Cómo crear un Agentic AI para manejar un sistema informático con DeepReasoning: Level 101

Desde la aparición de los modelos de DeepReasoning el pasado mes de diciembre con la llegada de OpenAI DeepResearch, y Gemini DeepResearch, así como la irrupción de DeepSeek V3 con DeepThink R1, la construcción de lo que se ha denominado como "Agentic AI" se ha disparado, y tiene su explicación. Es muy fácil crear agentes que manejen los sistemas de información de cualquier empresa siempre que tengas los datos, y las APIs necesarias.

Figura 1: Cómo crear un Agentic AI para manejar un

sistema informático con DeepReasoning: Level 101

Para que se entienda cómo funciona un sistema de Agentic AI, debemos pensar en un sistema informático que tenga un número de APIs para controlar las acciones que se pueden hacer con él, y una modelo de IA que lo controla de forma autónoma. Puede ser un sistema de gestión del hogar - como la plataforma de SmartHome que le definía yo en el ejemplo del modo Sarcastico -, o el control de la televisión, como le definimos en la PoC de Aura Sarcastic Mode. 

Figura 2: Configuración de funciones en ChatPT

para crear un sistema que reconoce comandos

y ejecuta acciones en forma de APIs.

Una vez que le has definido al modelo de Deep Reasoning las APIs, para qué se usan cada una de ellas, y cómo son los procesos que debe gestionar con ellas, ya puedes pedirle que haga cosas en el sistema. Así de sencillo. Es decir, le podría pedir que haga cualquier acción que se puede hacer con ese sistema informático y la respuesta sería la lista completa de APIs que se deben llamar, con qué parámetros, y en qué orden, lo que simplificaría la lógica de un sistema informático a preguntarle al Agentic AI qué debemos hacer.

Figura 4: Aura en Modo Sarcástico para controlar la TV

Para ello, recibiríamos la orden en lenguaje natural del humano (u otro Agentic AI) que controla al Agentic AI, y éste, utilizando sus capacidades de DeepReasoning, mostraría la lista de acciones que hay que realizar en forma de llamadas de APIs que simplemente ejecutaríamos. Lo que significa que dejamos toda la lógica de programación en manos de el modelo de DeepReasoning.

Un Agentic AI para un sistema de facturación

Como ejemplo, además de los que tenéis de Control de SmartHome  o Control de la televisión en modo sarcástico, yo he hecho con Perplexity DeepResearch la definición de un sistema de facturación de una empresa. Por supuesto no está completo, ni es perfecto, pero es un ejemplo para entender en qué consiste hacer un Agentic AI.

Figura 4: Definición de funciones y procesos para nuestro Agentic AI

En mi caso, he definido funciones y procesos del sistema de facturación en un documento en Microsoft Word, que sería el System Prompt del modelo de DeepReasoning que vamos a utilizar para hacer nuestro Agentic AI. Una vez hecho eso, se lo daríamos al modelo. Yo lo he hecho con Perplexity Pro Deep Desearch que ya sabéis que si eres cliente de Movistar lo tienes gratis durante un año, pero lo puedes hacer también con DeepSeek con DeepThink.

Figura 5: Configuración como System Prompt

Una vez instruido el modelo de lo que debe hacer, solo debemos darle órdenes en lenguaje natural, que capturaríamos de un Chatbot, de un ticket de un sistema incidencias, de una llamada de teléfono, o de un comando de voz hecho por una persona u otro agente. En este caso hacer una factura a un cliente que no existe en el sistema.

Figura 6: Lista de funciones a llamar y estado del sistema

Como podéis ver, hace una lista de las APIs que necesita ejecutar para consultar si el cliente existe, y hace incluso un seguimiento del estado del sistema, porque yo le he pedido que lleve el estado del saldo y el número de factura. Por supuesto, en un Agentic AI en producción, no hay que hacer que lleve las variables de estado en la Memory del modelo de DeepReasoning, sino que hay que hacer uso de las funciones del sistema.

Figura 7: Nueva factura al mismo cliente

Pero para este ejemplo sencillo nos vale. Ahora le pedimos que haga una nueva factura al mismo cliente, y vemos cómo actualiza todo el sistema. Y lo mismo, lleva las variables de estado, que no es necesario para un sistema en producción. Ahora vamos a pedirle una nueva factura para un nuevo cliente, pero dejamos que averigüe el precio. En este caso ha supuesto que el coste es el mismo que el del curso de IA... ¿es un error o un acierto? Lo definiríamos nosotros en el control de errores.

Figura 8: Nuevo cliente con una nueva factura.

Una vez hecho el proceso, en este ejemplo, podemos ver cómo lleva el estado de los clientes, las facturas, el saldo, y la lista de facturas de cada cliente, tirando en la Memory del modelo, y tenemos la trazabilidad completa de lo que está realizando.

Figura 9: Trazabilidad hasta el momento del sistema

Ahora vamos a dar de baja a un cliente, lo que implica que hay que hacer la consulta de su ID, hay que borrarlo, y borrar las facturas asociadas, actualizando el saldo con la eliminación de éstas. Aquí lo tenéis.

Figura 10: Baja de un cliente del sistema

Y si miramos la respuesta tenemos información de contexto que nos puede ayudar a entender qué está pasando y cómo está funcionando nuestro sistema, para poder hacer las verificaciones necesarias para garantizar que nuestro Agentic AI no está "cometiendo errores". 

Figura 11: Diagrama, Estado y Consecuencias Operativas

Por supuesto, la construcción de un Agentic AI no se hace de esta forma tan sencilla, sino que hay que asegurarse de crear la correcta conexión entre las APIs del sistema, y los procesos que se quieren realizar. Hay que construir una definición más robusta que también construya las verificaciones que hay que realizar después de cada acción. Y para ello hay técnicas de Prompt Engineering asociadas para la correcta definición de la lógica de los procesos con los Agentics AI, pero creo que esta sencilla prueba es muy clarificadora para que se vea la potencia que tiene esta forma de construir sistemas, y la disrupción que va a suponer en las empresas.

¡Saludos Malignos!

Autor: Chema Alonso (Contactar con Chema Alonso)