Si estás en el mundo de la tecnología, probablemente hayas escuchado el término "IA agéntica" últimamente. Es la idea de que estamos superando los simples chatbots que solo escupen respuestas. La próxima ola son los agentes de IA que pueden pensar, planificar y realmente hacer las cosas. Para las empresas, esto es un gran avance, ya que abre la puerta a la automatización de trabajos realmente complejos.
A la vanguardia para los desarrolladores se encuentra Vertex AI Agent Builder de Google, una plataforma diseñada para crear este tipo de sistemas avanzados y multiagente. Pero que sea potente no significa que sea la opción adecuada para tu equipo de soporte o TI.
Esta guía te ofrecerá una visión directa de las últimas actualizaciones de Google Vertex AI Agent Builder para casos de uso de soporte. Analizaremos qué es, qué hace y dónde se queda corto. El objetivo es ayudarte a decidir si es un conjunto de herramientas que tus ingenieros adorarán o un proyecto masivo que simplemente no estás preparado para asumir.
Entendiendo Google Vertex AI Agent Builder
Google Vertex AI Agent Builder no es una aplicación lista para usar que simplemente enciendes. Piénsalo más como un banco de trabajo de nivel profesional para tus desarrolladores. Es un conjunto de herramientas dentro de Google Cloud para crear, lanzar y gestionar agentes de IA que se conectan a los datos de tu empresa y automatizan flujos de trabajo.
Su principal argumento de venta es la flexibilidad. Permite a los desarrolladores crear experiencias de IA altamente personalizadas utilizando marcos de código abierto como LangChain, aprovechando la potente tecnología de Google (como los modelos Gemini y BigQuery) y coordinando cómo trabajan juntos diferentes agentes especializados.
Pero esa flexibilidad tiene un coste. Está diseñado para equipos con conocimientos técnicos serios y mucha experiencia en el mundo de Google Cloud. No es algo que tu gerente de soporte pueda configurar en un fin de semana. Si solo intentas controlar tus tickets de soporte, te enfrentas a una curva de aprendizaje bastante pronunciada.
Componentes principales y actualizaciones recientes
Para hacerte una idea real de si Vertex AI Agent Builder es para ti, tienes que mirar bajo el capó. La plataforma es una colección de componentes que tu equipo necesita ensamblar, no un simple interruptor que activar.
Los bloques de construcción: ADK, Agent Engine y Agent Garden
Todo el sistema se basa en tres pilares principales:
-
Kit de Desarrollo de Agentes (ADK): Es un marco de trabajo de código abierto en Python donde tus desarrolladores pasarán la mayor parte de su tiempo. Se utiliza para escribir el código que dicta la lógica de un agente, cómo "piensa" y qué hace. Google menciona que puedes construir agentes en "menos de 100 líneas de Python", lo que te dice de inmediato que se trata de un trabajo de codificación práctico.
-
Motor de Agentes (Agent Engine): Una vez que el código del agente está escrito, el Motor de Agentes es el entorno gestionado donde vive y se ejecuta. Se encarga de la infraestructura tras bambalinas, pero tu equipo sigue siendo responsable de configurar, desplegar y gestionar el agente en sí.
-
Jardín de Agentes (Agent Garden): Esencialmente, es una biblioteca de muestras de código y herramientas preconstruidas para dar a los desarrolladores un punto de partida. Es útil para inspirarse, pero son solo plantillas. Necesitan mucho trabajo personalizado para manejar las reglas y procesos específicos de tu negocio.
Actualizaciones clave para 2025
Google siempre está lanzando nuevas funciones, y algunas de las más recientes son especialmente interesantes para el personal de soporte y TI, aunque añadan más complejidad al conjunto.
