| |
|
|
BetaZetaDev Newsletter
Weekly Trends
15 de mayo al 22 de mayo de 2026 · Tecnología, IA y señales estratégicas
|
Los avances tecnológicos más relevantes de la semana, explicados sin ruido.
|
|
| |
|
Lo más importante esta semana
La semana en que la IA pasó de chatbots a agentes operativos
Google, Anthropic, Redis, Kore.ai y LangChain han movido ficha hacia agentes que actúan sobre sistemas reales y controlan datos y credenciales, no solo generan texto. Esto acelera el paso de prototipos a automatización profunda de procesos y reconfigura quién controlará la capa de ejecución empresarial.
|
|
| |
|
Lo esencial de la semana
Entre el 15 y el 22 de mayo, la inteligencia artificial ha dado un salto claro desde el asistente conversacional hacia el agente que toma decisiones y ejecuta tareas de negocio de extremo a extremo. Google ha presentado Gemini 3.5 Flash, Managed Agents y el agente personal Gemini Spark, con la promesa de reducir costes de IA empresarial en más de 1.000 M$ al año y empaquetar el despliegue de agentes en una sola llamada de programación. En paralelo, Anthropic compra Stainless para controlar la automatización de kits de desarrollo, Redis plantea una nueva arquitectura de contexto que sustituye a RAG clásico y LangChain automatiza el depurado de agentes en producción. Se añade a esto un nuevo agente empresarial de Kore.ai y avances en seguridad de credenciales de Anthropic, mientras AWS blinda en su nube a una emergente empresa de generación de contenidos multimedia. El tablero se está desplazando hacia quién domina las plataformas de agentes, la capa de orquestación y la infraestructura de inferencia de bajo coste; las empresas que sigan pensando en “chatbots” están ya desfasadas respecto al estado del arte de esta semana.
|
|
| |
|
TL;DR — Resumen rápido
| → |
IA y Automatización: Google lanza Gemini 3.5 Flash y Managed Agents, orientando su apuesta a agentes que ejecutan tareas complejas y prometen ahorros >1.000 M$ anuales en costes de IA empresarial. |
|
| → |
Software y Plataformas: Kore.ai presenta Artemis, una plataforma para diseñar, gobernar y optimizar agentes empresariales que compite frontalmente con Microsoft, Salesforce y ServiceNow. |
|
| → |
Hardware y Semiconductores: Cerebras afirma ejecutar modelos de billón de parámetros casi 7 veces más rápido que nubes basadas en GPU, reforzando la carrera por la inferencia de alto rendimiento. |
|
| → |
Startups e Inversión: Anthropic adquiere Stainless, creador de herramientas para automatizar SDKs usados por OpenAI, Google y Cloudflare, asegurándose una pieza crítica de la relación con desarrolladores. |
|
| → |
Big Tech: AWS se asegura como proveedor preferente de fal, empresa de creación de medios con IA generativa, para capturar cargas de trabajo de imagen, vídeo, 3D y audio de alta demanda computacional. |
|
|
|
| |
|
Análisis de la semana
|
🤖 IA y Automatización
|
Google ha presentado en su conferencia I/O el modelo Gemini 3.5 Flash, descrito como su modelo más potente para programación y agentes, capaz de ejecutar tareas complejas y construir software desde cero, según detalla TechCrunch en su cobertura del lanzamiento. La compañía sostiene en paralelo que Gemini 3.5 Flash puede reducir los costes de IA empresarial en más de 1.000 M$ anuales al romper el supuesto de que más inteligencia implica necesariamente más coste de computación, como explica VentureBeat en su análisis de costes. Frente a competidores centrados en chatbots o modelos generalistas, Google intenta reposicionar su ecosistema en torno a agentes operativos y a una estructura de costes agresiva, lo que presiona especialmente a Microsoft y a proveedores de modelos independientes centrados en calidad pura sin optimizar coste. Para cualquier empresa que esté diseñando su estrategia de IA, esto implica que el criterio clave ya no es solo el modelo, sino el tipo de tareas agente que permite automatizar, su coste real por proceso y el grado de integración con sus sistemas de producción.
|
Por qué importa:
Las decisiones de inversión en IA de los próximos 12-24 meses se desplazarán desde “qué modelo uso” a “qué agentes operativos puedo desplegar y a qué coste por tarea”.
