@mastersthesis{20.500.12880/14091,
year = {2025},
month = {9},
url = {https://hdl.handle.net/20.500.12880/14091},
abstract = {BusinessAnalystGPT es un asistente de IA multiagente diseñado para automatizar la recolección y documentación de requisitos funcionales en proyectos de TI, reduciendo drásticamente los tiempos de entrega y elevando la calidad semántica mediante la integración de modelos de lenguaje a gran escala (LLMs), marcos de coordinación semántica y supervisión humana en el ciclo (human-in-the-loop). Este trabajo presenta sus fundamentos teóricos, metodología de diseño, implementación, evaluación y propuesta de negocio, destacando su potencial impacto en entornos empresariales.
Automatización rápida de requisitos basada en IA: BusinessAnalystGPT combina coordinación multiagente, generación aumentada con recuperación (RAG) y orquestación por roles para transformar procesos de especificación que antes tardaban semanas en tareas completadas en cuestión de horas, con mejoras de eficiencia de hasta el 80 %.
Fundamentos de sistemas multiagente (SMA): El proyecto se apoya en la teoría de SMA, enfatizando agentes autónomos descentralizados con roles diferenciados —consultores (LLMs), ejecutores (agentes especializados) y supervisores (humanos o híbridos humano-IA)— que cooperan mediante coordinación semántica y ontologías compartidas para una ejecución robusta de tareas.
Arquitecturas de agentes inteligentes: Se adopta el marco TB-CSPN (Topic-Based Conditional Structured Process Networks), que estructura la interacción entre agentes a través de tópicos semánticos, roles por capas y activación por umbrales, todo ello bajo supervisión humana jerárquica para preservar la intención semántica y el control ético.
Integración de LLMs como agentes activos: Los LLMs funcionan como agentes consultivos con capacidad de razonamiento, planificación y debate multiagente (MAD),
3
soportados por protocolos como AutoGen y Model Context Protocol (MCP) para acceder de forma segura a herramientas y datos externos, posibilitando una colaboración dinámica y contextual.
Mecanismos avanzados de coordinación: El sistema incorpora enfoques de razonamiento iterativo (ReAct) y debate multiagente (MAD) para mejorar la deliberación, la validación y la alineación semántica entre agentes, favoreciendo la transparencia y reduciendo errores en flujos de trabajo complejos.
Gestión de memoria y conocimiento: BusinessAnalystGPT emplea RAG y memoria semántica persistente (incluidas incrustaciones vectoriales y memoria episódica) para mantener la continuidad del contexto, la trazabilidad y la auditabilidad a lo largo de interacciones y tareas.
Enfoque metodológico: El desarrollo sigue una metodología experimental “Construir–Colaborar–Evolucionar”, que enfatiza la construcción iterativa de agentes, la colaboración multiagente mediada semánticamente, la coevolución competitiva para la mejora continua y una evaluación integral mediante logging, tracing y retroalimentación de usuarios.
Implementación y validación: El sistema se implementó con el framework AutoGen, seleccionado por su modularidad, soporte para flujos deliberativos multiagente e integración de los patrones SelectorGroupChat y Swarm para el control conversacional dinámico. Pruebas piloto con casos de uso reales evidenciaron viabilidad funcional, coherencia semántica y alta satisfacción de usuarios.
Modelo de negocio y potencial de mercado: Propuesto como solución SaaS B2B con planes escalonados, BusinessAnalystGPT se orienta a empresas de software y departamentos de TI en LATAM y Europa, atendiendo un mercado estimado de ≈ 650 000 organizaciones y millones de proyectos anuales con necesidad de análisis eficiente de requisitos.
4
Limitaciones y trabajo futuro: La tesis identifica restricciones como interacción multimodal limitada, dependencias de hardware para modelos locales grandes, integraciones empresariales aún incompletas y conjuntos de evaluación por ampliar. Se proponen líneas de investigación futura en refuerzo de memoria episódica, especialización por dominio, entradas multimodales y pruebas ampliadas en escenarios reales.},
title = {BusinessAnalystGPT},
keywords = {Sistemas multiagente},
keywords = {LLM},
keywords = {RAG},
keywords = {Coordinación semántica},
keywords = {Human-in-the-loop},
author = {Miron Lubieniecki, Juan Manuel},
}