580 --> 00:12:04.520
Actúan en su propio nombre, con su propia dirección de correo electrónico y su propia identidad.

00:12:04.740 --> 00:12:06.160
No necesitan que los solicites cada vez.

00:12:06.600 --> 00:12:07.200
Toma la iniciativa.

00:12:07.200 --> 00:12:12.680
Los agentes de piloto automático tienen una cuenta de usuario como puedes añadirlos a un chat grupal de Teams, tal como añadirías a un compañero de trabajo.

00:12:13.060 --> 00:12:23.540
Siguen la conversación e intervienen cuando pueden ayudar, haciendo seguimiento de temas pendientes, respondiendo preguntas sobre lo que trabaja el equipo e incluso integrando a nuevos miembros al enviarle los documentos correctos y presentándoles a las personas adecuadas.

00:12:23.920 --> 00:12:24.760
Que hay un ejemplo concreto.

00:12:25.320 --> 00:12:27.340
Supongamos que tienes un agente gestor de flujos de trabajo.

00:12:27.660 --> 00:12:28.800
Lo agregas a tu chat grupal de Teams.

00:12:29.100 --> 00:12:31.580
Alguien dice, necesito el informe del tercer trimestre listo para el viernes.

00:12:31.960 --> 00:12:33.380
El agente nota que esto es una tarea pendiente.

00:12:33.380 --> 00:12:38.560
Crea una tarea, le asigna a la persona correcta y añade un recordatorio para el jueves para verificar el progreso.

00:12:38.900 --> 00:12:39.740
Nadie le dijo que hiciera eso.

00:12:40.340 --> 00:12:41.940
Simplemente vio algo que debía hacerse y lo hizo.

00:12:42.760 --> 00:12:44.620
El harness maneja todos los permisos detrás de escena.

00:12:45.200 --> 00:12:47.840
Solo los usuarios autorizados pueden interactuar con el agente en un chat grupal.

00:12:48.100 --> 00:12:50.540
El agente ve los mensajes que tiene permitido ver e ignora al resto.

00:12:50.940 --> 00:12:53.380
Respeta los mismos controles de acceso que tus compañeros de equipo humano.

00:12:53.740 --> 00:12:55.500
Aquí es donde la ingeniería de harness realmente vale la pena.

00:12:55.820 --> 00:12:58.300
El agente deja de ser un chatbot que abre en una pestaña del navegador.

00:12:58.640 --> 00:12:59.980
Te convierte en un miembro productivo del equipo.

00:12:59.980 --> 00:13:02.460
Vive donde tú vives, trabaja como trabaja tu equipo.

00:13:03.100 --> 00:13:09.040
Y todo esto es posible porque el harness, el sistema alrededor del modelo, gestiona la identidad, los permisos, la implementación y la integración.

00:13:09.580 --> 00:13:11.860
Sin el harness solo tendrías otra ventana de chat que revisar.

00:13:12.380 --> 00:13:13.880
Pero cualquier herramienta poderosa necesitas al favor.

00:13:14.280 --> 00:13:16.320
Hablemos de las medidas de seguridad que hacen que todo esto sea seguro.

00:13:16.960 --> 00:13:18.640
Y el responsable y gobernanza en el harness.

00:13:19.180 --> 00:13:19.540
Este es el punto.

00:13:19.800 --> 00:13:22.520
La ingeniería de harness no se trata solo de hacer que los agentes sean más capaces.

00:13:22.880 --> 00:13:24.520
Se trata de hacerlos seguros y confiables.

00:13:25.180 --> 00:13:28.800
Un agente que puede enviar correos electrónicos, modificar archivos y actuar en chats grupales es poderoso.

00:13:28.800 --> 00:13:30.160
Pero ese poder necesita control.

00:13:30.480 --> 00:13:32.740
Piénsalo como darle a un empleado las llaves del edificio.

00:13:33.160 --> 00:13:36.580
Quieres que hagan su trabajo, pero también estableces reglas sobre a qué pueden acceder y cuándo.

00:13:37.540 --> 00:13:40.300
El enfoque de Microsoft se basa en el estándar de IA responsable.