|
|
|
Google ha anunciado Managed Agents dentro de su interfaz Gemini, un servicio que promete condensar semanas de trabajo de despliegue de agentes en una única llamada de programación, según explica VentureBeat en su análisis de Managed Agents. El movimiento responde a la dificultad de las empresas para orquestar herramientas, memoria, supervisión y seguridad en agentes complejos, y busca reducir la fricción técnica de pasar de prototipos a producción. Google gana así peso en la capa de ejecución, pero a costa de que los clientes cedan control sobre cómo se orquestan las acciones del agente y dependan más de la infraestructura de Google, en detrimento de integradores independientes y plataformas neutrales de orquestación. Para una empresa que valora soberanía tecnológica, esto obliga a decidir si prioriza velocidad de despliegue y simplicidad, adoptando Managed Agents, o si mantiene un control fino sobre la lógica y datos del agente construyendo su propia capa de orquestación.
|
Por qué importa:
La decisión de usar Managed Agents puede ahorrar meses de desarrollo, pero crea dependencia estructural de Google en la capa más sensible: la ejecución sobre sistemas y datos propios.
|
|
|
Google ha presentado Gemini Spark, un agente personal diseñado para trabajar de forma continua redactando correos, montando documentos, vigilando la bandeja de entrada y, en fases posteriores, realizando compras, incluso cuando el dispositivo del usuario está apagado, según detalla VentureBeat en su artículo sobre Gemini Spark. Este anuncio llega en un contexto donde se busca pasar de asistentes pasivos a agentes que actúan de manera proactiva y autónoma sobre las cuentas y sistemas de los usuarios. A corto plazo, Google gana un vector de diferenciación frente a asistentes como Copilot y Siri, pero se expone a riesgos reputacionales y regulatorios si el agente gestiona dinero o comunicaciones de forma errónea, mientras que operadores de comercio electrónico y bancos pueden ver amenazada su relación directa con el usuario final. Para cualquier proveedor de servicios al consumidor, esto significa que la experiencia de usuario empezará a medirse en términos de “API para agentes” más que de interfaz gráfica, y habrá que diseñar productos pensando en un intermediario automatizado que opera en nombre del cliente.
|
Por qué importa:
El control de los agentes personales que toman decisiones económicas reconfigurará quién posee realmente la relación con el cliente final en banca, comercio y servicios.
|
|
|
Kore.ai ha lanzado Artemis, una nueva edición de su plataforma de agentes que reinventa su tecnología para permitir a las empresas crear, gobernar y optimizar agentes utilizando la propia IA, según explica VentureBeat en su cobertura del lanzamiento. Este movimiento llega cuando grandes proveedores de experiencia de cliente como Salesforce y ServiceNow están incorporando capacidades de agentes, pero con fuerte integración en sus propias soluciones. Kore.ai intenta posicionarse como alternativa centrada en agentes, con enfoque multi-modelo y énfasis en gobierno, lo que le permite competir tanto con plataformas de atención al cliente tradicionales como con nuevas soluciones nativas de IA. Para una empresa que quiera desplegar agentes en atención al cliente, soporte interno o backoffice, la decisión ya no es solo “qué modelo uso”, sino si adopta una plataforma vertical como Artemis, se integra en un ecosistema como Salesforce o diseña una solución propia apoyada en plataformas neutrales.
|
Por qué importa:
La batalla por la automatización de la atención al cliente y el autoservicio se está desplazando desde los chatbots a plataformas completas de agentes gobernados, con impacto directo en costes operativos y experiencia de usuario.
|
|
|
|
🤩 Software y Plataformas
|
Anthropic ha adquirido Stainless, una empresa fundada en 2022 y especializada en automatizar la creación y mantenimiento de kits de desarrollo de software para interfaces de programación, utilizados por empresas como OpenAI, Google y Cloudflare, según explica TechCrunch en su artículo sobre la operación. Esta compra llega en un momento en que la adopción de IA a gran escala depende tanto de los modelos como de la facilidad de integración con sistemas existentes. Anthropic gana así una palanca directa sobre la experiencia de desarrollador y la calidad de las integraciones, mientras sus rivales pierden un proveedor neutral de herramientas que les ayudaba a exponer sus interfaces de forma homogénea. Para las empresas que construyen productos sobre múltiples proveedores de IA, esto acelera la necesidad de definir su propia capa de integración y abstraerse de los cambios de cada proveedor, en lugar de depender de herramientas de terceros potencialmente capturadas por un único laboratorio.
|
Por qué importa:
La batalla por el desarrollador se está trasladando a la automatización de SDK e interfaces, y quien controle esta capa podrá condicionar qué modelos y servicios se integran con menor fricción.