Una actualización importante es el protocolo Agent2Agent (A2A). Se trata de un estándar que permite que diferentes agentes especializados se comuniquen entre sí. Para un equipo de soporte, teóricamente podrías tener un "agente de triaje" que lea un ticket entrante y se lo pase a un "agente de búsqueda de pedidos" o a un "agente de reembolsos". Es una idea poderosa para construir automatizaciones complejas, pero también significa que no solo estás construyendo un agente, sino que estás diseñando, codificando y gestionando todo un sistema de ellos.
Google también ha reforzado su Generación Aumentada por Recuperación (RAG), que ayuda a los agentes a conectarse a más fuentes de datos como Google Drive, Jira y Slack para basar sus respuestas en el conocimiento real de tu empresa. Conectar estas fuentes es genial, pero generalmente implica una configuración personalizada y configuraciones de API. Ahora bien, si eso suena a mucho trabajo, tienes razón. Es un enfoque diferente al de una herramienta como eesel AI, que ofrece integraciones con un solo clic para las mismas aplicaciones, permitiéndote conectar tus fuentes de conocimiento y ponerte en marcha casi al instante, sin necesidad de desarrolladores.
Esta infografía muestra cómo eesel AI simplifica la integración del conocimiento de varias fuentes, un tema clave en las actualizaciones de Google Vertex AI Agent Builder para casos de uso de soporte.Aplicando Google Vertex AI Agent Builder
Entonces, ¿cómo usaría un equipo técnico esto para resolver problemas cotidianos de soporte? Veamos un par de escenarios, teniendo en cuenta el esfuerzo de ingeniería requerido.
Construir un agente de helpdesk de TI interno
Digamos que quieres construir un agente para manejar solicitudes comunes de TI como restablecimiento de contraseñas o acceso a software. Usando Vertex AI Agent Builder, el proceso sería algo así:
-
Definir tareas: Primero, tendrías que mapear lo que el agente necesita hacer, como determinar si alguien está pidiendo un restablecimiento de contraseña o una nueva licencia de software.
-
Codificar la lógica: Tus desarrolladores luego se sumergirían en el ADK y escribirían código en Python para manejar la lógica de cada tarea. Esto significa analizar lo que el usuario quiere y activar las acciones correctas.
-
Conectar el conocimiento: Conectarías el agente a tu documentación interna de TI, tal vez alojada en Google Drive o Confluence, usando el motor RAG. Este paso implica configurar almacenes de datos y asegurarse de que el agente pueda extraer la información correcta.
-
Desplegar e integrar: Finalmente, desplegarías el agente en el Motor de Agentes y lo conectarías a tu herramienta de chat, como Google Chat o Slack.
Todo esto es básicamente un mini proyecto de software que involucra codificación, trabajo con API y muchos ajustes. Para los equipos que quieren resolver este problema sin esa carga, eesel AI hace lo mismo para el soporte interno con una configuración sencilla y sin código. Puedes conectarlo a Slack o Microsoft Teams y tenerlo aprendiendo de tus documentos en minutos.
Crear un agente de soporte al cliente
Ahora, imaginemos que quieres construir un agente para tus clientes externos. El proceso implicaría conectarse a tu helpdesk, alimentar al agente de soporte al cliente con los artículos de tu centro de ayuda público y definir acciones como escalar un ticket o verificar el estado de un pedido.
El gran obstáculo aquí es conectarse a sistemas que no forman parte del ecosistema de Google, como Zendesk para los tickets o Shopify para los datos de pedidos. Esto requiere construir o configurar conectores de API, lo que puede ser un gran esfuerzo técnico.
Este es otro proyecto que podría extenderse fácilmente por semanas o meses. Para los equipos que no tienen ingenieros de IA dedicados esperando un proyecto, una plataforma como eesel AI ofrece un camino mucho más simple. Con integraciones de helpdesk de un solo clic, puede entrenarse con tus tickets y artículos pasados automáticamente, para que puedas estar en funcionamiento en minutos.
Limitaciones y la realidad de empezar
Si bien Vertex AI Agent Builder es impresionante, su diseño centrado en el desarrollador crea algunos obstáculos reales para la mayoría de los equipos de soporte y TI que solo quieren una solución que funcione.
