La era de los flujos de trabajo de los agentes de IA más allá del intercambio rápido
Este artículo explica cómo convertir indicaciones y conocimientos individuales en flujos de trabajo reutilizables, para que el trabajo de los agentes de IA no termine siendo un éxito único. También explora la visión de Epismo de un futuro en el que los equipos y las comunidades sigan basándose en el conocimiento compartido.
Introducción
Los agentes de IA están empezando a cambiar nuestra forma de trabajar. Pueden escribir código, buscar información, organizar documentos, utilizar múltiples herramientas y ayudar a crear resultados finales. El trabajo que solía llevar mucho tiempo a las personas ahora se puede realizar junto con la IA, y eso se está convirtiendo rápidamente en algo normal.
Al mismo tiempo, cuanto mejor vaya una sesión de IA, más fácil será perder la forma en que funcionó. Incluso si el resultado es bueno, el contexto, las herramientas, el juicio humano y los controles de calidad a menudo permanecen dispersos en el historial del chat y en la memoria individual.
Como resultado, otra persona puede tener dificultades para reproducir el mismo resultado. Es posible que puedan copiar el mensaje, pero no la forma real de trabajar que hizo que el resultado fuera valioso.
Epismo tiene como objetivo resolver este problema haciendo reutilizable la forma en que las personas trabajan con agentes de IA. En lugar de solo compartir indicaciones, queremos que sea posible guardar, compartir y mejorar los flujos de trabajo que muestran cómo los agentes y los humanos colaboran para producir resultados. Ese enfoque será cada vez más importante a medida que crezca el uso de la IA.
📖 TOC
- Por qué compartir rápidamente ya no es suficiente
- Hacer que los flujos de trabajo sean reutilizables
- La capa compartida para el trabajo de los agentes
- Por qué esta dirección se volverá más poderosa
Por qué compartir rápidamente ya no es suficiente
No se conserva el proceso real detrás de los buenos resultados
En los primeros días de la IA generativa, el diseño rápido importaba mucho. Conocer un buen mensaje podría marcar una gran diferencia en la calidad del resultado. Las indicaciones siguen siendo importantes, pero en el trabajo práctico con agentes de IA ya no son suficientes.
El trabajo real rara vez termina con una sola indicación. En la investigación de mercado, usted define el alcance, verifica las fuentes, organiza los datos, formula hipótesis, escribe un informe y hace que un humano juzgue si la conclusión es sólida. En el desarrollo de software, se lee el código base, se organizan los requisitos, se implementa el cambio, se prueba, se revisa y se revisa cuando sea necesario.
El valor no está sólo en cada instrucción. Está en toda la secuencia. ¿Qué orden siguió el trabajo? ¿Qué información se recopiló primero? ¿Cuándo revisó un humano el resultado? ¿Qué estándar de calidad definió la finalización? Sin esa estructura, un buen resultado se acerca más a un éxito único.
La diferencia es pasar de preguntar a estructurar
Las personas que utilizan bien la IA no sólo son buenas haciendo preguntas. Saben cómo desglosar el trabajo, qué partes entregar a los agentes y qué partes deben permanecer bajo el criterio humano. Preparan el contexto adecuado, eligen las herramientas, revisan los resultados intermedios y colocan puntos de control donde es probable que se produzcan errores.
Esta capacidad de diseñar el trabajo se está convirtiendo en una habilidad importante en la era de los agentes de IA. A medida que los modelos mejoren, la diferencia provendrá menos del modelo en sí y más de cómo se estructura el trabajo y se entrega a los agentes.
Pero gran parte de este conocimiento todavía está atrapado en hábitos personales. Puede existir en el historial de chat, los archivos locales o la memoria de alguien, pero no en una forma que los equipos o comunidades puedan reutilizar. Si esto continúa, toda persona que quiera aprender de un proceso mejor tendrá que empezar de nuevo desde cero.
Hacer que los flujos de trabajo sean reutilizables
Los playbooks son procesos de colaboración para humanos y agentes
Epismo trata los procesos reutilizables para humanos y agentes de IA como una especie de manual. Un libro de jugadas no es sólo una lista de verificación. Es una estructura de ejecución que incluye qué pasos manejan los agentes, dónde los humanos toman decisiones, qué artefactos se producen y qué estándares se utilizan para revisarlos.
Por ejemplo, un manual de desarrollo de funciones puede comenzar con un agente explorando el código base, resumiendo los patrones existentes y redactando un plan de implementación. Luego, un humano revisa la dirección, el agente implementa el cambio y otro paso de revisión verifica las pruebas, los casos extremos y la coherencia.
Esto es más amplio que una sola habilidad. Una habilidad ayuda a un agente a realizar una tarea específica. Un manual conecta múltiples tareas, juicio humano, herramientas y controles de calidad en un camino hacia un resultado final.
Los flujos de trabajo explícitos pueden mejorar
Cuando un flujo de trabajo es explícito, resulta más fácil de reproducir y mejorar. Si la forma de trabajar permanece implícita, es difícil entender por qué funcionó o dónde falló. Pero cuando los pasos, el contexto, los artefactos y los puntos de control son visibles, los equipos pueden identificar exactamente qué debería mejorar.
Si la calidad de la investigación es baja, el paso de selección de la fuente puede cambiar. Si las revisiones omiten problemas, se puede agregar un control de calidad. Si la revisión humana se convierte en un cuello de botella, el punto de decisión puede avanzar en una etapa más temprana del proceso.
Esto hace que la IA se utilice menos como una sesión única y más como un proceso que sigue mejorando. Los buenos flujos de trabajo se fortalecen a medida que otros los utilizan, adaptan y perfeccionan.
