De la generación a la agencia: Análisis de la próxima ola de la IA y su manifestación en la automatización de flujos de trabajo empresariales

1.0 Resumen ejecutivo

El campo de la inteligencia artificial está experimentando un cambio de paradigma significativo, evolucionando desde sistemas que generan principalmente contenido hasta aquellos que pueden ejecutar acciones autónomas. Este informe proporciona un análisis integral de esta transición, examinando las capacidades establecidas de la IA Generativa, el poder emergente de la IA Agéntica y las implicaciones estratégicas para las operaciones empresariales. El hallazgo central es que, si bien la IA Generativa ha revolucionado la creación de contenido y la síntesis de información, la IA Agéntica representa el siguiente paso lógico, transformando el potencial de la IA en acción tangible y orientada a metas, y redefiniendo el panorama de la automatización de procesos empresariales.

La IA Generativa, impulsada por modelos fundacionales y modelos de lenguaje grandes (LLM, por sus siglas en inglés), se destaca en la creación de texto novedoso, imágenes, código y otros medios en respuesta a prompts específicos del usuario. Su valor radica en potenciar la creatividad y productividad humanas al automatizar tareas discretas y centradas en el contenido. La adopción generalizada de estas herramientas está convirtiendo en mercancía la creación de contenido básico, elevando la importancia estratégica de la ingeniería de prompts y la supervisión humana.

En contraste, la IA Agéntica introduce un nuevo nivel de autonomía. Estos sistemas se definen por su proactividad, adaptabilidad y orientación a metas. En lugar de reaccionar a prompts, los agentes de IA están diseñados para perseguir objetivos de alto nivel con mínima intervención humana. Operan en un ciclo continuo de percepción, razonamiento, planificación, ejecución y aprendizaje, lo que les permite gestionar flujos de trabajo complejos y de múltiples pasos en diversas plataformas digitales. La arquitectura de estos sistemas a menudo implica la orquestación de múltiples agentes especializados, que colaboran para lograr metas empresariales generales. Esto marca un paso desde la IA como herramienta hasta la IA como fuerza laboral digital.

Un análisis crítico revela que la IA Agéntica no es un reemplazo de la IA Generativa, sino una evolución que se basa en ella, usando los LLM como motor de razonamiento central. Sin embargo, la distinción se está difuminando a medida que los productos comerciales combinan cada vez más capacidades de ambos paradigmas. Un estudio de caso detallado de SeaMeet de Seasalt.ai, comercializado como un “Copilot de reuniones agéntico”, ilustra esta tendencia. Si bien sus funciones centrales son generativas (transcripción, resumen), su flujo de trabajo basado en correo electrónico para crear documentos de seguimiento representa una capacidad “proto-agéntica”: una automatización sofisticada y desencadenada por el ser humano que señala un movimiento más amplio del mercado hacia la infusión de productos con características similares a las de agentes.

Para los líderes empresariales, el imperativo estratégico es doble: aprovechar la IA Generativa para obtener ganancias de productividad inmediatas, al mismo tiempo que se inician experimentos estratégicos con la IA Agéntica para reingenierizar los procesos empresariales centrales para una nueva era de automatización. La adopción exitosa depende de establecer la preparación de datos, marcos sólidos de seguridad y gobernanza, y una conciencia aguda de las consideraciones éticas inherentes a la implementación de sistemas autónomos. La trayectoria de esta tecnología apunta a un futuro donde un ecosistema colaborativo de agentes humanos y de IA impulsa la eficiencia, la innovación y la creación de valor empresarial.

2.0 La revolución generativa: la IA como creadora de contenido

La proliferación reciente y rápida de la inteligencia artificial en las aplicaciones empresariales y de consumo convencionales se debe en gran medida al auge de la IA Generativa. Este subcampo de la IA ha capturado la imaginación pública y ha desbloqueado importantes ganancias de productividad al equipar a las máquinas con la capacidad de crear contenido original. Comprender la mecánica, las capacidades y las limitaciones de este paradigma es esencial para contextualizar el siguiente salto hacia sistemas agénticos autónomos.

2.1 Definiendo el paradigma: la mecánica de la creación

La Inteligencia Artificial Generativa es una clase de IA que utiliza modelos de aprendizaje automático para producir contenido novedoso, como texto, imágenes, audio, video u otras formas de datos, en respuesta a la entrada del usuario.1 A diferencia de los sistemas de IA tradicionales diseñados para la predicción o clasificación, o los motores de búsqueda que localizan y curan información existente, los modelos generativos crean resultados completamente nuevos.2 Lo logran al ser entrenados con conjuntos de datos masivos de contenido creado por humanos. A través de este proceso de entrenamiento, los modelos aprenden los patrones, estructuras y relaciones subyacentes en los datos. Su función central es probabilística; predicen el elemento más probable siguiente en una secuencia, ya sea una palabra en una oración, un píxel en una imagen o una nota en una composición musical, para construir un resultado coherente y contextualmente relevante.2

La base tecnológica de la IA Generativa moderna se apoya en arquitecturas conocidas como modelos base (FMs) y, más específicamente, modelos de lenguaje grande (LLMs).4 Los FMs son modelos de aprendizaje automático vastos preentrenados con un amplio espectro de datos generalizados y no etiquetados, lo que los hace capaces de realizar una amplia variedad de tareas de inmediato.4 Los LLMs, como la serie Generative Pre-trained Transformer (GPT) de OpenAI, son una clase de FMs centrada específicamente en tareas basadas en el lenguaje, como resumen, generación de texto, clasificación y conversación abierta.4

La escala y complejidad de estos modelos representan un salto monumental respecto a sus predecesores. Las formas tempranas de IA generativa, como las cadenas de Markov desarrolladas hace más de un siglo, también podían realizar predicciones de la siguiente palabra, pero estaban limitadas por su incapacidad de considerar un contexto más amplio más allá de unas pocas palabras precedentes.5 En contraste, los LLMs modernos como ChatGPT están construidos con miles de millones de parámetros y entrenados con una porción significativa de internet públicamente disponible, lo que les permite comprender dependencias complejas, matices y patrones estadísticos en el lenguaje. Esta escala inmensa les permite generar texto plausible, sofisticado y similar al humano, alejándose mucho de las funciones simples de autocompletar.5 El modelo de interacción fundamental sigue siendo reactivo: el sistema espera un prompt específico de un usuario y luego genera contenido en respuesta.6

La proliferación de estas herramientas poderosas y accesibles está alterando fundamentalmente la naturaleza del trabajo relacionado con el contenido. A medida que la IA Generativa se hace capaz de producir contenido base de alta calidad a demanda, el valor económico se está desplazando de la acción manual de creación en sí misma. En cambio, el valor se encuentra cada vez más en la dirección estratégica proporcionada a la IA. La capacidad de elaborar un prompt preciso y rico en contexto que obtenga el resultado deseado, una habilidad a menudo denominada “ingeniería de prompts”, se está convirtiendo en una competencia crítica. Esta dinámica redefine el papel humano desde un creador puro hasta el de un director creativo, estratega y editor, que aprovecha la IA como un potente multiplicador de fuerzas. La tecnología no está simplemente reemplazando el esfuerzo humano, sino que está creando una nueva capa colaborativa donde la calidad de la entrada estratégica humana determina directamente la calidad del resultado de la IA.

