Confluent, Inc., compañía especializada en streaming de datos, ha presentado nuevas funcionalidades dentro de Confluent Intelligence orientadas a interconectar agentes de inteligencia artificial y mejorar la calidad y precisión del análisis de información.
Entre las novedades destacan los Streaming Agents, que emplean el protocolo Agent2Agent (A2A) para activar y coordinar agentes de IA externos a través de flujos de datos en tiempo real, lo que facilita la integración de distintos sistemas de inteligencia artificial en el entorno empresarial. A ello se suma la detección multivariante de anomalías, una tecnología que evalúa diversas métricas de forma simultánea para detectar automáticamente comportamientos inusuales en los datos y permitir a los equipos anticiparse a posibles incidencias antes de que afecten a otros sistemas.
En conjunto, estas capacidades impulsan el desarrollo de soluciones de IA más inteligentes y contextualizadas, capaces de adaptarse a los cambios en los datos, los agentes y las necesidades del negocio.
Sean Falconer, responsable de IA de la compañía, subraya que para mantener la competitividad es necesario contar con un ecosistema de agentes de inteligencia artificial que colaboren, aprendan y compartan información de manera continua y en tiempo real. En este sentido, Confluent Intelligence busca unificar las distintas inversiones y plataformas de IA de las organizaciones, independientemente de su origen, permitiendo que la inteligencia artificial responda automáticamente a datos en vivo, coordine sistemas, ejecute acciones y escale tareas hacia los equipos cuando resulte necesario.
Construir ecosistemas de agentes colaborativos
Las empresas recurren cada vez más a los agentes de IA para automatizar decisiones y asumir tareas más complejas. Según el informe IDC FutureScape: Worldwide Future of Work 2026 Predictions, “para 2026, el 40% de todos los puestos de trabajo del G2000 implicarán trabajar con agentes de IA, redefiniendo los roles tradicionales de nivel inicial, intermedio y senior”. Y es probable que incluso esta cifra sea aún conservadora. Sin embargo, a medida que los agentes se expanden por distintas herramientas y sistemas, la mayoría opera de forma aislada. Si los agentes no pueden comunicarse entre sí ni compartir contexto dentro de la empresa, la información queda atrapada en silos y las decisiones se fragmentan.
Los Streaming Agents de Confluent abordan este reto conectando los agentes de IA con datos en tiempo real mediante el Model Context Protocol (MCP) de Anthropic y con otros agentes a través del protocolo A2A. De este modo, pueden analizar de forma continua información procedente de frameworks de agentes como LangChain, plataformas de datos como BigQuery, Snowflake y Databricks, generar insights y, a continuación, activar plataformas de IA empresariales como ServiceNow y flujos de trabajo de Salesforce para actuar de inmediato, cerrando la brecha entre el conocimiento y la ejecución. Al conectar estos sistemas, Confluent transforma el análisis a nivel de flujo en un modelo de “insight to action”, generando la inteligencia en tiempo real necesaria para adaptarse rápidamente a los cambios en las necesidades del negocio.
Con el soporte de A2A en Streaming Agents, los equipos pueden:
- Crear agentes de IA más inteligentes y reutilizables: alimentar los agentes y sistemas existentes con contexto actualizado desde Confluent para que respondan de forma asíncrona a eventos y ejecuten nuevas acciones.
- Facilitar la comunicación entre agentes y garantizar la trazabilidad: registrar cada acción de los agentes en un log inmutable que permita auditoría y repetición de procesos. Aprovechar Apache Kafka® para orquestar la comunicación entre agentes y reutilizar sus resultados en otros agentes y sistemas.
- Centralizar la orquestación y la gobernanza en un único entorno: Streaming Agents actúa como orquestador, mientras que Confluent garantiza la gobernanza, la seguridad y la observabilidad integral de todas las interacciones entre agentes.
Equipos de todos los sectores pueden utilizar el soporte A2A en Streaming Agents para aumentar ingresos, reducir riesgos y optimizar costes. Estos agentes pueden personalizar ofertas en retail, disminuir el riesgo crediticio en servicios financieros, automatizar recomendaciones asistenciales en el ámbito sanitario, predecir tareas de mantenimiento en la industria manufacturera y anticiparse a incidencias en telecomunicaciones antes de que se produzcan interrupciones.
El soporte A2A en Streaming Agents ya está disponible en modalidad Open Preview.
Actuar sobre señales en tiempo real y eliminar puntos ciegos
Las empresas generan más datos que nunca, pero a menudo les resulta difícil distinguir qué es importante y qué puede ignorarse. La detección de anomalías permite identificar amenazas y oportunidades que ningún humano podría detectar por sí solo. Las soluciones tradicionales de detección de anomalías suelen analizar métricas de manera aislada y, con frecuencia, se limitan a análisis por lotes de datos históricos. Al basarse en referencias estadísticas simples, estos sistemas son muy sensibles al ruido, a los picos y a datos incorrectos. Sin contexto, pueden generar falsos positivos y, normalmente, detectan los problemas una vez que ya han afectado al sistema.
La Detección de Anomalías Multivariantes de Confluent, una nueva función de las Machine Learning (ML) Functions integradas, analiza métricas relacionadas de manera conjunta para reducir los falsos positivos y detectar problemas reales más rápido. Permite a los equipos identificar anomalías a través de múltiples métricas, ignorando valores atípicos y garantizando mayor precisión en la monitorización de datos complejos. Además, los equipos pueden empezar a usar esta funcionalidad de inmediato, ya que no necesitan construir ni actualizar el modelo, que aprende de forma continua a medida que cambian los datos.
Además, los equipos pueden:
- Entender cuando un sistema funciona correctamente: las herramientas tradicionales de detección de anomalías se basan en promedios, que pueden alterarse por un pico aleatorio en los datos. La Detección de Anomalías Multivariantes de Confluent utiliza ML que reacciona y aprende junto con los datos en tiempo real, ignorando fallos aislados y entendiendo mejor el comportamiento de los sistemas.
- Reconocer problemas y patrones complejos: analiza varias métricas juntas como un grupo unificado, por ejemplo, CPU, memoria y latencia combinadas, en lugar de evaluarlas por separado, para descubrir patrones que de otro modo pasarían desapercibidos. Esto permite identificar problemas complejos que se perderían al observar métricas individuales.
- Actuar automáticamente: al medir continuamente la distancia a la que se encuentran los nuevos datos del “estado normal real”, cualquier dato que se desvíe demasiado se marca inmediatamente como una anomalía.
