La automatización no es nada nuevo, pero muchas herramientas de automatización tradicionales tienen dificultades para lidiar con la imprevisibilidad, por lo que requieren supervisión humana casi constante para seguir siendo eficaces. Los agentes autónomos (que son tipos especializados de agentes de IA) solucionan este problema incorporando la toma de decisiones basada en IA con la capacidad de aprender y cambiar a medida que avanza, lo que permite automatizar flujos de trabajo completos. Como tal, su impacto va mucho más allá de la ejecución de tareas básicas.

En concreto, las organizaciones que implementan las soluciones de agentes de IA adecuadas suelen obtener las siguientes ventajas: 

Eficiencia y productividad 

La automatización del trabajo repetitivo y laborioso permite a las empresas reducir los costes de mano de obra sin correr el riesgo de interrumpir el servicio. Los agentes autónomos pueden procesar grandes volúmenes de solicitudes, transacciones o consultas en menos tiempo que los empleados humanos, lo que garantiza que el trabajo continúe las 24 horas del día.

Seguridad y mitigación de riesgos 

En los sectores en los que los errores pueden poner en peligro la seguridad humana, los agentes autónomos ayudan a minimizar el riesgo. Pueden operar en entornos peligrosos, como zonas de desastre o lugares industriales, sin poner en riesgo vidas humanas. Su capacidad para procesar datos rápidamente y ejecutar acciones precisas también reduce la probabilidad de fallos operativos. 

Escalabilidad y adaptabilidad 

A diferencia de la automatización tradicional, que a menudo requiere una amplia reprogramación para afrontar nuevos desafíos, los agentes autónomos pueden adaptarse a diferentes casos de uso con algunos ajustes precisos. Y, a medida que cambian las necesidades empresariales, también se adaptan sin una orientación humana detallada. 

Inteligencia de enjambre 

Al coordinar sus esfuerzos, varios agentes autónomos pueden resolver problemas complejos de forma más eficaz que un solo sistema. Inspirado en los comportamientos naturales de los animales sociales (como las colonias de insectos o las bandadas de pájaros), este enfoque permite a los agentes distribuir cargas de trabajo y mejorar la toma de decisiones a través de la inteligencia colectiva. Las empresas pueden utilizar este modelo para optimizar la logística, la seguridad de la red, la planificación operativa a gran escala y otros procesos que consumen muchos recursos. 

Los agentes autónomos han avanzado significativamente en los últimos años. Sin embargo, a pesar de sus capacidades crecientes, todavía se enfrentan a ciertas limitaciones. Si no se controlan, estas limitaciones pueden provocar ineficiencias, fallos y otros problemas. A continuación se enumeran algunas de las limitaciones que suelen asociarse a los agentes autónomos: 

• Bucles de procesos recurrentes 
  Sin las salvaguardas adecuadas, los agentes autónomos pueden reforzar conclusiones erróneas actuando repetidamente sobre sus propios resultados. Esto puede llevar a que los errores se acumulen con el tiempo, lo que requiere una intervención directa para detenerlos y corregirlos. 
• Dependencias multiagente
  Cuando varios agentes trabajan juntos, los fallos en un sistema pueden interrumpir toda la red. Si no se gestionan cuidadosamente, un agente que no funciona como debería o una interrupción en la comunicación entre varios agentes puede tener consecuencias generalizadas. 
• Altas exigencias computacionales 
  La ejecución de agentes avanzados suele exigir una potencia computacional significativa. Las empresas deben sopesar los beneficios de la automatización frente a los costes de infraestructura y energía, así como el posible impacto medioambiental negativo. 
• Falta de inteligencia emocional 
  Los agentes autónomos pueden procesar el lenguaje y responder a las indicaciones humanas. Sin embargo, son solo máquinas, y eso significa que carecen de una verdadera conciencia emocional. Esta limitación puede afectar a su capacidad para gestionar interacciones interpersonales complejas, especialmente en áreas como el servicio de atención al cliente y la resolución de conflictos. 
• Capacidad restringida para innovar 
  Los agentes autónomos destacan en el reconocimiento y la optimización de patrones, pero tienden a tener dificultades con la innovación. No pueden generar ideas totalmente innovadoras ni pensar fuera de los parámetros predefinidos, lo que limita su utilidad en algunas áreas donde se necesita resolver problemas de manera creativa. 
• Enfoque especializado 
  La mayoría de los agentes autónomos están diseñados para funciones específicas y no pueden cambiar fácilmente a tareas no relacionadas. Su eficacia puede limitarse a casos de uso claramente definidos dentro de su ámbito de aplicación programado. 
• Comprensión limitada 
  Aunque los modelos de IA son capaces de analizar grandes cantidades de datos, pueden tener dificultades para comprender en profundidad o razonar con matices. Las decisiones que dependen en gran medida del contexto pueden beneficiarse del criterio humano para garantizar su precisión e idoneidad. 
• Dependencia de la calidad de los datos 
  Los agentes autónomos confían en datos imparciales y de alta calidad para funcionar correctamente. Si los datos que procesan están incompletos, obsoletos o sesgados, sus decisiones y recomendaciones pueden ser erróneas. 
• Riesgos éticos y de seguridad
  Sin una supervisión cuidadosa, los agentes autónomos pueden infringir involuntariamente las pautas éticas o introducir vulnerabilidades de seguridad. Las empresas deben implementar una gobernanza estricta para evitar estas u otras consecuencias no deseadas.

