Compartir a través de

Pilar 5: Tecnología y datos

La tecnología y los datos proporcionan la base que los agentes necesitan para operar de forma confiable, segura y a escala.

A medida que las organizaciones pasan de los pequeños pilotos a la implementación empresarial de agentes, las opciones técnicas ad hoc y el acceso a datos fragmentados se convierten rápidamente en factores de limitación. Sin una arquitectura clara, estándares y administración del ciclo de vida, es difícil controlar las soluciones de inteligencia artificial, es difícil de operar y arriesgarse a escalarlas.

Este pilar se centra en cómo las organizaciones crean las bases técnicas y de datos necesarias para apoyar la adopción sostenida de la inteligencia artificial desde el desarrollo y la implementación hasta la supervisión y la mejora continua.

Nota:

Las operaciones y la administración del ciclo de vida y la inteligencia artificial responsable y la confianza son funcionalidades transversales. Para admitir una evaluación de madurez más clara, este modelo los separa en distintos pilares, aunque se inserten en la seguridad, la tecnología y la ejecución de procesos en la práctica.

¿Por qué la tecnología y los datos son importantes para los agentes de inteligencia artificial?

Los agentes solo son tan eficaces como la tecnología y las bases de datos en las que se basan. La integración débil, el acceso a datos incoherentes o las arquitecturas frágiles limitan lo que los agentes pueden hacer y evitar que funcionen de forma confiable en todos los sistemas.

Para operar de forma eficaz, los agentes deben hacerlo de manera confiable:

  • Descripción del contexto del flujo de trabajo (estado del proceso, dependencias y reglas de negocios).
  • Recupere la información correcta en el momento adecuado.
  • Realice acciones en todos los sistemas mediante integraciones seguras y auditables.

Sin una tecnología sólida y bases de datos:

  • Los agentes pueden permanecer limitados a las tareas de preguntas y respuestas o pasos únicos.
  • Cada nuevo agente se convierte en un esfuerzo de ingeniería a medida.
  • El riesgo, la sobrecarga operativa y la incoherencia aumentan más rápido que el valor empresarial.

Con las bases maduras en vigor, puede reutilizar, componer y organizar agentes en todos los procesos. Los equipos pueden centrarse en el diseño del flujo de trabajo y la realización del valor en lugar de reconstruir la infraestructura.

Cómo se ve una alta madurez

Con una alta madurez, la organización opera con una sólida plataforma de inteligencia artificial de nivel empresarial.

Entre las características se incluyen:

  • Arquitectura y plataformas de agente estandarizadas. Los agentes se basan en plataformas aprobadas mediante arquitecturas de referencia compartidas, plantillas y patrones.
  • Ciclo de vida de desarrollo automatizado administrado. La separación del entorno de desarrollo, prueba y producción, el control de código fuente, CI/CD, las aprobaciones y la reversión son estándar para todos los agentes de producción.
  • Asegurar y gobernar el acceso a los datos y su integración. Los agentes usan conectores aprobados, identidades administradas y fuentes de datos reguladas, eliminando el acceso oculto y la proliferación de credenciales.
  • Inventario explícito de sistemas e integraciones. Los sistemas, las API y los agentes con los que interactúan las herramientas están inventariados, son propiedad y se tratan como activos arquitectónicos compartidos.
  • Componentes reutilizables. Las acciones comunes, los flujos de trabajo y las integraciones se compilan una vez y se reutilizan para habilitar la ejecución multistep y entre sistemas.
  • Observabilidad y evaluación integradas. El uso, la calidad, la seguridad y el rendimiento se capturan y revisan continuamente de forma automática.

En madurez alta, se actualizan los estándares de arquitectura a medida que surgen nuevos patrones de agente (por ejemplo, orquestación multiagente). Los equipos federados crean e implementan agentes de forma rápida y eficiente sin cuellos de botella centrales porque las barreras de seguridad están integradas en el diseño.

Cómo leer la tabla de madurez

En la tabla se muestra cómo evolucionan las funcionalidades de tecnología y datos en cinco niveles de madurez.

Para cada nivel, observe lo siguiente:

  • Estado de la tecnología y los datos: características técnicas observables.
  • Oportunidad de progreso: áreas de enfoque prácticas que permiten la siguiente fase.

Las organizaciones pueden funcionar en diferentes niveles entre plataformas o dominios. Use la tabla para identificar el patrón dominante y priorizar las mejoras que quitan las restricciones de escalado.

