Los agentes de inteligencia artificial no surgieron con los chatbots generativos. Su historia comienza mucho antes, con los primeros sistemas diseñados para percibir información, aplicar reglas y actuar sobre un entorno. A lo largo de varias décadas, los avances en razonamiento simbólico, aprendizaje automático y modelos de lenguaje han ampliado lo que estos programas pueden hacer. Hoy, algunos agentes ya pueden interpretar instrucciones, consultar fuentes de datos, utilizar herramientas y encadenar tareas dentro de un proceso de trabajo, aunque su autonomía sigue teniendo límites importantes.
Conocer la evolución de los agentes de IA ayuda a distinguir el origen de estas tecnologías de sus aplicaciones actuales y a comprender por qué no todas las tareas necesitan un agente complejo. También permite identificar qué avances resultan relevantes para una empresa que quiere conectar la inteligencia artificial con sus sistemas de gestión sin perder el control de las operaciones.
¿Qué son los agentes de inteligencia artificial?
Conviene partir de una distinción básica: un agente no se define únicamente por el modelo que utiliza, sino por la relación entre la información que recibe, el objetivo que persigue y las acciones que puede realizar. Por eso una automatización basada en reglas y un sistema que emplea un modelo de lenguaje pueden compartir la idea de agente, aunque su grado de flexibilidad sea muy diferente. En una organización, esta distinción evita llamar «agente autónomo» a cualquier chatbot y ayuda a concretar qué tareas puede ejecutar realmente la solución.
Un agente de IA es un sistema que recibe información de un entorno, interpreta un objetivo y selecciona acciones para tratar de alcanzarlo. Ese entorno puede ser físico, como el de un robot, o digital, como un CRM, una aplicación empresarial o una página web. No todos los agentes utilizan inteligencia artificial generativa. Un programa de control que responde a determinadas señales mediante reglas también puede considerarse un agente sencillo. La diferencia de los sistemas actuales es que algunos incorporan modelos capaces de interpretar lenguaje natural, manejar información cambiante y elegir entre distintas herramientas.
Los agentes más avanzados combinan varias capacidades. La percepción les permite recibir datos; la planificación, dividir un objetivo en pasos; la acción, utilizar herramientas o modificar el entorno; y la evaluación, comprobar si el resultado se ajusta a lo esperado. Algunos incluyen memoria para conservar información relevante entre operaciones. La autonomía no significa ausencia de límites. Un agente puede trabajar por etapas y necesitar autorización humana para acciones sensibles, como modificar registros, aprobar pagos o enviar comunicaciones externas.
Un asistente de IA suele responder a preguntas y ayudar al usuario mientras este dirige la interacción. Un agente de IA puede recibir un objetivo más amplio y ejecutar una secuencia de acciones para completarlo. La distinción no es absoluta: un mismo producto puede actuar como asistente en unas funciones y como agente en otras. Por ejemplo, un asistente puede explicar cómo preparar un informe comercial. Un agente, si dispone de los permisos y las integraciones necesarias, puede consultar datos, generar un borrador y dejarlo preparado para revisión.
Origen y primeras etapas de los agentes de IA
Los primeros avances no formaron una línea de progreso uniforme: hubo investigaciones centradas en reproducir procesos de razonamiento, otras dedicadas a construir mecanismos de control y también esfuerzos por representar el conocimiento de especialistas. Estos caminos terminaron influyendo en las arquitecturas actuales, que combinan la capacidad de interpretar información con reglas y procedimientos para actuar de forma controlada.
La idea de construir sistemas que perciben su entorno y actúan sobre él es anterior a los chatbots modernos. Su desarrollo combina aportaciones de la cibernética, la lógica, la computación y la robótica.
Los fundamentos de la inteligencia artificial (1940-1960)
En los años cuarenta, Norbert Wiener estudió los sistemas de control y retroalimentación: mecanismos que observan un estado, lo comparan con un objetivo y ajustan su respuesta. Este principio sigue presente en los ciclos de observación y actuación de muchos agentes. En 1943, Warren McCulloch y Walter Pitts publicaron un trabajo pionero sobre neuronas artificiales. En 1950, Alan Turing planteó cómo evaluar el comportamiento inteligente de una máquina. Estos avances no dieron lugar a agentes modernos, pero ayudaron a establecer las bases conceptuales de la inteligencia artificial.
