Antes, los datos desactualizados se traducían en un informe erróneo, y normalmente alguien detectaba el error a tiempo. Los agentes de IA elevan el riesgo porque no se limitan a informar sobre el negocio: actúan sobre él. Cuando un agente aprueba un pago o lanza un pedido sin que intervenga ninguna persona, los datos desactualizados llevan directamente a una decisión equivocada que nadie ve hasta que ya se ha ejecutado.
Kai Waehner lo dejó claro al inicio de nuestro webinar. Como Advisory Field CTO y una de las voces más reconocidas en data streaming, defendió que tener datos actualizados es hoy una cuestión de confianza, no una métrica de rendimiento. Cerró la sesión con cinco lecciones extraídas de proyectos con clientes de todo el mundo.
Event streams, colas de mensajes, APIs y procesamiento batch no compiten entre sí, y la mayoría de las arquitecturas empresariales necesitan los cuatro. El streaming suele ocupar el centro porque los datos solo tienen que salir una vez del sistema de origen, lo que no añade carga a ese sistema ni abre una nueva superficie de ataque. Aun así, una cola de mensajes o un proceso batch sigue siendo a veces la respuesta más sencilla para un caso de uso concreto.
La mayoría de las empresas llevan años gestionando sus APIs, pero sus event streams rara vez reciben el mismo cuidado. Kai recomienda empezar por los contratos de datos y, a partir de ahí, construir un catálogo que cubra eventos, APIs y data lakes. Un gateway, controles de privacidad y trazabilidad de extremo a extremo completan el conjunto. Si falta alguna de estas piezas, acabarás rastreando los problemas hasta su origen cuando ya han ocurrido.
Una plataforma de streaming puede ser totalmente gestionada, autogestionada o funcionar en tu propia cuenta cloud, y la elección correcta empieza por tus requisitos. La regulación, la latencia y la tolerancia a la pérdida de datos suelen descartar algunas opciones mucho antes de que el precio entre en juego. Lo mismo ocurre con la soberanía en todo el stack de IA. Para cada capa, deberías saber dónde se ejecuta, quién la opera y cómo podrías salir. Como señaló Kai, el modelo es la parte más fácil de sustituir.
Los agentes solo deberían recibir datos que cumplan tus reglas de calidad y acceso. Una capa de orquestación entre tus sistemas y tus agentes lo hace posible, ya que se ocupa de los reintentos, los puntos de control humano y la elección del modelo para cada tarea. Además, te da un único lugar desde el que ver todo lo que ocurre.
Tarde o temprano, alguien preguntará por qué un agente tomó una decisión concreta. Si cada entrada, decisión y acción queda registrada como un evento, la respuesta ya está ahí, lista para auditarla o reproducirla.
Ninguna de estas lecciones trata realmente sobre el modelo. Tratan sobre los datos con los que actúan tus agentes y sobre si puedes respaldar cada una de sus decisiones. Si aciertas en eso, los agentes de IA dejan de ser un riesgo que contener y se convierten en una capacidad que puedes escalar.
La grabación completa va más allá. Kai presenta una arquitectura de referencia que muestra cómo Confluent, ahora parte de IBM, se conecta con IBM MQ, webMethods y el mainframe que ya tienes en marcha. El resultado son agentes que trabajan con datos actuales y bien gestionados sin sustituir ni un solo sistema core.
Mira el webinar completo bajo demanda y descubre la arquitectura (en inglés)