La capa compartida para el trabajo de los agentes
Convertir el conocimiento individual en activos de equipo y comunidad
Epismo está creando un lugar para guardar, compartir y reutilizar la forma en que las personas trabajan con los agentes. El objetivo es convertir las buenas prácticas individuales en activos que los equipos y las comunidades puedan utilizar, en lugar de dejarlas como hábitos privados.
Un flujo de trabajo puede incluir no solo pasos, sino también contexto, herramientas, habilidades, puntos de transferencia, criterios de revisión y definición de hecho. Puede permanecer privado para un individuo o equipo, o puede publicarse para que otros usuarios puedan copiarlo, ajustarlo y ejecutarlo.
Con este enfoque, el conocimiento de la IA ya no es algo que la gente sólo lee en publicaciones de blogs o actualizaciones sociales. Se convierte en algo que pueden incorporar a su propio entorno, ejecutarlo con sus propios agentes y adaptarlo cuando sea necesario.
Los flujos de trabajo deberían funcionar donde ya trabajan los equipos
Los flujos de trabajo compartidos sólo se difunden cuando son fáciles de usar. Si las personas tienen que migrar completamente a una nueva herramienta antes de poder utilizar un flujo de trabajo, es más difícil que ese flujo de trabajo se convierta en parte del trabajo diario.
Es por eso que Epismo admite múltiples formas de conectarse, incluidas MCP, CLI y API. Los flujos de trabajo y las habilidades deben poder buscarse y utilizarse desde los agentes, entornos de desarrollo, terminales y sistemas internos en los que ya confía la gente. Con múltiples puntos de entrada a las mejores prácticas de la comunidad, los equipos pueden adoptar mejores formas de trabajar sin tener que remodelar todo su flujo de trabajo primero.
Esto acerca el intercambio de flujos de trabajo a un sistema ejecutable, no solo a la distribución de contenido. Cuando alguien encuentra una buena forma de trabajar, debería poder hacer más que leerla. Deberían poder utilizarlo en el trabajo real. Cuanto menor sea la fricción para que los equipos adopten un flujo de trabajo, más naturalmente las mejores prácticas se convertirán en parte de su forma de trabajar.
Por qué esta dirección se volverá más poderosa
A medida que aumentan los agentes, el proceso se convierte en la unidad de trabajo
El futuro no será un mundo en el que cada persona utilice una sola IA. Las personas trabajarán combinando múltiples agentes y herramientas. Un equipo puede ejecutar muchos agentes en paralelo para investigación, implementación, análisis, documentación y comprobaciones operativas.
En ese mundo, lo que importa no es sólo qué agentes tiene un equipo. Es qué procesos tiene el equipo. La forma en que se realiza el trabajo, los puntos de control y la división de roles entre los humanos y la IA darán forma a la productividad del equipo.
SaaS ha crecido en gran medida en torno a los asientos humanos. En la era de los agentes, aumentará la cantidad de flujos de trabajo que se ejecutan. Incluso sin agregar más personas, un equipo puede manejar mucho más trabajo. En ese entorno, los procesos reutilizables se convierten en algo más que una característica conveniente. Se convierten en la base para la ejecución.
El conocimiento de la comunidad puede agravarse
En software, el código compartido ha acelerado el desarrollo. En el ecosistema de modelos, la capacidad de descubrir, probar y mejorar modelos y conjuntos de datos ha creado un valor importante. Lo mismo debería suceder con la forma en que la gente trabaja con los agentes de IA.
Alguien publica un flujo de trabajo útil para la investigación de mercado. Otra persona lo adapta para una industria específica. Alguien más fortalece el proceso de revisión. Si esas mejoras no desaparecen en los historiales de chat privados y, en cambio, regresan a un lugar compartido, la calidad del trabajo en toda la comunidad mejora.
Los usuarios fuertes de IA pueden ser cada vez más evaluados no sólo por los resultados que crean, sino también por los procesos detrás de esos resultados. Importará no sólo qué informe escribió alguien o qué código envió, sino también qué flujos de trabajo dejó en una forma que otros puedan usar.
El trabajo de IA confiable necesita una estructura verificable
A medida que los agentes de IA se adentran más en el trabajo real, no les basta con producir resultados. Los equipos necesitan saber por qué se produjo un resultado. ¿Qué información se utilizó? ¿Dónde lo revisó un humano? ¿Qué controles evitaron errores? Sin visibilidad de esos puntos, es difícil confiar a los agentes un trabajo importante.
Los flujos de trabajo reutilizables también ayudan a mejorar esa confiabilidad. Cuando el proceso es explícito, los equipos pueden revisar los pasos, agregar estándares de calidad y aplicar el criterio humano donde el riesgo es alto. En lugar de entregar todo a agentes sin límites, los equipos pueden utilizarlos de forma verificable.
Mejores modelos por sí solos no harán que el equipo trabaje mejor. Lo que importa es cómo colaboran los agentes y los humanos, y qué proceso utilizan para producir resultados. Cuando las indicaciones, el contexto, las herramientas, las habilidades, el juicio humano y la revisión se tratan como un solo flujo de trabajo, el uso de la IA ya no termina como un éxito único.
Epismo está creando la capa compartida para este tipo de trabajo de agente. Convierte el conocimiento individual en activos del equipo, el conocimiento del equipo en mejores prácticas comunitarias y las buenas formas de trabajar en algo que mejora a medida que más personas lo utilizan.
Los equipos fuertes en la era de la IA no serán simplemente los equipos con más agentes. Serán los equipos que podrán encontrar, compartir y seguir mejorando mejores procesos. A medida que esa base crece, el uso de la IA se convierte en una forma de capacidad de ejecución que se agrava con el tiempo.