La mayoría de asistentes de IA espera a que pregunte. Usted escribe, responden y esperan. En cumplimiento comercial, ese modelo tiene un problema fundamental: los riesgos no esperan a que alguien pregunte.
En Atlas Verified creamos un sistema de agentes autónomos en la nube que supervisan continuamente cadenas, consultan bases gubernamentales y presentan riesgos de cumplimiento según un calendario, sin instrucciones escritas. Funcionan en segundo plano en todas las organizaciones de la plataforma y entregan inteligencia estructurada directamente al panel.
Esta publicación aborda la ingeniería de agentes siempre activos: diferencias con IA conversacional, importancia de salidas estructuradas y retos de orquestar agentes autónomos a escala.
De reactivo a proactivo
La IA conversacional es reactiva por naturaleza. El usuario pregunta, el modelo razona, llama herramientas y responde. Funciona bien para investigación puntual y análisis documental. Pero supervisar cumplimiento exige inteligencia proactiva.
Considere un escenario: USDA suspende de noche la certificación orgánica de un proveedor. Un envío suyo ya está en tránsito. Una nueva designación OFAC incorpora a un transitario a sanciones. Se emite una alerta FDA para una materia prima que importa activamente.
Ninguno espera a que un responsable entre y haga la pregunta correcta. Cuando alguien piensa en comprobar, puede haberse cerrado la oportunidad de actuar proactivamente. Las mercancías están en el puerto. La documentación, presentada. La exposición es real.
Los agentes en la nube resuelven esto invirtiendo la relación. En vez de que el usuario impulse la IA, esta se impulsa según un calendario, comprueba lo relevante y envía hallazgos al usuario.
Arquitectura de un agente por cuadrante
En los primeros prototipos probamos un agente único para todo: cambios normativos, estado de proveedores, seguimiento de envíos y procesamiento documental. Producía resultados dispersos y extensos. Seguía un hilo interesante y descuidaba categorías enteras.
La solución fue dividir el problema en ámbitos enfocados, llamados cuadrantes:
Inteligencia. Alertas normativas, tendencias de mercado y riesgos transversales. Este agente supervisa bases gubernamentales para cambios que afectan a la organización: nuevas alertas FDA, actualizaciones OFAC, cambios arancelarios y estados de certificación orgánica.
Proveedores. Salud de la red de proveedores. Este agente revisa estado de verificación, lagunas de cumplimiento, vencimientos y concentración de red. Si 80% del suministro orgánico viene de un único agente certificador, lo señala.
Envíos. Supervisión de envíos activos. Sigue posiciones de buques, desviaciones de rutas, retrasos y documentación completa. Presenta problemas como contenedores que permanecen más de lo esperado en puerto o buques desviados de rutas declaradas.
Espacio de trabajo. Salud operativa. Revisa estado de procesamiento documental, verificaciones pendientes, actividad del equipo y patrones de uso. Presenta documentos con fallos de procesamiento que necesitan atención o verificaciones pendientes demasiado tiempo.
Cada agente funciona con una instrucción de sistema enfocada y herramientas limitadas a su ámbito. Produce resultados mucho mejores que un agente omnisciente por el mismo motivo que un equipo de especialistas supera a un generalista: profundidad de enfoque.
Compartir una capa de herramientas con el agente de chat
Una decisión arquitectónica esencial fue usar exactamente la misma capa de herramientas para agentes en la nube y el agente conversacional. Las mismas revisiones OFAC, consultas USDA, seguimiento de buques, datos comerciales y análisis documental impulsan ambos.
Esto tiene ventajas importantes de ingeniería:
Sin duplicación de herramientas. Al añadir una fuente o mejorar un adaptador, ambos agentes se benefician inmediatamente. Hay una implementación, un conjunto de pruebas y un ámbito de mantenimiento.
Resultados uniformes. Una comprobación de sanciones de un agente en la nube y otra de un usuario en chat llaman la misma función con igual lógica. Los resultados son directamente comparables y cotejables.
El reto es que las herramientas interactivas no siempre funcionan igual en lotes. Un agente de chat puede pedir aclaración ante ambigüedad. Uno en la nube no. Lo resolvemos con instrucciones más específicas y límites de recursión más altos: tiene más tiempo para corregirse porque nadie espera una respuesta en tiempo real.
Salida estructurada: de texto libre a tarjetas de panel
Aquí más divergen los agentes en la nube y de chat. El de chat produce texto narrativo, a veces con tarjetas estructuradas. El de la nube debe producir exclusivamente salida estructurada representable directamente en el panel.
Cada ejecución produce una matriz de tarjetas de inteligencia. Cada tarjeta tiene tipo y esquema definidos:
Contadores muestran métricas clave con indicadores de tendencia: envíos activos totales, proveedores con certificaciones próximas a vencer y verificaciones pendientes.
Señales de riesgo destacan problemas concretos que necesitan atención: certificación suspendida de proveedor, coincidencia de sanciones o alerta FDA.
Alertas comunican información urgente: cambios normativos, nuevas designaciones OFAC y actualizaciones arancelarias que afectan a envíos activos.
Gráficos y tablas presentan datos analíticos: tendencias de volumen, distribución de corredores y tasas de finalización de verificación.
Mapas muestran inteligencia geográfica: posiciones de buques, actividad portuaria y distribución de proveedores.
El reto es restringir un LLM para producir salida estructurada válida uniformemente. Los modelos quieren narrar, explicar y matizar. Lograr una matriz JSON limpia con tipos, campos y datos correctos requiere diseño cuidadoso de instrucciones y validación.
Si la salida no coincide con el esquema de tarjetas, analizamos lo posible y descartamos tarjetas malformadas en vez de fallar toda la ejecución. La inteligencia parcial es mejor que ninguna.