Los primeros sistemas de razonamiento y resolución de problemas (1950-1970)
La propuesta de investigación de Dartmouth de 1955, y el encuentro celebrado en 1956, contribuyeron a consolidar la inteligencia artificial como disciplina. Poco después aparecieron programas como Logic Theorist y General Problem Solver, que utilizaban representaciones simbólicas y procedimientos de búsqueda para abordar problemas definidos. Su principal limitación era la rigidez: podían operar con reglas y objetivos claros, pero tenían dificultades ante situaciones ambiguas o fuera de su ámbito.
Sistemas expertos e inteligencia artificial basada en reglas (1970-1990)
Los sistemas expertos incorporaron bases de conocimiento y motores de inferencia capaces de aplicar reglas a problemas especializados. MYCIN, desarrollado en Stanford, es un ejemplo histórico de este enfoque en un entorno médico experimental. Estos programas demostraron el valor de codificar conocimiento especializado, aunque su mantenimiento era complejo: actualizar una regla o cubrir un caso nuevo exigía intervención de expertos. Además, su adaptación a contextos imprevistos era limitada.
La evolución de los agentes inteligentes entre 1990 y 2010
Una de las transformaciones más importantes de esta etapa fue dejar de tratar la inteligencia como un único programa que resuelve un problema cerrado. La coordinación entre componentes, el desarrollo de modelos de decisión y la interacción con entornos cambiantes pusieron sobre la mesa cuestiones que siguen vigentes: cómo compartir información, cómo evitar conflictos entre objetivos y cómo comprobar que una acción ha tenido el efecto previsto.
Durante este periodo, la investigación avanzó desde programas aislados hacia sistemas capaces de interactuar, coordinarse y responder a entornos más complejos.
En los años ochenta y noventa se consolidó el estudio de los sistemas multiagente, formados por varias entidades con objetivos o responsabilidades diferenciadas. Los investigadores exploraron cómo podían comunicarse, negociar o cooperar para resolver problemas distribuidos. Modelos como creencias, deseos e intenciones (BDI) ayudaron a describir agentes que toman decisiones según lo que conocen, lo que pretenden conseguir y los planes que han seleccionado. Estas ideas siguen siendo relevantes para diseñar equipos de agentes especializados.
La robótica aportó una dimensión física al concepto. Shakey, desarrollado desde la década de 1960, combinó percepción, planificación y movimiento en un entorno controlado. Más adelante, las arquitecturas reactivas permitieron responder con rapidez a cambios del entorno sin construir siempre una representación completa de este. La robótica mostró que actuar implica gestionar incertidumbre, sensores, errores y restricciones físicas, problemas que no aparecen cuando un sistema solo produce texto.
El progreso del machine learning permitió pasar de comportamientos exclusivamente programados a modelos capaces de reconocer patrones a partir de datos. La difusión de la retropropagación en los años ochenta y los avances posteriores en redes neuronales favorecieron mejoras en percepción y clasificación. Sin embargo, aprender a reconocer información no equivale por sí solo a actuar con autonomía. Para ello hacen falta mecanismos que conecten las predicciones con objetivos y acciones.
La revolución del deep learning y los modelos de lenguaje
Este periodo aportó dos avances complementarios. Por un lado, los modelos comenzaron a reconocer con mayor precisión patrones en imágenes, voz y texto; por otro, las arquitecturas de lenguaje facilitaron una interfaz mucho más flexible para expresar objetivos. Aun así, generar una respuesta convincente no equivale a ejecutar una tarea de manera fiable: la capacidad de acción exige herramientas, validaciones y límites que operan fuera del propio modelo.
La disponibilidad de más datos, mayor capacidad de cálculo y nuevas arquitecturas cambió el alcance de los agentes inteligentes.
El aprendizaje profundo y el aprendizaje por refuerzo
El deep learning mejoró el procesamiento de imágenes, voz y lenguaje. En paralelo, el aprendizaje por refuerzo permitió entrenar agentes mediante interacción con un entorno y señales de recompensa. Sistemas como Deep Q-Network y AlphaGo mostraron cómo combinar técnicas de aprendizaje para seleccionar acciones en problemas complejos. Estos hitos no convirtieron automáticamente a los programas en agentes empresariales, pero ampliaron las capacidades de percepción, aprendizaje y decisión disponibles para desarrollarlos.
