La institución incorporó un nuevo proceso y modelo de desarrollo que integra agentes especializados de inteligencia artificial desde el levantamiento de requerimientos hasta el despliegue de soluciones, manteniendo la intervención y revisión humana en las etapas críticas del proceso.
Puntos de interés
- Del requerimiento al despliegue
- De meses a semanas
- Cuando cambia la tecnología, cambia también el valor de las personas
- Del temor a la transformación
- La IA tampoco debería auditarse a sí misma
- Experimentar permite también aprender a gobernar
- No todo lo que puede automatizarse debe automatizarse
La discusión alrededor de la inteligencia artificial suele concentrarse en lo que la tecnología puede hacer: generar código, analizar información, producir documentos o automatizar tareas. Sin embargo, una transformación más profunda empieza a producirse cuando estas capacidades dejan de utilizarse de forma aislada y comienzan a integrarse dentro de procesos completos de trabajo.
Ese es el camino que Mutualista Azuay comenzó a recorrer hace algunos meses.
Como parte de esta evolución, la institución incorporó formalmente un nuevo proceso de Ciclo de Vida de Desarrollo de Software Híbrido (SDLC-H), concebido para integrar agentes especializados de inteligencia artificial y profesionales de tecnología dentro de las distintas etapas del desarrollo de software.
Este nuevo proceso coexiste con el Ciclo de Vida de Desarrollo de Software Manual (SDLC-M). Ambos constituyen la base sobre la cual Mutualista Azuay estructura la prestación de su servicio interno de desarrollo de software, permitiendo seleccionar el modelo más adecuado de acuerdo con las características, complejidad, riesgo y criticidad de cada solución.
Juan Carlos Castro, Director de Tecnología de Mutualista Azuay, explica que la iniciativa comenzó hace aproximadamente un año con una pregunta relativamente sencilla: determinar si el nivel de madurez alcanzado hasta la fecha por los modelos de lenguaje permitía resolver de manera efectiva un problema concreto dentro del proceso tecnológico.
El primer ejercicio se concentró en el levantamiento de requerimientos funcionales.
A partir de un experimento local, se fue estructurando progresivamente un modelo que contempla agentes especializados para diferentes etapas del ciclo: levantamiento de requerimientos, arquitectura, generación de código, auditoría y despliegue.
Más que incorporar una nueva herramienta, el enfoque plantea una nueva manera de distribuir el trabajo entre personas e inteligencia artificial.
Del requerimiento al despliegue
El SDLC-H parte de una necesidad planteada por un usuario mediante una interfaz conversacional o cualquier otro mecanismo que permita interacción con el usuario final.
En lugar de recibir únicamente una descripción estática del requerimiento, el modelo plantea que un agente especializado realice preguntas y repreguntas, identifique información faltante y busque comprender con mayor precisión el problema que el usuario necesita resolver.
El agente puede además procesar documentos, imágenes, capturas de pantalla, dibujos y otros insumos para convertir esa información en historias de usuario estructuradas.
Una vez definido el requerimiento, la información pasa a un agente especializado en arquitectura.
Este dispone del contexto necesario sobre las reglas de negocio de la organización, tecnologías utilizadas, bases de datos, lenguajes de programación, políticas de seguridad y estándares internos. Con esos elementos construye una propuesta de arquitectura para la solución.
Pero en este punto existe una decisión deliberada dentro del modelo: La inteligencia artificial propone; una persona decide.
Un arquitecto humano revisa la solución planteada, analiza su consistencia, realiza los ajustes que considere necesarios y debe aprobarla antes de permitir que el proceso continúe.
Solo entonces el ciclo contempla la intervención del agente desarrollador.
Su función es generar el código y construir un prototipo funcional que pueda ser probado directamente por el usuario. El flujo contempla que el usuario reciba una URL, interactúe con la solución y pueda aprobarla o solicitar modificaciones.
Una vez validado el desarrollo, otro agente asume la función de auditoría. Su responsabilidad consiste en contrastar el resultado obtenido con dos elementos fundamentales: la arquitectura previamente aprobada y los requerimientos funcionales que dieron origen al desarrollo.
Finalmente, el ciclo contempla un agente especializado en despliegue, cuya función es ejecutar los procesos de integración continua sobre las plataformas de versionamiento y contenedores utilizadas por la institución.
El resultado es un modelo en el que distintas inteligencias especializadas pueden asumir tareas específicas dentro de una estructura definida de responsabilidades, controles y decisiones humanas.