Agentes personalizados: supervisores autónomos definidos por usuarios
Además de los cuatro agentes del sistema, los usuarios pueden crear sus propios agentes en la nube. Uno personalizado tiene nombre, instrucción de sistema escrita por el usuario y calendario. Usa la misma capa y tipos de tarjetas, pero su enfoque lo define totalmente el usuario.
Un usuario puede crear un agente para supervisar interrupciones de un corredor concreto, revisar diariamente determinados proveedores en listas de sanciones o seguir precios de una materia prima mediante datos comerciales. Las posibilidades solo se limitan por el acceso de la capa de herramientas.
Hacerlo seguro y útil requirió varias decisiones:
Ámbito organizativo. Cada agente pertenece a una organización y solo accede a sus datos. No puede cruzar límites organizativos aunque la instrucción lo intente.
Filtrado de capacidades de herramientas. Los agentes personalizados tienen las mismas herramientas de verificación e investigación, pero heredan los límites de permisos de la organización. No acceden a herramientas o datos inaccesibles al usuario mediante chat.
Gestión de calendarios. Los agentes funcionan según calendarios definidos por usuarios dentro de restricciones de plataforma. Evita que una organización consuma recursos desproporcionados programando decenas cada hora.
Orquestación a escala
Ejecutar diariamente agentes autónomos en muchas organizaciones introduce retos de orquestación inexistentes en sistemas de chat.
Eliminación de duplicados. Si se activa el programador y un agente de la organización A ya se ejecutó dentro del periodo de eliminación de duplicados, se omite. Evita ejecuciones dobles por reintentos, calendarios solapados o fallos del programador. Cada pareja agente-organización es una unidad única de programación.
Aislamiento de fallos. Si falla el agente de una organización por errores de herramientas, salida LLM imposible de analizar o un servicio caído, no debe afectar a otras. Cada ejecución es una tarea independiente. Se registran fallos, se marca la ejecución fallida y el programador continúa.
Ciclo de vida de tarjetas. Las tarjetas tienen un tiempo de vida. Las antiguas vencen y se sustituyen cuando vuelve a ejecutarse el agente. Esto garantiza inteligencia actual sin acumular hallazgos obsoletos. Cuando produce tarjetas nuevas, las anteriores del cuadrante se sustituyen atómicamente.
Presupuesto de recursos. Las ejecuciones consumen tokens LLM, llamadas API y conexiones de bases. Seguimos el consumo por ejecución y organización para gestionar costes e identificar agentes desproporcionados. Se señala un agente descontrolado que llama 50 herramientas cuando bastan 10.
Conectar Cloud Agents y chat
Los agentes en la nube y de chat no son sistemas aislados. Forman un ciclo de retroalimentación.
El agente de chat puede consultar la salida de agentes en la nube. Si un usuario pregunta «¿qué encontraron mis agentes?» o «¿hay riesgos de cumplimiento que deba conocer?», recupera las tarjetas más recientes y las presenta conversacionalmente. Puede explicar una señal de riesgo, aportar contexto o ayudar a actuar.
Esto crea un flujo natural: agentes detectan problemas de noche, el usuario revisa el panel por la mañana y abre un chat para profundizar. El agente de chat ya conoce los hallazgos y puede continuar desde allí.
También funciona a la inversa: los patrones de interacciones de chat orientan cómo ajustamos instrucciones de agentes en la nube. Si se pregunta frecuentemente por un riesgo que no presentan, indica que debe ajustarse el enfoque.
Lo que hemos aprendido
Crear agentes autónomos nos enseñó lecciones no evidentes al crear conversacionales:
La salida estructurada es más difícil que el texto libre. Lograr que un LLM produzca uniformemente JSON válido y conforme a esquemas es muy distinto de lograr un buen párrafo. Los modelos quieren explicar y debe canalizarse esa energía analítica a campos estructurados.
El alcance lo es todo. Un agente enfocado en un ámbito claro produce mejor inteligencia que uno amplio con acceso a todo. La arquitectura por cuadrantes fue nuestra mayor mejora de calidad.
Los resultados parciales superan a ejecuciones fallidas. En un sistema en lote no puede preguntar al usuario qué hacer ante fallos. La degradación controlada, produciendo las tarjetas posibles y señalando lagunas, es esencial.
Los usuarios quieren control. Los agentes personalizados resultaron una de las funciones más solicitadas. Los profesionales conocen sus riesgos mejor que cualquier sistema general. Permitirles programar supervisores autónomos en lenguaje natural aportó gran valor.
El ciclo de retroalimentación importa. Los agentes en la nube y de chat valen más juntos que por separado. La inteligencia proactiva fija la agenda; la IA conversacional aporta profundidad. Diseñar desde el principio este flujo bidireccional mejoró ambos.
Mirando al futuro
Los agentes en la nube suponen un cambio fundamental de cómo pensamos la IA en cumplimiento. La pregunta no es «¿qué puede responder cuando se pregunta?», sino «¿qué debería comprobar sin que se lo pidan?».
A medida que ampliamos fuentes y se complica la normativa, aumenta el valor de la supervisión autónoma. El día de un profesional no debería empezar comprobando manualmente seis bases gubernamentales y tres servicios de seguimiento. Debería empezar con un panel que indique exactamente qué cambió de noche y qué necesita atención.
Eso ofrecen los agentes en la nube. Y hacerlos fiables, escalables y útiles es uno de los retos de ingeniería más gratificantes en los que trabajamos.
Los agentes en la nube de Atlas Verified supervisan autónomamente cadenas, consultan bases gubernamentales y presentan riesgos, para que los profesionales se concentren en decidir, en vez de recopilar datos.