2.2 Capacidades y aplicaciones centrales: Una encuesta de la caja de herramientas generativa

Las aplicaciones de la IA Generativa abarcan una amplia variedad de dominios, lo que refleja la versatilidad de los modelos base subyacentes. Estas herramientas se están integrando en flujos de trabajo en todas las industrias para aumentar la productividad, apoyar tareas creativas y automatizar la comunicación.4 Una encuesta de sus capacidades centrales revela una caja de herramientas integral para el trabajo intelectual moderno.

Una aplicación principal y ampliamente adoptada es la generación de texto. Los modelos generativos pueden producir una amplia gama de contenido escrito, desde la redacción de correos electrónicos profesionales, copias publicitarias e informes técnicos hasta la generación de obras creativas como poemas e historias.2 Esta capacidad se extiende a la

resumen y síntesis de contenido, donde la IA puede destilar documentos extensos, artículos de investigación o conversaciones en resúmenes concisos y fáciles de digerir, lo que permite a los usuarios comprender rápidamente la información clave de grandes volúmenes de datos no estructurados.2

Más allá del texto, la IA Generativa ha logrado avances significativos en la creación de multimedia. Herramientas como DALL-E 3, Midjourney y Stable Diffusion pueden generar imágenes y obras de arte originales de alta calidad a partir de simples descripciones en texto.8 Esto se extiende al video y el audio, donde modelos emergentes pueden crear animaciones o sintetizar voz natural para aplicaciones como asistentes virtuales y narración de audiolibros.8

En el ámbito del desarrollo de software, la IA Generativa sirve como un potente asistente para los programadores. Plataformas como GitHub Copilot se integran directamente en entornos de desarrollo para sugerir fragmentos de código, completar funciones, traducir entre lenguajes de programación y ayudar a depurar código existente.2 Esto acelera el ciclo de vida del desarrollo y permite a los ingenieros centrarse en problemas arquitectónicos de mayor nivel.10

Otra aplicación sofisticada es la generación de datos sintéticos. Los modelos generativos pueden crear nuevos datos artificiales que imitan las propiedades estadísticas de un conjunto de datos del mundo real. Estos datos sintéticos son invaluables para entrenar otros modelos de aprendizaje automático, especialmente en dominios donde los datos del mundo real son escasos, sensibles o costosos de adquirir, como en la salud o las finanzas.4

El panorama comercial está poblado por numerosas aplicaciones conocidas que han llevado estas capacidades a millones de usuarios. Estas incluyen IA conversacionales como ChatGPT y Gemini, asistentes de escritura como Grammarly, y soluciones integradas como Microsoft Copilot y Adobe Firefly, que integran características generativas en suites de productividad existentes.9 El valor empresarial general de estas herramientas radica en su capacidad para mejorar la productividad y fomentar la innovación al automatizar la creación de contenido y optimizar tareas específicas impulsadas por entradas.4

3.0 El Salto Agéntico: De la Generación de Contenido a la Acción Autónoma

Si bien la IA Generativa representa una revolución en la creación de contenido, la próxima frontera en inteligencia artificial se define por un cambio de la creación a la acción. La IA Agéntica marca esta evolución, presentando sistemas diseñados no solo para responder, sino para actuar de forma independiente para lograr metas complejas. Este salto hacia la autonomía promete desbloquear un nuevo nivel de productividad y transformar la naturaleza fundamental de la automatización de procesos empresariales.

3.1 El Amanecer de los Sistemas Autónomos: Definiendo la Agencia

La IA Agéntica es una forma avanzada de inteligencia artificial centrada en el desarrollo de sistemas autónomos capaces de tomar decisiones y realizar tareas con mínima intervención humana.13 El término “agéntico” deriva del concepto de agencia: la capacidad de un sistema para actuar de forma independiente y propositiva dentro de su entorno para lograr un conjunto predeterminado de metas.15 Esto contrasta marcadamente con la IA tradicional, incluida la IA Generativa, que es fundamentalmente reactiva. Un modelo generativo espera una solicitud y sigue un flujo de trabajo predefinido para producir un resultado; un sistema agéntico, una vez que recibe un objetivo de alto nivel, puede formular y ejecutar proactivamente un plan para cumplir con ese objetivo.7

La distinción central radica en la transición de un modelo de solicitud-respuesta a uno orientado a metas. Un sistema agéntico no simplemente sigue instrucciones paso a paso. En cambio, es capaz de desglosar una meta compleja en una secuencia de subtareas más pequeñas y manejables y perseguirlas de forma independiente.17 Esta naturaleza proactiva le permite anticiparse a las necesidades, identificar posibles problemas y tomar la iniciativa para abordarlos antes de que se agraven, una capacidad que va mucho más allá del alcance de los sistemas reactivos.15

3.2 Anatomía de un Agente de IA: El Ciclo Operativo

La funcionalidad de la IA Agéntica se basa en un conjunto de características clave que habilitan su comportamiento autónomo. Estos sistemas están diseñados para ser:

• Proactivo y Autónomo: No esperan comandos explícitos para cada acción. En cambio, operan con un grado de independencia para realizar tareas sin supervisión humana constante, lo que les permite gestionar metas a largo plazo y problemas de múltiples pasos.15
• Adaptable: Una característica crítica es la capacidad de aprender de las interacciones y adaptarse a entornos cambiantes. Pueden ajustar sus estrategias y acciones en tiempo real basándose en nueva información o retroalimentación, lo que las hace adecuadas para situaciones dinámicas e impredecibles.12
• Orientado a Metas: Los agentes de IA están diseñados explícitamente para lograr objetivos específicos. Razonan sobre los pasos necesarios para alcanzar una meta y formulan una estrategia para hacerlo.14
• Razonamiento y Planificación: En el centro de un sistema agéntico se encuentra un motor de razonamiento, que a menudo es un potente modelo de lenguaje grande (LLM). El LLM sirve como el “cerebro” del agente, lo que le permite analizar datos, entender el contexto, formular posibles soluciones y planificar un curso de acción.14