La aparición de los grandes modelos de lenguaje (LLM)
Los modelos de lenguaje de gran tamaño (LLM) marcaron otro cambio. Gracias al entrenamiento sobre grandes volúmenes de información, pueden interpretar instrucciones formuladas en lenguaje natural, generar contenido y trabajar con tareas variadas sin programar una regla específica para cada expresión del usuario. La arquitectura Transformer, presentada en 2017, fue decisiva para el desarrollo posterior de modelos como BERT y GPT. Los LLM no son agentes por definición, pero pueden funcionar como componente central de sistemas que planifican y utilizan herramientas.
Los primeros chatbots y asistentes de voz resolvían principalmente consultas o comandos concretos. Los sistemas de IA generativa ampliaron la conversación, la redacción y el análisis de información. El siguiente paso consistió en conectar esas capacidades con programas externos para pasar de sugerir una acción a poder ejecutarla.
El nacimiento de los agentes de IA modernos
El salto hacia los agentes actuales no depende únicamente de que un modelo sea capaz de mantener una conversación. Depende de la arquitectura que lo rodea: sistemas de recuperación de información, funciones conectadas a aplicaciones, seguimiento del estado de las tareas y mecanismos para decidir cuándo debe intervenir una persona. Cuando estas piezas están bien coordinadas, una solicitud expresada en lenguaje natural puede convertirse en un flujo de trabajo comprobable.
La transformación más visible de los últimos años no es que los sistemas puedan conversar, sino que puedan combinar interpretación, planificación y ejecución dentro de un mismo flujo de trabajo.
Ante una petición como «prepara un resumen de las oportunidades comerciales abiertas», un modelo conversacional puede explicar cómo hacerlo. Un agente conectado a las aplicaciones adecuadas podría identificar las oportunidades, recuperar los datos autorizados, estructurar un borrador y solicitar validación antes de compartirlo. En muchos diseños se utiliza un ciclo de planificar, actuar, observar el resultado y ajustar el siguiente paso. El agente no necesita resolverlo todo en una única respuesta: puede comprobar el estado de una tarea y decidir qué operación procede después.
La conexión con APIs, buscadores, bases de datos y software empresarial convirtió a los modelos de lenguaje en componentes capaces de operar fuera del chat. Las llamadas estructuradas a funciones ayudan a delimitar qué herramienta debe utilizarse y con qué parámetros. La generación aumentada por recuperación (RAG) permite aportar información de fuentes documentales al modelo antes de elaborar una respuesta. No es equivalente a un agente, pero puede ser una pieza útil cuando este necesita trabajar con documentación actualizada.
La memoria puede ayudar a conservar el estado de una tarea, registrar operaciones realizadas o recuperar decisiones anteriores. La planificación permite dividir objetivos en pasos verificables, mientras que la supervisión reduce el riesgo de que un error se propague entre acciones. Conviene evitar un malentendido frecuente: un agente puede producir planes convincentes y aun así equivocarse. La autonomía práctica depende de la fiabilidad de las herramientas, los controles y el contexto, no solo de la capacidad del modelo para generar texto.
La expresión IA agéntica describe enfoques en los que la inteligencia artificial participa activamente en procesos con objetivos, herramientas y capacidad de actuación. Su evolución ha favorecido arquitecturas más flexibles, pero también ha planteado nuevas necesidades de seguridad, permisos, registro de actividades y evaluación continua.
Principales avances tecnológicos en la evolución de los agentes de IA
Conviene distinguir entre tecnologías que mejoran la capacidad del agente para comprender una petición y aquellas que hacen posible operar con otros sistemas. Los frameworks organizan pasos y herramientas; los protocolos facilitan conexiones; y las arquitecturas multiagente distribuyen responsabilidades. En la práctica, elegir más componentes no garantiza una solución mejor: una arquitectura pequeña y bien delimitada puede ser más mantenible y segura.
Los agentes actuales se apoyan en componentes que facilitan su diseño, integración y coordinación. Cada tecnología resuelve una parte diferente del problema.
ReAct popularizó la combinación de razonamiento orientado a tareas con acciones y observaciones. Proyectos como AutoGPT y AutoGen exploraron la ejecución de tareas con uno o varios agentes, mientras que herramientas como LangChain facilitaron la conexión entre modelos, datos y aplicaciones. Estos frameworks no garantizan por sí solos que un agente sea fiable. Su utilidad depende de la calidad del diseño, las herramientas disponibles y los mecanismos de comprobación incorporados.