La automatización, en este sentido, no elimina el control: Lo desplaza hacia niveles de mayor criterio.
De meses a semanas
Uno de los beneficios identificados está relacionado con los tiempos necesarios para ejecutar determinadas actividades.
Según Castro, tareas que podían requerir varios días pueden resolverse en horas mediante el apoyo de inteligencia artificial, mientras que determinadas actividades asociadas a desarrollos que tradicionalmente demandan meses muestran el potencial de reducir considerablemente sus tiempos. El impacto no se limita a la generación de código.
También alcanza actividades relacionadas con el levantamiento de información, elaboración de documentación, estructuración de requerimientos y construcción de arquitecturas. A ello se suma una característica propia de los agentes de inteligencia artificial: su capacidad para ejecutar tareas de manera continua dentro de los límites y presupuestos establecidos, y de poder analizar y procesar gran cantidad de información y tomarla en cuenta para el proceso de desarrollo, una capacidad que supera ampliamente lo que una persona podría procesar de manera manual dentro de los mismos tiempos y condiciones.
Pero posiblemente el cambio más importante no esté únicamente en la velocidad. Está en la transformación del trabajo humano.
Cuando cambia la tecnología, cambia también el valor de las personas
La incorporación de inteligencia artificial dentro del nuevo ciclo lleva también a revisar la evolución esperada de los perfiles del equipo tecnológico.
Los desarrolladores tienen que fortalecer conocimientos relacionados con arquitectura, microservicios, diagramación y diseño de soluciones, antes que aprender a profundidad un lenguaje.
La intención es que progresivamente puedan evolucionar desde un rol concentrado fundamentalmente en producir código hacia otro en el que participen con mayor intensidad en el diseño de soluciones, revisión de arquitecturas, evaluación crítica de propuestas generadas por inteligencia artificial y toma de decisiones técnicas. “No estamos únicamente automatizando tareas; estamos desplazando progresivamente el nivel en el que las personas aportan valor”, dijo.
Esta evolución forma parte de un fenómeno mucho más amplio.
Cada gran revolución tecnológica ha transformado también aquello que las organizaciones necesitan de las personas.
Antes de la Revolución Industrial, cuando buena parte de la capacidad productiva dependía directamente del cuerpo humano, la fuerza, resistencia y destreza física constituían atributos particularmente valiosos.
La industrialización cambió esa relación. Las máquinas comenzaron a multiplicar la fuerza humana. Ya no era suficiente poseer capacidad física; adquirieron mayor valor quienes podían operar las máquinas, comprender los procesos productivos y utilizarlas de manera eficiente.
Décadas después ocurrió una transformación similar con la revolución digital. Las computadoras comenzaron a multiplicar nuestra capacidad para almacenar, procesar y recuperar información. Las organizaciones empezaron entonces a demandar personas capaces de interactuar con sistemas informáticos, trabajar con información, analizar datos y resolver problemas intelectualmente más complejos.
La inteligencia artificial introduce ahora una nueva ruptura. Por primera vez estamos incorporando herramientas capaces de participar directamente en actividades que hasta hace poco asociábamos casi exclusivamente con trabajo intelectual: interpretar documentos, generar software, analizar información, construir alternativas, resumir conocimiento, identificar patrones o proponer soluciones.
Eso no hace menos importante a la persona. Hace que cambie nuevamente el lugar donde la persona genera mayor valor.
Si una máquina puede ayudar a ejecutar una tarea intelectual, el diferencial comienza a desplazarse desde la capacidad de ejecutar hacia la capacidad de comprender, estructurar, cuestionar y decidir.
Por eso, en la era de la inteligencia artificial adquieren una importancia creciente el pensamiento crítico, el pensamiento estructurado, la capacidad de abstracción, la visión sistémica, el conocimiento del negocio, el criterio profesional y la comprensión de la estrategia.
Ya no se trata únicamente de saber producir una respuesta. Se trata de saber si esa respuesta tiene sentido. No basta con saber cómo construir algo; es necesario comprender qué debemos construir, por qué debemos hacerlo y para qué lo estamos haciendo.
En esa relación existe posiblemente una de las claves de esta nueva etapa: “La inteligencia artificial puede ayudarnos enormemente con el cómo; pero seguimos necesitando seres humanos capaces de definir el qué, el por qué y el para qué.