00:13:41.280 --> 00:13:42.580
Seis principios guían todo.

00:13:43.200 --> 00:13:44.760
Equidad, confiabilidad y seguridad.

00:13:44.920 --> 00:13:45.840
Privacidad y seguridad.

00:13:46.040 --> 00:13:48.640
Inclusión, transparencia y responsabilidad.

00:13:49.080 --> 00:13:51.400
Y estas no son solo ideas bonitas escritas en un póster.

00:13:51.780 --> 00:13:55.420
Son la base real de cómo se diseña toda la plataforma desde cero.

00:13:55.920 --> 00:13:58.160
El harness es donde estos principios se convierten en código real.

00:13:58.160 --> 00:14:00.320
Las medidas de seguridad limitan lo que la gente puede hacer.

00:14:00.480 --> 00:14:04.180
Los ganchos de ciclo de vida te permiten aplicar políticas en cada paso de la ejecución de la gente.

00:14:04.440 --> 00:14:06.460
Antes de que la gente se ejecute, después de que lo hace.

00:14:06.620 --> 00:14:07.600
Antes de llamar a una herramienta.

00:14:07.880 --> 00:14:10.860
Después de obtener un resultado, puedes insertar tus propias comprobaciones en cualquier punto.

00:14:11.200 --> 00:14:13.040
¿Quieres bloquear el acceso a la gente a ciertas bases de datos?

00:14:13.720 --> 00:14:14.260
Puedes hacer.

00:14:14.560 --> 00:14:16.980
¿Quieres requerir aprobación humana antes de que la gente envíe un correo electrónico?

00:14:17.380 --> 00:14:17.860
Puedes hacer.

00:14:18.220 --> 00:14:19.780
Ambas cosas son sencillas de configurar.

00:14:20.020 --> 00:14:23.760
El marco de trabajo with Architected de Azure incluye orientación dedicada para cargas de trabajo de él.

00:14:23.760 --> 00:14:26.440
Cubre todo desde el cifrado de datos hasta la respuesta a incidentes.

00:14:27.080 --> 00:14:31.380
La idea es que construir un sistema de IA no es fundamentalmente diferente de construir cualquier otro sistema empresarial.

00:14:31.900 --> 00:14:34.100
Todavía necesitas seguridad, confiabilidad y excelencia operativa.

00:14:34.920 --> 00:14:38.760
El Web Architected Framework te ofrece una forma estructurada de pensar en todo eso sin perderte.

00:14:39.420 --> 00:14:41.060
Más allá de eso existe el Cloud Option Framework.

00:14:41.540 --> 00:14:43.380
Proporcioso de cuatro etapas para la gobernanza de IA.

00:14:44.040 --> 00:14:45.220
Primero, identificar los riesgos.

00:14:45.600 --> 00:14:46.160
Podría ser mal.

00:14:46.540 --> 00:14:47.340
Segundo, medio de impacto.

00:14:47.600 --> 00:14:48.260
¿Qué tan grave sería?

00:14:48.700 --> 00:14:50.060
Tercero, mitigar con controles.

00:14:50.300 --> 00:14:51.700
¿Qué puedes implementar para prevenirlo?

00:14:51.700 --> 00:14:53.160
Cuarto, operar con monitoreo.

00:14:53.620 --> 00:14:55.080
¿Cómo detectas los problemas cuando ocurren?

00:14:55.300 --> 00:14:59.560
Es un enfoque práctico paso a paso que convierte preocupaciones abstractas en acciones concretas que puedes realizar.

00:15:00.060 --> 00:15:03.060
Para los marcos de agentes, Agent Harnesses específicamente, eso significa algunas cosas.

00:15:03.400 --> 00:15:06.140
Límites máximos de pasos para que la gente no pueda ejecutarse indefinidamente.

00:15:06.640 --> 00:15:08.780
Restricciones de herramientas para que solo acceda a lo que debe.

00:15:09.200 --> 00:15:11.080
Filtros de aprobación humana para acciones de alto riesgo.