Los agentes autónomos varían en complejidad y funcionalidad, y algunas categorías se superponen en cuanto a los procesos que emplean. La elección del tipo correcto depende del caso de uso, ya que cada categoría ofrece ventajas y limitaciones distintas. A continuación, se muestran algunos de los tipos de agentes autónomos más comunes y su funcionamiento: 

• Agentes autónomos reactivos 
  Los agentes reactivos operan basándose únicamente en las entradas inmediatas de su entorno. No almacenan experiencias pasadas ni aprenden de interacciones anteriores. Aunque tienen una adaptabilidad limitada, tienen una gran capacidad para responder en tiempo real en situaciones predecibles. 
• Agentes autónomos deliberativos 
  También conocidos como "agentes cognitivos" o "de razonamiento", estos agentes analizan su entorno, evalúan diferentes cursos de acción y seleccionan el mejor para lograr una meta. Utilizan modelos internos para simular resultados antes de tomar decisiones. 
• Agentes autónomos híbridos 
  Los agentes híbridos combinan enfoques reactivos y deliberativos, lo que les permite responder a los cambios inmediatos y, al mismo tiempo, planificar objetivos a largo plazo. 
• Agentes autónomos basados en modelos 
  Estos agentes tienen una representación interna de su entorno, lo que les proporciona información sobre estados futuros y les permite hacer predicciones precisas para fundamentar su capacidad de toma de decisiones. Pueden programarse con reglas o utilizar el aprendizaje automático para que afinen sus modelos por sí mismos. 
• Agentes autónomos basados en objetivos 
  En lugar de reaccionar únicamente a los estímulos, los agentes basados en objetivos evalúan las acciones en función de lo bien que contribuyen a lograr objetivos específicos. Si las condiciones cambian, estos agentes pueden ajustar dinámicamente sus estrategias.  
• Agentes autónomos basados en la utilidad Los agentes basados en la utilidad asignan un valor a diferentes acciones potenciales y dan prioridad a aquellas que maximizan el resultado deseado. Esto hace que sean eficaces en situaciones que requieren la optimización de compensaciones, como la asignación de recursos o la planificación de rutas.  
• Agentes de aprendizaje 
  Estos agentes mejoran su rendimiento a lo largo del tiempo al aprender de nuevos datos y experiencias pasadas. Se adaptan a los cambios en su entorno, perfeccionando su toma de decisiones sin necesidad de una reprogramación constante. 
• Agentes jerárquicos
  Los agentes jerárquicos dividen las tareas complejas en subtareas más pequeñas y manejables, distribuyéndolas a través de varios niveles de operación. 

Aunque los agentes individuales son potentes por sí solos, muchas organizaciones utilizan sistemas multiagente como estrategia para coordinar varios agentes autónomos en torno a objetivos compartidos. Este enfoque permite a los agentes comunicarse, dividir responsabilidades y delegar tareas, lo que lo hace muy adecuado para la resolución distribuida de problemas y operaciones a gran escala. 