El funcionamiento de un agente de IA se puede entender como un proceso continuo y cíclico. Este ciclo permite al agente interactuar inteligentemente con su entorno y refinar su rendimiento a lo largo del tiempo 16:

1. Percepción: El agente comienza recopilando datos de su entorno. Estos pueden provenir de diversas fuentes, como API, bases de datos, sensores o interacciones directas con el usuario.
2. Razonamiento: Los datos recopilados se procesan luego para extraer insights significativos. Utilizando capacidades como el procesamiento de lenguaje natural, el agente interpreta la información, detecta patrones y entiende el contexto más amplio.
3. Toma de Decisiones: Basándose en su razonamiento y las metas predefinidas, el agente evalúa múltiples acciones posibles. Elige el curso de acción óptimo basándose en factores como la eficiencia, la probabilidad de éxito y los resultados previstos.
4. Ejecución: El agente lleva a cabo la acción elegida. Esto a menudo implica interactuar con sistemas externos mediante llamadas a API, manipulación de datos o comunicación con usuarios.
5. Aprendizaje y Adaptación: Después de la ejecución, el agente evalúa el resultado. Esta retroalimentación se utiliza para refinar sus modelos internos y mejorar la toma de decisiones futuras, a menudo a través de técnicas como el aprendizaje por refuerzo.

Este marco operativo transforma el potencial bruto de los modelos fundacionales en acción práctica y orientada a metas. Si bien un LLM proporciona la inteligencia central para el razonamiento y la comprensión, es el marco agentivo (los componentes para la planificación, el uso de herramientas, la memoria y la interacción con el entorno) lo que permite que esta inteligencia se aplique a tareas del mundo real. Esta relación es análoga a la de un sistema operativo de computadora y su software de aplicación. El LLM es el potente sistema operativo que proporciona capacidades fundamentales, mientras que el sistema agentivo es la capa de aplicación que aprovecha estas capacidades para realizar funciones específicas y valiosas para el usuario, yendo mucho más allá de una simple interfaz de chat.

3.3 El poder de la colaboración: Orquestación y sistemas multiagente

La complejidad de los problemas comerciales del mundo real a menudo requiere un conjunto diverso de habilidades y conocimientos de dominio. Para abordar esto, los sistemas agentivos avanzados se diseñan con frecuencia como sistemas multiagente, donde múltiples agentes de IA altamente especializados colaboran para lograr un objetivo común.15 Por ejemplo, en un entorno de servicios financieros, un agente podría especializarse en cumplimiento normativo, otro en detección de fraudes y un tercero en optimización de carteras. Estos agentes coordinan sus actividades, comparten conocimientos y transfieren tareas según sea necesario para proporcionar una solución integral que estaría más allá de la capacidad de un solo agente generalizado.15

Este modelo colaborativo requiere una función crítica conocida como orquestación. La orquestación es la gestión y coordinación general de los diversos agentes y sistemas de IA dentro de un ecosistema.16 Una plataforma de orquestación se encarga de automatizar flujos de trabajo, realizar un seguimiento del progreso hacia los objetivos, gestionar la asignación de recursos y manejar fallos. Asegura que los agentes individuales trabajen juntos de manera armoniosa y eficiente. Esto clarifica la distinción entre un “agente de IA”, que puede verse como una herramienta individual o un especialista, y “IA Agentiva”, que se refiere al sistema coordinado que gestiona estos agentes para lograr objetivos más amplios y complejos.14 Plataformas tecnológicas como Amazon Bedrock y Google’s Vertex AI Agent Builder se están desarrollando para proporcionar la infraestructura para construir y orquestar estos sofisticados sistemas multiagente, lo que señala un cambio arquitectónico significativo en el desarrollo de la IA, desde modelos monolíticos hasta fuerzas laborales digitales colaborativas.14

4.0 Un marco comparativo: Sistemas generativos vs. agentivos

Comprender las distinciones y la relación entre la IA Generativa y la Agentiva es crucial para cualquier organización que busque desarrollar una estrategia de IA coherente. Si bien ambas aprovechan tecnologías subyacentes similares, su propósito, modelos de interacción y alcance operativo son fundamentalmente diferentes. La IA Agentiva no es un competidor de la IA Generativa, sino más bien una evolución funcional que se basa en sus capacidades para pasar de la creación de contenido a la ejecución de tareas.

4.1 Preguntas reactivas vs. metas proactivas: La distinción central

La diferencia más fundamental entre los dos paradigmas radica en su postura operativa: la IA Generativa es reactiva, mientras que la IA Agentiva es proactiva.7 Un sistema generativo está diseñado para crear contenido en respuesta directa a una solicitud específica del usuario. Es una herramienta pasiva que aguarda instrucciones.17 En contraste, un sistema agentivo está diseñado para actuar en busca de una meta de alto nivel. Es un participante activo que toma la iniciativa basándose en sus objetivos y su percepción del entorno.15

Esta distinción puede aclararse con una analogía práctica. La IA Generativa es similar a un especialista altamente calificado, como un redactor publicitario o un diseñador gráfico. Se proporciona a este especialista un brief detallado (“escribe un post de blog de 500 palabras sobre el tema X en un tono profesional”), y ejecuta esa tarea específica. Sin embargo, no decidirá de forma independiente que se necesita un post de blog, investigará el tema sin ser preguntado o programará su publicación.6 Por otro lado, la IA Agentiva es análoga a un gerente de proyectos autónomo. Se le da a este gerente un objetivo de alto nivel (“aumentar la participación con nuestra audiencia objetivo este trimestre”). El gerente agentivo luego diseñaría un plan de forma independiente, que podría incluir encargar una serie de posts de blog (una tarea que delegaría a un modelo generativo), programar actualizaciones de redes sociales, analizar datos de participación y ajustar la estrategia según el rendimiento, todo sin requerir instrucciones paso a paso para cada acción.7

Esta diferencia en la función impacta directamente la naturaleza de la interacción humana. Con la IA Generativa, el usuario está “en el ciclo”, proporcionando dirección constante y tomando decisiones en cada etapa del proceso. En el caso de la IA Agentiva, el usuario está “fuera del ciclo”, estableciendo los objetivos generales y proporcionando supervisión, pero interviniendo principalmente para manejar excepciones o proporcionar orientación estratégica cuando el agente se enfrenta a una situación más allá de su programación.6

4.2 Una relación simbiótica: Evolución, no revolución

Es fundamental reconocer que la IA agentiva no reemplaza a la IA generativa; más bien, extiende sus capacidades en una relación simbiótica.16 Los sistemas agentivos dependen de modelos generativos, específicamente de los LLM, como su unidad central de procesamiento o “cerebro”.14 El LLM proporciona las funciones cognitivas cruciales de razonamiento, comprensión del lenguaje y planificación que permiten al agente interpretar metas, analizar situaciones y formular estrategias.

