Sistema de Agentes de Inteligencia Artificial para la Automatización de Procesos IT en la Administración Pública

Sistema de Agentes de Inteligencia Artificial para la Automatización de Procesos IT en la Administración Pública

Description

Este trabajo presenta el diseño, implementación y evaluación de un sistema de agentes de inteligencia artificial desplegado en producción en la entidad pública de vivienda, una administración pública con restricciones explícitas de soberanía de datos (RGPD/ENS) y con hardware legacy disponible. El sistema automatiza el ciclo completo de mejora continua del software: un agente de análisis de logs detecta errores de producción cada hora y abre Work Items en Azure DevOps; un binomio de agentes Code Improver y Code Oracle localiza el código responsable mediante un sistema RAG híbrido sobre el repositorio C# de la organización, genera correcciones y aprende de la retroalimentación de las revisiones humanas; un agente de monitorización de pipelines aplica el mismo patrón al dominio CI/CD; y un agente Loop Closer verifica nocturnamente el cierre de cada ciclo mediante correlación error×commit en Azure DevOps. La infraestructura de inferencia se basa en vLLM ejecutando el modelo Qwen3.5-35B-A3B-AWQ —una arquitectura Mixture of Experts cuantizada en AWQ— sobre cuatro GPU NVIDIA A2 de propósito general, alcanzando P50 = 34,8 ms/tok con thinking mode selectivo y tensor parallelism 2-way. El sistema RAG combina búsqueda léxica (BM25) y semántica (ChromaDB + bge-large-en-v1.5) con fusión RRF, indexando el código mediante un índice de unidades semánticas construido con expresiones regulares a nivel de fichero y método. El sistema incorpora un ciclo de aprendizaje activo basado en tres tablas SQL Server compartidas: cada vez que un Pull Request del Oracle es aprobado o rechazado, un agente Memory clasifica el resultado y lo persiste; el ciclo siguiente inyecta esas soluciones en el contexto RAG del análisis estático para evitar propuestas redundantes. Un agente Correlator cruza simultáneamente las señales de logs de producción, fallos CI/CD y WIs Oracle para detectar aplicaciones con riesgo en múltiples silos, emitiendo alertas priorizadas antes de la jornada laboral. Un agente de informe diario ejecutivo (Morning Briefing) genera un análisis narrativo del estado de producción: distribución de errores por aplicación y tendencia diaria, impacto de los Pull Requests de las últimas 48 h sobre el volumen de errores, aplicaciones sin cobertura Oracle y errores de primera aparición. Catorce grafos LangGraph activos registran más de 5.000 llamadas LLM semanales con auditoría completa en SQL Server, a un coste operativo de 67 e/año frente a los 1.536 e/año de la alternativa cloud RGPD-compliant más económica o los ∼8.000 e/año de GPT-4o.

Publication Date

2026

City

Madrid

Keywords

Agentes LLM; RAG sobre código; LangGraph; On-premise; DevOps inteligente; Administración Pública; Qwen3; Aprendizaje adaptativo; Memory Agent; Ciclo de mejora continua.

Sistema de Agentes de Inteligencia Artificial para la Automatización de Procesos IT en la Administración Pública

Share

COinS