6 min read
¿Cómo incorporar la inteligencia artificial a la estrategia de tu empresa sin transformar todo de golpe?
C&A Systems · Perspectiva de Dirección La IA no es un proyecto de sistemas. Es una estrategia de productividad. Operating model ...
5 min read
La inteligencia artificial empresarial está evolucionando rápidamente.
La primera generación de soluciones basadas en modelos de lenguaje se concentró principalmente en responder preguntas. Hoy las organizaciones están comenzando a implementar agentes de IA capaces de consultar información, ejecutar tareas, colaborar con otros agentes y mantener contexto durante procesos que pueden durar horas, días o incluso meses.
Pero existe un problema fundamental:
¿Cómo puede un agente de IA recordar lo que ocurrió anteriormente?
Resolver este problema es una de las claves para construir agentes realmente útiles dentro de una empresa.
01 · Arquitectura de agentes
El problema: los LLM no recuerdan todo
Modelos como GPT, Claude, Gemini o Llama trabajan principalmente mediante una ventana de contexto.
Dentro de ella pueden recibir instrucciones, documentos, conversaciones y datos necesarios para generar una respuesta.
Las ventanas de contexto han crecido considerablemente. Sin embargo, aumentar su tamaño no resuelve completamente el problema.
Imaginemos un agente encargado de cobranza.
Durante varias semanas podría necesitar recordar:
qué facturas tiene pendientes un cliente;
qué conversaciones se han tenido;
qué compromisos de pago existen;
qué documentos fueron enviados;
qué acciones ejecutó anteriormente;
qué resultado obtuvo;
cuándo debe realizar el siguiente seguimiento.
Enviar todo el historial al modelo cada vez que realiza una operación sería costoso, lento y poco eficiente.
Por eso los agentes necesitan una arquitectura de memoria.
02 · Memory stack
De la ventana de contexto a la memoria empresarial
Una arquitectura moderna de agentes puede manejar diferentes tipos de memoria.
Corto plazo
Tarea actual
Contexto temporal necesario mientras se completa una tarea.
Largo plazo
Conocimiento persistente
Información que debe conservarse y recuperarse posteriormente.
Episódica
Experiencias
Qué ocurrió, qué hizo el agente y qué resultado obtuvo.
1. Memoria de corto plazo
Mantiene la información necesaria para ejecutar la tarea actual.
Por ejemplo:
Usuario: revisa las facturas pendientes del cliente ABC.
El agente consulta información, analiza resultados y mantiene temporalmente ese contexto mientras completa la tarea.
Una vez terminada, gran parte de esa información podría dejar de ser necesaria.
2. Memoria de largo plazo
Existe información que sí necesitamos conservar.
Por ejemplo:
El cliente ABC acordó realizar el pago el viernes.
Este dato puede almacenarse fuera del LLM y recuperarse posteriormente.
Aquí aparecen tecnologías como:
RAG + embeddings + bases de datos vectoriales.
En lugar de enviar toda la información al modelo, el sistema recupera únicamente aquella que resulta relevante para la consulta actual.
3. Memoria episódica
Los agentes también pueden almacenar experiencias.
Por ejemplo:
El agente envió un recordatorio de pago al cliente ABC y recibió como respuesta una nueva fecha compromiso.
Esta información puede convertirse en parte del historial operativo del agente.
Así, la IA no solamente consulta documentos.
También puede recuperar qué ocurrió anteriormente.
03 · Memory management
MemGPT: administrar la memoria como un sistema operativo
Una aproximación interesante es MemGPT, posteriormente evolucionado dentro del proyecto Letta.
Su propuesta parte de una idea sencilla:
Un LLM tiene una cantidad limitada de contexto, de forma similar a como una computadora tiene memoria limitada.
En lugar de intentar colocar toda la información dentro del prompt, se pueden crear diferentes niveles de memoria.
El agente decide qué información mantener disponible y qué información almacenar externamente para recuperarla cuando sea necesaria.
Conceptualmente podemos imaginarlo así:
LLM → memoria activa → memoria externa → recuperación de información
Esto permite desarrollar agentes capaces de mantener relaciones e interacciones mucho más prolongadas.
04 · Orquestación
¿Dónde entra LangChain?
LangChain es uno de los frameworks más utilizados para desarrollar aplicaciones y agentes basados en modelos de lenguaje.
Permite conectar un LLM con diferentes componentes empresariales:
LLM → Herramientas y APIs → Bases de datos → Documentos → Memoria → Aplicaciones corporativas
Por ejemplo, una empresa podría desarrollar un agente que consulte simultáneamente:
SharePoint SQL Server CRM ERP APIs internas documentos PDF bases vectoriales
El agente puede recuperar información mediante RAG y utilizarla para ejecutar determinadas acciones.
En arquitecturas más complejas, LangGraph, dentro del ecosistema LangChain, permite construir agentes con estados, flujos de decisión y procesos de larga duración.
