Nota: este artículo apareció por primera vez en el sitio del ICAEW. Puede consultar el artículo original aquí.
Tenga en cuenta que el agente de IA desarrollado en este artículo se ha creado para demostrar una aplicación práctica y explorar cómo los contables y auditores pueden utilizar la IA. Se trata de una prueba de concepto muy simple que puede producir respuestas inexactas y no debe confiarse en la herramienta para el trabajo con clientes o para sustituir la experiencia profesional. Para más información sobre los riesgos y limitaciones de la IA, véase la guía del ICAEW sobre riesgos y limitaciones de la IA generativa.
Aún es pronto en el mundo de la IA, pero evoluciona a la velocidad del rayo. Incluso la terminología puede resultar desconcertante. Agentes de IA", "sistemas agénticos", "copilotos", "asistentes", "trabajadores digitales"... el sector está plagado de términos para lo que a menudo se reduce a la misma idea central: software que utiliza la IA para tomar decisiones y actuar en consecuencia.
En mi trabajo en Circit hablo con cientos de empresas de contabilidad, y casi todas las que conozco se sienten rezagadas en lo que respecta a la IA. Las propias empresas tecnológicas están lidiando con lo que la IA significa para el futuro; nadie tiene realmente todas las respuestas. La mejor forma de aprender es lanzarse a probarla. Eso es lo que decidí hacer durante las Navidades: construir mi primer agente de IA muy sencillo.
Retos tecnológicos
Me formé en Moore Kingston Smith y me incorporé a su recién creado equipo de análisis de datos durante mi segundo año. Esto significaba menos auditorías y más tutoriales de Python. En un equipo de tres personas, a menudo me sentía fuera de mi alcance: hay una cantidad asombrosa de sintaxis que aprender, además de interminables batallas con el terminal solo para poner en marcha tu entorno de desarrollo. Pasé mucho más tiempo buscando en Stack Overflow que codificando.
Con la llegada de los asistentes de programación basados en IA, como GitHub Co-pilot, el juego ha cambiado por completo. Esos pequeños matices de sintaxis ya no son obstáculos insalvables. Ahora puedes centrarte en el "qué" y el "por qué" del proyecto en lugar de pelearte con el "cómo". Se abre un nivel de productividad que antes era difícil de imaginar.
¿Qué son los agentes de IA?
En términos sencillos, un agente de IA es un software que utiliza un modelo de IA para razonar y luego actuar en consecuencia. De ahí viene el término "agente ReAct": razonar y actuar.
Es importante tener en cuenta que hay un espectro de agentes:
- Los agentes de "flujo de trabajo" estructurado tienen un camino más predefinido, en el que los grandes modelos lingüísticos (LLM) se emparejan con herramientas o pasos específicos, de modo que la IA tiene algunas pautas que seguir.
- Los agentes totalmente autónomos deciden dinámicamente qué hacer a continuación, eligiendo sobre la marcha las herramientas o procesos adecuados sin apenas intervención humana.
El paso del SaaS a los agentes
Para entender en qué se diferencia de un modelo tradicional de software como servicio (SaaS), imaginemos que un directivo entrega una herramienta SaaS a un subalterno. El subalterno se conecta, navega por el software, realiza el trabajo y devuelve los resultados al director. Sigue siendo bastante manual, aunque el software subyacente sea potente.
En cambio, un agente de IA asume gran parte del papel del subalterno. En lugar de exigir al usuario que haga clic en cada paso, el agente utiliza sus propios conocimientos para recuperar automáticamente los datos, analizarlos y presentar las conclusiones para su aprobación final. A esto se refiere Satya Nadella, CEO de Microsoft, cuando afirma: "Los agentes de IA transformarán el SaaS tal y como lo conocemos."
En última instancia, todo se reduce a la experiencia del usuario. Al ocuparse del trabajo entre bastidores, los agentes de IA empiezan a sentirse más como miembros de un equipo que como un software más.
El agente de transformación del libro mayor de la IA
Como auditor junior, me pasaba horas mapeando los datos de los clientes, ya fuera un plan contable o los encabezados de las columnas, antes de cargar los datos en una herramienta. Así que en eso me centré en mi primer proyecto de agente de IA: la transformación de datos del libro mayor.
