IA agéntica: el cuarto estadio de la IA.
18 meses después de Computer Use, los agentes IA están madurando más rápido donde el cliente no los ve. Un mapa de la evolución de la IA agéntica para marketing, comunicación y experiencia de cliente.
El miércoles participé en el IV Foro de Turismo del Ayuntamiento de Madrid. Me pidieron que contase en 15’ cómo la IA está transformando el viaje. Os dejo el enlace a la presentación y a la guía de lectura:
IA: The evolution of travel → G Slides
IA: The evolution of travel → Guía de lectura
Hace poco más de un año presentamos Humanidad Aumentada, el libro que explora el impacto de la IA en el ámbito MCX. El segundo capítulo está dedicado a la evolución de la inteligencia artificial desde la década de 1950, hasta la explosión de la IA generativa, encarnada en el lanzamiento de ChatGPT 3.5 en noviembre de 2022. Evidentemente la historia no iba a terminar ahí, y ahora nos vemos forzados a añadir una categoría evolutiva nueva, la IA agéntica. ¡Agéntica! Ese anglicismo adjetivado que usamos ya sin vergüenza y sin tener siempre claro a qué nos estamos refiriendo.
El recorrido expone cierta lógica narrativa en nuevas categorías incluidas en la anterior: machine learning > deep learning > transformers > chatbots basados en LLMs. Del reconocimiento de patrones al aprendizaje profundo, y de ahí a la generación de textos, imágenes y código, con una solvencia que parecía ficción pocos años antes.
No estamos diciendo que la IA generativa haya perdido protagonismo. O sí. Es evidenet que se está convirtiendo en infraestructura y podría terminar convertida e commodity, si la capa de aplicación superior termina siendo la que captura el valor.
Es evidente que la conversación se ha desplazado de forma perpendicular (no lineal), porque hemos pasado de sistemas que responden y generan outputs a sistemas IA (por decir algo) que utilizan herramientas y procesos para ejecutar tareas con diferentes grados de autonomía. La transición está siendo masiva. En agosto de 2025, Gartner pronosticaba que en 2026 el 40% de las aplicaciones empresariales incluirán agentes IA, frente al 5% de entonces.
Aunque algunos datos de despliegue real corrigen los errores de planificación o aterrizan el exceso de optimismo. El estudio The AI Production Paradox de Sinch ha revelado que el 74% de las empresas que han implantado agentes de atención al cliente ha tenido que retirarlos, total o parcialmente, por problemas de gobernanza. En febrero, la propia Gartner anticipaba la resaca: el 50% de las empresas que recortaron plantilla debido a la IA recontratará personal antes de 2027.
Hace un año, hicimos en Rebel Intel una revisión sobre el avance de los agentes y el nivel de hype. Y creemos que ha llegado el momento de volver a recapitular, porque es evidente que mucha gente se encuentra algo desorientada respecto al valor, las capacidades o la aportación real de los agentes. Llamamos “agente” prácticamente a cualquier cosa que reúna una caja de texto, unas funciones aparentemente autónomas y un logo robótico. Por eso conviene ordenar el mapa.
Qué hace “agente” a un agente.
Prácticamente cualquier producto con la etiqueta IA ha sido rebautizado como agéntico en el último año, lo que ha convertido la propia palabra en un dolor de cabeza para el directivo inundado de propuestas martech. Conviene precisar la terminología. Siendo los LLMs, los modelos fundacionales de lenguaje (ampliados con capacidades multimodales), el cerebro operativo de un agente, existen cuatro capacidades añadidas, que sumadas en conjunto, separan un asistente conversacional de un agente operativo.
Memoria. La memoria persistente permite que un agente recuerde el contexto de interacciones anteriores y aprenda de ellas, en lugar de empezar de cero cada conversación. Es lo que distingue una herramienta puntual de un colaborador que mejora con el uso.
Planificación. Un agente descompone un objetivo en subtareas, las ordena, detecta cuando alguna falla y decide cómo continuar. Es lo que permite delegarle un trabajo entero en lugar de una respuesta concreta.
Uso de herramientas. La capacidad de invocar aplicaciones externas para actuar sobre el mundo: APIs, navegadores, bases de datos públicas, intérpretes de código, software de productividad. Sin esta capa, el modelo solo conversa; con ella, ejecuta.