Un ejemplo claro ilustra esta sinergia. Un representante de ventas podría usar una herramienta de IA generativa pura al solicitarle: “Escribe un correo electrónico de seguimiento educado a Maria Wang sobre nuestra propuesta”. La IA generaría el texto, pero luego el representante necesitaría copiarlo manualmente en un cliente de correo electrónico, encontrar la información de contacto de Maria, enviar el correo y luego actualizar su sistema de gestión de relaciones con clientes (CRM). Se trata de una serie de tareas discretas, impulsadas por el ser humano, potenciadas por la IA.7

Un sistema agentivo manejaría el mismo objetivo de manera diferente. El representante establecería una regla o meta de alto nivel, como: “Para cualquier cliente potencial marcado como ‘Seguimiento requerido’, envía un correo electrónico de seguimiento después de dos días hábiles”. El sistema agentivo luego ejecutaría de forma autónoma un flujo de trabajo de múltiples pasos. Monitorearía el CRM en busca del desencadenante, esperaría el tiempo especificado, recuperaría los detalles de Maria del CRM, usaría un modelo generativo para redactar un correo electrónico personalizado, enviaría el correo a través de una llamada API y, finalmente, actualizaría el CRM para registrar la acción. En este flujo de trabajo, la IA generativa es un componente vital: una herramienta que el agente usa para completar un paso de su plan más amplio y autónomo.7

Esta relación destaca que la línea entre estos dos conceptos se está difuminando cada vez más en las aplicaciones comerciales. La distinción teórica entre la generación reactiva de contenido y el logro proactivo de metas es clara, pero en la práctica, están surgiendo productos que ocupan un terreno intermedio. Herramientas generativas avanzadas como ChatGPT están incorporando características como “llamada a funciones”, lo que les permite interactuar con herramientas externas y realizar acciones simples y encadenadas, mostrando así comportamientos agentivos incipientes.2 Por el contrario, los sistemas agentivos dependen fundamentalmente de capacidades generativas para su inteligencia central.14 Esta convergencia sugiere que el mercado está evolucionando no como una elección binaria entre dos tecnologías distintas, sino como un espectro de capacidades de IA. Esto crea un desafío para los líderes empresariales, quienes deben mirar más allá de las etiquetas de marketing para evaluar con precisión el verdadero nivel de autonomía e inteligencia que ofrece un producto en particular.

4.3 Tabla 1: IA generativa vs. IA agentiva - Una comparación por características

La siguiente tabla proporciona una comparación concisa, a nivel de características, para resumir las distinciones clave entre los paradigmas de IA generativa y agentiva.

Aspecto	IA generativa (El creador de contenido)	IA agentiva (El actor autónomo)	Fragmentos de apoyo
Función principal	Crear contenido novedoso (texto, imágenes, código) basado en patrones aprendidos.	Actuar y lograr metas de alto nivel mediante la ejecución de tareas de múltiples pasos.	2
Modelo de interacción	Reactivo: Responde a solicitudes específicas y directas del usuario.	Proactivo: Toma la iniciativa basada en metas y datos del entorno.	7
Nivel de autonomía	Bajo (Humano en el ciclo): Requiere guía humana paso a paso para cada salida.	Alto (Humano fuera del ciclo): Opera de forma independiente con supervisión humana para excepciones.	6
Método de entrada	Solicitudes específicas: “Escribe un correo electrónico sobre X”.	Metas de alto nivel: “Gestiona los seguimientos de todos los nuevos clientes potenciales de ventas”.	7
Alcance del trabajo	Tareas limitadas y definidas: Generación de contenido, resumen, traducción.	Flujos de trabajo amplios y complejos: Automatización de procesos, resolución de problemas, gestión de sistemas.	19
Mecanismo central	Reconocimiento de patrones y predicción: Predice el siguiente elemento en una secuencia.	Ciclo percepción-razonamiento-acción: Percibe, planifica, decide, ejecuta y aprende.	2
Integración de herramientas	Limitada: Puede integrarse como una característica dentro de una aplicación más grande.	Extensa: Diseñada de forma nativa para llamar a herramientas externas, APIs y otros sistemas para actuar.	14
Analogía empresarial	Un especialista o asistente altamente calificado (por ejemplo, un redactor publicitario, un programador, un investigador).	Un gerente de proyectos autónomo o un empleado digital.	6

5.0 La empresa agentiva: Transformando industrias con flujos de trabajo autónomos

La promesa teórica de la Agentic AI se está convirtiendo rápidamente en aplicaciones prácticas que están listas para redefinir la eficiencia operativa y la capacidad estratégica en una multitud de industrias. Al automatizar no solo tareas simples sino flujos de trabajo complejos de principio a fin, los sistemas agenticos están habilitando un nuevo paradigma de productividad empresarial. Esto representa una evolución significativa respecto a las tecnologías de automatización anteriores, ya que amplía el potencial humano en lugar de simplemente reemplazar el trabajo manual.

5.1 Análisis transversal de impacto

La versatilidad de la Agentic AI, derivada de su capacidad para razonar, planificar e interactuar con sistemas digitales, permite su aplicación en prácticamente cualquier dominio que dependa de procesamiento de información complejo y toma de decisiones.

