Introducción: Antes de tomar el intensivo de 5 días sobre agentes de IA con Google y Kaggle veía los modelos de lenguaje principalmente como motores de conocimiento capaces de escribir código o responder preguntas. Al finalizar el curso mi visión cambió: al dotar a un modelo con herramientas y un bucle de razonamiento deja de ser solo un generador de texto y se convierte en un agente capaz de percibir, razonar y actuar.

El momento clave fue comprender la transición de Zero Shot prompting a bucles ReAct razonamiento y acción. En lugar de preguntar directamente cuál es el sentimiento del mercado el agente sigue un proceso: pensamiento evaluo qué tickers y fuentes revisar accion llamo a un buscador o API de noticias observación leo los titulares razonamiento calculo un puntaje de sentimiento respuesta final genero una alerta si es necesario. Darle manos y un cerebro al modelo permitió construir un sistema dinámico y útil.

Mi trabajo final: Agente de Monitoreo de Sentimiento de Mercado y Alertas. Objetivo resolver la sobrecarga informativa en finanzas: los traders no pueden leer todos los titulares pero un agente sí. El sistema monitoriza fuentes financieras en tiempo real analiza el sentimiento de los titulares con modelos avanzados y lanza alertas cuando el sentimiento se desplaza hacia miedo o avaricia.

Arquitectura y herramientas: El cerebro usa Google Gemini a través de Vertex AI. Las herramientas son librerías Python para obtener datos en vivo como yfinance y técnicas de web scraping además de APIs de búsqueda para grounding. La lógica traduce texto a un puntaje numérico mediante detección de palabras clave análisis de contexto para distinguir usos ambiguos y ventanas de memoria que limitan la historia que el agente considera.

Retos encontrados: evitar alucinaciones mediante grounding en fuentes reales y URLs gestionar ventanas de contexto para no usar noticias antiguas y calibrar el sistema evaluando los puntajes de sentimiento frente a juicio humano. Aprendí que las vibras no bastan y que la evaluación cuantitativa es imprescindible.

Lecciones prácticas: incorporar herramientas externas convierte a los modelos en agentes útiles integrar memoria y límites contextuales evita decisiones basadas en datos irrelevantes y usar búsquedas en tiempo real mejora la confianza frente a las alucinaciones.

Próximos pasos: evolucionar el agente para que además de alertar sugiera ajustes de cartera en un entorno de paper trading e integrar señales alternativas como redes sociales y series temporales de precios para mayor robustez.

Sobre Q2BSTUDIO: Somos Q2BSTUDIO empresa de desarrollo de software y aplicaciones a medida especialistas en inteligencia artificial y ciberseguridad. Diseñamos soluciones de software a medida y aplicaciones a medida integrando servicios cloud aws y azure y ofreciendo servicios de inteligencia de negocio. Si su empresa busca desplegar agentes IA o soluciones de ia para empresas podemos ayudar desde la arquitectura hasta la puesta en producción. Con experiencia en automatización de procesos y en la construcción de pipelines de datos ofrecemos también consultoría en Inteligencia artificial y en visualización y reporting con Power BI para potenciar la toma de decisiones.

Si desea explorar cómo un agente de monitoreo de sentimiento puede integrarse con su stack actual o desarrollar software a medida para automatizar flujos de trabajo nuestra experiencia en ciberseguridad pentesting y servicios cloud aws y azure garantiza implementaciones seguras y escalables. En Q2BSTUDIO trabajamos con empresas para transformar casos de uso en soluciones productivas y medibles.

Conclusión: el intensivo fue un sprint que puso las bases para proyectos más largos. La brecha entre hablar con IA y tener IA que haga trabajo real se está cerrando con rapidez. Si quiere que su organización aproveche agentes IA y soluciones de inteligencia de negocio podemos acompañarle en el camino.