Cómo crear Agentes AI en Python: el caso Andrade Gutierrez + BotCity

Con más de 230 automatizaciones ya en producción, Andrade Gutierrez necesitaba ir más allá de la ejecución mecánica e incorporar inteligencia capaz de aprender de las excepciones y generar insights instantáneos, sin perder el control de la gobernanza.

Para ello, el CoE de Hiperautomatización utilizó la plataforma BotCity para crear y orquestar agentes de IA que complementaran estas automatizaciones. Una de estas automatizaciones, enfocada en la gobernanza del propio CoE, analiza el código y produce documentación. El resultado fue la generación de 250 SDDs en apenas 15 segundos cada uno, algo que antes tardaba en promedio 2 horas.

Según Pieter Voloshyn, gerente de TI de Andrade Gutierrez y responsable del proyecto:
“APA no sustituye al RPA, lo expande y complementa. Es un nuevo paradigma para repensar cómo automatizamos el conocimiento y la toma de decisiones.”

RPA vs. APA: Una Nueva Generación de Automatizaciones

Incluso con un entorno robusto de RPA, Andrade Gutierrez necesitaba automatizaciones que aprendieran y reaccionaran a los cambios diarios del negocio. Al crear Agentes AI en Python en la plataforma BotCity, las automatizaciones pasaron a:

• Adaptarse: cada agente evalúa el contexto en tiempo real; cuando la regla cambia, el flujo se ajusta sin necesidad de una reescritura extensa de código.

• Consumir fuentes de datos no estructurados: los LLMs son excelentes para trabajar con datos no estructurados, como PDFs, imágenes y correos electrónicos.

• Entregar más rápido: la creación de un prototipo funcional de un agente va de la idea a la validación en pocas horas, en comparación con los días que requiere el RPA tradicional.

• Cubrir excepciones: el uso de LLMs y validaciones en Python amplió el alcance de las automatizaciones, reduciendo fallas que antes exigían intervención humana.

Cómo funciona un Agente AI en Python

La base del APA son los Agentes de IA, que son componentes autónomos de software capaces de analizar el entorno, tomar decisiones estratégicas para alcanzar objetivos y ejecutar las acciones necesarias, todo ello con un alto grado de independencia y adaptabilidad.

Para entender cómo operan en la práctica, la arquitectura básica de un agente de IA, inspirada en los conceptos presentados por Erimateia Lima, incluye:

• Motor de Razonamiento (LLMs): Modelos de Lenguaje Grande (LLMs) como OpenAI, Anthropic, Gemini AI, son responsables de elaborar la estrategia de pensamiento, tomar acciones y hacer observaciones.

• Planificación: Basada en prompts (como el system prompt) y en estrategias como Chain of Thought (CoT) y Reasoning & Action (ReAct), que guían el comportamiento del agente.

• Memoria: De corto plazo (interacción actual) y de largo plazo (información útil almacenada, por ejemplo, en bases de datos vectoriales).

• Tools (Funciones/Capacidades): Permiten al agente interactuar con el entorno externo, como bases de datos, sistemas BPMS, RPAs, APIs y scripts complejos.

• Base de Conocimiento (Aumento de Contexto/RAG): Utiliza bases de datos vectoriales para la indexación de contenido, lo que permite al agente acceder a información relevante como normativas jurídicas o de suministros para análisis complejos.

• Guardrails (Barreras de Protección): Imposición de límites y filtrado de contenido para garantizar que el agente opere dentro de parámetros seguros y éticos, evitando respuestas inapropiadas.

El ciclo de un agente, basado en el concepto ReAct, implica: Pensamiento (definir el objetivo), Acción (ejecutar una tarea con las herramientas disponibles) y Observación (analizar el resultado y compararlo con el objetivo, ajustando el razonamiento si es necesario).

Arquitectura Multiagente aplicada en Andrade Gutierrez

Para enfrentar los desafíos de procesos complejos, Andrade Gutierrez aprovechó BotCity para implementar arquitecturas multiagente. Esto significa que, en lugar de una única automatización, varios agentes de IA trabajan juntos hacia un objetivo mayor.

¿Cómo funciona esto en la práctica para Andrade Gutierrez?

Un ejemplo real es la elaboración de SDDs (Solution Design Documents). En lugar de un único agente sobrecargado, BotCity permitió que Andrade Gutierrez creara un sistema multiagente para esta tarea.

