En resumen, los cuatro D forman una cadena. La delegaci\u00f3n es saber d\u00f3nde ayuda la IA y d\u00f3nde no. La descripci\u00f3n es darle el rol, el contexto y las reglas que necesita para hacer el trabajo. Estos dos pasos vienen antes de que se use el modelo. Los otros dos vienen despu\u00e9s: el discernimiento es verificar que la ruta que la IA eligi\u00f3 es la correcta, que el enfoque tiene sentido y que la salida es realmente \u00fatil y correcta; y la diligencia es la conciencia de que, por bueno que sea el asistente, la firma en la respuesta final es tuya. A lo largo de este art\u00edculo, a medida que recorremos las formas en que la IA ahora se conecta a los modelos de PSR, estos cuatro pasos vale la pena tenerlos en mente: son lo que separa usar bien la IA de meramente usarla.<\/p>\n\n
El uso tradicional de la IA<\/h2>\n\n
El primer paso lejos del mapa de papel fue el auge de los LLM. La forma m\u00e1s temprana de usarlos era la m\u00e1s simple: escribir un mensaje (un prompt), enviarlo al modelo y leer la respuesta que vuelve. \u00bfC\u00f3mo funciona esto en la pr\u00e1ctica? Los LLM (Modelos de Lenguaje de Gran Escala) se entrenan en enormes conjuntos de datos textuales. Las palabras se tokenizan primero, es decir, se dividen en peque\u00f1as piezas y se convierten en IDs num\u00e9ricos que el modelo puede procesar. A partir de ese entrenamiento, el modelo aprende la probabilidad de que una palabra o frase determinada siga a otra en un contexto dado y usa esas probabilidades para generar nuevo contenido bajo demanda. Eso es lo que llamamos IA generativa. Produce correos electr\u00f3nicos, res\u00famenes, fragmentos de c\u00f3digo y borradores de informes. El resultado es genuinamente \u00fatil, pero s\u00ed tiene limitaciones.<\/p>\n\n
Un LLM gen\u00e9rico est\u00e1 limitado por el conjunto de datos en el que fue entrenado, y reentrenar un modelo es lo suficientemente costoso como para que no pueda hacerse en tiempo real. La consecuencia es la falta de contexto. Si le preguntas a la IA sobre algo espec\u00edfico de PSR que no formaba parte de su entrenamiento, no lo admite; adivina, y lo que es peor, lo hace con total confianza. Preg\u00fantale, por ejemplo, \u00ab\u00bfqu\u00e9 es una estaci\u00f3n renovable en SDDP?\u00bb y el modelo responder\u00e1 usando informaci\u00f3n p\u00fablica sobre el concepto f\u00edsico de plantas renovables, algo as\u00ed como: \u00abUna Estaci\u00f3n Renovable es una instalaci\u00f3n de generaci\u00f3n de energ\u00eda que produce electricidad a partir de fuentes de energ\u00eda naturalmente renovables, como la solar, la e\u00f3lica, la h\u00eddrica o la biomasa.\u00bb Eso es lo que llamamos alucinaci\u00f3n.<\/p>\n\n
Inteligencia fundamentada: un asistente que conoce PSR<\/h2>\n\n
Para cerrar esa falta de contexto, el LLM debe de alguna manera acceder al propio conocimiento de PSR. Dado que reentrenar completamente el modelo con la documentaci\u00f3n de PSR ser\u00eda costoso, imagine que en cambio podemos conectar una memoria USB al LLM en el momento en que necesita ser respondido. La t\u00e9cnica que hace exactamente eso es la <\/span>Generaci\u00f3n Aumentada por Recuperaci\u00f3n (RAG)<\/b>. Funciona en cuatro peque\u00f1os pasos. Primero, la documentaci\u00f3n de PSR (manuales, notas metodol\u00f3gicas, ejemplos) se divide en piezas m\u00e1s peque\u00f1as llamadas <\/span>chunks<\/span><\/i>, se tokeniza y se incorpora en un \u00edndice vectorial, de modo que habla el mismo lenguaje num\u00e9rico que el LLM usa para generar texto (0). Cuando un usuario hace una pregunta (1), la pregunta misma tambi\u00e9n se vectoriza, y una b\u00fasqueda por similitud usando distancia de coseno devuelve los pasajes cuyo significado est\u00e1 m\u00e1s cercano a ella. Esos pasajes se inyectan en el prompt como contexto, para que el LLM reciba tanto la pregunta del usuario como la documentaci\u00f3n que necesita para responderla correctamente, exactamente el paso de descripci\u00f3n del que hablamos en el p\u00e1rrafo de apertura (2). El LLM luego compone una respuesta fundamentada a partir de esa evidencia, y no de su entrenamiento general (3).