00:15:11.280 --> 00:15:13.700
Registros de auditoría para que cada decisión que documenta desee revisar.

00:15:14.080 --> 00:15:17.300
Filtros de seguridad de contenido que detectan resultados problemáticos antes de que alguien los vea.

00:15:17.860 --> 00:15:20.280
Cada pieza trabaja en conjunto para mantener a tu agente bajo control.

00:15:20.280 --> 00:15:23.860
Microsoft ofrece seguridad de contenido y evaluadores integrados dentro de Foundry.

00:15:24.260 --> 00:15:26.820
Puedes probar tu agente contra un conjunto de criterios antes de implementarlo.

00:15:27.300 --> 00:15:28.040
¿Se mantiene en el tema?

00:15:28.380 --> 00:15:29.700
¿Maneja adecuadamente los datos sensibles?

00:15:30.200 --> 00:15:31.980
¿Rechaza las solicitudes que no debería cumplir?

00:15:32.440 --> 00:15:37.140
Puedes ejecutar estas evaluaciones automáticamente y obtener una puntuación antes de publicar el agente para tu equipo.

00:15:37.780 --> 00:15:40.500
De esa forma detectas problemas temprano, no después de que algo salga mal.

00:15:40.900 --> 00:15:41.880
Este es el panorama completo.

00:15:42.240 --> 00:15:44.760
Desde un simple prompt hasta un agente autónomo seguro de nivel de producción.

00:15:44.760 --> 00:15:51.180
El modelo piensa, el marco hace todo lo demás, la coordinación, las barreras de seguridad, la gobernanza, todo lo que lo hace confiable.

00:15:51.920 --> 00:15:53.540
Entonces recapitulemos la transformación.

00:15:53.980 --> 00:15:55.640
Comenzamos con la creación de prompts y no solo pasa OneShot.

00:15:55.840 --> 00:15:57.140
Escribes un prompt y obtienes una respuesta.

00:15:57.740 --> 00:15:58.800
Eso funcionaba para tarasín.

00:15:59.060 --> 00:16:00.240
Luego pasamos a la ingeniería de contexto.

00:16:00.820 --> 00:16:01.800
Gestiona lo que ve el modelo.

00:16:02.120 --> 00:16:03.680
Carga la información correcta en el momento justo.

00:16:04.120 --> 00:16:05.580
Eso funcionaba para tareas más complejas.

00:16:05.840 --> 00:16:07.760
Y ahora hemos llegado a la ingeniería completa de marcos Harness Engineering.

00:16:07.760 --> 00:16:12.400
Construir un sistema completo alrededor del modelo con memoria, herramientas, coordinación, barreras y gobernanza.

00:16:12.740 --> 00:16:13.560
Aquí está la conclusión clave.

00:16:14.060 --> 00:16:16.100
Un agente es tan confiable como el sistema que lo rodea.

00:16:16.660 --> 00:16:19.680
El modelo importa absolutamente, pero el marco es lo que define el éxito en producción.

00:16:20.180 --> 00:16:24.440
Puedes tener el mejor modelo del mundo, pero sin un buen marco fallará en tareas reales.

00:16:25.400 --> 00:16:29.380
Puedes tener un modelo decente con un excedente marco y superará las expectativas siempre.

00:16:30.160 --> 00:16:30.900
Aquí está tu desafío.

00:16:31.700 --> 00:16:33.940
En tu próximo proyecto de IA, piensa más allá del prompt.

00:16:34.540 --> 00:16:35.920
No preguntes qué debería decirle al modelo.

00:16:35.920 --> 00:16:38.000
Pregunta qué sistema necesito construir a su alrededor.

00:16:38.860 --> 00:16:41.460
Ese cambio de mentalidad es lo que separa las demos de los sistemas de producto.

00:16:41.960 --> 00:16:44.880
En el próximo episodio profundizaremos en un componente clave, la memoria.

00:16:45.340 --> 00:16:50.200
Cómo los agentes aprenden con el tiempo, cómo recuerdan lo que han hecho y cómo eso cambia lo que pueden lograr.

00:16:50.760 --> 00:16:51.640
Suscríbete para no perder.