Sistemas. Los sistemas corporativos de información a los que el agente debe acceder para operar dentro de una organización. CRM, ERP, repositorios de documentos, identidades, datos de cliente. La distinción con la capa anterior puede parecer sutil, pero es decisiva en la práctica: las tools son aplicaciones comodity disponibles para cualquier agente; los systems requieren credenciales, gobernanza, permisos y, frecuentemente, una capa de skills o RAG que un administrador ha definido previamente. Es la frontera entre el agente que opera con datos públicos y el que opera con los datos sensibles del negocio. La taxonomía más citada en divulgación habla de tres capacidades, pero en cualquier despliegue empresarial real esa frontera importa demasiado como para diluirla.
Esta evolución conecta con algo que ya aparecía en el cierre de Humanidad Aumentada: la sospecha de que los LLMs, por sí solos, no resolverían la necesidad de razonamiento, planificación y persistencia. La industria no ha solucionado estas carencias creando cerebros nuevos, sino rodeando a los modelos de herramientas, memoria y sistemas de ejecución.
Por debajo de las cuatro capacidades, una capa de protocolos abiertos se está convirtiendo en infraestructura compartida. El Model Context Protocol de Anthropic, el Agent2Agent de Google, el Trusted Agent Protocol de Visa, el AdCP en el ecosistema publicitario. Son el TCP/IP de la era agéntica, lo que permite que un agente de OpenAI hable con un sistema de Salesforce, o que el agente de un consumidor compre en Shopify.
De la demo al estándar, en un año.
En octubre de 2024, Anthropic lanzó Computer Use en beta. Era un modelo que controlaba el ratón y el teclado de un ordenador, veía la pantalla y actuaba sobre ella. La demo era lenta y propensa a errores, pero el salto era trascendental: la IA se desplazaba del “qué dice” al “qué hace”. Pocas semanas después, Anthropic publicó el Model Context Protocol, el estándar abierto que permitiría a los agentes integrarse con herramientas y sistemas externos como una arquitectura común. La capacidad y la infraestructura para escalarla llegaban casi a la vez.
Lo que siguió en 2025 fue una doble carrera. Por un lado, los laboratorios compitiendo en capacidades agénticas: Google anunció Project Mariner en diciembre, un agente que navegaba Chrome de forma autónoma y se puso a disposición del gran público en mayo durante Google I/O. OpenAI lanzó Operator en enero para sus suscriptores Pro, y en febrero presentó Deep Research, un agente que combinaba razonamiento con navegación autónoma para completar tareas de investigación multietapa; Google y Anthropic introdujeron funcionalidades equivalentes en los meses siguientes. Y en marzo, la startup china Manus AI demostró con un agente generalista viral que la innovación agéntica no era exclusiva de Silicon Valley, tanto que Meta acabaría comprándola en diciembre (aunque el gobierno chino no aprobara finalmente la transacción).
Mientas tanto, las grandes plataformas convirtieron esas capacidades en features de producto: Copilot Studio incorporó orquestación agéntica, Salesforce lanzó Agentforce, ServiceNow reforzó su plataforma, Meta entrenó sus modelos con su propio Ranking Engineer Agent. Los agentes dejaban de ser juguetes virales para convertirse en funcionalidades nativas del software empresarial, y eso suele ser señal de que una tecnología se consolida.
En agosto, OpenAI canceló Operator como producto autónomo y lo integró en ChatGPT Agent. En siete meses, los agentes-navegador, que operaban interfaces visuales con torpeza, cedían el paso a los agentes-API, que conectaban directamente con los sistemas internos de las organizaciones. Pero la apuesta por el navegador no murió: simplemente se reempaquetó. En septiembre, OpenAI y Stripe anunciaron el Agentic Commerce Protocol, convirtiendo ChatGPT en motor transaccional con Etsy primero y más de un millón de comerciantes de Shopify después. En octubre llegó la batalla de los navegadores IA con Atlas de OpenAI, Comet de Perplexity, Dia y Neon de Opera. Y Microsoft sumó el Modo Agente de Office, impulsado por Claude. Los agentes llegaban al escritorio y al consumidor general casi a la vez.