• Servicio al cliente: La Agentic AI está transformando el soporte al cliente de chatbots reactivos basados en guiones a agentes de servicio proactivos. Estos sistemas pueden gestionar de forma autónoma consultas de clientes, acceder a bases de conocimiento para resolver problemas complejos, procesar reembolsos o devoluciones y brindar soporte personalizado a través de múltiples canales, escalando solo a agentes humanos para las interacciones más matizadas o empáticas.14
• Finanzas y banca: En el sector financiero, intensivo en datos, se están implementando agentes de AI para automatizar la detección de fraudes mediante el monitoreo de transacciones en tiempo real y la adopción de medidas para bloquear actividades sospechosas. También pueden realizar evaluaciones de riesgo continuas, gestionar carteras de inversión según las condiciones del mercado y estrategias predefinidas, y garantizar el cumplimiento normativo mediante el monitoreo de cambios en la ley y la actualización de políticas internas en consecuencia.14
• Salud: El impacto potencial en el sector sanitario es profundo. Los sistemas agenticos pueden asistir a los médicos analizando registros médicos, artículos de investigación y datos de ensayos clínicos para ayudar en el diagnóstico y la planificación del tratamiento. También pueden usarse para el monitoreo proactivo de pacientes, utilizando datos de dispositivos portátiles para detectar signos tempranos de problemas de salud y alertar a los equipos de atención, o incluso para programar automáticamente citas de seguimiento.14
• Cadena de suministro y logística: La Agentic AI puede crear cadenas de suministro altamente resilientes y eficientes. Al analizar datos de ventas, inventario, clima y envíos, estos sistemas pueden predecir la demanda, optimizar la logística y rerutar envíos de forma proactiva para evitar retrasos, todo mientras minimizan costos y la supervisión humana.14
• Desarrollo de software y operaciones de TI: Más allá de la simple generación de código, los agentes de AI pueden automatizar todo el ciclo de vida del desarrollo de software, incluyendo depuración, prueba e implementación. En la gestión de servicios de TI, los agentes pueden ir más allá de ser simples bots de helpdesk para resolver de forma autónoma tickets de TI complejos, solucionar problemas de red y gestionar el aprovisionamiento de software.14
• Recursos humanos: Los departamentos de RRHH pueden aprovechar flujos de trabajo agenticos para automatizar procesos que consumen mucho tiempo, como la selección de currículums, donde los agentes pueden analizar y puntuar a los candidatos según los criterios del puesto. También pueden manejar la programación de entrevistas coordinando calendarios entre candidatos y gerentes de contratación, y gestionar los procesos de incorporación de empleados y nóminas.25

El verdadero impacto a largo plazo de estas aplicaciones probablemente se extenderá más allá de la automatización de tareas existentes. La introducción de agentes autónomos permite un replanteamiento fundamental de cómo se diseñan los procesos empresariales. Los flujos de trabajo que anteriormente estaban limitados por la velocidad y la capacidad de la toma de decisiones humanas pueden reingenierizarse para ser más dinámicos, receptivos y basados en datos. Por ejemplo, en lugar de que un agente simplemente señale una posible interrupción en la cadena de suministro para que un humano la revise, un sistema agentico totalmente desarrollado podría modelar de forma autónoma el impacto financiero de la interrupción, evaluar rutas de envío alternativas, negociar nuevos términos con transportistas a través de API, actualizar el sistema de planificación empresarial (ERP) con el nuevo plan y notificar a todas las partes interesadas en tiempo real. Esto no es solo automatización de tareas; es una transformación completa del propio proceso empresarial, lo que permite un nivel de agilidad operativa y resiliencia que anteriormente era inalcanzable.

5.2 Redefiniendo la productividad: más allá de la Automatización de Procesos Robóticos (RPA)

El auge de la automatización agentica marca un avance significativo respecto a tecnologías de automatización tradicionales como la Automatización de Procesos Robóticos (RPA). La RPA ha sido muy eficaz en la automatización de tareas estructuradas, repetitivas y basadas en reglas, como la introducción de datos o el procesamiento de facturas. Sin embargo, a menudo tiene dificultades cuando se enfrenta a datos no estructurados o a cambios en las aplicaciones o procesos subyacentes.7 Los bots de extracción de pantalla, por ejemplo, pueden romperse fácilmente si se actualiza la interfaz de usuario de un sitio web objetivo.7

La IA agentiva supera estas limitaciones. Al aprovechar las capacidades de razonamiento de los LLM, los agentes de IA pueden entender el contexto, manejar la ambigüedad y adaptarse a los cambios en su entorno. Esto les permite automatizar una clase de trabajo mucho más amplia, que incluye procesos complejos de principio a fin que involucran datos no estructurados y toma de decisiones dinámica.17 Esto representa un cambio de automatizar tareas simples “robóticas” a automatizar flujos de trabajo “cognitivos”.

Fundamentalmente, esta nueva ola de automatización se entiende mejor como una forma de aumentación humana.17 El objetivo no es reemplazar a los trabajadores humanos, sino mejorar sus capacidades y productividad. Al delegar tareas complejas, que consumen tiempo y repetitivas a los agentes de IA, los empleados humanos se liberan para centrarse en actividades que requieren habilidades exclusivamente humanas: pensamiento estratégico, resolución creativa de problemas, negociación compleja y construcción de relaciones interpersonales.17 Esta colaboración entre humanos y agentes de IA promete ampliar la capacidad de una organización para abordar desafíos complejos, impulsar la innovación y entregar resultados de mayor calidad. La importancia de esta tendencia se subraya por las previsiones de mercado, con Gartner prediciendo que para 2028, un tercio de todo el software empresarial incluirá capacidades de IA agentiva, y al menos el 15% de las decisiones comerciales diarias serán tomadas de forma autónoma por agentes de IA.19

6.0 Estudio de caso: Desglose del “Copiloto de reuniones agentivo” - SeaMeet de Seasalt.ai

Para fundamentar la discusión teórica de la IA agentiva en un ejemplo comercial del mundo real, esta sección proporciona un análisis detallado de SeaMeet, un producto de Seasalt.ai. Al examinar sus características, marketing y posicionamiento estratégico, es posible desglosar cómo se está interpretando y aplicando el concepto de “agencia” en el mercado actual, revelando una realidad matizada que se sitúa entre capacidades generativas puras y autonomía total.