Vista desde una perspectiva histórica, la evolución resulta particularmente interesante: “La Revolución Industrial amplificó nuestros músculos. La revolución digital amplificó nuestra capacidad de procesar información. La inteligencia artificial está comenzando a amplificar nuestra capacidad intelectual”.
Y cada vez que la tecnología amplifica nuestra capacidad de ejecución, el diferencial humano se desplaza un nivel más arriba: Hacia la capacidad de pensar, cuestionar, decidir y definir el rumbo.
Del temor a la transformación
Como ocurre con muchas transformaciones tecnológicas, el cambio no estuvo inicialmente libre de resistencia.
Castro reconoce que dentro del equipo existe preocupación y temor frente a la posibilidad de que la automatización reduzca la necesidad de determinadas funciones.
Esa percepción puede cambiar a medida que el equipo experimente directamente con estas tecnologías y observe que pueden absorber una parte importante de las tareas repetitivas, permitiendo a los profesionales concentrarse en actividades que demandan mayor análisis, arquitectura, diseño y toma de decisiones.
El desafío dejó entonces de ser simplemente aprender a utilizar una nueva herramienta.
Agentes que tienen cargo, función, jefe y “sueldo”
El diseño del modelo de agentes de inteligencia artificial genera también una pregunta que suele recibir menos atención que las capacidades tecnológicas:
¿Cómo se gobierna una fuerza de trabajo digital?
Dentro del esquema definido por Mutualista Azuay, cada agente se administra utilizando conceptos similares a los empleados para organizar equipos humanos.
Cada uno dispone de un nombre, una función determinada, un rol, un cargo y un presupuesto de operación que internamente el equipo denomina su “sueldo”.
El modelo también busca preservar el principio de responsabilidad. Los aciertos y errores de un agente de IA no pueden quedar desvinculados de una responsabilidad humana. Por ello, cada agente debe contar con una jefatura humana responsable de su gestión, mejora continua, resultados y controles, incluyendo ajustes sobre arquitectura de datos, contexto, memoria, RAG, prompts y herramientas.
Ese sueldo corresponde al número de tokens disponibles para ejecutar sus actividades, y más que el número de tokens per se (cuyo cálculo es complejo), al valor monetario máximo que se puede alcanzar.
El objetivo no es únicamente controlar costos. También lo es reconocer que la capacidad computacional es un recurso que debe administrarse.
El modelo establece que, cuando un agente alcanza el 80 % de su presupuesto asignado, su operación se detenga y se genere una notificación para que el equipo pueda analizar el consumo antes de autorizar su continuidad.
La inteligencia artificial deja así de concebirse como un recurso ilimitado y comienza a gestionarse como cualquier otra capacidad productiva dentro de la organización: con responsabilidades, límites y presupuesto.
La IA tampoco debería auditarse a sí misma
Otro de los aprendizajes surgió durante los experimentos realizados alrededor de una de las funciones más sensibles del ciclo: la auditoría de código.
En una primera etapa se utilizó el mismo modelo de inteligencia artificial tanto para generar software como para revisarlo.
La lógica parecía razonable, hasta que se comenzó a observar el comportamiento de las revisiones.
Las auditorías resultaban demasiado permisivas. Se realizó entonces un cambio: el código producido por un motor de inteligencia artificial comenzó a ser revisado por otro diferente.
El nivel de exigencia aumentó. La experiencia conduce entonces a incorporar dentro del diseño del SDLC-H una separación entre las responsabilidades de generación y control.
El aprendizaje trasciende incluso el ámbito tecnológico. Se trata de trasladar al mundo de la inteligencia artificial un principio histórico de control organizacional:
Quien ejecuta una actividad no debería ser necesariamente quien certifique la calidad de su propio trabajo.
La llegada de agentes de inteligencia artificial no elimina principios de gobierno existentes. En muchos casos, obliga a reinterpretarlos dentro de un nuevo contexto.
Experimentar permite también aprender a gobernar
El modelo de gobierno de inteligencia artificial está evolucionando conforme avanza la iniciativa.
Mutualista Azuay fue incorporando normativas, políticas, restricciones y diferentes mecanismos de control dentro del proceso de SDLC como tal, con la intención de evolucionarlo posteriormente hacia un marco institucional de gobierno de IA.
Mirando retrospectivamente, Castro identifica aquí uno de los principales aprendizajes.
Si tuviera que comenzar un proyecto de IA, se tiene que definir desde el inicio las reglas bajo las cuales operarían los agentes: responsabilidades, permisos, restricciones, datos, niveles de autonomía, presupuestos y puntos de intervención humana.