Model Context Protocol (MCP) y conexión con herramientas externas
El Model Context Protocol (MCP), presentado por Anthropic a finales de 2024, propone una forma estandarizada de conectar aplicaciones de IA con herramientas y fuentes de información. Su objetivo es reducir el trabajo necesario para construir integraciones diferentes para cada sistema. MCP no sustituye las autorizaciones ni los controles de seguridad. Una conexión técnicamente posible sigue necesitando permisos adecuados, protección de datos y delimitación de las acciones permitidas. En entornos empresariales, estas consideraciones son esenciales cuando se conecta la IA con aplicaciones de gestión.
Sistemas multiagente y colaboración entre agentes de IA
Un sistema multiagente distribuye funciones entre componentes especializados. Por ejemplo, un agente puede recopilar información, otro contrastarla y otro preparar un informe. La coordinación puede mejorar la organización de tareas complejas, aunque también introduce costes y riesgos de comunicación. Protocolos como Agent2Agent (A2A) buscan facilitar la colaboración entre agentes desarrollados en entornos diferentes. No todas las necesidades empresariales requieren varios agentes: en muchos casos, un flujo sencillo y bien controlado resulta más adecuado.
La multimodalidad permite combinar texto con imágenes, audio u otras entradas. Esto amplía las posibilidades de los agentes para interpretar documentos escaneados, interfaces visuales o incidencias registradas mediante fotografías. No obstante, reconocer una imagen y tomar decisiones fiables sobre ella son capacidades distintas. En procesos sensibles conviene incorporar validaciones antes de actuar sobre una interpretación visual.
Diferencias entre los primeros agentes de IA y los agentes actuales
Los cambios más visibles están en la forma de expresar objetivos, en la variedad de información que pueden procesar y en las herramientas con las que pueden interactuar. Los programas clásicos dependían en mayor medida de procedimientos definidos por anticipado, mientras que algunos agentes modernos adaptan ciertos pasos a la información recibida. La siguiente tabla resume esas diferencias sin asumir que un enfoque sea siempre superior al otro.
La comparación ayuda a entender por qué el término «agente» se utiliza hoy para soluciones muy distintas de las existentes hace décadas.
La evolución no supone que los agentes actuales sean siempre superiores. Un sistema tradicional basado en reglas puede ser más apropiado cuando el proceso es estable, auditable y no necesita interpretación flexible del lenguaje.
Aplicaciones actuales de los agentes de inteligencia artificial
En la empresa, el criterio más útil no es cuántas acciones puede ejecutar el agente, sino si consigue completar una tarea concreta con menos trabajo manual y sin introducir riesgos desproporcionados. Los casos de uso más razonables suelen tener datos accesibles, reglas de negocio identificables y un resultado que se puede verificar. Esto facilita empezar por funciones acotadas antes de ampliar permisos o automatizar decisiones sensibles.
Las oportunidades más claras aparecen cuando una tarea combina consulta de información, decisiones acotadas y uso de varias herramientas. El valor real depende de que el proceso esté bien definido y sus resultados puedan comprobarse.
Automatización de procesos empresariales
Un agente puede apoyar tareas como clasificar solicitudes, identificar incidencias repetitivas, preparar documentos o coordinar avisos. A diferencia de una automatización estrictamente lineal, puede interpretar entradas menos estructuradas y seleccionar rutas distintas según el contexto. Eso no elimina la necesidad de reglas: las condiciones de aprobación, los plazos y las responsabilidades deben quedar expresamente establecidos.
En atención al cliente, un agente conectado a una base documental puede responder consultas frecuentes, recopilar información de una incidencia y preparar una acción para un empleado. En determinados escenarios también puede realizar operaciones autorizadas, como comprobar el estado de una solicitud. La escalada a una persona es especialmente importante cuando hay reclamaciones, datos sensibles o respuestas de baja confianza.
Los agentes pueden servir como interfaz para consultar fuentes empresariales, resumir indicadores o preparar informes periódicos. Por ejemplo, un equipo comercial podría solicitar una síntesis de oportunidades pendientes con sus próximos pasos. Para evitar decisiones basadas en datos erróneos, es necesario verificar de dónde procede cada indicador, cuándo se actualizó y qué permisos de acceso existen.
