El poder de los datos: orquestando agentes de IA para revolucionar la investigación

---

Por: Julián Arturo Castillo-Velásquez

CEO y fundador de info[rage] | Reference instructor librarian, Universidad La Gran Colombia

En el cierre de nuestro ciclo de charlas sobre inteligencia artificial, quise ir mucho más allá de lo básico. Ya no estamos en la etapa de preguntarle a un chat "¿puedes resumir esto?". Estamos en un momento donde la exigencia académica y profesional nos obliga a dejar de ver la IA como una herramienta de consultas rápidas y empezar a entenderla como una infraestructura de sistemas multiagente.

En esta sesión, desglosamos técnicamente cómo pasar de ser un usuario pasivo a convertirse en un director de orquesta de Agentes de IA. A continuación, presento la metodología, las herramientas y la arquitectura lógica para implementar estrategias de visualización y análisis de datos con verdadero rigor científico.

1. Rompiendo paradigmas: modelos, herramientas y el humano en el bucle

Para construir algo sólido, primero debemos limpiar el terreno conceptual. En la charla hice énfasis en diferenciar modelos (el motor neuronal como GPT-4, Claude 3.5 Sonnet, Llama 3) de las herramientas (la interfaz como ChatGPT o Perplexity). Entender esto es vital porque determina la capacidad de razonamiento con la que trabajamos.

Pero lo más importante es nuestra posición en el proceso. Propuse dos conceptos que rigen todo este flujo:

• Human-in-the-loop (humano dentro del bucle): no somos espectadores, somos interventores. Cada vez que un agente entrega un resultado, nosotros validamos. Somos el "sistema inmunológico" de la investigación, filtrando alucinaciones y errores.

• Ethics-on-the-loop: la gobernanza no es burocracia, es la sostenibilidad del sistema. Debemos declarar qué agentes usamos, sus versiones y sus límites.

2. La anatomía del especialista: ¿cómo se construye un agente?

Un agente no es un prompt genérico. Un agente es un sistema diseñado para ejecutar una única tarea de forma proactiva. Para crearlos, utilizamos una estructura de "mega-prompt" (preferiblemente en formato JSON o XML para mayor precisión) que debe contener tres pilares innegociables:

A. Propósito (el alma)

Aquí definimos la identidad. No basta con "actúa como experto". Debemos definir:

• Rol e identidad: nombre del agente (ej. SearchMaster).

• Misión: el objetivo único (ej. "generar ecuaciones de búsqueda normalizadas").

• Tono: académico, técnico, estructurado.

• Límites éticos: qué no debe hacer bajo ninguna circunstancia.

B. Conocimiento (el cerebro y RAG)

Este fue el punto técnico más crítico de la sesión. Implementamos RAG (generación aumentada por recuperación). Esto significa que el agente no usa su entrenamiento general para responder, sino que consulta una base de conocimiento que nosotros le cargamos.

• En la práctica: cargamos tesauros de la UNESCO, taxonomías de IEEE y nuestros propios PDF seleccionados. El agente "piensa" usando solo esos documentos, reduciendo drásticamente la alucinación.

• Few-shot learning: le damos ejemplos claros de "buen trabajo" dentro del prompt para marcar el estándar de calidad esperado.
  

C. Capacidades (las manos)

¿Qué puede hacer el agente en el entorno digital?

• Navegación web: para validar datos en tiempo real.

• Análisis de datos (código): fundamental para ejecutar Python y generar gráficos.

• Generación de imágenes: para representaciones visuales.

3. La orquesta de Agentes de IA: el sistema multiagente y el "handoff"

El corazón de la charla fue la demostración en vivo de un flujo de investigación completo donde varios agentes colaboran. La clave aquí es el handoff (transferencia): la salida estructurada de un agente se convierte, sin alteraciones, en la entrada del siguiente.

Este fue el flujo técnico que construimos:

Agente 1: SearchMaster (búsqueda y normalización)

• Entrada: una pregunta de investigación en lenguaje natural.

• Proceso: consulta los tesauros cargados (UNESCO/IEEE) para normalizar términos.

• Salida: no nos da "respuestas", nos da ecuaciones de búsqueda booleanas validadas y listas para usar en Scopus o Dimensions.

  
  

Agente 2: Matriz_Builder (extracción y análisis)

• Entrada: los PDF que recuperamos con las ecuaciones anteriores.

• Proceso: lee los documentos a profundidad y extrae variables específicas (metodología, resultados, conclusiones).

• Salida: una matriz tabular estructurada. Aquí es donde la IA nos ahorra horas de "carpintería" académica, permitiéndonos enfocarnos en el análisis crítico.

  
  

Agente 3: Frecuency_ela (cuantificación)

• Entrada: la matriz generada.

• Proceso: ejecuta código Python para calcular frecuencias y correlaciones entre variables.

• Salida: tablas de datos duros sobre las tendencias encontradas en la literatura.

  
  

Agente 4: VisualSynthesizer (representación)

• Entrada: los datos cuantificados.

• Proceso: aquí ocurre la magia visual. Este agente genera:

  1. Código para Mermaid.js (para renderizar mapas mentales y diagramas de flujo).

  2. Gráficos estadísticos en Python.

  3. Artefactos HTML interactivos: pequeñas aplicaciones web autocontenidas que permiten navegar por los resultados de la investigación de forma dinámica.

     
     

4. El "stack" tecnológico para no programadores

Para lograr esto, no escribimos código complejo desde cero. Usamos un flujo de herramientas accesible:

1. Google AI Studio: lo utilizamos para diseñar la estructura lógica del prompt en un entorno limpio, aprovechando modelos como Gemini 1.5 Flash para iterar rápido.

2. Visual Studio Code: usado para visualizar y editar nuestros archivos JSON. Los colores y la estructura de VS Code nos permiten ver claramente las variables y reglas del agente.

3. GPT Builder (OpenAI): el entorno final donde "ensamblamos" el agente, pegamos el prompt estructurado y cargamos los archivos de conocimiento (tesauros, PDF) para que el RAG funcione.

   
   

5. Reflexión: el rol del investigador en el futuro inmediato

Al finalizar la sesión, mi mensaje fue claro:

la IA no viene a reemplazar el pensamiento crítico, viene a potenciarlo.

Al delegar la operatividad (búsqueda de sinónimos, extracción de citas, graficación) a estos agentes, liberamos nuestra capacidad cognitiva para lo que realmente importa: la validación, la síntesis y la generación de nuevo conocimiento.

Pasamos del "asistente" a la "orquesta". Y en una orquesta, por más virtuosos que sean los músicos (los agentes), la sinfonía solo funciona si hay un director (tú) que conoce la partitura, marca el tiempo y asegura que el resultado final tenga rigor, ética y sentido.

Recursos y memorias del evento

Si deseas profundizar en el código JSON, descargar los prompts exactos o ver la demostración en vivo paso a paso, hemos dispuesto los siguientes recursos en nuestro repositorio institucional:

• 📂 Acceso al repositorio (diapositivas y recursos): https://hdl.handle.net/11396/8945

• 📺 Ver la charla completa en YouTube: https://www.youtube.com/watch?v=c96h6u0y-vY