<\/span><\/p>\n\n El PSR Assistant utiliza exactamente esta t\u00e9cnica para que los usuarios hagan preguntas espec\u00edficas sobre PSR. No solo responde la pregunta; tambi\u00e9n devuelve el enlace a la p\u00e1gina relevante en el PSR Knowledge Hub, para que el usuario pueda verificar la informaci\u00f3n. M\u00e1s all\u00e1 de evitar las alucinaciones, la ganancia real es el tiempo: en lugar de buscar en cientos de p\u00e1ginas, el usuario obtiene una respuesta directa con fuente. El Assistant tiene dos \u00abhermanos\u00bb construidos sobre el mismo patr\u00f3n, pero fundamentados en el c\u00f3digo fuente de las bibliotecas de PSR: uno para PSR Factory, nuestra API de automatizaci\u00f3n en Python, y otro para PSRIO, nuestra herramienta de BI. Para los usuarios que a\u00fan no dominan esas bibliotecas, resuelven el problema de la p\u00e1gina en blanco: basta con pedir un script t\u00edpico y obtener un punto de partida funcional que se puede adaptar.<\/p>\n\n Figura 1 \u2014 El RAG ancla el LLM en la propia documentaci\u00f3n de PSR, reemplazando definiciones alucinadas por respuestas fundamentadas con fuentes.<\/p> Pero \u00bfy si la IA pudiera ir m\u00e1s all\u00e1 de generar contenido y comenzar a ejecutar tareas? Imagine que el trabajo manual que un analista realiza todos los d\u00edas \u2014 descubrir los datos de entrada de un modelo, editar esos datos, ejecutar casos en las instalaciones o en la nube, visualizar los resultados \u2014 pudiera convertirse en tareas automatizadas activadas por una \u00fanica solicitud en lenguaje natural. Este es el tercer paso del viaje: de la IA generativa a la IA ag\u00e9ntica, un sistema dise\u00f1ado para ejecutar flujos de trabajo complejos combinando planificaci\u00f3n aut\u00f3noma, memoria a largo plazo y la capacidad de interactuar con aplicaciones externas. Pero si el LLM todav\u00eda tiene datos limitados, \u00bfc\u00f3mo puede saber sobre nuestros datos?<\/p>\n\n Las plataformas de IA modernas, de OpenAI, Anthropic y otras, ahora admiten ramificaciones personalizadas que dan al modelo acceso a aplicaciones externas. El modelo se comporta entonces como un orquestador: utiliza esas ramificaciones, junto con su propio LLM, para ejecutar tareas para el usuario. Para ejecutar una tarea autom\u00e1ticamente, el modelo necesita acceso a una funci\u00f3n de c\u00f3digo personalizada que pueda invocar y que, a su vez, pueda acceder a fuentes de datos externas. La forma est\u00e1ndar de hacer esta conexi\u00f3n es el Model Context Protocol (MCP), un protocolo abierto que permite que cualquier LLM interact\u00fae con sistemas externos a trav\u00e9s de una interfaz consistente. Un servidor MCP publica un cat\u00e1logo de herramientas \u2014 funciones tipadas, cada una con una descripci\u00f3n clara \u2014 que el modelo puede navegar e invocar. El <\/span>PSR Agent<\/b> es nuestro servidor MCP. Expone funciones que, a trav\u00e9s de la API Python de PSR Factory, se comunican con las bases de datos de los modelos PSR. La orquestaci\u00f3n generalmente comienza con un plan interno de lo que debe hacerse; el modelo luego compara este plan con las descripciones en el cat\u00e1logo de herramientas, por similitud, y selecciona la herramienta que mejor corresponde a la tarea en cuesti\u00f3n.<\/span><\/p>\n\n Para que la IA realice todo esto bien, necesita una buena descripci\u00f3n de c\u00f3mo funcionan estas herramientas y qu\u00e9 flujo de trabajo debe utilizarse para cada tarea. Pero ser\u00eda tedioso escribir esas instrucciones desde cero cada vez. La soluci\u00f3n natural es empaquetarlas una vez y reutilizarlas. Esta es la idea detr\u00e1s de las Habilidades (<\/span>Skills<\/span><\/i>): paquetes de instrucciones, ejemplos y scripts auxiliares que el agente carga bajo demanda cuando reconoce un tipo de tarea familiar. Donde el MCP le da acceso a la IA, las Habilidades le dan experiencia: el orden correcto en que invocar las herramientas, las trampas comunes que evitar, el estilo PSR para informar resultados. A continuaci\u00f3n se ilustra un flujo de trabajo t\u00edpico; al final del mismo, el LLM se usa una vez m\u00e1s, esta vez para redactar el resultado o para reportar un mensaje de \u00e9xito o fracaso.