El primer trimestre de 2026 cerró el año con un salto de escala. El 25 de enero, el desarrollador austriaco Peter Steinberger publicó OpenClaw, un framework open source de agentes personales. En pocas semanas alcanzó 160.000 estrellas en GitHub, uno de los proyectos de mayor crecimiento en la historia de la plataforma. En febrero, Steinberger se incorporó a OpenAI; el proyecto siguió siendo open source bajo una fundación independiente. En el GTC de Nvidia del 16 de marzo, Jensen Huang presentó NemoClaw, una capa de seguridad enterprise sobre OpenClaw, con una frase que resumía el momento: “Mac y Windows son el sistema operativo del ordenador personal. OpenClaw es el sistema operativo de la IA personal.”
El mismo trimestre, Google anunció en Cloud Next que su protocolo Agent2Agent estaba en producción en 150 organizaciones, incluyendo Microsoft, AWS, Salesforce, SAP y ServiceNow. La infraestructura agéntica dejaba de ser la apuesta de un laboratorio concreto para convertirse en estándar compartido.
MCX: cinco dominios, cinco velocidades.
La narrativa sobre agentes puede parecer una ola homogénea. En realidad, las aplicaciones avanzan a distintas velocidades siguiendo un patrón sencillo: con fuerza donde el resultado es medible y el error recuperable, dubitativas donde el contexto es ambiguo y el error lo paga el cliente. A continuación, desglosamos los cinco dominios más importantes para el profesional de marketing, comunicación y experiencia de cliente.
Un terreno de progreso que genera menos titulares es el de la productividad interna. Equipos de marketing y comunicación que usan Deep Research de OpenAI y Gemini, Claude Skills o Copilot Researcher para investigación competitiva, monitorización de menciones y redacción de informes. Las áreas de CRM y ventas operan sobre Salesforce Agentforce y similares para automatizar cualificación, segmentación y retención de clientes, una capa de productividad sobre el stack tradicional. El estudio Enterprise AI Adoption 2026 de Writer documenta picos de productividad de hasta x5 en superusuarios, aunque el ROI agregado a nivel organizativo sigue estancado (solo el 23% de las empresas lo ve claro). Pero el cuello de botella ya no es el software: está en el rediseño de los flujos de trabajo cuando conviven empleados que usan agentes con otros que no.
En código y producto, la madurez es alta y los datos contundentes. Claude Code escribe aproximadamente el 4% de los commits públicos en GitHub, unos 135.000 diarios; el 71% de los desarrolladores profesionales usa un agente a diario, según el Stack Overflow Developer Survey; MIT Sloan estima un 14% más en la entrega de funcionalidades por ingeniero al trimestre en equipos maduros. Producir software se abarata, los ciclos de iteración se acortan y la expectativa de calidad y personalización en el lado del cliente sube en paralelo. Durante años, muchas marcas compitieron en creatividad porque el coste de ejecutar producto digital era alto. Esto está cambiando, al igual que lo hará la conversación entre CMOs y CTOs.
En creatividad y compra de medios, lo nuevo no es que la programática se haya vuelto agéntica (esto lleva años en el horno) sino que las grandes plataformas están integrando todo el flujo en un solo stack: generación de creatividades, targeting, compra de inventario y optimización en tiempo real. En enero de 2026, PubMatic lanzó AgenticOS junto a grupos como WPP Media y MiQ. Omnicom confirmó compras agénticas en vivo en el primer trimestre usando el protocolo AdCP. Performance Max gestiona ya el 45% de las conversiones en Google Ads. Meta, tras adquirir Manus, ha sido la más explícita sobre su ambición: ofrecer al anunciante un servicio end-to-end de agentes que cubra desde el insight hasta la atribución, prescindiendo de buena parte de la cadena tradicional de proveedores. El debate público se centra en la transparencia y en la dependencia de plataformas. Es legítimo: las marcas están delegando decisiones millonarias en algoritmos que no pueden auditar con el detalle que exigirían a cualquier otro proveedor.
