\u201cAPA no sustituye al RPA, lo expande y complementa. Es un nuevo paradigma para repensar c\u00f3mo automatizamos el conocimiento y la toma de decisiones.\u201d<\/em><\/p>\n
RPA vs. APA: Una Nueva Generaci\u00f3n de Automatizaciones<\/h2>\n
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:<\/p>\n
- \n
- \n
Adaptarse:<\/strong> cada agente eval\u00faa el contexto en tiempo real; cuando la regla cambia, el flujo se ajusta sin necesidad de una reescritura extensa de c\u00f3digo.<\/p>\n<\/li>\n
- \n
Consumir fuentes de datos no estructurados:<\/strong> los LLMs son excelentes para trabajar con datos no estructurados, como PDFs, im\u00e1genes y correos electr\u00f3nicos.<\/p>\n<\/li>\n
- \n
Entregar m\u00e1s r\u00e1pido:<\/strong> la creaci\u00f3n de un prototipo funcional de un agente va de la idea a la validaci\u00f3n en pocas horas, en comparaci\u00f3n con los d\u00edas que requiere el RPA tradicional.<\/p>\n<\/li>\n
- \n
Cubrir excepciones:<\/strong> el uso de LLMs y validaciones en Python ampli\u00f3 el alcance de las automatizaciones, reduciendo fallas que antes exig\u00edan intervenci\u00f3n humana.<\/p>\n<\/li>\n<\/ul>\n
![\"\"](\"https:\/\/blog.botcity.dev\/wp-content\/uploads\/2025\/10\/es-300x140.png\")
<\/p>\nC\u00f3mo funciona un Agente AI en Python<\/h2>\n
La base del APA son los Agentes de IA, que son componentes aut\u00f3nomos de software capaces de analizar el entorno, tomar decisiones estrat\u00e9gicas para alcanzar objetivos y ejecutar las acciones necesarias, todo ello con un alto grado de independencia y adaptabilidad.<\/p>\n
Para entender c\u00f3mo operan en la pr\u00e1ctica, la arquitectura b\u00e1sica de un agente de IA, inspirada en los conceptos presentados por Erimateia Lima, incluye:<\/p>\n
- \n
- \n
Motor de Razonamiento (LLMs):<\/strong> Modelos de Lenguaje Grande (LLMs) como OpenAI, Anthropic, Gemini AI, son responsables de elaborar la estrategia de pensamiento, tomar acciones y hacer observaciones.<\/p>\n<\/li>\n
- \n
Planificaci\u00f3n:<\/strong> Basada en prompts<\/em> (como el system prompt<\/em>) y en estrategias como Chain of Thought<\/em> (CoT) y Reasoning & Action<\/em> (ReAct), que gu\u00edan el comportamiento del agente.<\/p>\n<\/li>\n
- \n
Memoria:<\/strong> De corto plazo (interacci\u00f3n actual) y de largo plazo (informaci\u00f3n \u00fatil almacenada, por ejemplo, en bases de datos vectoriales).<\/p>\n<\/li>\n
- \n
Tools (Funciones\/Capacidades):<\/strong> Permiten al agente interactuar con el entorno externo, como bases de datos, sistemas BPMS, RPAs, APIs y scripts complejos.<\/p>\n<\/li>\n
- \n
Base de Conocimiento (Aumento de Contexto\/RAG):<\/strong> Utiliza bases de datos vectoriales para la indexaci\u00f3n de contenido, lo que permite al agente acceder a informaci\u00f3n relevante como normativas jur\u00eddicas o de suministros para an\u00e1lisis complejos.<\/p>\n<\/li>\n
- \n
Guardrails (Barreras de Protecci\u00f3n):<\/strong> Imposici\u00f3n de l\u00edmites y filtrado de contenido para garantizar que el agente opere dentro de par\u00e1metros seguros y \u00e9ticos, evitando respuestas inapropiadas.<\/p>\n<\/li>\n<\/ul>\n
El ciclo de un agente, basado en el concepto ReAct<\/em>, implica: Pensamiento<\/strong> (definir el objetivo), Acci\u00f3n<\/strong> (ejecutar una tarea con las herramientas disponibles) y Observaci\u00f3n<\/strong> (analizar el resultado y compararlo con el objetivo, ajustando el razonamiento si es necesario).<\/p>\n
![\"\"](\"https:\/\/blog.botcity.dev\/wp-content\/uploads\/2025\/10\/1-es-300x142.png\")
<\/p>\nArquitectura Multiagente aplicada en Andrade Gutierrez<\/h2>\n
Para enfrentar los desaf\u00edos de procesos complejos, Andrade Gutierrez aprovech\u00f3 BotCity para implementar arquitecturas multiagente. Esto significa que, en lugar de una \u00fanica automatizaci\u00f3n, varios agentes de IA trabajan juntos hacia un objetivo mayor.<\/p>\n