La experimentación permite descubrir posibilidades.
Pero la escala requiere gobierno.
En cuanto a la información utilizada por los agentes, existe la necesidad de disponer de una base mínima de contexto organizacional.
Diccionarios de datos, modelos entidad-relación, niveles de confidencialidad de la información forman parte de los elementos considerados para establecer el contexto y los límites dentro de los cuales pueden trabajar los agentes.
Porque un modelo puede poseer una enorme cantidad de conocimiento general y, al mismo tiempo, desconocer aquello que resulta esencial para una organización particular:
Su contexto.
No todo lo que puede automatizarse debe automatizarse
Existe además una frontera que se tiene que mantener.
El SDLC-H está concebido para los sistemas satélites desarrollados internamente, mientras que el core bancario permanece dentro del SDLC-M, el ciclo tradicional o manual de desarrollo.
La decisión no responde a que la inteligencia artificial sea incapaz de participar técnicamente en este tipo de sistemas.
Responde a otra consideración:
Criticidad.
Por su tamaño, complejidad, volumen de código e importancia para la operación financiera, se tiene que mantener el core bajo el ciclo tradicional, tal vez a futuro cuando podamos trabajar con contextos mas grandes podamos incluirlo en el SDLC-H, pero prácticamente el 80% de la arquitectura empresarial en la dimensión de arquitectura de datos, está contenida hoy en el Core Bancario, se necesita un contexto enorme de reglas, controles, procesos, políticas, componentes, integraciones, datos y demás que hoy por hoy es imposible abordarlos técnica y financieramente para la institución.
La diferencia resulta relevante porque introduce otro principio dentro de la estrategia de adopción:
La pregunta no debe ser únicamente “¿puede hacerlo la IA?”, sino también “¿bajo qué condiciones estamos dispuestos a permitir que lo haga?”.
Capacidad tecnológica y nivel de autonomía no son necesariamente lo mismo.
El nivel de participación de la inteligencia artificial debe guardar relación con el riesgo y la criticidad del proceso sobre el cual interviene.
Paralelamente, el enfoque contempla continuar explorando arquitecturas de múltiples agentes capaces de manejar proyectos con contextos de código de mayor tamaño.
La adopción, por tanto, puede evolucionar progresivamente en función de los resultados obtenidos y del nivel de madurez alcanzado.
De utilizar IA a diseñar organizaciones con IA
La experimentación desarrollada plantea preguntas que trascienden el propio desarrollo de software.
La primera etapa consiste en comprobar si un agente puede resolver adecuadamente una tarea específica.
La siguiente analizar cómo múltiples agentes especializados pueden participar dentro de un mismo proceso.
Luego aparecen preguntas relacionadas con arquitectura, costos, responsabilidades, auditoría, gobierno y riesgo.
Y con ellas aparece una cuestión todavía mayor: ¿Cómo deben organizarse las empresas cuando personas y agentes de inteligencia artificial trabajan conjuntamente dentro de los mismos procesos?
La experiencia permite identificar algunos principios.
Comenzar con un problema concreto antes que con una tecnología. Escalar a partir de resultados. Mantener intervención humana en los puntos críticos. Separar creación y control. Administrar el consumo. Proporcionar contexto. Graduar la autonomía según la criticidad. Y preparar a las personas para desempeñar funciones diferentes.
Porque a medida que los agentes incrementen su capacidad de ejecución, los profesionales necesitarán avanzar hacia actividades relacionadas con arquitectura, diseño, supervisión, análisis, gobierno y toma de decisiones, desplazando la forma como generan valor en la institución.
El verdadero cambio, por tanto, no consiste simplemente en utilizar inteligencia artificial para hacer más rápido lo que ya hacíamos.
Consiste en preguntarnos qué deberían hacer ahora las personas cuando una parte de aquello que antes ejecutaban puede ser realizada por una inteligencia artificial.
El SDLC-H que plantea Mutualista Azuay constituye una base sobre la cual continuar evaluando nuevas aplicaciones de inteligencia artificial agéntica, analizar qué actividades pueden automatizarse, establecer los controles necesarios y determinar cuáles decisiones y responsabilidades deben permanecer bajo supervisión humana.
En última instancia, la inteligencia artificial está ampliando extraordinariamente nuestra capacidad de hacer.
Pero cuanto mayor sea esa capacidad, más importante se vuelve otra capacidad esencialmente humana: saber hacia dónde queremos ir.
