Ingeniero E7 de Meta: "En la era de los agentes de IA, el cuello de botella ya no es la persona, sino la 'comprensión'"

A medida que la inteligencia artificial (IA) trasciende ser una simple herramienta para entrar en la era de los "agentes" que realizan tareas por sí mismos, la estructura organizacional de las empresas y la definición de liderazgo están cambiando fundamentalmente. En el pasado, las personas eran el recurso (Resource) principal de las tareas, pero ahora el debate se centra en cómo rediseñar las organizaciones para una era en la que los agentes de IA se convierten en el recurso principal.

El papel y las etapas de crecimiento del "Ingeniero E7", el top 5% de Meta

Según un video de T Times TV, el nivel E7, que corresponde a un Ingeniero Senior Staff en Meta, representa a los poseedores de las capacidades técnicas más altas, situándose en el top 3-5% de todos los ingenieros. Ahn Sang-hyeon, ingeniero senior staff del equipo AX (AI Transformation) de Meta, se unió como pasante y alcanzó el nivel E7 tras cinco promociones en 8 años.

Las etapas de crecimiento de un ingeniero se dividen según el alcance de su rol y la naturaleza de sus responsabilidades. En la etapa inicial, E3, el enfoque está en el "output" de completar los proyectos asignados, mientras que a partir de E4 se requiere la capacidad de colaborar con otros basándose en la iniciativa propia. El ingeniero Ahn explicó: "Si E3 es la etapa de hacer bien lo que se le ordena, E4 es la etapa de juzgar y ejecutar por cuenta propia basándose en un marco general, ayudando a otros E3 a alcanzar sus objetivos".

A partir de la etapa E5, se requiere un liderazgo pleno. Ahn enfatizó: "Desde E5, el pensamiento estratégico (Strategic thinking) y la gestión de riesgos, que establecen la viabilidad de un proyecto, su mantenibilidad y la hoja de ruta futura, son clave. A partir de esta etapa se otorgan responsabilidades en proyectos de equipo, y es crucial la capacidad de no evadir los problemas al ser confiado, sino enfrentarlos y establecer ejecutar planes A, B y C". En particular, señaló la "incertidumbre (Uncertainty)" como el riesgo que más se debe vigilar en el liderazgo, advirtiendo que reconocer un problema pero no compartirlo por temor a la reputación puede llevar a la pérdida de confianza.

En la etapa E6, la clave es "si se puede aportar valor a otros líderes". Esto incluye no solo la contribución técnica, sino también la capacidad de ayudar a otros líderes a trabajar con tranquilidad mediante la gestión de riesgos, la asignación de personal y la colaboración. El nivel final, E7, debe demostrar un "impacto en toda la industria (Industry-wide impact)". Ahn añadió: "Más allá del interior de la empresa, se debe profundizar en problemas que no se suelen tratar comúnmente en la industria para generar resultados".

"Los agentes recuerdan y se mueven por sí mismos"... La diferencia decisiva con los chatbots

A medida que la tecnología de IA avanza, los chatbots tradicionales y los agentes de IA se distinguen claramente. Ahn señaló la "memoria" y la "autonomía" como las diferencias clave de un agente. Mientras que una IA general puede perder el contexto de la conversación, los agentes son diferentes porque poseen un "bolsillo" con el que pueden aprender, recordar y utilizar todas las tareas pasadas.

Además, a diferencia de los chatbots que solo funcionan cuando el usuario da una orden, los agentes poseen un flujo de trabajo que les permite planificar y ejecutar el siguiente paso por sí mismos, incluso mientras el usuario duerme. Ahn diagnosticó: "Los agentes aparecen por sí mismos y piensan en el siguiente paso; es posible realizar tareas de tal manera que, cuando el usuario se despierta por la mañana, el informe ya esté terminado. El tema actual de la tecnología no es contratar personas, sino crear bien los agentes para convertirlos en recursos que puedan reemplazar a las personas".

Nuevo cuello de botella: "La máquina terminó el trabajo, pero la comprensión humana no puede seguir el ritmo"

Con los agentes de IA convirtiéndose en el eje de las tareas, están surgiendo nuevos problemas dentro de las organizaciones. Ahn denominó a esto el "cuello de botella de la comprensión (Understanding bottleneck)". Aunque un agente procese una enorme cantidad de trabajo en un instante, la velocidad de todo el proceso disminuye porque los humanos tardan tiempo en verificar y comprender esos resultados.

Analizó que "las máquinas ya han terminado todo el trabajo, pero como las personas no pueden comprenderlo, nuestra comprensión se ha convertido en el cuello de botella. Se puede delegar el trabajo a la IA, pero no se puede delegar la comprensión, por lo que ocurre el fenómeno de que la carga cognitiva (Cognitive load) humana aumenta, por el contrario". De hecho, si se operan decenas de agentes, la intensidad del trabajo humano, que debe leer, verificar errores y juzgar, inevitablemente aumentará.

Para resolver esto, en los campos tecnológicos, incluido el equipo AX de Meta, se está concentrando en la "ingeniería de arnés (Harness engineering)". Este es el trabajo de optimizar el diseño para controlar que el agente no se desvíe de su ruta y para que los humanos no tengan que repetir el mismo proceso de verificación cada vez. Ahn declaró: "Es importante el diseño que sujeta las riendas (Harness) para que el agente no se descarrile. El desafío de investigación principal es cómo eficientar las etapas de verificación para aumentar la velocidad de toma de decisiones y crear un sistema donde se puedan alcanzar los objetivos sin que la persona tenga que estar sentada frente a la computadora".