¿Cuál es la diferencia entre la IA generativa y la IA agéntica? 🤖

Vídeo em Espanhol, publicado pelo canal Posgrados y Educación Continua.

Sobre este contenido: El resumen, los puntos principales y los temas que aparecen a continuación se generan automáticamente a partir de la transcripción del vídeo. Reflejan el contenido, las opiniones, afirmaciones y predicciones presentadas en el vídeo y no representan una posición, validación o verificación de hechos por parte de IA Dots.

Resumen del vídeo

El video explica el concepto de la inteligencia artificial agéntica, su evolución a partir de la IA tradicional y generativa, y cómo actúa de forma autónoma para cumplir objetivos mediante el uso de herramientas y memoria. Asimismo, expone casos de uso en diversas industrias y detalla el enfoque del programa de maestría en inteligencia artificial aplicada del Tecnológico de Monterrey en esta tecnología.

Puntos principales

• La inteligencia artificial agéntica actúa de forma autónoma para lograr un objetivo, descomponiéndolo en pasos y utilizando herramientas con poca o ninguna supervisión humana.
• Se distinguen tres etapas en la evolución de la IA: la tradicional (predicciones), la generativa (creación de contenido y respuestas) y la agéntica (ejecución de acciones y automatización de flujos).
• Un sistema agéntico integra elementos como metas, percepción, contexto, razonamiento, uso de herramientas, memoria, acciones y ciclos de evaluación y adaptación.
• Los agentes de IA se aplican en industrias como servicio al cliente, desarrollo de software, manufactura, logística y salud para manejar grandes volúmenes de información y procesos complejos.
• Empresas como Salesforce, Amazon y Uber reportan resultados medibles y reducción de tiempos al implementar agentes de IA en sus operaciones comerciales y de atención.
• El Tecnológico de Monterrey ofrece materias especializadas en su maestría enfocadas en diseño de sistemas agénticos, automatización e inteligencia colaborativa humano-agente.

Temas

Inteligencia Artificial AgénticaInteligencia Artificial GenerativaAutomatización de FlujosSistemas MultiagentesCasos de Uso EmpresarialTecnológico de MonterreyHerramientas y Frameworks

Transcripción del vídeo

Texto de los subtítulos disponibles; puede contener errores.