|
|
|
LangSmith, la plataforma de observabilidad de LangChain, ha presentado un nuevo motor que cierra automáticamente el ciclo de depuración de agentes, reduciendo el tiempo que tarda una empresa en detectar errores de un agente durante su ejecución, según detalla VentureBeat en su análisis de LangSmith Engine. La novedad responde al problema de que los agentes cometen fallos sin supervisión humana constante, lo que dificulta su uso en procesos críticos. Este avance fortalece la posición de LangChain en la capa de monitoreo y mejora continua, pero al mismo tiempo la propia publicación subraya que las empresas con varios modelos seguirán necesitando una capa neutral que no dependa de un único proveedor. Para cualquier organización que esté escalando agentes, la prioridad pasa a ser implantar observabilidad y aprendizaje automático sobre el comportamiento de los agentes, no solo su diseño inicial, y hacerlo de forma desacoplada de un único modelo para mantener capacidad de negociación.
|
Por qué importa:
Sin monitorización y depuración automatizada, los agentes en producción son un riesgo operacional; con ella, se convierten en un activo optimizable como cualquier otro sistema de software.
|
|
|
Redis está impulsando una nueva “arquitectura de contexto” para agentes de IA en producción, planteada como reemplazo del enfoque clásico de recuperación aumentada por generación, según explica VentureBeat en su artículo sobre la nueva arquitectura. El problema que aborda es que muchos agentes fallan no por errores del modelo, sino por no tener el contexto adecuado en el momento correcto, debido a límites de memoria e ineficiencias en la recuperación de información. Redis intenta reposicionarse desde su papel histórico como capa de memoria en aplicaciones web hacia el rol de gestor de contexto en tiempo real para agentes, compitiendo con plataformas de búsqueda vectorial y soluciones de datos especializadas. Para las empresas, esto implica que la arquitectura de datos para IA ya no puede ser un añadido marginal a su almacén de datos, sino una capa optimizada específicamente para alimentar agentes con contexto preciso y actualizado.
|
Por qué importa:
Quien domine la arquitectura de contexto dominará la calidad y fiabilidad de los agentes empresariales, más allá de qué modelo de lenguaje se utilice.
|
|
|
Anthropic ha anunciado que los agentes Claude pueden conectarse a interfaces de programación empresariales internas sin cargar ni exponer credenciales, resolviendo uno de los principales frenos a su adopción en producción, según detalla VentureBeat en su análisis de seguridad de agentes Claude. El enfoque tradicional hacía que el propio agente portara los tokens de autenticación, lo que elevaba el riesgo de filtración o uso indebido. Con el nuevo diseño, la autenticación se mantiene en un servicio seguro que actúa por encargo del agente, lo que mejora la posición de Anthropic frente a otros proveedores que aún no han resuelto este problema de diseño. Para las empresas con sistemas críticos, esta mejora rebaja el riesgo de exponer credenciales al tiempo que habilita casos de uso donde el agente actúa sobre sistemas internos sensibles, como finanzas, recursos humanos o logística.
|
Por qué importa:
La seguridad en la gestión de credenciales es el punto de paso obligatorio para mover agentes desde entornos de prueba a procesos críticos con datos reales.
|
|
|
|
💽 Hardware y Semiconductores
|
Cerebras Systems, recién salida de una de las mayores salidas a bolsa tecnológicas de 2026, ha anunciado que sus sistemas ejecutan un modelo de IA de un billón de parámetros casi siete veces más rápido que nubes basadas en unidades de procesamiento gráfico, según describe VentureBeat en su cobertura. El anuncio llega en pleno cuello de botella de suministro y costes asociados a unidades GPU tradicionales, especialmente para cargas de inferencia a gran escala. Si las cifras se sostienen en casos de uso reales, Cerebras gana una posición mucho más sólida frente a NVIDIA y proveedores de nube que basan su oferta en unidades GPU, mientras que estos últimos se ven presionados a reducir precios o integrar alternativas especializadas. Para las empresas con grandes volúmenes de inferencia, especialmente en sectores como comercio electrónico, medios o servicios financieros, este tipo de arquitectura alternativa puede reconfigurar la ecuación de coste por consulta y permitir modelos más grandes o respuestas más rápidas sin multiplicar la factura de infraestructura.
|
Por qué importa:
La disponibilidad de hardware especializado de inferencia con mejor rendimiento altera el coste marginal de cada tarea de IA, cambiando qué casos de uso son económicamente viables.