Y en atención al cliente, el gran avance sigue en la retaguardia: agentes IA que dan soporte a agentes humanos, como el caso que Eroski compartía en el evento del Foro IA de esta semana (aquí puedes acceder a la grabación completa). Pero también se van abriendo paso los casos donde agentes Ia atienden directamente al cliente, como los casos de Naturgy y VoiceMod que se compartían en el mismo evento. Es sin duda la apuesta más arriesgada. Como el conocido caso de Klarna que tras un anuncio triunfal de agentes IA sustutiyendo a humanos tuvo que dar marcha atrás un año después ante la caída de calidad en consultas complejas. Qualtrics CX Trends 2026 sitúa el ratio de fracaso en atención agéntica en cuatro veces el del uso general de IA. La frontera entre lo que la máquina gestiona bien (transacción rutinaria sobre flujos cerrados) y lo que sigue requiriendo un humano (excepción, queja, modulación emocional) es el problema de diseño pendiente de resolver. El front del agente conversacional acumula titulares, pero el back de AI decisioning, donde los agentes predicen churn, orquestan ofertas de retención y personalizan journeys en milisegundos, avanza con solvencia, porque el resultado es medible y el cliente no toca al agente directamente.
Junto a estos cuatro dominios, en los que las marcas despliegan agentes, emerge un quinto: agentes en manos del consumidor, que comparan, deciden y compran en su nombre. Atlas de OpenAI, Comet de Perplexity, Dia y los demás navegadores IA son ya productos en producción para el consumidor general. ChatGPT representa el 20% del tráfico referido de Walmart. El Agentic Commerce Protocol conecta el chat de OpenAI con Etsy y con más de un millón de comerciantes de Shopify. Cuando el agente del consumidor entra a comprar a una marca, cambian a la vez el discovery (el SEO se vuelve GEO), la publicidad (¿a quién sirves anuncios si el cliente no está mirando la pantalla?), la fidelidad de marca (el agente compara y decide por el usuario) y el control sobre el momento de la decisión. La velocidad de este dominio es alta y la mayoría de las marcas no tienen ni una respuesta diseñada ni un equipo asignado a pensarla.
Mejor empezar a equivocarse ya, que ver los toros desde la barrera.
Detrás de la palabra “agente IA” conviven hoy realidades diferentes. Procesos automatizados que llevan años en marcha bajo otros nombres y ahora están mejorados gracias a LLMs de bajo coste. Bots conversacionales con nombre y avatar que atienden al cliente final y asistentes que apoyan al agente humano antes y durante la conversación. Incluso, capas de automatización que se cuelan en el CRM o en la herramienta de marketing de turno sin que nadie las llame agentes. El abanico es enorme, y cada marca decide por donde empezar (o continuar).
Desde Kuantik llevamos meses automatizando casos de uso en diferentes organizaciones utilizando o sin utilizar la palabra agente. En Good Rebels estamos construyendo lo que denominamos sistema operativo interno que está habitado por agentes, pero el trabajo de fondo consiste en recabar metodología y mejores prácticas, compartir conocimiento y desarrollar skills compartidas que el agente utilizará sin tener que decirle que lo haga. En la agentización, hay una capa de datos estructurada y una organización del conocimiento que muchas empresas deben resolver previamente.
Lo que es seguro es que esta “agentización” va a reconfigurar las áreas de marketing, comunicación y experiencia de cliente. No hay una respuesta universal sobre qué automatizar y qué no. Hay marcas donde la implicación de identidad obliga a mantener al humano en primera línea, y otras donde la presión de eficiencia y la baja carga emocional permiten una automatización más agresiva, como apuntábamos en nuestro cuadrante de la escasez. La decisión de qué se automatiza y qué permanece humano se va a convertir en una decisión de identidad de marca, no solo de eficiencia operativa.
En cualquier caso, la ola no se detiene. Y conviene moverse pronto porque es más barato cometer errores pequeños y reversibles ahora que tener que correr e intentar recuperar terreno perdido más adelante.
En dos semanas, volvemos a tu buzón.
Fernando y Carlos.
Actualidad.
Y el tokenmaxxing explotó. El CEO de Cognizant lo define como una métrica de vanidad, no de productividad. Después de alentar la barra libre, muchas empresas empiezan a racionar (y racionalizar) el uso de la IA. GitHub Copilot va a cambiar su modelo de facturación actual por un sistema de pago por consumo real. Aprovechando que el uso empresarial se ha disparado, los grandes laboratorios han puesto fin a la IA subsidiada, lo que plantea dos escenarios: o se mantienen precios y continúan absorbiendo pérdidas, o verán cómo las empresas recortan el uso de la IA. Toca desarrollar una nueva habilidad para evitar disgustos: optimizar el uso de la IA. TITONET, ALMOST TIMELY NEWS
El mismo día, Anthropic presentó Claude 4.8 y anunció una ronda de financiación de 65.000 millones $ para superar a OpenAI como la empresa IA más valorada. La salida a bolsa se espera para el otoño.