Madurez de la tecnología y los datos

Level Estado de la tecnología y los datos Oportunidad de progreso
100: Inicial
  • El trabajo del agente es exploratorio y fragmentado.
  • Los equipos experimentan con indicaciones o agentes ligeros sin un plan tecnológico definido.
  • El acceso a datos es ad hoc, a menudo limitado a documentos de Microsoft 365 o llamadas directas del sistema sin una estrategia de recuperación coherente.
  • No hay claridad sobre cuándo usar agentes SaaS en lugar de crear agentes personalizados y no hay ninguna base de datos compartida para que los agentes razonen.
  • No existe ninguna plataforma coherente, ALM ni estándares de integración.
  • Los equipos compilan agentes como pruebas de concepto aisladas sin una arquitectura estandarizada.
  • Las soluciones son frágiles, no documentadas y difíciles de reutilizar o escalar.
  • Defina un plan de tecnología inicial.
  • Estandarizar en un pequeño conjunto de plataformas aprobadas. Por ejemplo, Agent Builder en Microsoft 365 Copilot es el valor predeterminado para agentes rápidos basados en conocimientos en Microsoft 365; Copilot Studio es el estándar para los agentes que requieren flujos de trabajo, integraciones y administración del ciclo de vida empresarial.
  • Inventario en el que residen los datos pertinentes, por ejemplo, en los sistemas operativos o de Microsoft 365, y documenta brechas de conectividad.
200: Repetible
  • Los equipos comienzan a converger en un pequeño conjunto de plataformas (por ejemplo, Agent Builder o Copilot Studio), pero las opciones son incoherentes y se guían por las preferencias del equipo en lugar de la adecuación al caso de uso.
  • Los datos están parcialmente preparados: el contenido de Microsoft 365 es accesible, pero los datos empresariales estructurados permanecen siloados entre sistemas con conectores limitados aprobados o disponibles.
  • Los agentes se basan en integraciones básicas de recuperación o punto, lo que limita la confiabilidad y la reutilización.
  • Es posible que exista una separación entre entornos de desarrollo y pruebas, pero ALM y telemetría son incoherentes.
  • El control de versiones se usa de forma incoherente y la documentación es ligera.
  • Los patrones se controlan mediante la experiencia individual del equipo en lugar de las instrucciones empresariales.
  • Estandarizar dónde se crean agentes: use Agent Builder o Copilot Studio intencionadamente en función del ámbito y la complejidad.
  • Defina arquitecturas de referencia y patrones de integración.
  • Normalice los procedimientos de ALM e introduzca la telemetría básica.
  • Establezca plantillas de solución estándar, conectores aprobados y canalizaciones básicas de CI/CD para promover la coherencia y reducir el trabajo.
300: Definido
  • Existe un plan de tecnología documentado.
  • La organización distingue de forma coherente entre los agentes de SaaS,los agentes de Copilot Studio y las rutas de compilación más avanzadas.
  • La arquitectura de datos sigue un patrón claro: Microsoft 365 para el contenido de colaboración y Fabric OneLake para datos empresariales unificados.
  • Los datos se organizan mediante una arquitectura de medallion, lo que permite a los agentes basar sus respuestas en fuentes validadas.
  • La organización documenta dónde residen los datos críticos y cómo los agentes deben acceder a ellos.
  • Las plataformas estándar, las arquitecturas de referencia y los patrones de integración se definen y reutilizan.
  • Las prácticas de ALM se establecen para los agentes de producción.
  • Teams usan un marco de diseño estructurado para planear el desarrollo del agente.
  • Reforzar la escalabilidad, la seguridad y la observabilidad.
  • Inserte la supervisión, el registro y la evaluación en la arquitectura estándar y asegúrese de que los patrones de acceso a datos se rigen por completo.
  • Valide las necesidades de un solo agente frente a varios agentes mediante experimentos estructurados.
  • Expanda y certifique conjuntos de datos para dominios de alto valor.
400: Habilitado
  • La tecnología y las bases de datos son de nivel empresarial.
  • Hay una visibilidad clara de los sistemas, las API y los datos usados en los flujos de trabajo.
  • Los patrones de acceso seguro por diseño, la telemetría centralizada y las evaluaciones automatizadas son estándar.
  • Las implementaciones son automatizadas y confiables.
  • La supervisión centralizada y la telemetría proporcionan visibilidad sobre el comportamiento y el rendimiento del agente en toda la organización.
  • Use Copilot Studio para agentes orientados a procesos y Microsoft Foundry para escenarios avanzados cuando sea necesario.
  • Cambio de la ejecución central a un modelo de entrega federada.
  • Inserte límites de protección en plataformas, expanda el autoservicio de forma segura y evolucione los estándares para admitir una mayor autonomía y nuevos patrones de agente.
  • Evalúe las nuevas capacidades y patrones e incorpórelos en los estándares donde agregan valor.
500: Eficiente
  • La tecnología y las bases de datos evolucionan continuamente en función de la telemetría y los patrones emergentes del agente.
  • Los modelos de datos de flujo de trabajo y las integraciones se mantienen activamente como recursos empresariales compartidos.
  • Los equipos federados se crean de forma independiente mientras las barreras de seguridad aplican la calidad por defecto.
  • La organización opera una plataforma de inteligencia artificial madura y optimizada.
  • La arquitectura admite escenarios complejos y multiagente y desarrollo federado a escala.
  • La mejora continua de los estándares técnicos se inserta en el modelo operativo.
  • Mantener la excelencia a través de la revisión arquitectónica en curso, la experimentación y el intercambio de conocimientos.
  • Invertir en la evolución de la plataforma para mantenerse al día de los requisitos y los patrones de inteligencia artificial emergentes.