Los agentes autónomos, que cumplen la promesa de contar con sistemas inteligentes más independientes, están transformando los procesos en prácticamente todos los sectores. En muchos sentidos, la posible aplicación de esta tecnología está limitada únicamente por los datos proporcionados a estos sistemas y los marcos que guían su proceso de toma de decisiones. Sin embargo, los agentes autónomos han demostrado ser especialmente aptos para los siguientes casos de uso:  

• TI 
  Los equipos de tecnología de la información (TI) utilizan agentes autónomos para supervisar los sistemas, gestionar los tickets de asistencia y automatizar los pasos estándar para resolver problemas. Estos agentes pueden detectar los problemas con antelación y tomar medidas correctivas, lo que ayuda a los equipos a reducir el tiempo de inactividad y mejorar la calidad del servicio. 
• Desarrollo de aplicaciones
  Los agentes autónomos respaldan el desarrollo de aplicaciones mediante la automatización de las pruebas de código, la gestión de los flujos de trabajo de implementación y la identificación de problemas de rendimiento en entornos de prueba. Esto reduce la sobrecarga manual y ayuda a los equipos a trabajar más rápido sin perder fiabilidad. 
• Seguridad digital 
  Los equipos de seguridad de TI implementan agentes autónomos para investigar alertas, detectar comportamientos inusuales y activar medidas de contención cuando sea necesario. Estos agentes actúan rápidamente basándose en reglas establecidas y datos en tiempo real, lo que limita el impacto de posibles infracciones. 
• Gestión de riesgos 
  En el ámbito de la gestión de riesgos, los agentes autónomos analizan los datos transaccionales y operativos para detectar anomalías y señalar posibles amenazas. Esto permite a los equipos pasar de la mitigación reactiva a la detección temprana y a una toma de decisiones más informada. 
• Servicios financieros 
  Al analizar los datos financieros en tiempo real, los agentes autónomos ayudan con la detección de fraudes, el trading algorítmico, la evaluación de riesgos y más. Los clientes del ámbito de las finanzas pueden beneficiarse de estos agentes a través del asesoramiento financiero basado en IA y son muchas las empresas que los emplean para optimizar la gestión de su cartera. 
• Atención sanitaria 
  Los agentes autónomos ayudan a los profesionales médicos mediante la gestión de flujos de trabajo administrativos y la supervisión constante de la salud del paciente. También pueden ayudar a establecer un diagnóstico, ya que proporcionan datos e información adicionales que permiten identificar las afecciones con mayor antelación y recomendar el mejor tratamiento. 
• Retail/comercio 
  Los comercios minoristas utilizan agentes autónomos para optimizar el inventario mediante la predicción de la demanda. Estos sistemas también ajustan los precios de forma dinámica y proporcionan recomendaciones personalizadas a los clientes en función de los datos de compras anteriores. 
• Marketing 
  Los equipos de marketing utilizan los agentes autónomos para generar contenido optimizado para campañas y gestionar la publicidad digital. Estos agentes analizan el rendimiento de las campañas y ofrecen recomendaciones diseñadas para incrementar su impacto. 
• Comunicaciones 
  Las empresas utilizan agentes autónomos para automatizar las respuestas a los correos electrónicos y los mensajes de los clientes. Estos agentes también pueden traducir las conversaciones en tiempo real, lo que elimina muchas de las barreras de comunicación que, de otro modo, podrían obstaculizar la colaboración internacional o intercultural. 
• Robótica 
  Los agentes autónomos controlan los robots industriales utilizados en la fabricación, la logística y la asistencia sanitaria. Estos robots se encargan de tareas como la automatización del almacén y el montaje de precisión, lo que aumenta la productividad y elimina el factor humano de entornos de alto riesgo. 
• Transporte 
  Los agentes autónomos hacen posible que los vehículos autónomos sean una realidad. También desempeñan un papel fundamental en la optimización del tráfico, la gestión de flotas, la navegación con drones y los sistemas de transporte público mediante el análisis de los datos entrantes y la toma de decisiones adaptativas. 
• Recursos Humanos
  Los agentes autónomos pueden encargarse de gestionar tareas rutinarias de RR. HH., como aprobar solicitudes de días libres o registrar los expedientes de los empleados. También colaboran en el proceso de incorporación mediante la provisión de cuentas de usuario, la asignación de módulos de formación y la coordinación de la distribución de dispositivos entre los nuevos empleados.
• Servicio de atención al cliente y soporte
  Los agentes autónomos también pueden estar preparados para interactuar directamente con los clientes, gestionar consultas, resolver problemas comunes y proporcionar asistencia personalizada a través de varios canales. En lo que respecta al soporte de atención al cliente, pueden automatizar la gestión de tickets, analizar las opiniones de los clientes y ayudar a los agentes humanos localizando rápidamente la información relevante. 
• Fabricación
  En cuanto a los procesos de fabricación, los agentes autónomos optimizan los programas de producción, predicen las averías de los equipos y mejoran el control de calidad. Trabajan junto con operadores humanos para mejorar la eficiencia y mantener una calidad constante del producto. 
• Seguridad y defensa
  Los agentes autónomos son especialmente valiosos en seguridad y defensa. Analizan el material de vigilancia para detectar amenazas en tiempo real y supervisan de cerca las redes en busca de ciberataques o accesos no autorizados. Las operaciones policiales y militares pueden utilizar estos agentes para respaldar sus esfuerzos de reconocimiento y evaluación de amenazas.
• Legal
  En el ámbito jurídico, los bufetes de abogados utilizan agentes autónomos para revisar los contratos en busca de incoherencias y otros problemas. Además, se ha demostrado que estos sistemas pueden ayudar en la investigación de casos.