El uso de la IA para el mapeo de datos, en lugar de depender de reglas codificadas, ofrece varias ventajas prácticas, como la adaptación a los cambios en la entrada de datos, la reducción del mantenimiento, la escalabilidad y, lo que es más importante, una mejor experiencia de usuario.
La IA ofrece sugerencias y permite al usuario confirmar o corregir el mapeo, lo que se conoce como "human in the loop". Este flujo de trabajo interactivo hace que la experiencia del usuario sea más natural y podría ayudar al modelo a mejorar con el tiempo:
- Cargar CSV/Excel El usuario selecciona un archivo con datos brutos del libro mayor.
- Procesamiento AI El Agente AI analiza cómo se alinea cada columna con el esquema de destino.
- Feedback del usuario El usuario aprueba o ajusta estas sugerencias.
- Transformación: La herramienta aplica conversiones de datos y genera un archivo listo para usar.
Cómo creé mi agente de IA
- Elección de LangChain como marco principal
Hay demasiadas herramientas y frameworks para contarlos, pero decidí usar LangChain. Es conocido por ayudar a los desarrolladores a construir rápidamente agentes de IA, y tiene un sólido ecosistema de integraciones, tutoriales y demos que hacen que empezar sea mucho más sencillo.
- Lluvia de ideas con ChatGPT
Antes de escribir ningún código, pasé unas cuantas sesiones de intercambio de ideas con ChatGPT. Le pedí instrucciones sobre cómo transformar un libro mayor aleatorio en un formato normalizado. Me dividió el proceso en pasos manejables: ingesta de datos, mapeo de esquemas, limpieza de datos, transformación de campos, validación, etcétera.
3. Recopilación de instrucciones técnicas
Una vez que tuve las líneas generales, pedí a ChatGPT orientación técnica más detallada: cómo configurar mi entorno de desarrollador, qué dependencias instalar y cómo estructurar mi proyecto. Fue como un tutorial personalizado mucho más interactivo que una entrada de blog o un vídeo estándar.
- Selección de la pila tecnológica y la interfaz de usuario
Quería algo rápido y fácil para mostrar mis resultados. ChatGPT me sugirió Streamlit, una popular herramienta para crear interfaces de usuario (UI) sencillas e interactivas en Python. ChatGPT me explicó exactamente cómo integrar Streamlit con mi lógica de IA de back-end, desde la instalación del paquete hasta la creación de un widget básico de carga de archivos para que los usuarios pudieran arrastrar su libro mayor CSV.
- Migración a VS Code y GitHub Copilot
Una vez que tuve la base del proyecto, pasé de copiar y pegar fragmentos de ChatGPT a codificar directamente en VS Code con GitHub Copilot. Fue un cambio radical.
Ni una sola vez tuve que escribir una sola línea de código, ni siquiera copiar y pegar. Cada vez que necesitaba una actualización, como cambiar la forma en que se analizan los campos decimales, simplemente añadía un comentario y Copilot proponía la corrección. Sin embargo, es útil conocer el código que se utiliza, o comprobarlo con alguien que lo conozca, para asegurarse de que funciona según lo previsto.
El resultado
Puede probar la aplicación aquí. Por favor, no utilices datos reales de clientes cuando la pruebes - puedes pedir a ChatGPT que cree un conjunto de datos de demostración.
Los usuarios pueden cargar su archivo de libro mayor sin procesar, ver las asignaciones sugeridas por AI, ajustarlas mediante menús desplegables y, a continuación, hacer clic en "Transformar". Al instante, obtienen una vista previa de los datos finales y pueden descargar un CSV.
Acepte la curva de aprendizaje
Cada vez es más fácil crear herramientas de IA. El verdadero reto es saber qué crear. Es tu momento de brillar aprovechando tus conocimientos de contabilidad.
Los LLM son increíblemente inteligentes y no hacen más que mejorar. Pero necesitan datos con los que trabajar. Conectar sistemas y acceder a los datos adecuados sigue siendo un gran reto.
Acepta la curva de aprendizaje, es divertido. Experimentar con IA te permite ser creativo y combinar tus conocimientos de contabilidad con la tecnología emergente de una forma fresca y gratificante.
- Para más información sobre cómo empezar, consulta los recursos del ICAEW sobre IA generativa e ingeniería rápida, y no dudes en ponerte en contacto conmigo(dudley@circit.io) si tienes alguna pregunta sobre este proyecto o quieres acceder al repositorio de GitHub.
