Resumen Técnico: Memoria Organizacional para la Ejecución de Procesos de Negocio Agénticos

Declaración del Problema

Si bien los agentes basados en Modelos de Lenguaje de Gran Escala (LLM) ofrecen nuevas capacidades para automatizar procesos de negocio complejos y de múltiples pasos más allá de los límites de los sistemas basados en reglas (por ejemplo, RPA), enfrentan una barrera crítica de escalabilidad en entornos empresariales: la falta de conocimiento específico de la organización. Los LLM de propósito general no son inherentemente conscientes de las políticas de la empresa, las convenciones de los procesos, las estructuras de roles o las prácticas de manejo de excepciones.

Los enfoques actuales intentan cerrar esta brecha codificando el conocimiento específico en los prompts individuales de los agentes o en configuraciones de recuperación. Sin embargo, los autores argumentan que esto no escala en grandes organizaciones. La creación de conocimiento por cada agente genera:

• Silos de Conocimiento: Las reglas se duplican en miles de agentes.
• Inconsistencia: Las actualizaciones se aplican de manera desigual, lo que conduce a interpretaciones contradictorias.
• Carga de Mantenimiento: Las actualizaciones de aprendizaje y de políticas no pueden propagarse eficientemente.
• Fragmentación: El conocimiento relevante existe en artefactos heterogéneos orientados a humanos (modelos BPMN, SOPs, políticas, documentación de ERP) que no están estructurados para el consumo de agentes.

El desafío central no es la disponibilidad del conocimiento, sino la transformación del conocimiento fragmentado y centrado en humanos en una forma unificada y consumible por agentes que pueda proporcionarse de manera consistente a todos los agentes y evolucionar con los cambios organizacionales.

Metodología y Arquitectura

El artículo propone la Memoria Organizacional: una capa de referencia de conocimiento procedimental compartida, gobernada por humanos y consumible por agentes. La arquitectura se divide en dos fases complementarias: Curación de la Memoria y Consumo de la Memoria.

1. Diseño Central: Átomos de Proceso

En lugar de almacenar documentos brutos o grandes fragmentos de texto, la arquitectura descompone el conocimiento en Átomos de Proceso. Cada átomo es una unidad autónoma que captura exactamente una regla, restricción o responsabilidad. Un átomo consta de:

• Nombre: Un identificador corto para el comportamiento.
• Fuente: Una referencia al artefacto original (por ejemplo, una sección específica de una política).
• Contenido: Una descripción estructurada con tres partes:
  • Aplicabilidad: Contexto (proceso, rol, objeto, precondición).
  • Acción: La regla específica o el comportamiento requerido.
  • Propósito: La razón de ser de la regla.
• Etiquetas (Tags): Vinculan el átomo a un Modelo de Dominio Empresarial (por ejemplo, "adquisiciones", "solicitud de compra") para permitir la recuperación sensible al contexto.

2. Curación de la Memoria (Creación y Mantenimiento)

Esta fase transforma fuentes heterogéneas en la memoria unificada:

• Entrada: Políticas, SOPs, modelos de procesos, documentación de sistemas y trazas de ejecución.
• Extracción: Servicios específicos de la fuente extraen átomos candidatos y los fundamentan con etiquetas de dominio.
• Curador Global: Una entidad activa que realiza:
  • Controles de Calidad: Asegurar que los átomos tengan un alcance claro y una sola regla.
  • Detección de Conflictos: Identificar solapamientos, redundancias o contradicciones con la memoria existente.
• Gobernanza Humana: Un experto humano revisa los cambios propuestos (adiciones, eliminaciones, modificaciones) y resuelve conflictos. Esto garantiza la rendición de cuentas y que la memoria refleje la intención organizacional.