6.1 Descripción del producto y capacidades generativas centrales

SeaMeet se comercializa como un asistente de reuniones de IA o “copiloto” diseñado para mejorar la productividad de individuos y equipos.31 Sus características fundamentales se centran en procesar el contenido de las reuniones. El sistema se integra con plataformas de videoconferencia populares como Google Meet y Microsoft Teams, y también puede procesar archivos de audio cargados de reuniones presenciales.31

Las funcionalidades centrales del producto son:

• Transcripción en tiempo real: SeaMeet proporciona una transcripción en tiempo real altamente precisa de las conversaciones de las reuniones, completa con identificación de hablantes y marcas de tiempo.31
• Resúmenes inteligentes: Después de una reunión, el sistema genera automáticamente resúmenes inteligentes que capturan los temas clave y las discusiones.31
• Detección de tareas accionables: La IA analiza la transcripción para identificar y listar automáticamente tareas accionables o elementos “por hacer” que se discutieron.31

Estas características primarias son aplicaciones claras de IA Generativa. El sistema utiliza modelos sofisticados de voz a texto para crear una transcripción (generando texto a partir de audio) y luego emplea LLM para sintetizar esta transcripción en una forma nueva y condensada (el resumen) y para clasificar ciertas declaraciones como tareas accionables. Las reseñas de los usuarios destacan constantemente el valor de estas capacidades generativas, señalando que eliminan la necesidad de tomar notas manualmente y proporcionan una forma fácil de hacer un seguimiento de las responsabilidades, resolviendo así un problema importante para muchos profesionales.34

6.2 Análisis de la afirmación de “agentividad”: El flujo de trabajo basado en correo electrónico

SeaMeet se distingue en el mercado al autopromocionarse como un “Copiloto de reuniones agentivo”.32 La justificación de esta afirmación parece basarse en una característica específica e innovadora: un flujo de trabajo basado en correo electrónico diseñado para automatizar tareas posteriores a la reunión. Después de que finaliza una reunión, SeaMeet envía el resumen generado al usuario por correo electrónico. El usuario puede luego responder directamente a este correo electrónico con comandos en lenguaje natural como “redactar un correo electrónico de seguimiento al cliente”, “crear un Documento de Trabajo (SOW, por sus siglas en inglés) basado en nuestra discusión” o “generar un informe para las partes interesadas”.32 El sistema luego procesa esta solicitud y devuelve el documento con formato profesional, listo para ser enviado.

Una evaluación crítica de este flujo de trabajo frente a la definición rigurosa de IA agentiva establecida anteriormente en este informe revela una imagen matizada. Si bien esta característica representa una forma poderosa y sofisticada de automatización de flujos de trabajo, no demuestra una autonomía verdadera y orientada a metas. Las acciones del sistema son totalmente reactivas; espera una orden específica iniciada por un humano a través de correo electrónico antes de actuar. Esta es una tarea encadenada, que combina el resumen inicial con una nueva solicitud del usuario para generar un documento posterior, pero no es proactiva.

Un sistema verdaderamente agentivo, por el contrario, podría recibir un objetivo de alto nivel como “gestionar la incorporación de este nuevo proyecto de cliente”. Basándose en el contenido de la reunión inicial, podría reconocer de forma independiente la necesidad de un SOW, redactarlo sin ser explícitamente instruido y tal vez incluso enviarlo para su aprobación interna. El flujo de trabajo de SeaMeet, aunque altamente eficiente, todavía depende de un ser humano para estar “en el ciclo”, activando cada acción principal posterior a la reunión. La falta de documentación públicamente disponible que detalle las características para la delegación o finalización autónoma de tareas respalda aún más la evaluación de que el sistema opera como un asistente avanzado impulsado por comandos, en lugar de un agente totalmente autónomo.33

6.3 Contexto estratégico: SeaMeet dentro del ecosistema más amplio de Seasalt.ai

Para comprender completamente la posición de SeaMeet, debe verse dentro del marco estratégico más amplio de su empresa matriz, Seasalt.ai. Fundada en 2020, Seasalt.ai se posiciona como una plataforma integral de centro de contacto y automatización con IA dirigida principalmente a pequeñas y medianas empresas (SMBs).22 La gama de productos más amplia de la empresa está diseñada para automatizar una amplia gama de comunicaciones comerciales y flujos de trabajo operativos. Esto incluye voicebots y chatbots impulsados por IA para soporte al cliente las 24 horas del día, los 7 días de la semana, programación automática de citas, calificación y enrutamiento de clientes potenciales, y gestión de comunicaciones omnicanal (por ejemplo, WhatsApp, SMS, voz) desde una bandeja de entrada unificada.22

Dentro de este ecosistema, SeaMeet sirve como un componente clave centrado en la inteligencia de reuniones internas y orientadas al cliente. Complementa las herramientas de automatización de comunicaciones externas de la empresa al capturar y estructurar los valiosos datos generados en las reuniones. Esto se alinea con la misión general de la empresa de proporcionar soluciones de automatización con IA accesibles y de extremo a extremo para el mercado de PYMEs, un segmento que puede carecer de los recursos para construir o integrar sistemas más complejos de nivel empresarial.38

6.4 Posicionamiento en el mercado: El diferenciador “proto-agentivo”

La decisión de comercializar SeaMeet como “agentivo” es un movimiento deliberado y estratégicamente astuto. En un mercado saturado de herramientas de transcripción y resumen de reuniones, la etiqueta “agentivo” sirve como un poderoso diferenciador. Indica a los clientes potenciales que el producto ofrece capacidades más allá de la IA Generativa estándar, aprovechando la creciente emoción de la industria alrededor de los sistemas autónomos.

Una clasificación más precisa para esta categoría de herramienta podría ser “proto-agentiva” o “asistida por agentes”. Estos sistemas representan un paso intermedio en el espectro entre herramientas puramente generativas y agentes totalmente autónomos. Destacan en la automatización de tareas complejas y de múltiples pasos, pero aún requieren un disparador humano para iniciar el flujo de trabajo. Este posicionamiento permite a Seasalt.ai reclamar una posición tecnológicamente avanzada sin necesidad de haber desarrollado un sistema con capacidades proactivas y de búsqueda de metas completas.

Este estudio de caso revela una tendencia más amplia en la comercialización de la IA. A medida que conceptos nuevos y poderosos como “agencia” ganan impulso, el lenguaje de marketing a menudo precede a la maduración total de la tecnología. Las empresas están adoptando esta terminología estratégicamente para moldear la percepción de sus productos y capturar la atención del mercado. Para los líderes empresariales y evaluadores de tecnología, esto subraya la importancia crítica de desarrollar una comprensión matizada de estos conceptos. Ya no es suficiente aceptar las afirmaciones de marketing a la ligera; en cambio, se requiere un análisis más profundo del verdadero modelo operativo de un producto: su nivel de proactividad, adaptabilidad y orientación a metas, para tomar decisiones de compra y estratégicas informadas.