No todos los agentes autónomos operan al mismo nivel. Como se ha indicado anteriormente, los agentes más avanzados van más allá de la simple automatización, respondiendo activamente a la nueva información, adaptándose a su entorno y aprovechando los recursos externos para mejorar aún más su eficacia. A continuación, se muestran las características clave que diferencian a estas soluciones de alto nivel. 

• Autonomía
  Los agentes autónomos se caracterizan por su capacidad de funcionar de manera independiente. Los agentes avanzados requieren poca o ninguna asistencia humana para completar procesos de varios pasos y ajustar su enfoque en función de las condiciones con las que se encuentren. 
• Aprendizaje y adaptación
  Los agentes sofisticados perfeccionan automáticamente su proceso de toma de decisiones mediante el análisis de interacciones pasadas, la incorporación de comentarios y la adaptación a entornos cambiantes.  
• Acceso integrado a herramientas
  Para funcionar de manera eficaz, un agente autónomo debe poder interactuar con el ecosistema tecnológico más amplio de una organización, incluidos los datos internos relevantes, las automatizaciones y los sistemas existentes. Esto les permite ejecutar tareas especializadas, como la gestión de flujos de trabajo o la optimización de procesos empresariales. 
• Procesamiento de datos multimodal
  El procesamiento de diferentes fuentes de información, como texto, audio, imágenes y vídeo, amplía la capacidad de un agente para comprender e interactuar con su entorno. Los agentes capaces de analizar varios tipos de datos pueden ejecutar acciones más complejas. 
• Memoria y recuperación
  El almacenamiento y la recuperación de información mejoran la eficacia de los agentes. Los sistemas con memoria pueden aprender de acciones pasadas, rastrear el contexto a lo largo del tiempo y mejorar las interacciones basándose en datos históricos (en lugar de empezar de cero con cada nueva solicitud). 
• Planificación y ejecución de tareas
  Los agentes avanzados reaccionan a los datos introducidos, pero también pueden elaborar estrategias. Mediante la evaluación de recursos y posibles obstáculos, crean planes de acción estructurados que les guían hacia sus objetivos sin superar los parámetros predefinidos. 
• Adquisición dinámica de conocimientos 
  Para seguir siendo relevante, un agente autónomo debe ampliar continuamente su comprensión. Algunos agentes pueden examinar fuentes de información externas y ajustar sus respuestas en función de los últimos datos disponibles. 
• Toma de decisiones consciente del contexto
  La eficacia de un agente depende de lo bien que interprete y responda a los factores situacionales. Aquellos con una profunda conciencia contextual evalúan las condiciones antes de actuar, lo que mejora la precisión y reduce el riesgo de errores causados por una ejecución rígida basada en reglas. 