Mi nombre es Gretel Barcelo. Eh, soy la directora nacional asociada de la maestría en inteligencia artificial aplicada, uno de los siete programas de impacto profesional de la Escuela de Ingeniería y Ciencias del Tecnológico de Monterrey. La inteligencia artificial agtica es un enfoque en el que la inteligencia artificial no se limita a responder, a generar contenido o hacer una una predicción. sino que actúa de forma autónoma para lograr un objetivo. Entonces, el agente de inteligencia artificial recibe una meta, la descompone en pasos, decide qué herramientas va a utilizar, ejecuta acciones también para alcanzarla y bueno, pues a medida que avanza puede ajustar su su plan según los resultados y dependiendo también del nivel de autonomía que se defina, puedo hacerlo con con poca o ninguna supervisión humana. Entonces, si nosotros eh vemos cómo ha ido evolucionando la inteligencia artificial en los últimos años, podemos eh identificar tres etapas, ¿no? Primero, la inteligencia artificial tradicional. Nosotros construimos un modelo para hacer una predicción, digamos, qué ventas tendremos el el próximo mes. Después de eso, pues llegó la inteligencia artificial generativa, donde el modelo no solo predice, sino que puede generar eh una respuesta, por ejemplo, eh analiza las ventas y dime [música] qué está pasando. Y ahora pues la inteligencia artificial agéntica, [música] ¿no? Aquí la diferencia es que ante esa misma introducción de analizar las rentas, de decirnos qué está pasando, el agente puede ir mucho más allá de una respuesta, ¿no? Además de consultar y analizar los datos que nosotros proporcionamos, puede ejecutar un modelo eh predictivo, puede eh identificar las categorías de de riesgo, buscar información más allá de la que nosotros proporcionamos, generar, no sé, recomendaciones a partir de de los resultados e incluso puede eh actualizar un sistema si es que tiene los permisos para hacerlo. [música] La inteligencia artificial generativa es un tipo de que crea contenido nuevo, ¿no? Entonces, textos, imágenes, audio, video, código y esto lo hace a partir de de lo aprendido en grandes cantidades de datos. Y luego, pues ante una eh introducción o ante un prom genera eh contenido siguiendo esos patrones. Esta categoría pues ya ya es muy común en nuestro día a día. Por ejemplo, usamos modelos de lenguaje o llms como cloud, como chat GPT. E si estamos hablando de generar imágenes, eh, Mid Journey, Dali, también pues muchos asistentes de de programación que nos ayudan a generar y y depurar código. Pero un sistema agéntico no es simplemente que use un LLM, normalmente incorpora varios elementos, como mencioné antes, un objetivo o una meta alcanzar. Para lograrlo necesita o o el el agente busca percepción, busca contexto. Esto es obtener información de su entorno o obtener información de sistemas externos. Con eso razona y planifica qué pasos necesita eh ejecutar y para ejecutarlo ocupa herramientas, ¿no? Así que puede consultar bases de datos, puedes consultar APIs, buscadores, sistemas empresariales o incluso modelos de machine learning. Entonces, toda esa información que va generando en el camino la la conserva en una memoria eh [música] o en un estado. Y como parte de de los pasos también puede ejecutar acciones, es decir, puede modificar un sistema externo, puede ejecutar algún proceso y lo más importante es que todo esto esté inmerso en un ciclo de evaluación y de adaptación. Es decir, a la gente va verificando los resultados y si hace falta va cambiando su estrategia. Yo diría que no es que la agéntica reemplace a la generativa, sino que la lleva un paso más allá, ¿no? La la generativa nos mostró que un modelo puede aprender o entender el lenguaje y producir contenido, eh, pero en eso se quedaba, ¿no? Te daba una respuesta y y cada persona tenía que tomar las decisiones y ejecutar cada paso. Ahora pues los modelos mejoraron su razonamiento, aprendieron a usar herramientas, pueden mantener eh el contexto o o la memoria durante tareas que son largas y también existen estándares que facilitan conectarlos con sistemas reales. Y ahí es donde está el valor para las organizaciones, ¿no? ya no se trata de generar un texto más rápido, sino que se automatizan flujos de trabajo de principio a fin, ¿no? Y por eso el foco está ahorita en la agéntica. Eso sí, pues al actuar con sistemas reales es un hecho que los errores costarían [música] más. Así que la conversación también se ha movido hacia el control, hacia los permisos, hacia la supervisión humana. más que una industria específica, porque en realidad se puede [música] aplicar en todas las industrias, yo diría que es una necesidad donde se juntan tres cosas, o sea, mucho volumen de información, procesos que tienen varios pasos y decisiones que se deben tomar rápido, ¿no? Uno de los eh casos más evidentes es el tema del servicio al cliente. Ya no basta con responder preguntas, hay que consultar eh el pedido, hay que verificar política, resolver el caso. Y la realidad es que con miles de solicitudes al día eso no [música] escala utilizando solo personas. Se ha visto también mucho desarrollo en temas de software. Eh, los agentes leen código, hacen cambios, ejecutan pruebas, eh incluso corrigen errores. Si hablamos de manufactura, de logística, pues pueden coordinar información que venga de inventarios, de mantenimiento, de producción, de cadena de suministro y y todo esto para responder a cambios en tiempo real, ¿no? [música] En salud, en salud también se ocupan para procesar en procesos que procesan información clínica, análisis de estudio, todo lo que tiene que ver con seguimiento de pacientes. Eso sí, en en [música] tareas críticas como estos ejemplos de salud que hace siempre trabaja con supervisión humana para pues eh tomar decisiones importantes. [música] Y creo que yo destacaría, hay muchos resultados importantes, pero pues aquellos que tienen ya resultados