Integración de agentes de IA con sistemas ERP y CRM
La integración con ERP y CRM puede vincular la interpretación de información con operaciones de negocio. Un agente podría leer una solicitud de compra, extraer los datos relevantes y proponer un registro en el sistema, dejando la aprobación final a una persona. En plataformas como Odoo, el potencial depende de las integraciones disponibles y de cómo se configuren los permisos, los procesos y la trazabilidad. La prioridad no debería ser conectar un agente a todas las funciones, sino definir qué acciones aportan utilidad y cuáles requieren revisión humana.
Los agentes de inteligencia artificial pueden conectarse con sistemas ERP para consultar información y automatizar tareas empresariales. En este vídeo puedes descubrir cómo combinar ambas tecnologías para mejorar los procesos de tu empresa.
¿Hacia dónde se dirige la evolución de los agentes de IA?
Es razonable esperar agentes mejor integrados con software empresarial, interfaces multimodales y dispositivos físicos, aunque el ritmo y la profundidad de estos avances variarán según el sector. El principal desafío no será solo ampliar las capacidades técnicas, sino demostrar que un sistema mantiene resultados estables cuando cambia la información, falla una herramienta o aparece una situación imprevista. Por eso evaluación, trazabilidad y supervisión seguirán siendo requisitos importantes.
La dirección general apunta hacia sistemas más conectados y capaces de completar tareas de varios pasos. Sin embargo, el grado de autonomía alcanzable sigue dependiendo del contexto y de la fiabilidad exigida.
La mejora de los modelos y de las herramientas facilita que algunos agentes gestionen procesos más largos con menos instrucciones intermedias. Esto no implica que la autonomía total sea deseable en todos los casos. En finanzas, recursos humanos o gestión de datos, los controles pueden ser tan importantes como la velocidad de ejecución.
La inteligencia artificial física traslada estas capacidades a entornos con sensores, actuadores y restricciones materiales. Los modelos de visión-lenguaje-acción (VLA) investigan cómo conectar instrucciones e información visual con movimientos robóticos. La transferencia desde simulaciones al mundo real sigue siendo un reto técnico relevante.
A medida que un agente gana capacidad para actuar, crecen también los posibles efectos de sus errores. Es necesario delimitar qué puede consultar, qué puede modificar y cuándo debe pedir permiso. La supervisión, las pruebas, los registros de actividad y la gestión de identidades son fundamentales. También deben considerarse las instrucciones maliciosas incorporadas en documentos externos, las respuestas incorrectas de los modelos y el acceso indebido a información confidencial.
Es probable que sigan desarrollándose soluciones que combinan agentes especializados, conectores y mecanismos de coordinación. Sin embargo, añadir agentes no es automáticamente una mejora: cada intercambio introduce complejidad y posibles puntos de fallo. La tendencia más útil para las organizaciones será medir qué tareas se completan correctamente, con qué coste y bajo qué nivel de supervisión, antes de ampliar la automatización.
Cómo aprovechar la evolución de los agentes de IA en las empresas
Antes de plantear un desarrollo, conviene documentar el proceso que se pretende mejorar: quién interviene, qué datos se consultan, qué decisiones se toman y qué operaciones no pueden realizarse sin aprobación. Después se pueden comparar alternativas, desde automatizaciones convencionales hasta agentes con acceso limitado a sistemas internos. Este análisis permite construir una prueba con criterios de éxito concretos, en lugar de adoptar una arquitectura compleja por su novedad.
La evolución tecnológica abre nuevas posibilidades, pero el punto de partida debe ser siempre una necesidad concreta del negocio. La implementación de agentes requiere combinar conocimiento del proceso, acceso controlado a datos y pruebas de funcionamiento.
Conviene comenzar por tareas frecuentes, con entradas reconocibles, reglas de negocio claras y resultados verificables. La clasificación de solicitudes o la elaboración de borradores suelen ofrecer un entorno más controlado que las decisiones con consecuencias económicas o legales directas. Antes de desarrollar una solución, es recomendable definir qué problema resuelve, cuánto tiempo consume actualmente y cómo se medirá la mejora.
Un agente aporta poco valor si trabaja desconectado de la información que necesita. La integración con sistemas de gestión, bases documentales y aplicaciones operativas permite construir flujos más útiles, siempre que se apliquen criterios de seguridad, calidad del dato y trazabilidad. También es importante comprobar si una automatización convencional puede resolver el problema de manera más simple y predecible. La IA debe elegirse cuando su capacidad de interpretación o adaptación represente una ventaja real.
