Por Canuto  

Arga levantó USD $10 millones en una ronda semilla para desarrollar gemelos digitales de Salesforce, Workday y otros sistemas empresariales, con los que busca entrenar agentes de IA en escenarios complejos y repetibles antes de su despliegue.
***

  • Arga recaudó USD $10 millones en una ronda semilla liderada por General Catalyst, con participación de Box Group, Emergence, Gradient y SV Angel.
  • La startup replica software empresarial completo, incluidos permisos y webhooks, en lugar de limitarse a ofrecer pruebas mediante API sin estado.
  • Su tecnología busca resolver ambigüedades entre aplicaciones como Salesforce y HubSpot, un desafío que complica el aprendizaje por refuerzo de los agentes.

La startup Arga recaudó USD $10 millones en una ronda de financiamiento semilla liderada por General Catalyst, con la participación de Box Group, Emergence, Gradient y SV Angel. La empresa desarrolla entornos de entrenamiento para agentes de inteligencia artificial que deben operar en aplicaciones empresariales como Salesforce, Workday y clientes de correo electrónico, un segmento donde las pruebas repetibles siguen siendo especialmente difíciles.

El desafío no consiste únicamente en lograr que un agente complete una tarea aislada, sino en comprobar que pueda interpretar información ambigua distribuida entre varios sistemas. Según explicó Philip Li, CEO y cofundador de Arga, un escenario típico podría involucrar la creación de un lead en Salesforce mientras otro empleado contacta a la misma compañía mediante HubSpot, obligando al agente a decidir si ambos registros representan a la misma organización.

El problema de entrenar agentes en la empresa

Los agentes de IA son sistemas capaces de ejecutar acciones y encadenar decisiones dentro de aplicaciones, en lugar de limitarse a responder preguntas. En un entorno corporativo, esas acciones pueden depender de permisos, registros duplicados, notificaciones automáticas y conexiones entre herramientas, por lo que un resultado aparentemente correcto en una aplicación puede generar errores en otra.

La mayoría de los entornos de prueba disponibles para software empresarial ofrecen un endpoint de API sin estado. Ese formato permite enviar solicitudes y revisar respuestas, pero no reproduce necesariamente la estructura completa de una plataforma, sus controles de acceso, sus webhooks ni las relaciones que mantienen los datos después de cada operación.

Li ilustró la dificultad con varias preguntas que un agente tendría que resolver en el ejemplo de Salesforce y HubSpot: si puede reconocer que los dos registros pertenecen a la misma empresa, verificar si el correo electrónico se envió una sola vez y determinar a cuál contacto debe escribir entre dos oportunidades distintas. La startup considera que este tipo de ambigüedad explica por qué muchos agentes todavía fallan cuando abandonan las demostraciones controladas y enfrentan flujos de trabajo empresariales.

El aprendizaje por refuerzo, una técnica que mejora un sistema al premiar estrategias exitosas y descartar las fallidas, podría utilizarse para entrenar al agente mediante miles de repeticiones. Sin embargo, repetir un escenario en Salesforce u Outlook exige restaurar el estado exacto del sistema, algo que no resulta sencillo cuando intervienen datos, permisos y automatizaciones que cambian con cada acción.

Gemelos digitales para repetir escenarios

Arga propone reconstruir digitalmente las aplicaciones empresariales para crear un entorno que pueda reiniciarse, modificarse y ejecutarse en paralelo. La empresa replica la estructura del software como una especie de gemelo digital a gran escala, incluidos sus sistemas de permisos y webhooks, en vez de limitarse a simular respuestas individuales.

La comparación utilizada por la empresa es la de un maniquí de prueba de choque diseñado para representar a una persona sin ser una persona real. Bajo esa lógica, el gemelo digital conserva los elementos necesarios para poner a prueba el comportamiento del agente, pero ofrece a Arga control suficiente para restablecer el escenario y volver a ejecutarlo sin alterar los sistemas productivos de un cliente.

Ese control también permitiría lanzar numerosos entornos al mismo tiempo y entrenar agentes en interacciones entre distintos programas. La meta no sería enseñar únicamente cómo completar una acción en Salesforce o enviar un mensaje desde un cliente de correo, sino reproducir el espacio de trabajo completo de una persona, con tareas que se superponen entre aplicaciones y sistemas de conocimiento.