medibles, [música] por ejemplo, Safe Force usa agentes que responden preguntas relacionadas con sus productos, con sus precios y eh son capaces de identificar clientes [música] potenciales o leads. Y e cuando esto ocurre, captura la los datos directamente en su sistema. comercial y y la propia empresa ha declarado que desde su lanzamiento han generado más de 30,000 nuevos leads, ¿no? Algo muy considerable. Otro ejemplo es Amazon, ¿no? Justo en esto de atención al cliente, los agentes procesan o atienden una solicitud, pueden consultar información de de varios sistemas y realizar también ciertas acciones, ¿no? Como procesar una transacción o procesar algún algún reembolso. Uber también ha compartido resultados de la aplicación de agentes en el en uno de los de los casos de uso que ha compartido la empresa es que las solicitudes que recibe para e contratar publicidad, o sea, de empresas externas que están interesadas en contratar publicidad en su plataforma, lo que hace la gente es analizar la solicitud y el elaborar todo un plan de medios. Y con esto e Uber reportó una reducción de 30 minutos a 5 minutos, ¿no? Entonces estamos hablando de más del 80% del tiempo en en reducción. La maestría en inteligencia artificial aplicada en la MNA tenemos un enfoque en sistemas agénticos. Esto es tres materias relacionadas con la temática. [música] La primera de ellas tiene que ver con el diseño y implementación de sistemas agénticos. Y eh la intención es que el estudiante conozca, que aplique todos los fundamentos, todas las arquitecturas de los sistemas génticos que ya hemos mencionado, o sea, tales como el objetivo, la memoria, el contexto, la planificación, las herramientas, las acciones. Incluso en esta materia se incluyen temas de orquestación para sistemas que son multiagentes. La siguiente materia, la segunda materia tiene que ver con automatización y flujos de trabajo. Y ahí pues el estudiante debe debe construir, debe integrar [música] y debe operar flujos automatizados. Y la última tiene que ver con inteligencia colaborativa humanoagente. Lo que se hace en esta materia es evaluar ecosistemas donde las personas y los agentes interactúan de manera coordinada para resolver problemas complejos. Y eh para ello pues hay que analizar cómo se distribuyen los roles, cómo se distribuyen también las responsabilidades dependiendo de la naturaleza de la interacción. [música] En esas materias abordamos todo el tema de construcción de agentes con Frame Course como eh Langraft, la automatización también de tareas determinísticas porque dentro de los flujos se incluyen tareas determinísticas también. Esto lo hacemos mediante plataformas low code, no code como NH, como SAPI, en términos de de integración de aplicaciones y servicios mediante [música] eh APIs, mediante Webhawks, eh todo el tema de de orquestación, de workflow, de Pelines [música] complejo. hacemos uso de herramientas como Airflow, como eh Prefet y por supuesto pues la programación eh de lógica personalizada pues a través de Python que no puede faltar. Entonces lo que nosotros buscamos no es que los estudiantes dominen todas las herramientas que existen, eso sería imposible, sino que desarrollen competencias sólidas en cada una de estas áreas y tengan dominio de al menos una herramienta representativa de cada una. Te diría que el enfoque de nuestro programa es 100% aplicado. Esto quiere decir que nuestros estudiantes no tienen que culminar el plan de estudios para entonces empezarlo a aplicar en su día a día. O sea, desde las materias fundamentales se presentan múltiples casos de uso, múltiples aplicaciones. Tratamos hacerlo de manera diversa para cubrir pues eh muchas industrias, ¿no? Y que nuestros estudiantes se puedan identificar con esos casos de uso y desde esas primeras materias, desde las fundamentales, ellos ya pueden replicar los análisis, las herramientas que se ocupan en su labor profesional. Además de esta, ¿no?, de la naturaleza aplicada del programa, pues todos los convenios que tenemos con pues las empresas más relevantes en términos de inteligencia artificial con Microsoft, con Google, con AWS, con IBM para que nuestros estudiantes pues puedan ocupar sus servicios, que puedan ocupar eh pues sus laboratorios, el poder de cómputo que ofrecen estas empresas. Tenemos [música] también colaboración con otras instituciones académicas de gran prestigio [música] internacional. Entonces nuestros estudiantes pueden hacer a través de un programa de Global Classroom, pueden cursar materias en esas eh instituciones, ¿no? Por ejemplo, con Shinua ya llevamos varios eh en China llevamos varios periodos colaborando con Stanford, eh con con UTSA y eh pues también tenemos e inversiones que [música] son experiencias presenciales y que permiten pues e enfocarse durante una semana en ciertas temáticas. Tenemos inversiones nacionales en Campus Monterrey, una muy importante que tiene que ver con industria 4.0, con robótica colaborativa. Hemos tenido también este tipo [música] de experiencia en Campus Guadalajara, muy orientados a temas de salud, eh pero también eh de manera internacional, ¿no? En Montreal, con la Universidad de Montreal, eh enfocada en temáticas de fintech, ¿no? el el ecosistema financiero es muy robusto con la Universidad eh Católica de Chile, pues también en en temáticas de eh de ética en inteligencia artificial, de administración de proyectos de inteligencia artificial. Entonces, bueno, pues tratamos de que e el la interacción de los estudiantes y el ecosistema no se limite a una interacción en línea, porque además nuestro programa eh es es un programa en línea, sino que tenga estos puntos de encuentro y estas eh diversidad de experiencia para tener una formación pues mucho más robusta.

Assistir ao vídeo original no YouTube

Assuntos: Inteligência artificial. Publicado no YouTube em 2026-10-27.

Seleção automática por assunto e idioma. O vídeo pertence ao canal de origem.