Apple presentará mañana en WWDC la mayor renovación de Siri en 15 años. El nuevo Siri integrará funciones avanzadas de análisis de datos personales y contenido, apoyado por Google Gemini. Además, renovará la interfaz y permitirá desviar consultas directamente a ChatGPT, Gemini o Claude. Habrá también, como no, un rediseño general del sistema operativo, nuevas funciones de edición fotográfica con IA generativa y automatizaciones utilizando lenguaje natural. BLOOMBERG
Desde el curso que viene, la facultad de Derecho de la Universidad de Berkeley prohibirá a sus alumnos utilizar la IA, excepto para investigación y contadas excepciones. Considera más importante desarrollar habilidades críticas y cognitivas. FORBES
Shift es una app de la compañía alemana MicroAGI que ofrece limpiezas de apartamentos gratis en Nueva York, a cambio de grabar el proceso, que servirá de entrenamiento para robots domésticos. Los datos del mundo real son esenciales para entrenar a humanoides, y Shift espera extenderse a muchas más actividades y lugares. X
Reflexiones.
Google sostiene que a la gente le gusta el modo IA en las respuestas, pero no hay un respaldo basado en datos independientes, todos los que aporta son propios. Tal vez la gente está adoptando el modo IA, pero más por imposición forzada que por elección. Mientras tanto, las descargas de DuckDuckGo han aumentado un 30% en EEUU después de que Google confirmara en I/O su apuesta por los resultados generados con IA. LINKEDIN
Antonio Ortiz reflexiona sobre la muerte del manager a manos de la IA, después de varios anuncios sonados. A mí me valdría con que acabara con los malos jefes como en su día imaginé que conseguiría la digitalización. ERROR 500
Mientras las empresas vuelcan presupuesto en IA, la mayoría se queda atrapada en lo que aquí se bautiza como la “trampa de la microproductividad”: pilotos dispersos que aceleran tareas sueltas sin tocar el flujo de trabajo que las rodea, de modo que la ganancia individual nunca cuaja en valor de negocio. Las compañías que sí lo logran (con mejoras de EBITDA del 10-25%) dejan de “mejorar la tarea” para “reinventar el negocio”: eligen cuatro o cinco dominios críticos, rediseñan procesos completos en lugar de automatizar los existentes, involucran a quienes están más cerca del trabajo y miden resultados de negocio en vez de “productividad” en abstracto. El rediseño de procesos, no la tecnología, es la parte difícil y donde se concentra casi todo el valor. HARVARD BUSINESS REVIEW
La abogacía parece terreno fácil para la IA (todo son documentos y lenguaje humano), pero no la está transformando. Por un lado, tres incumbentes que protegen a saco los datos, donde lo valioso no es la jurisprudencia pública sino la capa editorial montada encima. Por otro, los despachos de abogados con una gobernanza de socios que pueden vetar el cambio tecnológico a lo que se suman datos desperdigados entre sistemas incompatibles. También pesa la paradoja de la hora facturable: cada hora que la IA elimina es una hora que no se cobra. La “brecha de supervisión” (cuando un agente hace el trabajo entero, revisarlo todo deja de ser racional, y nadie ha resuelto quién asume la responsabilidad) termina de frenar la difusión. DIFFUSE AI
Investigación.
Un informe del Strada Institute for the Future of Work en el que nos vemos reflejados desde Good Rebels: un 35% de las empresas encuestadas prevé aumentar estas contrataciones en 2026, frente al 11% que planea reducirlas; de hecho, la adopción de la IA se cita como el principal motor positivo para ampliar las plantillas jóvenes.
El Developer Habits Report de Cursor muestra que la productividad de los desarrolladores se ha duplicado con creces, con un pequeño grupo de súper usuarios muy adelantado: el 1% top produce 46 veces lo que el desarrollador medio. También destaca han aumentado un 30% las llamadas de los agentes a herramientas en dos meses, y se han multiplicado por cinco los cambios generados con IA que llegan a las commits sin revisión manual.