La estrategia puede resultar relevante para empresas que desean automatizar procesos sin exponer sus plataformas reales a una sucesión de experimentos. Un entorno reiniciable facilita comparar estrategias, identificar dónde se produjo una decisión equivocada y ajustar el agente antes de concederle acceso a información o flujos operativos reales.

La ventaja que tuvo la codificación con IA

Arga sostiene que la evolución acelerada de las herramientas de codificación con IA se explica, en parte, por la existencia de sistemas maduros para desplegar, revertir y analizar cambios en el código. Esas capacidades permiten crear entornos de aprendizaje por refuerzo donde un modelo puede probar tareas complejas, recibir una evaluación y regresar rápidamente a un estado anterior.

El software empresarial no cuenta todavía con una infraestructura equivalente en la mayoría de los casos. Las plataformas suelen estar conectadas a operaciones diarias, datos sensibles y reglas específicas de cada compañía, de modo que una repetición masiva de experimentos puede ser costosa o directamente inviable si no existe una copia controlada del entorno.

La startup interpreta esta diferencia como una brecha de refuerzo entre la programación y el uso de otras aplicaciones. Mientras los agentes de código disponen de herramientas para experimentar con cambios y verificar resultados, los agentes destinados a ventas, recursos humanos, correo o gestión empresarial necesitan representaciones más completas de los sistemas que deben operar.

Si esos entornos llegan a consolidarse, Arga considera que los agentes podrían mejorar en tareas que hoy requieren supervisión humana constante. La expectativa de la empresa es que una capacidad más fiable para usar aplicaciones empresariales extienda el impacto de la IA hacia industrias y procesos distintos de la programación, aunque el resultado dependerá de la calidad de las simulaciones y de la seguridad con que se desplieguen.

Inversión y próximos desafíos

La ronda semilla de USD $10 millones ofrece a Arga capital para continuar construyendo su infraestructura y ampliando los escenarios que puede representar. General Catalyst encabezó la operación, mientras Box Group, Emergence, Gradient y SV Angel participaron como inversionistas.

Yuri Sagalov, managing director de General Catalyst y responsable del programa de inversión semilla de la firma, afirmó que observa una necesidad creciente de herramientas destinadas a probar agentes. A su juicio, una parte importante del valor económico de estos sistemas provendrá del uso de aplicaciones empresariales, donde un entorno de pruebas repetible resulta más relevante para los agentes que lo que fue para los trabajadores humanos.

La observación apunta a una diferencia fundamental entre automatizar una tarea humana y entrenar un sistema que puede ejecutarla miles de veces antes de llegar a producción. Un empleado aprende con experiencia acumulada en un entorno cambiante, mientras un agente necesita evaluaciones consistentes para distinguir una estrategia segura de otra que solo funcionó por casualidad.

El reto para Arga será demostrar que sus gemelos digitales reflejan con suficiente fidelidad las condiciones que encontrarán los agentes en empresas reales. La plataforma también tendrá que manejar las diferencias de configuración, permisos y flujos entre clientes, porque una simulación útil para una organización podría no representar correctamente los procesos de otra.

La apuesta de la startup refleja una etapa en la que el avance de los agentes depende menos de una demostración llamativa y más de la infraestructura utilizada para medirlos. Crear espacios donde puedan fallar, reiniciarse y aprender sin poner en riesgo operaciones reales podría convertirse en una pieza clave para que la IA empresarial pase de los pilotos controlados a tareas más amplias y autónomas.

Imagen original de DiarioBitcoin, creada con inteligencia artificial, de uso libre, licenciada bajo Dominio Público.

Este artículo fue escrito por un redactor de contenido de IA y revisado por un editor humano para garantizar calidad y precisión.


ADVERTENCIA: DiarioBitcoin ofrece contenido informativo y educativo sobre diversos temas, incluyendo criptomonedas, IA, tecnología y regulaciones. No brindamos asesoramiento financiero. Las inversiones en criptoactivos son de alto riesgo y pueden no ser adecuadas para todos. Investigue, consulte a un experto y verifique la legislación aplicable antes de invertir. Podría perder todo su capital.

Suscríbete a nuestro boletín

Artículos Relacionados