3. Consumo de la Memoria (Tiempo de Ejecución)

Esta fase sirve a los agentes durante la ejecución del proceso:

• Solicitud de Contexto: El agente envía una solicitud describiendo el contexto de la tarea actual (proceso, actividad, rol, datos de entrada).
• Recuperación (Retrieval): Un componente de Recuperación consulta la memoria. Utiliza un enfoque híbrido:
  • Filtrado: Uso de etiquetas de dominio para reducir el alcance (por ejemplo, una subsidiaria o rol específico).
  • Selección: Uso de selección semántica o basada en LLM dentro del conjunto filtrado para encontrar los átomos más relevantes.
• Ejecución: El agente recibe un conjunto compacto de átomos relevantes (no documentos completos) para guiar su toma de decisiones.

Principales Contribuciones

El artículo realiza cuatro contribuciones primarias:

1. Definición del Concepto: Introduce la "Memoria Organizacional" como una representación unificada del conocimiento de procesos organizacionales, distinta de los prompts individuales de los agentes o las memorias locales.
2. Derivación de Requisitos: Define nueve requisitos específicos para tal sistema, incluyendo la integración de fuentes heterogéneas, descomposición atómica, detección de conflictos, trazabilidad, recuperación específica al contexto, acceso de baja latencia, evolución adaptativa, gobernanza humana y escalabilidad.
3. Propuesta de Arquitectura: Presenta una arquitectura detallada que cubre las fases de curación (extracción, resolución de conflictos, revisión humana) y consumo (recuperación contextual), centrada en la abstracción de "Átomo de Proceso".
4. Prueba de Concepto: Demuestra la efectividad de la arquitectura en un escenario de adquisiciones.

Resultados Experimentales

Los autores realizaron una prueba de concepto utilizando un escenario sintético de "Compra a Pago" (Purchase-to-Pay) con un agente basado en LLM actuando como asistente de compras.

• Configuración: Se probaron tres configuraciones:
  • Base: Sin conocimiento organizacional.
  • RAG: Generación Aumentada por Recuperación estándar utilizando embeddings vectoriales de fragmentos de documentos.
  • Memoria: Acceso a la Memoria Organizacional propuesta (Átomos de Proceso).
• Modelos: Probado en GPT-4.1 y Claude Sonnet 4.5.
• Métrica: Tasa de Cumplimiento de Políticas (PCR) – la fracción de escenarios donde el agente crea correctamente o rechaza una solicitud de compra basándose en la política.
• Hallazgos:
  • Base: 30% de cumplimiento (falló al aplicar reglas que no estaban en el conocimiento paramétrico).
  • RAG: 70–80% de cumplimiento. Mejoró respecto a la Base, pero falló en reglas "transversales" (por ejemplo, requisitos universales de centros de costos) que no eran semánticamente cercanos a la solicitud específica.
  • Memoria: 88–95% de cumplimiento. El desempeño más alto. Al recuperar átomos relevantes para la tarea en lugar de solo fragmentos de texto semánticamente similares, el agente aplicó con éxito tanto las restricciones específicas como las generales.
• Limitaciones Observadas: Los errores en la configuración de Memoria fueron principalmente "sobre-restricciones" causadas por átomos extraídos de forma imprecisa (por ejemplo, el alcance de aplicabilidad era demasiado amplio), lo que destaca que la calidad de la curación es crítica.

Significado y Reivindicaciones

El artículo sostiene que la ejecución de procesos agénticos confiable y escalable requiere ir más allá de los prompts específicos del agente hacia una memoria organizacional compartida.

• Escalabilidad: La arquitectura aborda el desafío empresarial de mantener un conocimiento consistente a través de miles de agentes y procesos heterogéneos.
• Gobernanza: Integra explícitamente la supervisión humana, asegurando que los cambios en el conocimiento procedimental sean aprobados y trazables, evitando la deriva totalmente automatizada.
• Efectividad: La prueba de concepto proporciona evidencia inicial de que una memoria estructurada basada en átomos mejora el comportamiento de cumplimiento de políticas en comparación tanto con el conocimiento paramétrico como con la recuperación de documentos estándar.

Los autores mantienen la modestia, reconociendo que la prueba de concepto está limitada a un único proceso sintético y fuentes basadas en PDF. Afirman que la generalización a entornos empresariales complejos y reales con sistemas heredados conflictivos y numerosas políticas superpuestas aún no ha sido demostrada y es un objetivo para el trabajo futuro.