La pronunciada curva de aprendizaje y la necesidad de recursos
Seamos honestos: Vertex AI Agent Builder es un conjunto de herramientas para desarrolladores, no una herramienta para gerentes de soporte. Para construir, desplegar y mantener estos agentes, necesitas a alguien que conozca bien Google Cloud, Python y los marcos de IA. Si no tienes un equipo de ingeniería listo para hacerse cargo de esto, probablemente no sucederá.
Esto está a un mundo de distancia del enfoque de autoservicio de eesel AI. Nuestra plataforma está diseñada para que cualquiera pueda construir, probar y lanzar un potente agente de IA desde un simple panel de control, sin necesidad de codificación.
Dependencia del proveedor y desafíos del ecosistema
Aunque Vertex AI admite herramientas de código abierto, todo el sistema para ejecutar tus agentes (el Motor de Agentes) reside dentro de Google Cloud. Esto puede llevar a una seria dependencia del proveedor y crear dolores de cabeza para las empresas que utilizan múltiples proveedores de la nube o simplemente no quieren estar atadas a una única pila tecnológica.
Una mejor manera es usar una herramienta que funcione donde tú trabajas. eesel AI se conecta directamente a tus herramientas existentes, como Zendesk, Freshdesk, o Slack, sin obligarte a cambiar tu forma de operar ni a comprometerte con una nube específica.
El desafío oculto de las pruebas
Uno de los mayores riesgos con cualquier automatización de IA es lanzarla antes de que esté realmente lista. Probar flujos de trabajo complejos y multiagente es increíblemente difícil. Aunque Google ofrece a los desarrolladores herramientas de depuración, no hay una manera fácil para un usuario de negocio de ver cómo se comportará un agente con datos históricos reales antes de que empiece a hablar con tus clientes.
Aquí es donde el modo de simulación de eesel AI es una gran ventaja. Te permite probar tu configuración de IA en miles de tus tickets de soporte pasados en un entorno seguro. Puedes ver exactamente cómo habría respondido, obtener pronósticos sólidos sobre las tasas de resolución y ajustar su comportamiento, todo antes de que un solo cliente interactúe con él.
Esta captura de pantalla del modo de simulación de eesel AI destaca una herramienta práctica para casos de uso de soporte, en contraste con las complejidades de las pruebas en Google Vertex AI Agent Builder.Precios de Google Vertex AI Agent Builder
Una de las partes más complicadas de Vertex AI Agent Builder son sus precios. Es increíblemente complejo y se basa en componentes, lo que hace casi imposible predecir tus costos. No pagas una suscripción fija; pagas por la cantidad de servicios en la nube que utilizas.
Los costos se dividen en varias partes:
-
Motor de Agentes: Se te factura por la potencia de cálculo y la memoria que utiliza tu agente, medido por vCPU-hora y GiB-hora.
-
Uso del modelo: Pagas por los modelos de IA subyacentes, como Gemini, en función de la cantidad de texto que entra y sale.
-
Herramientas y datos: También se te cobra por cualquier otro servicio de Google Cloud al que acceda tu agente, como obtener datos de BigQuery o usar Vertex AI Search.
Aquí tienes un desglose simplificado de los costos principales:
| Componente | Precio | Unidad de facturación |
|---|---|---|
| Motor de Agente (Cómputo) | Desde 0,0994 $ (Nivel 1) | por hora de vCPU |
| Motor de Agente (Memoria) | Desde 0,0105 $ (Nivel 1) | por hora de GiB |
| Uso del modelo | Varía según el modelo | por cada 1000 caracteres/tokens |
| Uso de datos y herramientas | Varía según el servicio | por GB almacenado, consulta, etc. |
El gran problema aquí es bastante obvio: este modelo de pago por uso para la infraestructura básica es impredecible y puede generar facturas sorpresa desagradables, especialmente cuando tu volumen de soporte aumenta. Esto contrasta fuertemente con los precios de eesel AI, que ofrecen planes claros basados en interacciones. Con eesel AI, no hay tarifas por resolución, por lo que tus costos son predecibles y no aumentan solo porque estás ayudando con éxito a más clientes.