Este sistema inteligente puede delegar tareas a agentes especializados, como:

• Un agente para “inspecionar_codigo”.

• Otro para “descrever_automacao”.

• Un tercero para “descrever_componentes”.

• Y así sucesivamente, con agentes para “descrever_requisitos”, “desenhar_fluxo”, “gerar_resumo_executivo” y “gerar_sdd”.

Cada uno de estos agentes especializados posee su propio “cerebro” (motor de razonamiento LLM), “manos” (herramientas para interactuar con el código fuente), “memoria” (para el contexto de la documentación), “conocimiento” (sobre los estándares de SDD) y “barreras de protección” (para garantizar la calidad del documento).

Esto permitió que Andrade Gutierrez automatizara procesos antes impensables, asegurando velocidad, precisión y gobernanza. Este modelo multiagente solo fue posible gracias a que la infraestructura técnica de BotCity ofreció:

• Ejecución nativa de Python: Ideal para cualquier lógica definida por agentes, con integración a LLMs (¡incluso locales!), APIs y scripts complejos.

• Sin depender de estructuras rígidas: Proporciona total libertad de modelado y orquestación.

• Compatibilidad con diversos frameworks: Se integra fácilmente con LangGraph, CrewAI, PydanticAI, OpenAI SDK, Semantic Kernel.

• Ejecución en múltiples entornos: Soporta ejecución local, en servidor, nube, VMs y contenedores.

• Interoperabilidad con distintos sistemas: Se conecta con SAP, Web, Windows, APIs, bases de datos, archivos y más de 500.000 librerías open-source.

Casos de Aplicación Reales en Andrade Gutierrez

Caso #1: Elaboración de SDDs (Solution Design Document)

• Objetivo: Automatizar la elaboración de SDDs a partir del código fuente de la automatización.

• Cómo se hizo: Agentes creados con LangGraph. El proceso involucra “inspecionar_codigo”, “descrever_automacao”, “descrever_componentes”, “descrever_requisitos”, “desenhar_fluxo”, “gerar_resumo_executivo” y “gerar_sdd”.

• Resultado:

  • El tiempo promedio cayó de 2 horas a solo 15 segundos.

  • Más de 250 documentos generados automáticamente.

Caso #2: Análisis de Integraciones para SAP HCM

• Objetivo: Mapear integraciones SQL con el sistema de nómina para la pre-migración de SAP HCM.

• Cómo se hizo: Agentes creados con LangGraph. El flujo incluye “inspecionar_codigo”, “extrair_comandos_sql”, “descrever_comandos_sql” y “gerar_relatorio”.

• Resultado:

  • Todo el análisis realizado en aproximadamente 10 minutos, una tarea que antes era manual y extensa.

Proyectos Futuros con APA en Andrade Gutierrez

Andrade Gutierrez ya está expandiendo el uso de agentes inteligentes en nuevas áreas de automatización, todas utilizando frameworks como LangGraph, Pydantic-AI y CrewAI, integrados a la plataforma de BotCity.

Además, automatizaciones que ya utilizaban Generative AI serán mejoradas para aprovechar el uso de agentes.

1. Procesamiento de Facturas de Telecom

   • La automatización actual será mejorada con agentes que realizan validaciones de reglas de negocio y generan retroalimentación automática sobre inconsistencias en la extracción de datos.

   • Flujo principal: abrir_factura → extraer_datos → validar_datos.

2. Identificación del Responsable de Documentos Firmados Digitalmente

   • Agentes interpretarán los metadatos de documentos firmados para identificar de manera precisa al responsable legal de cada firma.

   • La lógica del agente garantiza validación contextual y robusta.

   • Flujo principal: abrir_documento → extraer_responsable → validar_datos.

Conclusión

La experiencia de Andrade Gutierrez demuestra que, al adoptar BotCity, los equipos técnicos pueden crear y poner en producción agentes de IA escritos en Python en poco tiempo, manteniendo control total de versionado, auditoría y permisos en la misma plataforma que orquesta las automatizaciones existentes.

Este modelo acelera la entrega de valor, reduce fallas operativas y asegura gobernanza incorporada desde el primer commit hasta el monitoreo a escala.

Para saber más sobre este caso de uso, ¡ponte en contacto con nuestro equipo de especialistas!