|
|
|
|
🚀 Startups e Inversión
|
AWS ha alcanzado un acuerdo con fal, una empresa de creación de medios con IA generativa en rápido crecimiento, para convertirse en su proveedor de nube preferido, según relata VentureBeat en su artículo sobre la alianza. El auge de la generación de imágenes, vídeo, contenido tridimensional y audio de alta fidelidad exige una infraestructura especializada y de alta capacidad, convirtiendo estas cargas de trabajo en una de las más intensivas en computación de la actualidad. Con este acuerdo, AWS consolida su atractivo para empresas de contenido generativo frente a competidores como Google Cloud y Microsoft Azure, mientras que estas últimas pierden la oportunidad de anclarse a una de las empresas emergentes más visibles del sector. Para productoras, plataformas de vídeo y creadores de contenido, esto sugiere que los servicios más avanzados de generación multimedia podrían optimizarse primero para el ecosistema AWS, condicionando decisiones tecnológicas y de interoperabilidad.
|
Por qué importa:
Las alianzas entre nubes y empresas de creación de medios con IA fijan dónde se concentrará la capacidad para generar contenido avanzado y qué ecosistema liderará esa ola.
|
|
|
|
🏢 Big Tech
|
Cohere ha anunciado Command A+, su primer modelo completo bajo licencia abierta Apache 2.0, que incorpora cuantificación sin pérdida y citas nativas, tal como explica VentureBeat en su análisis del modelo. El lanzamiento llega poco después de la fusión con Aleph Alpha y refuerza la apuesta de Cohere por modelos abiertos optimizados para uso empresarial, en contraste con la estrategia de modelos cerrados de otros laboratorios. Con esta decisión, Cohere gana tracción entre organizaciones que priorizan auditar, adaptar y desplegar modelos en sus propias infraestructuras, mientras proveedores de soluciones totalmente cerradas ven aumentar la presión competitiva en precio y transparencia. Para empresas reguladas o con requisitos fuertes de cumplimiento normativo y trazabilidad, disponer de un modelo abierto con citas nativas facilita justificar decisiones automatizadas y reducir la dependencia de modelos de caja negra.
|
Por qué importa:
Los modelos abiertos con licencia permisiva y capacidades avanzadas de trazabilidad amplían el espacio de adopción de IA en sectores regulados y refuerzan el poder de negociación de los clientes frente a proveedores cerrados.
|
|
|
|
| |
|
Insight editorial
De modelo a agente: la nueva batalla por la capa de ejecución
BLOQUE 1 — CONTEXTO Y EVIDENCIA: La semana del 15 al 22 de mayo marca un punto de inflexión: la conversación ya no gira en torno a qué modelo es más inteligente, sino a qué agente ejecuta mejor tareas de negocio de extremo a extremo. Google ha concentrado los focos con Gemini 3.5 Flash y su promesa de recortar más de 1.000 M$ al año en costes de IA empresarial, rompiendo la supuesta relación directa entre inteligencia del modelo y coste de computación, según detalla VentureBeat en su análisis económico. En paralelo, Google ha presentado Managed Agents, un servicio que convierte semanas de ingeniería de orquestación de agentes en una sola llamada de programación, como explica VentureBeat en su pieza sobre Managed Agents. Y en el plano del usuario final, Gemini Spark da forma al agente personal que no solo redacta correos y documentos, sino que aspira a realizar compras en nombre del usuario, según el análisis de Gemini Spark. Este giro no se limita a Google. Anthropic ha resuelto uno de los principales bloqueos de los agentes empresariales: la gestión segura de credenciales para conectarse a interfaces de programación internas, como detalla VentureBeat en su artículo sobre agentes Claude y credenciales. Redis plantea una nueva “arquitectura de contexto” para que los agentes no fallen por falta de información correcta en el momento oportuno, según explica VentureBeat en su análisis de la arquitectura de contexto. Y LangChain, a través de LangSmith Engine, intenta cerrar el ciclo de depuración de agentes en producción, automatizando la detección y corrección de errores, como recoge VentureBeat en su cobertura. BLOQUE 2 — DINÁMICA COMPETITIVA: El resultado es una reconfiguración clara de la cadena de valor de la IA. La capa de modelo se comoditiza parcialmente, mientras se intensifica la competencia por tres niveles: orquestación de agentes, gestión de contexto y seguridad/observabilidad. Google intenta integrar estos tres niveles dentro de su ecosistema: modelos Gemini, Managed Agents, herramientas de desarrollo y el agente personal Spark. Esta integración reduce fricción para el cliente, pero aumenta su dependencia de Google en la capa de ejecución, la más difícil de desintermediar