Antipatrones comunes

Observe estos signos de que la tecnología y las bases de datos podrían limitar la adopción del agente de IA.

Nivel 100: inicial: "Experimentación impulsada por demostraciones"

  • Los equipos crean agentes completamente a través de mensajes, sin integración real de datos ni acciones. Este enfoque crea demostraciones impresionantes que no pueden sobrevivir a flujos de trabajo reales ni casos perimetrales.
  • Los equipos omiten los conectores y la gobernanza adecuados para "hacer que funcione", creando riesgos de seguridad, cumplimiento y confiabilidad.
  • Los agentes se ejecutan desde cuentas personales o inquilinos de prueba sin propietario, ciclo de vida o ruta de acceso claros a producción.
  • Los equipos promueven el código experimental o las configuraciones directamente en producción sin planes ALM, pruebas o reversión.

Nivel 200 – Repetible: "Ingeniería de héroes"

  • Los equipos vuelven a implementar conectores de manera independiente en los mismos sistemas, lo que conduce a la duplicación y la incoherencia.
  • Solo algunas personas entienden cómo funcionan realmente los sistemas y la documentación es dispersa o obsoleta.
  • Algunos agentes tienen entornos de desarrollo, prueba y producción. Otros no. La promoción a la producción es manual y propensa a errores.
  • El progreso depende de ingenieros específicos en lugar de patrones reutilizables y servicios compartidos.
  • Los equipos entienden algunas dependencias de datos, pero no es suficiente para habilitar la ejecución de extremo a extremo.

Nivel 300 – Definido: "Proceso sobre la habilitación"

  • Los requisitos de arquitectura intensiva se aplican a agentes simples, lo que ralentiza la entrega y frustra los equipos.
  • Existen arquitecturas y estándares de referencia, pero no se insertan en plantillas ni herramientas.
  • Los patrones funcionan para los pilotos, pero no se validan a escala, entre dominios o bajo carga.
  • Un grupo pequeño toma todas las decisiones, que limitan el rendimiento, provocan frustración y hacen que los equipos se desenganguen.

Nivel 400: capaz: "Estable pero lento"

  • Las plataformas son sólidas, pero solo algunos equipos pueden compilar o implementar agentes.
  • Existen paneles, pero la información no impulsa las decisiones de priorización, mejora o retirada.
  • Los equipos restringen estrechamente los agentes incluso cuando los datos muestran que pueden hacer más de forma segura.
  • El objetivo es ajustar los agentes existentes en lugar de habilitar nuevos patrones o funcionalidades.

Nivel 500 – Eficiente: "Madurez complaciente"

  • Los equipos consideran que las plataformas y los estándares están completos, a pesar de que los patrones de los agentes evolucionan rápidamente.
  • Existen límites de protección, pero no se actualizan con regularidad, lo que conduce a la divergencia y la incoherencia a lo largo del tiempo.
  • Los equipos descartan la orquestación de múltiples agentes, una mayor autonomía o nuevos patrones de ejecución como "trabajo para el futuro".
  • A medida que los agentes son más capaces, los equipos no actualizan los controles y las evaluaciones al mismo ritmo.

Uso de este pilar en la práctica

La tecnología y los datos son habilitadores.

A medida que madura la adopción:

  • El rigor técnico debe reducir la fricción, no ralentizar los equipos.
  • Los estándares deben acelerar la experimentación y reutilización seguras.
  • La telemetría de la plataforma debe informar a la gobernanza, las operaciones y la realización de valor.

Las sólidas bases de tecnología y datos permiten a las organizaciones escalar agentes de IA de manera confiada porque la confiabilidad, la seguridad y el control fomentan la innovación.

Paso siguiente

A continuación, explore cómo la preparación y la cultura de la organización permiten a las personas, los roles y los incentivos apoyar métodos de trabajo sostenidos y orientados al agente.

Pilar 6: Preparación y cultura de la organización

  • Last updated on