La IA tiene aplicaciones extremadamente amplias que abarcan varias tecnologías. Los agentes autónomos son únicos en el sentido de que pueden actuar de forma independiente y adaptarse a las condiciones cambiantes a medida que trabajan para lograr sus objetivos. Dicho esto, a veces se confunden o asocian con otros tipos de sistemas basados en IA. Aunque estas tecnologías comparten muchos de los mismos principios subyacentes, sus funciones, capacidades y niveles de autonomía difieren significativamente: 

Agentes de IA 

Los agentes de IA incluyen una amplia categoría de sistemas que utilizan inteligencia artificial para ayudar en tareas específicas y, por lo tanto, también incluyen agentes autónomos. Sin embargo, aunque técnicamente cada agente autónomo es un agente de IA, no todos los agentes de IA son autónomos. Muchos agentes de IA, como los copilotos, necesitan supervisión humana y funcionan como herramientas de apoyo a la hora de tomar decisiones, en lugar de actuar de manera independiente. A diferencia de los agentes autónomos, que pueden completar flujos de trabajo completos por sí solos, el objetivo de los agentes de IA tradicionales es optimizar o mejorar el esfuerzo humano, en lugar de reemplazarlo. 

Modelos fundacionales

Los modelos fundacionales se entrenan con grandes conjuntos de datos y sirven como sistemas de IA de uso general, capaces de generar, interpretar y clasificar datos. Mientras que los agentes autónomos incorporan modelos fundacionales (en forma de LLM) para el razonamiento y el procesamiento del lenguaje, los modelos fundacionales por sí solos carecen de la capacidad de tomar medidas o ejecutar tareas. 

Chatbots de IA no agéntica

 A diferencia de los agentes autónomos, los chatbots de IA no agéntica siguen scripts y reglas predefinidos. Estos chatbots están diseñados para interacciones estructuradas (responder a preguntas frecuentes o guiar a los usuarios a través de flujos de trabajo sencillos), pero no pueden adaptarse a nuevas situaciones ni actuar más allá de las limitaciones programadas. Carecen de la flexibilidad y la resolución de problemas de los sistemas de IA agéntica. 

Recopilar y aplicar datos para ayudar en el proceso de toma de decisiones es algo que los humanos hacemos de forma natural. Para replicar este proceso en términos digitales, los agentes autónomos se basan en varias tecnologías avanzadas, como el procesamiento del lenguaje natural (NLP), el aprendizaje automático (ML), el aprendizaje profundo (DL), la automatización robótica de procesos (RPA) y las integraciones de API.  

Estas y otras capacidades trabajan juntas en un proceso que, por lo general, sigue estos pasos: 

Paso 1: Percepción, recopilación de datos y entrada 

Un agente autónomo comienza recopilando información de varias fuentes. Estos pueden ser datos estructurados de bases de datos, datos no estructurados de documentos, entradas en tiempo real de sensores, interacciones directas con el usuario o incluso contenidos audiovisuales. El agente procesa esta información para comprender el contexto de la tarea en cuestión. 

Paso 2: Procesamiento y toma de decisiones 

Una vez recopilados los datos, el agente aplica reglas predefinidas o modelos de aprendizaje automático (o ambos) para analizar patrones y predecir resultados probables. Luego, determina el mejor curso de acción basándose en sus metas y experiencias pasadas. 

Paso 3: Ejecución de acciones 

Después de seleccionar la acción adecuada, el agente lleva a cabo la tarea. Esta puede consistir en responder a una consulta, ajustar los parámetros del sistema, iniciar una transacción o activar un flujo de trabajo automatizado, entre otras. En muchos casos, los agentes ejecutan acciones en varias herramientas y plataformas integradas. 

Paso 4: Comentarios, aprendizaje y adaptación

Algunos agentes operan de forma independiente, mientras que otros colaboran con varios sistemas de IA o equipos humanos. En entornos multiagente, comparten información, coordinan flujos de trabajo y distribuyen tareas para mejorar el rendimiento general del sistema. Aunque este paso figura al final de la lista, se produce a lo largo de todo el proceso. 

Paso 5: Autonomía y colaboración 

Algunos agentes operan de forma independiente, mientras que otros colaboran con varios sistemas de IA o equipos humanos. En entornos multiagente, comparten información, coordinan flujos de trabajo y distribuyen tareas para mejorar el rendimiento general del sistema. Aunque este paso figura al final de la lista, se produce a lo largo de todo el proceso. 