una vez que un agente opera sobre procesos críticos. Frente a esta integración vertical, otros actores buscan posiciones más específicas pero estratégicas. Anthropic, con la compra de Stainless descrita por TechCrunch en su artículo sobre la operación, se asegura el control sobre automatización de kits de desarrollo, un punto de contacto directo con desarrolladores que antes era relativamente neutral. Redis se desplaza desde el almacenamiento en memoria hacia la gestión de contexto para agentes, amenazando a proveedores de búsqueda vectorial y soluciones de datos que no se adapten a patrones de acceso de agentes. LangChain refuerza su papel como capa neutral de orquestación y observabilidad, aunque la propia VentureBeat advierte de que las empresas multi-modelo necesitan evitar quedar atadas a un único proveedor de esta capa. El tercer bloque de actores lo representan plataformas como Kore.ai, que con Artemis (según VentureBeat) buscan competir con Microsoft, Salesforce y ServiceNow ofreciendo una plataforma de agentes de propósito empresarial, y proveedores de hardware como Cerebras, que con su anuncio de ejecutar modelos de billón de parámetros casi siete veces más rápido que nubes basadas en unidades GPU refuerzan la infraestructura que alimenta esta nueva generación de agentes, tal como describe VentureBeat en su análisis de rendimiento. BLOQUE 3 — SEGUNDA DERIVADA: La consecuencia no obvia es que el riesgo central deja de ser “el modelo se equivoca” y pasa a ser “el agente actúa mal sobre un sistema real”. Cuando un agente como Gemini Spark puede realizar compras o un agente Claude puede operar sobre sistemas internos sin exponer credenciales, los fallos ya no son respuestas erróneas, sino decisiones de negocio incorrectas o incluso fraudes. Esto anticipa una nueva ola de necesidades: gobierno de agentes, auditoría de acciones, simulación de comportamientos y seguros específicos para automatización basada en agentes. Otra segunda derivada: la competencia ya no será solo por cuota de mercado de modelos, sino por quién define los estándares de contexto y de trazabilidad de decisiones. La arquitectura de contexto de Redis apunta a que la memoria operativa de los agentes será una pieza estratégica, del mismo modo que lo fue el almacén de datos relacional para la informática empresarial. Cohere, con Command A+ bajo licencia Apache 2.0 y citas nativas, según describe VentureBeat en su análisis, anticipa la importancia de la trazabilidad jurídica y regulatoria de las salidas de los modelos. En un horizonte de seis meses, es razonable prever titulares sobre la “primera crisis de gobierno de agentes” en una empresa que automatice de forma agresiva sin contar con mecanismos de control suficientes, o sobre la primera gran licitación pública que exija estándares de auditoría para agentes y no solo para modelos. También veremos más operaciones como la de Anthropic con Stainless, donde los grandes laboratorios consolidan proveedores de herramientas críticas para desarrolladores y operadores de sistemas. BLOQUE 4 — IMPLICACIÓN EJECUTIVA: Para un comité de dirección, el mensaje accionable de esta semana es claro: la discusión estratégica sobre IA debe moverse de “qué modelo adoptamos” a “qué agentes queremos desplegar, sobre qué procesos y con qué marco de control”. En la práctica, esto implica tres decisiones en los próximos 6-12 meses. Primero, identificar de uno a tres procesos de negocio donde un agente pueda ejecutar extremo a extremo (por ejemplo, conciliación de facturas, atención de primer nivel, gestión de incidencias internas) y definir métricas de resultado, coste y riesgo asociadas. Segundo, seleccionar una arquitectura que separe conscientemente modelo, orquestación de agentes, arquitectura de contexto y observabilidad, evitando quedar capturado por un único proveedor en todas las capas, incluso si Managed Agents de Google o plataformas como Artemis ofrecen un camino más rápido. Tercero, diseñar desde el inicio un marco de gobierno de agentes: quién autoriza qué acciones puede realizar un agente, cómo se auditan sus decisiones, qué límites económicos o de riesgo se imponen (por ejemplo, importes máximos de compra para agentes tipo Gemini Spark), y qué registros se conservan para responder a auditorías o reclamaciones regulatorias. Las empresas que resuelvan estas tres piezas antes que su sector no solo reducirán costes, sino que definirán de facto los estándares internos y de mercado de automatización basada en agentes. Las que sigan tratando la IA como un experimento de chat conversacional llegarán tarde a la negociación con proveedores, a la curva de aprendizaje y, probablemente, a la próxima ola de productividad.