\u00bfC\u00f3mo funciona esto en la pr\u00e1ctica para Andrade Gutierrez?<\/h3>\n
Un ejemplo real es la elaboraci\u00f3n de SDDs (Solution Design Documents<\/em>). En lugar de un \u00fanico agente sobrecargado, BotCity permiti\u00f3 que Andrade Gutierrez creara un sistema multiagente para esta tarea.<\/p>\n
Este sistema inteligente puede delegar tareas a agentes especializados, como:<\/p>\n
- \n
- \n
Un agente para \u201cinspecionar_codigo\u201d<\/strong>.<\/p>\n<\/li>\n
- \n
Otro para \u201cdescrever_automacao\u201d<\/strong>.<\/p>\n<\/li>\n
- \n
Un tercero para \u201cdescrever_componentes\u201d<\/strong>.<\/p>\n<\/li>\n
- \n
Y as\u00ed sucesivamente, con agentes para \u201cdescrever_requisitos\u201d<\/strong>, \u201cdesenhar_fluxo\u201d<\/strong>, \u201cgerar_resumo_executivo\u201d<\/strong> y \u201cgerar_sdd\u201d<\/strong>.<\/p>\n<\/li>\n<\/ul>\n
Cada uno de estos agentes especializados posee su propio \u201ccerebro\u201d<\/strong> (motor de razonamiento LLM), \u201cmanos\u201d<\/strong> (herramientas para interactuar con el c\u00f3digo fuente), \u201cmemoria\u201d<\/strong> (para el contexto de la documentaci\u00f3n), \u201cconocimiento\u201d<\/strong> (sobre los est\u00e1ndares de SDD) y \u201cbarreras de protecci\u00f3n\u201d<\/strong> (para garantizar la calidad del documento).<\/p>\n
Esto permiti\u00f3 que Andrade Gutierrez automatizara procesos antes impensables, asegurando velocidad, precisi\u00f3n y gobernanza. Este modelo multiagente solo fue posible gracias a que la infraestructura t\u00e9cnica de BotCity ofreci\u00f3:<\/p>\n
- \n
- \n
Ejecuci\u00f3n nativa de Python:<\/strong> Ideal para cualquier l\u00f3gica definida por agentes, con integraci\u00f3n a LLMs (\u00a1incluso locales!), APIs y scripts complejos.<\/p>\n<\/li>\n
- \n
Sin depender de estructuras r\u00edgidas:<\/strong> Proporciona total libertad de modelado y orquestaci\u00f3n.<\/p>\n<\/li>\n
- \n
Compatibilidad con diversos frameworks:<\/strong> Se integra f\u00e1cilmente con LangGraph, CrewAI, PydanticAI, OpenAI SDK, Semantic Kernel.<\/p>\n<\/li>\n
- \n
Ejecuci\u00f3n en m\u00faltiples entornos:<\/strong> Soporta ejecuci\u00f3n local, en servidor, nube, VMs y contenedores.<\/p>\n<\/li>\n
- \n
Interoperabilidad con distintos sistemas:<\/strong> Se conecta con SAP, Web, Windows, APIs, bases de datos, archivos y m\u00e1s de 500.000 librer\u00edas open-source.<\/em><\/p>\n<\/li>\n<\/ul>\n
Casos de Aplicaci\u00f3n Reales en Andrade Gutierrez<\/h2>\n
Caso #1: Elaboraci\u00f3n de SDDs (Solution Design Document)<\/strong><\/h3>\n
- \n
- \n
Objetivo:<\/strong> Automatizar la elaboraci\u00f3n de SDDs a partir del c\u00f3digo fuente de la automatizaci\u00f3n.<\/p>\n<\/li>\n
- \n
C\u00f3mo se hizo:<\/strong> Agentes creados con LangGraph. El proceso involucra \u201cinspecionar_codigo\u201d, \u201cdescrever_automacao\u201d, \u201cdescrever_componentes\u201d, \u201cdescrever_requisitos\u201d, \u201cdesenhar_fluxo\u201d, \u201cgerar_resumo_executivo\u201d y \u201cgerar_sdd\u201d.<\/p>\n<\/li>\n
- \n
Resultado:<\/strong><\/p>\n
- \n
- \n
El tiempo promedio cay\u00f3 de 2 horas a solo 15 segundos.<\/p>\n<\/li>\n
- \n
M\u00e1s de 250 documentos generados autom\u00e1ticamente.<\/p>\n<\/li>\n<\/ul>\n<\/li>\n<\/ul>\n
Caso #2: An\u00e1lisis de Integraciones para SAP HCM<\/strong><\/h3>\n
- \n
- \n
Objetivo:<\/strong> Mapear integraciones SQL con el sistema de n\u00f3mina para la pre-migraci\u00f3n de SAP HCM.<\/p>\n<\/li>\n
- \n
C\u00f3mo se hizo:<\/strong> Agentes creados con LangGraph. El flujo incluye \u201cinspecionar_codigo\u201d, \u201cextrair_comandos_sql\u201d, \u201cdescrever_comandos_sql\u201d y \u201cgerar_relatorio\u201d.<\/p>\n<\/li>\n
- \n
Resultado:<\/strong><\/p>\n
- \n
- \n
- \n
- \n
- \n
- \n
- \n