<\/span><\/p>\n\n Figura 2 \u2014 El PSR Agent: un modelo de IA usa su LLM para descubrir y cargar Habilidades para experiencia de dominio, accede a las herramientas PSR a trav\u00e9s del MCP y lee y escribe en la base de datos SDDP v\u00eda PSR Factory.<\/p> El conjunto de herramientas que PSR incorpor\u00f3 al Agent est\u00e1 centrado en las partes del d\u00eda que m\u00e1s tiempo consumen. Localizar un objeto, navegar por sus relaciones o filtrar elementos por condici\u00f3n se convierte en una sola pregunta, en lugar de una secuencia de pesta\u00f1as y clics a trav\u00e9s de la interfaz. Las operaciones en masa repetitivas \u2014 actualizar capacidades, escalar series temporales, crear nuevos objetos \u2014 pueden ejecutarse autom\u00e1ticamente en un modo de copia segura que preserva el caso original. Las simulaciones en SDDP, OptGen y NCP pueden lanzarse directamente desde la conversaci\u00f3n, con el Agent monitoreando el estado de ejecuci\u00f3n y extrayendo res\u00famenes estructurados de errores, advertencias e informaci\u00f3n de convergencia de los registros de ejecuci\u00f3n. Las comparaciones de escenarios, los c\u00e1lculos de ingresos y los an\u00e1lisis de resultados tambi\u00e9n pueden realizarse a trav\u00e9s de la conversaci\u00f3n; una sola instrucci\u00f3n es suficiente para empaquetar las salidas y notificar al equipo. En resumen, el conjunto actual de herramientas fue dise\u00f1ado para reducir el trabajo operacional repetitivo realizado tradicionalmente a trav\u00e9s de la interfaz gr\u00e1fica. El proyecto est\u00e1 previsto para evolucionar de forma incremental: a medida que se identifiquen nuevos flujos de trabajo recurrentes y necesidades de los usuarios, se incorporar\u00e1n capacidades adicionales al Agent con el tiempo.<\/p>\n\n En la pr\u00e1ctica, un solo prompt como \u00abactualice la capacidad instalada de la Planta X a 1.350 MW, ejecute SDDP para el horizonte de 2026 y env\u00ede los resultados por correo electr\u00f3nico al equipo de operaciones\u00bb ya corresponde a un flujo de trabajo que anteriormente requer\u00eda varios pasos manuales en diferentes interfaces. El usuario todav\u00eda revisa las acciones propuestas y valida la respuesta final, pero la fricci\u00f3n operacional cae dr\u00e1sticamente. Fundamentar el LLM en el conocimiento de PSR y conectarlo a las herramientas de PSR cubre las partes de \u00abinformaci\u00f3n\u00bb y \u00abejecuci\u00f3n\u00bb del problema. La tercera pieza, a\u00fan en desarrollo, es la capa de an\u00e1lisis: un agente que no solo responde preguntas o ejecuta tareas operacionales bajo demanda, sino que interpreta los resultados de las simulaciones, formula hip\u00f3tesis sobre lo que los est\u00e1 impulsando y obtiene los datos necesarios para probar esas hip\u00f3tesis.<\/p>\n\n El prototipo, actualmente en desarrollo, est\u00e1 estructurado como un pipeline multiagente. Un orquestador despacha la solicitud del usuario a subagentes especializados \u2014 uno para clasificaci\u00f3n del problema, uno para hip\u00f3tesis de causa, uno para descubrimiento de datos \u2014 cada uno con su propio conjunto restringido de herramientas. El orquestador luego combina sus salidas en una \u00fanica respuesta sintetizada, con evidencia rastreable que el analista puede auditar paso a paso.<\/p>\n\n Figura 3 \u2014 Agente de razonamiento en desarrollo: subagentes especializados clasifican el problema, generan hip\u00f3tesis y descubren datos, devolviendo una respuesta anal\u00edtica sintetizada con respaldo de evidencias.<\/p> En conjunto, RAG, IA ag\u00e9ntica y la capa de razonamiento trazan un camino claro para la IA dentro de PSR: de explicar los modelos, a operarlos, a razonar sobre sus resultados. El objetivo no es reemplazar al analista, sino quitarle el trabajo rutinario de sus manos, para que el tiempo ahorrado se dedique a lo que realmente requiere juicio humano.![\"\"](\"https:\/\/www.psr-inc.com\/wp-content\/uploads\/2026\/06\/image-14.png\")
<\/figure>\n\nIA ag\u00e9ntica: de respuestas a acciones<\/h2>\n\n
![\"\"](\"https:\/\/www.psr-inc.com\/wp-content\/uploads\/2026\/06\/image-15.png\")
<\/figure>\n\nEl pr\u00f3ximo paso: una capa de razonamiento<\/h2>\n\n
![\"\"](\"https:\/\/www.psr-inc.com\/wp-content\/uploads\/2026\/06\/image-16.png\")
<\/figure>\n\n