Y sin embargo, según un estudio del MIT, aunque la creación de código se ha disparado con la IA, se traduce solo en un aumento del 50% en proyectos finalizados y de apenas un 30% en lanzamientos reales de software, debido al cuello de botella que supone la supervisión y validación humana. El programador George Hotz opina que la adopción masiva de IA en el desarrollo de software será uno de los errores más costosos en la historia de la informática, porque no programan realmente, sino que imitan la estructura del código humano. Esto genera un software defectuoso difícil de detectar a simple vista, un regalo envenenado para los equipos futuros. Y Noah Smith explica por qué mayor productividad en la escritura de software no incrementa apenas la productividad una empresa de software.
Un análisis de a16z y Pylon desmiente que la IA está destruyendo el empleo en la atención al cliente B2B, donde resuelve de principio a fin el 15% de los casos (frente al 35% en B2C) debido a la complejidad de las cuentas y el valor de las relaciones comerciales. En dos de cada tres casos, su labor consiste en filtrar el ruido, clasificar las incidencias y transferir problemas complejos a humanos, reduciendo un tercio su carga laboral. a16z
Investigadores de la Universidad de Pensilvania analizaron 400.000 publicaciones de Reddit relacionadas con fármacos para la diabetes y la pérdida de peso, para confirmar síntomas ya conocidos y detectar quejas menos difundidas. Este análisis permite identificar preocupaciones de los pacientes casi en tiempo real, y confirma el papel de Reddit como termómetro social y campo de entrenamiento para la IA. GOOD REBELS
MCX (mkt, comms y cx).
Mientras los agentes de terceros como ChatGPT y Perplexity se comen la parte alta del funnel (ya rozan un cuarto del tráfico de referido en algunos retailers, aunque siguen por debajo del 1% del total), los consumidores confían tres veces más en los agentes propios del retailer para cerrar la compra. Esa brecha de confianza es una ventana corta: quien no construya capacidad conversacional propia mientras participa de forma selectiva en los grandes agentes acabará reducido a tubería de fulfillment, con márgenes comprimidos y sin control sobre el dato. Los metadatos se convierte en el nuevo activo publicitario y la cesta multivendedor amenaza la idea misma de carrito propio. BAIN
El Universal Cart que Google presentó en la conferencia I/O (un carrito unificado para añadir productos en todo el ecosistema de Google, y delegar en Gemini la monitorización constante del precio) trastoca de raíz el campo de batalla publicitario. Aunque Google insiste en que no quiere convertirse en un marketplace ni en competidor directo del retail, marcas y agencias están preocupadas por la falta de transparencia y la desaparición en los momentos de influencia tradicionales. DIGIDAY
Aunque los humanos sigamos conectando con los valores y la identidad de una marca, los agentes IA actúan como rigurosos filtros que evalúan datos objetivos antes de mostrar cualquier recomendación. Si un beneficio no se puede medir e interpretar en tiempo real, para el agente simplemente no existe. En este nuevo ecosistema digital, lo que una marca promete en su comunicación debe estar perfectamente alineado con la infraestructura de sus datos y sistemas. MARTECH
Adform y Adsquare han lanzado una integración pionera que permite a los anunciantes filtrar y descartar solicitudes de oferta irrelevantes en milisegundos, antes de realizar cualquier puja en campañas móviles y publicidad exterior digital. Al combinar el DSP de Adform con los datos de localización de Adsquare, las marcas optimizan su presupuesto, eliminan el desperdicio publicitario y aumentan la precisión geográfica de sus campañas. LINK
Aún hay más…
Sci-Bot es un asistente de investigación con acceso a una base de datos de +88 millones de artículos y papers científicos. Responde gratis y sin alucinaciones. LINK
El rol clásico del CMO está cambiando, para transformarse en responsable estratégico del crecimiento. LINKEDIN
Jensen Huang, Sam Altman y Dario Amodei suavizan sus discursos sobre apocalipsis laboral a causa de la IA. LINK
¿Son rentables las compañías IA? Una explicación visual y sencilla en tiempo real.
Muchos de los posts que leemos en LinkedIn con la firma de ejecutivos occidentales son creados con IA por trabajadores filipinos que cobran 7$ / hora. LINK