AI agéntica, con fundamento: lo que la investigación dice realmente — y lo que significa para la gestión de activos de transformadores

Para un público de ingeniería, el escepticismo ante la AI es una fortaleza, no un lastre. La pregunta correcta no es «¿es real la AI agéntica?» —lo es—, sino «¿qué prescribe realmente la investigación para desplegarla sobre activos que no pueden fallar en silencio?». La respuesta alentadora es que los laboratorios de frontera, la investigación académica sobre fiabilidad y las instituciones de gobernanza convergen en un único patrón: los agentes empresariales útiles son acotados, están fundamentados en evidencia y son revisados por humanos. Ese patrón coincide casi exactamente con la forma en que ya se toman las decisiones serias de gestión de activos de transformadores.

Qué es realmente la «AI agéntica»

La definición operativa más clara proviene de los laboratorios que construyen estos sistemas. Anthropic distingue los agentes, en los que el modelo «dirige dinámicamente sus propios procesos y el uso de herramientas», de los flujos de trabajo, en los que los modelos y las herramientas se «orquestan mediante rutas de código predefinidas»; y aconseja a quienes los construyen «encontrar la solución más simple posible» y añadir complejidad agéntica solo cuando los enfoques más sencillos se quedan cortos, como expone su guía de ingeniería de agentes. La propia guía práctica de OpenAI para construir agentes refleja esa misma contención. Phillip Isola, del MIT, define la AI agéntica sencillamente como «AI que ejecuta acciones en el mundo», a la vez que advierte de que la gente «no dedicará suficiente esfuerzo a verificar» la salida de los agentes — una advertencia que pesa mucho en el trabajo crítico para el negocio.

El matiz más importante es este: la autonomía es una decisión de despliegue, no una consecuencia automática de la capacidad. El marco Levels of AGI de Google DeepMind insiste en «seleccionar cuidadosamente los paradigmas de interacción humano-AI», tratando el grado de autonomía como una decisión deliberada ligada al riesgo. Un modelo más capaz no obliga a cederle más control.

La realidad de la fiabilidad

Dos hallazgos deberían dar forma a cualquier despliegue en infraestructuras críticas. Primero, los agentes son inconsistentes en condiciones realistas: el banco de pruebas τ-bench para la interacción herramienta-agente-usuario informa de que los agentes de última generación con invocación de funciones tienen éxito en menos de la mitad de las tareas realistas y no son fiables entre ejecuciones repetidas. Segundo, la alucinación es estructural, no accidental: la investigación sostiene que es una limitación innata para los solucionadores de problemas generales, y otros trabajos la atribuyen a cómo se entrenan y evalúan los modelos, más que a un defecto subsanable.

Ninguno de los dos hallazgos dice «no uséis agentes». Dicen: no construyáis un sistema cuya seguridad dependa de que el modelo acierte siempre. En una flota de transformadores, ese principio es innegociable.

El patrón creíble: acotado + fundamentado + revisado

• Fundamentado. La generación aumentada por recuperación —vincular las respuestas a un almacén de evidencia externo— produce respuestas «más específicas, diversas y factuales» que un modelo que se apoya únicamente en sus parámetros. Este es el mecanismo, respaldado por la investigación, que hay detrás de las respuestas con citas: cada conclusión remite a una fuente que un revisor puede comprobar.
• Acotado. El propio uso de herramientas es una superficie de fallo conocida que la ingeniería debe domar; el trabajo Gorilla de Berkeley existe específicamente para reducir la alucinación en las llamadas a API y a herramientas. Confinar a un agente a un conjunto de herramientas definido y probado es lo que mantiene sus acciones dentro de los límites.
• Gobernado. El NIST AI Risk Management Framework trata el riesgo de la AI como sociotécnico, y lo organiza en las funciones Govern, Map, Measure y Manage, con la supervisión humana integrada a lo largo de todo el ciclo de vida.

Hay una salvedad honesta que conviene tener presente: la supervisión humana puede volverse un mero formalismo si se presiona a los revisores para que aprueben sin más. Un alcance acotado y los enlaces a la evidencia son los que hacen que la revisión sea real: un revisor que puede ver la medición subyacente está en condiciones de discrepar realmente de la máquina. Tratamos ese principio en detalle en la AI con supervisión humana para decisiones sobre transformadores.

Por qué esto encaja con la gestión de activos de transformadores

La red es, en palabras del U.S. DOE, «una de las máquinas más complejas y, sin embargo, más fiables del planeta», y el DOE presenta la AI como valiosa para gestionarla, siempre que las herramientas «no introduzcan riesgos para la red ni para las personas». La IEA atribuye igualmente a la AI un valor operativo real en el sector energético, junto con una restricción explícita de seguridad y protección.

Las decisiones sobre transformadores encajan bien con la versión acotada de la AI agéntica precisamente porque ya tienen la forma que describen los laboratorios: una tarea clara (interpretar una tendencia de DGA, conciliar una medición de PRPD, sopesar una acción de mantenimiento), criterios de éxito claros y una supervisión humana obligatoria. Los modos de fallo se conocen bien —véase por qué fallan los transformadores de potencia— y la evidencia es concreta y comprobable. Ese es el entorno ideal para un agente cuyo trabajo es reunir el expediente, no tomar la decisión.

Cómo aplica GridAPM el patrón

GridAPM está construido como la disciplina que prescribe la investigación, no como autonomía por sí misma. Sus agentes son acotados —herramientas y acciones definidas, sin control abierto sobre activos energizados—; están vinculados a la evidencia —cada hallazgo es trazable hasta el registro de DGA, aceite, PD, SFRA, térmico o de inspección que lo produjo, con el estilo fundamentado en la recuperación que valida la literatura—; y son revisados por humanos —el ingeniero aprueba, el agente prepara—. Esta es la misma filosofía que hay detrás del software APM de AI agéntica para transformadores de potencia y de nuestra visión más amplia sobre la inteligencia artificial para transformadores de potencia.

El argumento persuasivo para un equipo de ingeniería escéptico no es «confíe en la AI». Es: hemos construido lo que prescribe la evidencia. Solicite un piloto de GridAPM para evaluar un flujo de trabajo acotado, vinculado a la evidencia y revisado por humanos sobre su propia flota.