Esto es especialmente relevante cuando necesitamos que un proceso continúe después de múltiples interacciones.
05 · Multiagentes
¿Y qué papel juega CrewAI?
El siguiente nivel aparece cuando una tarea requiere varios agentes especializados.
Aquí frameworks como CrewAI permiten construir arquitecturas multiagente.
En lugar de tener un único agente realizando todo el proceso, podemos crear diferentes roles.
Por ejemplo, para un proceso financiero:
AGENTE 1
Conciliación
Identifica pagos y los relaciona con facturas.
AGENTE 2
Cobranza
Detecta facturas vencidas y prioriza clientes.
AGENTE 3
Comunicación
Genera comunicaciones personalizadas.
AGENTE 4
Supervisor
Valida resultados, excepciones y reglas de negocio.
Los agentes pueden compartir información y colaborar para completar un proceso empresarial.
La memoria se convierte entonces en una pieza fundamental porque necesitamos conservar estado, contexto, decisiones y resultados entre diferentes agentes y ejecuciones.
06 · Conceptos
RAG, memoria y agentes no son lo mismo
Es común confundir estos conceptos.
RAG
permite recuperar conocimiento.
Memoria
permite conservar contexto o experiencias relevantes.
Agentes
utilizan modelos, memoria, herramientas y reglas para alcanzar un objetivo.
Multiagentes
distribuyen el trabajo entre diferentes agentes especializados.
Cuando estas capacidades se combinan comienza a aparecer una nueva arquitectura empresarial:
Datos + LLM + RAG + memoria + herramientas + agentes + automatización
07 · Evolución
De chatbot a agente empresarial
La diferencia puede parecer pequeña, pero tecnológicamente es importante.
CHATBOT
“Estas son las facturas pendientes.”
AGENTE + HERRAMIENTAS
“Encontré 37 facturas pendientes por $4.2 millones.”
AGENTE + MEMORIA
“12 de estos clientes ya tienen compromisos de pago registrados.”
MULTIAGENTE
“Concilié los pagos recibidos, identifiqué 8 facturas que requieren seguimiento y preparé las comunicaciones correspondientes para validación.”
La IA deja de ser solamente una interfaz conversacional.
Comienza a participar dentro del proceso empresarial.
08 · Gobierno
El verdadero reto no es seleccionar el LLM
Muchas organizaciones comienzan preguntando:
¿Debemos utilizar GPT, Claude, Gemini o Llama?
Es una pregunta importante, pero no necesariamente la primera.
Una arquitectura empresarial de IA debe responder antes otras preguntas:
¿A qué información tendrá acceso el agente?
¿Qué información puede almacenar?
¿Durante cuánto tiempo?
¿Qué debe olvidar?
¿Qué sistemas puede consultar?
¿Qué acciones puede ejecutar?
¿Qué decisiones requieren autorización humana?
¿Cómo registramos cada acción realizada?
¿Cómo protegemos información confidencial?
¿Cómo auditamos las decisiones del agente?
Estas preguntas convierten un experimento de IA en una arquitectura empresarial gobernable.
09 · Primer caso de uso
¿Cómo empezar sin transformar toda la empresa?
No es necesario comenzar construyendo decenas de agentes.
Una estrategia más práctica consiste en seleccionar un proceso concreto, repetitivo y medible.
Por ejemplo:
FINANZAS
Conciliación, cobranza, búsqueda de pagos o validación documental.
OPERACIONES
Clasificación de solicitudes, seguimiento de procesos o análisis de incidencias.
TI
Mesa de servicio, diagnóstico inicial, búsqueda de conocimiento o automatización de soporte.
RECURSOS HUMANOS
Consulta de políticas, onboarding o gestión documental.
El objetivo del primer proyecto debe ser demostrar algo muy sencillo:
¿Puede la IA reducir tiempo, errores o esfuerzo humano dentro de un proceso específico?
Una vez demostrado el valor, la arquitectura puede evolucionar incorporando memoria persistente, RAG, nuevos agentes y mayor automatización.
10 · Siguiente generación
La siguiente generación de IA empresarial tendrá memoria
Nueva arquitectura empresarial
Datos + LLM + RAG + memoria + herramientas + agentes + automatización
Durante los próximos años veremos una transición importante.
Pasaremos de preguntar:
“¿Qué puede responder mi IA?”
a preguntar:
“¿Qué procesos puede ejecutar, qué información necesita recordar y qué decisiones puede tomar?”
Tecnologías como RAG, MemGPT/Letta, LangChain, LangGraph y CrewAI muestran diferentes caminos para resolver partes de este problema.
Pero la tecnología por sí sola no determina el éxito.
El verdadero desafío está en diseñar correctamente la integración entre datos, procesos, memoria, seguridad, gobierno y agentes de IA.
Preguntas frecuentes
Preguntas frecuentes sobre memoria y agentes de IA
Conceptos clave para entender cómo una arquitectura de agentes puede mantener contexto y participar en procesos empresariales.