|
Pregunta para tu equipo directivo
“¿En qué tres procesos concretos de su empresa estaría dispuesto a ceder ejecución a un agente autónomo en los próximos 12 meses, y qué límites de riesgo y trazabilidad exigiría antes de hacerlo?”
|
|
|
| |
|
Radar — Lo que viene
| • |
Arquitectura de contexto para agentes:
La arquitectura de contexto es el diseño de cómo se almacena, recupera y actualiza la información que un agente necesita para actuar correctamente, superando el enfoque tradicional de recuperación aumentada por generación. Redis la pone en primer plano esta semana al plantearla como sustituto de RAG para agentes en producción, según explica VentureBeat en su artículo sobre arquitectura de contexto. En los próximos 3-6 meses, veremos más empresas replantear su arquitectura de datos para IA no como un añadido al almacén de datos, sino como una capa de contexto optimizada para agentes, con nuevos productos específicos y posibles adquisiciones en este espacio.
|
|
| • |
Gobierno y auditoría de agentes de IA:
El gobierno de agentes de IA abarca políticas, procesos y herramientas para definir qué puede hacer un agente, bajo qué condiciones y cómo se auditan sus acciones. La aparición de agentes personales como Gemini Spark, descrito por VentureBeat en su análisis sobre el agente que puede gastar tu dinero, y de agentes que actúan sobre sistemas internos como los de Anthropic, anticipa conflictos si no existe un marco claro de control. En los próximos 3-6 meses, es previsible que proveedores de plataformas incorporen módulos de gobierno de agentes y que sectores regulados empiecen a emitir guías específicas sobre auditoría y responsabilidad en decisiones tomadas por agentes.
|
|
| • |
Capa neutral de orquestación y observabilidad:
La capa neutral de orquestación y observabilidad es el nivel de la infraestructura tecnológica que coordina múltiples modelos y herramientas, monitoriza el comportamiento de los agentes y automatiza su mejora, sin depender de un único proveedor de modelos. LangSmith Engine, analizado por VentureBeat en el contexto de la automatización del depurado de agentes, ilustra la importancia de tener esta capa separada para empresas que usan varios modelos. En los próximos 3-6 meses veremos una competencia intensa entre plataformas como LangChain, nubes públicas y nuevos actores por convertirse en el estándar de orquestación, con implicaciones directas para la capacidad de negociación de las empresas frente a proveedores de modelos.
|
|
| • |
Infraestructura especializada de inferencia de IA:
La infraestructura especializada de inferencia de IA se refiere a hardware y sistemas diseñados específicamente para ejecutar modelos de gran tamaño a bajo coste y alta velocidad, más allá de las unidades GPU generalistas. El anuncio de Cerebras de ejecutar modelos de un billón de parámetros casi siete veces más rápido que nubes basadas en unidades GPU, recogido por VentureBeat en su análisis de desempeño, señala que la carrera de eficiencia de inferencia se acelera. En los próximos 3-6 meses, las grandes nubes tendrán que decidir si integran de forma profunda estas arquitecturas alternativas o arriesgarse a perder cargas de trabajo de IA de alto volumen hacia proveedores especializados o infraestructuras híbridas.
|
|
| • |
Plataformas de agentes empresariales:
Las plataformas de agentes empresariales son entornos que permiten diseñar, desplegar y gobernar agentes de IA que interactúan con clientes, empleados y sistemas internos, con enfoque en productividad y control. El lanzamiento de Artemis por parte de Kore.ai, descrito por VentureBeat en su artículo sobre la plataforma de agentes que desafía a Microsoft y Salesforce, muestra que la competencia ya no es por simples asistentes conversacionales, sino por plataformas completas de automatización. En los próximos 3-6 meses, cabe esperar que más proveedores de experiencia de cliente, recursos humanos y sistemas empresariales anuncien sus propias plataformas de agentes, obligando a las empresas a definir una estrategia clara: apostar por un proveedor integrado, combinar varias plataformas o construir una capa propia encima de modelos y herramientas de base.
|
|
|
|
| |
|
From Galicia with ♥
¿Conoces a alguien a quien le serviría esta edición? Renvíale este correo y ayúdanos a que Weekly Trends llegue a más profesionales del sector.
VISITAR BETAZETADEV
|
|
| |
|
© 2026 Weekly Trends ·
betazeta.dev
Has recibido este correo porque estás suscrito a Weekly Trends.
BetaZetaDev · hi@betazeta.dev
|
|
| |
|