En Process Control abordamos la adopción de IA desde los procesos de negocio: analizamos las necesidades de cada organización, estudiamos las posibilidades de integración y definimos soluciones acordes con sus objetivos y sistemas existentes. Si quieres evaluar dónde puede aportar valor la automatización con agentes, descubre nuestra consultoría de inteligencia artificial para empresas o contacta con nuestro equipo para estudiar tu caso.
Preguntas frecuentes sobre la evolución de los agentes de IA
La historia de los agentes inteligentes reúne conceptos de distintas épocas, desde los sistemas basados en reglas hasta los modelos actuales conectados con herramientas. Esto provoca dudas habituales sobre cuándo aparecieron, qué cambió con los modelos de lenguaje y qué capacidades son realmente nuevas. Las siguientes respuestas aclaran esos puntos y ayudan a diferenciar los avances demostrados de las posibilidades que todavía requieren más desarrollo y validación.
¿Cuándo surgieron los primeros agentes de inteligencia artificial?
Sus fundamentos comenzaron a desarrollarse a mediados del siglo XX con la cibernética, la lógica y los primeros programas de resolución de problemas. El concepto se consolidó posteriormente con la investigación sobre sistemas inteligentes, robótica y agentes autónomos. No existe una única fecha de nacimiento para todos los agentes: sus antecedentes proceden de la cibernética, el razonamiento simbólico y la robótica. Los programas posteriores fueron incorporando nuevas formas de representación del entorno y planificación de acciones.
¿Cómo han evolucionado los agentes de IA?
Han pasado de ejecutar reglas y procedimientos predeterminados a incorporar aprendizaje automático y, más recientemente, modelos de lenguaje capaces de interpretar instrucciones y utilizar herramientas digitales para desarrollar tareas complejas. La diferencia no está solo en la potencia de cálculo. También ha cambiado la manera de especificar objetivos, la disponibilidad de información digital y la posibilidad de conectar modelos con herramientas. En cualquier etapa, las decisiones siguen dependiendo de la arquitectura y los límites definidos para cada sistema.
¿Qué diferencia existe entre los agentes de IA tradicionales y los actuales?
Los agentes tradicionales suelen operar en entornos y reglas bien delimitados. Algunos agentes actuales pueden adaptar sus pasos a información nueva, utilizar varias herramientas y trabajar con instrucciones en lenguaje natural, aunque siguen necesitando límites y supervisión. Los primeros enfoques ofrecían un comportamiento más predecible dentro de situaciones conocidas; los modernos pueden gestionar entradas menos estructuradas, pero también cometer errores difíciles de anticipar. Por eso la flexibilidad debe acompañarse de verificación y controles de acceso.
¿Qué tecnologías han impulsado la evolución de los agentes de IA?
Entre las más relevantes están el machine learning, el deep learning, el aprendizaje por refuerzo, los modelos de lenguaje, las llamadas a funciones, la recuperación de información y los protocolos de conexión entre sistemas.
La IA generativa puede crear texto, imágenes u otros contenidos. Los agentes de IA utilizan componentes de inteligencia artificial, incluidos modelos generativos en muchos diseños actuales, para seleccionar y ejecutar acciones orientadas a un objetivo.
Son arquitecturas en las que varios agentes colaboran o se reparten tareas. Pueden resultar útiles cuando un problema exige funciones especializadas, pero también requieren mecanismos de coordinación, control y evaluación. Cada avance ha resuelto un obstáculo distinto: percepción, adaptación, manejo del lenguaje o acceso a aplicaciones. No basta con combinar todas esas tecnologías; es necesario que respondan a una necesidad identificable y funcionen de manera coherente.
¿Cuál es el futuro de los agentes de inteligencia artificial?
Se espera una mayor integración con aplicaciones empresariales, herramientas digitales y sistemas físicos. Su adopción dependerá de factores como fiabilidad, seguridad, coste y supervisión humana, no únicamente de que los modelos puedan realizar más acciones. Las empresas tendrán que evaluar no solo las demostraciones tecnológicas, sino también la tasa de tareas completadas correctamente, el coste de ejecución, la seguridad de las integraciones y la capacidad de supervisar resultados. La adopción dependerá de esa fiabilidad operativa.