7.0 Imperativos estratégicos y perspectivas futuras

La evolución de la IA Generativa a la Agentiva no es meramente un avance tecnológico incremental; representa un cambio fundamental en la forma en que las empresas pueden aprovechar la inteligencia artificial para crear valor. Esta transición exige una respuesta estratégica proactiva y bien considerada de los líderes empresariales. Navegar por esta nueva frontera requiere una comprensión clara de las oportunidades inmediatas, un plan para la adopción estratégica y un enfoque vigilante de los riesgos y consideraciones éticas asociados.

7.1 Recomendaciones para la adopción: Navegando por la nueva frontera de la IA

Para las organizaciones que buscan aprovechar el poder de este paisaje de IA en evolución, se recomienda un enfoque pragmático y de dos vertientes.

First, businesses should embrace and scale the use of Generative AI now for immediate and demonstrable productivity gains. The technology is mature and accessible enough to be deployed across various functions to automate content creation, accelerate research and data synthesis, and assist in software development.4

En segundo lugar, los líderes deben empezar a experimentar estratégicamente con la IA Agéntica. Esto debería comenzar con la identificación de procesos comerciales bien definidos y de alto impacto que sean adecuados para la automatización por un agente autónomo o semi-autónomo. Los casos de uso iniciales en áreas como la gestión de servicios de TI, la resolución de tickets de soporte al cliente o el monitoreo de la cadena de suministro pueden servir como programas piloto valiosos para desarrollar experiencia interna y demostrar el potencial de los flujos de trabajo agénticos.17

La implementación exitosa de cualquiera de los paradigmas, pero especialmente de la IA Agéntica, depende de varios requisitos previos críticos:

• Preparación de datos: Los agentes de IA son tan efectivos como los datos a los que pueden acceder y procesar. Las organizaciones deben invertir en la creación de una infraestructura de datos empresariales limpia, bien gobernada y accesible. Esta base de datos “lista para IA” es esencial para permitir que los agentes tomen decisiones precisas y conscientes del contexto.30
• Seguridad y gobernanza: El poder de la IA Agéntica está directamente ligado a su profunda integración con los sistemas empresariales y su acceso a datos sensibles. Esto crea riesgos profundos de seguridad y privacidad.20 Los protocolos de seguridad robustos, los controles de acceso y las trazas de auditoría transparentes no son opcionales, sino requisitos fundamentales. Un modelo de gobernanza “humano-en-el-ciclo”, con barreras claras y supervisión, es esencial para mitigar riesgos y garantizar que los agentes operen de manera confiable y segura.15
• Consideraciones éticas: Los agentes de IA operan basados en algoritmos y datos; no poseen una comprensión innata de los valores humanos, la ética o la moral. Esto crea un riesgo significativo de consecuencias no deseadas, particularmente en dominios de alto riesgo como la salud, las finanzas o la aplicación de la ley.20 Las organizaciones deben diseñar y probar proactivamente sus sistemas agénticos para garantizar la equidad, la ausencia de prejuicios y la alineación con los valores humanos, a fin de asegurarse de que actúen de manera no solo efectiva, sino también responsable.

7.2 La trayectoria de la agencia de IA: El camino adelante

El desarrollo de la IA Agéntica aún se encuentra en sus primeras etapas, pero su trayectoria apunta a un futuro de sistemas autónomos cada vez más sofisticados e integrados. El enfoque actual en agentes individuales o en pequeños grupos que abordan flujos de trabajo específicos probablemente evolucionará hacia sistemas multiagente de gran escala y descentralizados. En esta visión futura, agentes heterogéneos con especializaciones diversas (algunos propiedad de la empresa, algunos de socios, algunos de individuos) colaborarán dentro de un entorno digital común para resolver problemas altamente complejos y dinámicos.40

Esta progresión tecnológica tendrá un impacto profundo en la naturaleza del trabajo y la estructura de las organizaciones. Como ha destacado el Foro Económico Mundial, los roles que enfatizan la toma de decisiones complejas, la resolución de problemas y la supervisión estratégica son cada vez más críticos en la economía global.41 El auge de los sistemas agénticos acelerará esta tendencia, automatizando gran parte de la “tubería” cognitiva de la empresa moderna y elevando el papel humano a uno de estrategia, creatividad y gobernanza.

En última instancia, la transición de los sistemas generativos a los agénticos marca un momento crucial en la evolución de la asociación humano-computadora. Está transformando a la IA de una herramienta que instruimos en un colaborador que empoderamos. Para las empresas que logran navegar con éxito este cambio, la recompensa será un nuevo nivel de agilidad operativa, resiliencia e innovación, allanando el camino para un futuro definido por la integración perfecta de la inteligencia humana y la artificial.