La página de precios transparente de eesel AI, relevante para la discusión sobre las actualizaciones de Google Vertex AI Agent Builder para casos de uso de soporte y sus complejos modelos de precios.Google Vertex AI Agent Builder: Un potente conjunto de herramientas para expertos, pero un proyecto complejo para la mayoría
Entonces, ¿cuál es el veredicto? Google Vertex AI Agent Builder es una plataforma realmente impresionante si tienes un equipo dedicado de ingenieros de IA y estás completamente inmerso en el ecosistema de Google Cloud. Te da un poder increíble para construir sistemas personalizados y multiagente desde cero.
Sin embargo, para la gran mayoría de los equipos de soporte y TI, simplemente no es práctico. La barrera técnica es alta, la configuración es larga y complicada, los precios son un dolor de cabeza y no hay una forma sencilla y sin riesgos de implementar tu automatización. Es como si te dieran una caja de piezas de coche de alta gama y te dijeran que construyas el coche tú mismo.
Para los equipos que quieren automatizar los flujos de trabajo de soporte de forma rápida y segura, una solución de autoservicio y totalmente integrada es casi siempre una mejor opción.
¿Listo para automatizar el soporte en minutos, no en meses?
En lugar de intentar ensamblar un complejo conjunto de herramientas de IA desde cero, ¿qué pasaría si pudieras lanzar un agente de IA que se conecte directamente a tu helpdesk y aprenda de tus datos al instante?
eesel AI ofrece una plataforma de autoservicio refrescantemente simple que automatiza el soporte de primera línea, ayuda a los agentes a redactar respuestas y clasifica tickets, todo sin necesidad de un equipo de desarrolladores. Puedes simular tu IA con tickets pasados y ponerla en marcha con total confianza.
Preguntas frecuentes
Esta plataforma es un conjunto de herramientas para que los desarrolladores creen agentes de IA altamente personalizados que pueden planificar, pensar y realizar acciones complejas. Supera a los chatbots simples al permitir sistemas multiagente y una integración profunda con los datos de la empresa para automatizar flujos de trabajo de soporte complejos.
Se requiere un alto nivel de competencia técnica, específicamente experiencia en Google Cloud, Python y marcos de IA. Está diseñado para equipos de ingeniería con importantes recursos de desarrollo, no para que los gerentes de soporte sin conocimientos técnicos lo configuren fácilmente.
El protocolo Agent2Agent permite que diferentes agentes de IA especializados se comuniquen y colaboren. Esto permite una automatización de soporte compleja al hacer que los agentes se pasen tareas entre sí, por ejemplo, un agente de triaje que le pasa el trabajo a un agente de búsqueda de pedidos, construyendo flujos de trabajo de varios pasos más robustos.
Los componentes principales son el Kit de Desarrollo de Agentes (ADK) para codificar la lógica del agente, el Motor de Agentes (Agent Engine) para el despliegue y la gestión, y el Jardín de Agentes (Agent Garden) que proporciona muestras de código y plantillas. Estos requieren ensamblaje y configuración personalizada por parte de tu equipo de desarrollo.
Las limitaciones clave incluyen una curva de aprendizaje pronunciada que requiere ingenieros de IA dedicados, una posible dependencia del proveedor del ecosistema de Google Cloud y la considerable complejidad que implica probar y depurar exhaustivamente los sistemas multiagente antes de su despliegue.
El precio se basa en componentes, facturando por el cómputo y la memoria del Motor de Agentes, el uso del modelo de IA subyacente y otros servicios de Google Cloud a los que se accede. Este modelo de pago por uso para la infraestructura básica hace que los costos sean impredecibles, especialmente con volúmenes de soporte fluctuantes.