Elegir la tecnología adecuada y comprender los procesos implicados son aspectos importantes a la hora de implementar agentes autónomos, pero no son los únicos factores. Las organizaciones también deben asegurarse de que su infraestructura, plantilla y cultura empresarial estén debidamente preparadas. Pon en práctica los siguientes consejos para preparar el terreno y lograr una transición satisfactoria:  

• Define claramente los objetivos
  Antes de implementar agentes autónomos, las organizaciones deben establecer metas específicas. Los objetivos claramente definidos ayudan a guiar la toma de decisiones y a establecer métricas para medir el éxito. 
•  Evalúa y prepara la arquitectura de datos 
  La eficacia de los agentes autónomos depende de los datos a los que tienen acceso. Las empresas deben evaluar su infraestructura de datos para garantizar una información pulcra, estructurada y accesible. Esto puede incluir la configuración de API bidireccionales que permitan a los agentes recuperar y ejecutar acciones basándose en datos empresariales. 
•  Experimenta 
  La tecnología de agentes autónomos está evolucionando rápidamente, por lo que las empresas deben estar atentas a los avances y preparadas para probar las soluciones emergentes. Experimentar con implementaciones en las primeras fases puede ayudar a identificar oportunidades en las que la automatización puede tener el mayor impacto positivo. 
•  Integra siempre que sea posible 
  La integración con las herramientas actuales, como las plataformas de CRM/CSM y los sistemas de planificación de recursos empresariales (ERP), ayuda a eliminar el riesgo de aislamiento de datos y garantiza que los agentes autónomos puedan acceder a la información relevante y actuar en consecuencia cuando lo necesiten.  
•  Prioriza al usuario final
  La eficacia de los agentes autónomos depende de lo bien que interactúen con los empleados y los clientes. Las empresas deben diseñar experiencias intuitivas y realizar pruebas exhaustivas para identificar y resolver posibles puntos de fricción antes de la implementación. 
•  Haz un seguimiento y optimiza 
  Una vez implementados los agentes, es crucial supervisar su rendimiento de manera continua. Las empresas deben recopilar los comentarios de los usuarios, hacer un seguimiento de las métricas clave y mejorar el comportamiento de los agentes para que los sistemas siempre estén optimizados. 
•  Evalúa el impacto en la plantilla 
  Los agentes autónomos cambian la dinámica de la plantilla automatizando algunas tareas y generando demanda de nuevas habilidades. Las empresas deben revaluar sus prioridades de contratación e invertir en programas de formación que preparen a los empleados para trabajar con estos y otros sistemas de IA. 
•  Integra la protección de datos en el sistema 
  Los agentes autónomos pueden procesar información confidencial, por lo que las empresas deben implementar medidas sólidas de ciberseguridad y privacidad de datos. El cumplimiento de las normativas del sector y unas políticas de gobernanza claras también contribuyen a proteger la información confidencial. 
•  Establece pautas éticas 
  La automatización basada en IA plantea preocupaciones éticas y normativas. Las organizaciones deben comprometerse a establecer salvaguardias internas que promuevan el uso responsable de la IA y colaborar con los responsables políticos y los líderes del sector para ayudar a dar forma a las normativas futuras. 

ServiceNow está cambiando la forma en que las empresas crean e implementan agentes autónomos a través de una única plataforma: ServiceNow AI Platform. ServiceNow reúne agentes de IA, datos y flujos de trabajo en un único sistema de acción diseñado para ofrecer confianza, seguridad y eficiencia.  

 Los Agentes de IA de ServiceNow son nativos de nuestra plataforma y trabajan de manera autónoma para completar tareas en nombre de los usuarios, lo que ayuda a las empresas a eliminar obstáculos y optimizar incluso sus operaciones más esenciales. Puedes aprovechar los Agentes de IA listos para usar de ServiceNow o crear tus propios agentes personalizados mediante indicaciones en lenguaje natural en lugar de código.  

El Orquestador de agentes de IA aporta estructura y control adicionales a los complejos entornos basados en IA. Coordina equipos de agentes de IA especializados para que trabajen en conjunto y alcancen un objetivo común.   

Al integrar la automatización de la IA directamente en los flujos de trabajo, ServiceNow permite a las empresas ir más allá de la automatización tradicional basada en tareas para implementar soluciones de IA agéntica en flujos de trabajo variables y complejos.   

Descubre cómo los Agentes de IA de ServiceNow pueden transformar tu empresa: solicita una demostración hoy mismo.