Trabajos citados

1. en.wikipedia.org, accedido 6 de septiembre de 2025, https://en.wikipedia.org/wiki/Generative_artificial_intelligence
2. ¿Qué es la IA generativa? - University Center for Teaching and Learning, accedido 6 de septiembre de 2025, https://teaching.pitt.edu/resources/what-is-generative-ai/
3. Inteligencia artificial generativa | NNLM, accedido 6 de septiembre de 2025, https://www.nnlm.gov/guides/data-thesaurus/generative-artificial-intelligence
4. ¿Qué es la IA generativa? - Gen AI Explained - AWS - Actualizado 2025, accedido 6 de septiembre de 2025, https://aws.amazon.com/what-is/generative-ai/
5. Explicado: IA generativa | MIT News | Massachusetts Institute of Technology, accedido 6 de septiembre de 2025, https://news.mit.edu/2023/explained-generative-ai-1109
6. IA agentiva vs. IA generativa: Las diferencias clave | Thomson Reuters, accedido 6 de septiembre de 2025, https://www.thomsonreuters.com/en/insights/articles/agentic-ai-vs-generative-ai-the-core-differences
7. IA agentiva vs. IA generativa - Red Hat, accedido 6 de septiembre de 2025, https://www.redhat.com/en/topics/ai/agentic-ai-vs-generative-ai
8. ¿Qué es la IA generativa? - IBM, accedido 6 de septiembre de 2025, https://www.ibm.com/think/topics/generative-ai
9. 10 Herramientas principales de IA generativa para 2025: Las potencias creativas de hoy - eWeek, accedido 6 de septiembre de 2025, https://www.eweek.com/artificial-intelligence/generative-ai-apps-tools/
10. ¿Qué es la IA generativa? Ejemplos y casos de uso - Google Cloud, accedido 6 de septiembre de 2025, https://cloud.google.com/use-cases/generative-ai
11. www.google.com, accedido 6 de septiembre de 2025, https://www.google.com/search?q=generative+ai+applications
12. IA agentiva vs IA generativa - ¿Cuál deberías usar? - Atera, accedido 6 de septiembre de 2025, https://www.atera.com/blog/agentic-ai-vs-generative-ai/
13. en.wikipedia.org, accedido 6 de septiembre de 2025, https://en.wikipedia.org/wiki/Agentic_AI
14. ¿Qué es la IA agentiva? Definición y diferenciadores - Google Cloud, accedido 6 de septiembre de 2025, https://cloud.google.com/discover/what-is-agentic-ai
15. ¿Qué es la IA agentiva? - Agentic AI Explained - AWS - Actualizado 2025, accedido 6 de septiembre de 2025, https://aws.amazon.com/what-is/agentic-ai/
16. ¿Qué es la IA agentiva? | IBM, accedido 6 de septiembre de 2025, https://www.ibm.com/think/topics/agentic-ai
17. ¿Qué es la IA agentiva? | UiPath, accedido 6 de septiembre de 2025, https://www.uipath.com/ai/agentic-ai
18. ¿Qué es la IA agentiva? | Salesforce US, accedido 6 de septiembre de 2025, https://www.salesforce.com/agentforce/what-is-agentic-ai/
19. IA agentiva vs IA generativa: Entendiendo las diferencias clave - ThoughtSpot, accedido 6 de septiembre de 2025, https://www.thoughtspot.com/data-trends/artificial-intelligence/agentic-ai-vs-generative-ai
20. Lo que necesitas saber sobre los agentes de IA - CSAIL Alliances - MIT, accedido 6 de septiembre de 2025, https://cap.csail.mit.edu/agentic-ai-what-you-need-know-about-ai-agents
21. GenAI vs. IA agentiva: Lo que los desarrolladores necesitan saber - Docker, accedido 6 de septiembre de 2025, https://www.docker.com/blog/genai-vs-agentic-ai/
22. Deja de manejar múltiples aplicaciones. Unifica todas las llamadas, mensajes de texto, WhatsApp y chats de clientes en un solo buzón simple. - Seasalt.ai, accedido 6 de septiembre de 2025, https://seasalt.ai/en/
23. ¿Qué son los agentes de IA? Definición, ejemplos y tipos | Google Cloud, accedido 6 de septiembre de 2025, https://cloud.google.com/discover/what-are-ai-agents
24. 10 casos de uso de IA agentiva para centros de contacto - CX Today, accedido 6 de septiembre de 2025, https://www.cxtoday.com/conversational-ai/10-agentic-ai-use-cases-for-contact-centers-ringcentral/
25. 6 ejemplos y casos de uso de IA agentiva que están transformando las empresas - Moveworks, accedido 6 de septiembre de 2025, https://www.moveworks.com/us/en/resources/blog/agentic-ai-examples-use-cases
26. Casos de uso de agentes de IA - IBM, accedido 6 de septiembre de 2025, https://www.ibm.com/think/topics/ai-agent-use-cases
27. 21 casos de uso y ejemplos de IA agentiva que están dando forma al futuro de la IA - Akka, accedido 6 de septiembre de 2025, https://akka.io/blog/agentic-ai-use-cases
28. 14 casos de uso reales de IA agentiva - Valtech, accedido 6 de septiembre de 2025, https://www.valtech.com/thread-magazine/14-real-world-agentic-ai-use-cases/
29. Más de 40 casos de uso de IA agentiva con ejemplos reales - Research AIMultiple, accedido 6 de septiembre de 2025, https://research.aimultiple.com/agentic-ai/
30. Agentes impulsados por IA en acción: Cómo estamos abrazando este nuevo momento “agentivo” en Microsoft, accedido 6 de septiembre de 2025, https://www.microsoft.com/insidetrack/blog/ai-powered-agents-in-action-how-were-embracing-this-new-agentic-moment-at-microsoft/
31. SeaMeet: Toma notas de reuniones de ChatGPT en tiempo real - Chrome Web Store, accedido 6 de septiembre de 2025, https://chromewebstore.google.com/detail/seameet-take-chatgpt-meet/gkkhkniggakfgioeeclbllpihmipkcmn
32. SeaMeet | Copiloto de reuniones agentivo para individuos altamente productivos y equipos de alto rendimiento, accedido 6 de septiembre de 2025, https://seameet.ai/
33. Preguntas frecuentes - Seasalt.ai, accedido 6 de septiembre de 2025, https://wiki.seasalt.ai/seameet/seameet-manual/00-seameet-faq/
34. Reseñas, calificaciones y características de SeaMeet de Seasalt.ai 2025 | Gartner Peer Insights, accedido 6 de septiembre de 2025, https://www.gartner.com/reviews/market/office-productivity-solutions-others/vendor/seasalt-ai/product/seameet
35. Descubre oportunidades comerciales en grabaciones con SeaMeet, accedido 6 de septiembre de 2025, https://usecase.seasalt.ai/transcribe-audio-to-discover-insights/
36. Seasalt.ai | Centro de contacto omnicanal para pequeñas empresas - Seasalt.ai, accedido 6 de septiembre de 2025, https://seasalt.ai/
37. Soluciones de automatización con IA - Seasalt.ai, accedido 6 de septiembre de 2025, https://seasalt.ai/en/solutions/ai-automation
38. Haptik lanza “AI for All” para llevar agentes de IA de nivel empresarial a las PYMES, accedido 6 de septiembre de 2025, https://timesofindia.indiatimes.com/technology/tech-news/haptik-launches-ai-for-all-to-bring-enterprise-grade-ai-agents-to-smbs/articleshow/123671151.cms
39. DIGITIMES Biz Focus - Taiwan Tech Arena, accedido 6 de septiembre de 2025, https://www.digitimes.com/biz/index.asp?topic=617
40. Empresas y IA agentiva: Confianza en soluciones autónomas y agentivas - Capgemini, accedido 6 de septiembre de 2025, https://www.capgemini.com/insights/research-library/business-meet-agentic-ai/
41. IITM Pravartak y Emeritus lanzan un programa de certificación profesional en IA agentiva y aplicaciones, accedido 6 de septiembre de 2025, https://www.ptinews.com/story/business/iitm-pravartak-and-emeritus-launch-professional-certificate-programme-in-agentic-ai-and-applications/2878978
42. IITM Pravartak y Emeritus lanzan un programa de certificación profesional en IA agentiva y aplicaciones, accedido 6 de septiembre de 2025, https://www.aninews.in/news/business/iitm-pravartak-and-emeritus-launch-professional-certificate-programme-in-agentic-ai-and-applications20250902174614