36 ejemplos reales de agentes de IA

Aunque los agentes de IA han sido noticia en todo el mundo, los ejemplos reales de agentes de IA no siempre son tan evidentes.

En este artículo, te mostraré los tipos de agentes de IA con ejemplos de cada uno.

Pero ten en cuenta: aunque aquí los separemos por tipo, la mayoría de los sistemas avanzados de IA combinan varios tipos de agentes.

Por ejemplo, en la gestión de cadenas de suministro con IA, se utilizan varios tipos de agentes para optimizar la logística, la gestión de inventario, el almacenamiento y las entregas. Lo mismo ocurre con los autos autónomos: se combinan agentes basados en utilidad, agentes orientados a objetivos, agentes reflejos basados en modelos y agentes de aprendizaje para facilitar procesos complejos.

‍

Pero para empezar con los principios básicos, veamos qué busca lograr cada tipo de IA agente, junto con algunos ejemplos de cómo ya se aplica en el mundo real.

Incluso si no tienes un auto autónomo o no trabajas en un almacén con IA, probablemente ya has interactuado con bots empresariales basados en agentes, como:

• Agentes de IA para e-commerce que realizan pedidos, informan sobre envíos y ofrecen sugerencias personalizadas de productos a los usuarios.
• Chatbots de soporte al cliente que responden preguntas frecuentes, gestionan reembolsos y resuelven problemas técnicos (como este ejemplo de Ruby Labs).
• Agentes de generación de leads que conversan, califican prospectos y agendan reuniones (como este ejemplo de Waiver Consulting Group).
• Chatbots de ventas y funciones de marketing, como la generación de leads con IA u otras formas de usar IA en ventas.

Pero no todos los agentes de IA son creados por expertos técnicos. De hecho, con las nuevas plataformas para crear IA es bastante sencillo diseñar y lanzar tu propio agente personalizado.

Si te interesa crear tu propio agente de IA, puedes hacerlo hoy mismo con nuestro tutorial para crear agentes de IA.

Ahora, exploremos los 9 tipos de agentes de IA y 36 ejemplos reales de su uso.

1. Agentes basados en utilidad

A diferencia de los agentes más simples, que solo reaccionan a estímulos del entorno, los agentes basados en utilidad evalúan sus posibles acciones según la utilidad esperada. Predicen cuán útil o beneficiosa es cada opción en relación con su objetivo.

Los agentes basados en utilidad destacan en entornos de toma de decisiones complejas con múltiples resultados posibles, como equilibrar diferentes riesgos para invertir o sopesar efectos secundarios de tratamientos.

La función de utilidad de estos agentes inteligentes es una representación matemática de sus preferencias. La función de utilidad mapea el entorno, decidiendo y clasificando qué opción es la más preferible. Así, un agente basado en utilidad puede elegir la acción óptima.

Como pueden procesar grandes volúmenes de datos, son útiles en cualquier campo que implique decisiones de alto impacto.

Operaciones financieras

Los agentes basados en utilidad son ideales para los mercados de acciones y criptomonedas: pueden comprar o vender según algoritmos que buscan maximizar los rendimientos financieros o minimizar las pérdidas. Este tipo de función de utilidad puede tener en cuenta tanto datos históricos como datos de mercado en tiempo real.

Sistemas de precios dinámicos

¿Alguna vez has pagado más por un Uber o Lyft cuando llueve? Ese es un agente basado en utilidad en acción: pueden ajustar los precios en tiempo real para vuelos, hoteles o servicios de transporte según la demanda, la competencia o el momento de la reserva.

Controladores de redes eléctricas inteligentes

Estos tipos de agentes inteligentes son la ‘inteligencia’ de las redes inteligentes: son los agentes basados en utilidad quienes controlan la distribución y el almacenamiento de electricidad.

Optimizan el uso de recursos según previsiones de demanda y precios de energía para mejorar la eficiencia y reducir costos.

Recomendaciones personalizadas de contenido

Terminas de ver una película y Netflix te sugiere tres más similares.

Servicios de streaming como Netflix y Spotify usan agentes basados en utilidad para recomendar contenido similar a los usuarios. Aquí, la utilidad optimizada es la probabilidad de que hagas clic en la sugerencia.

2. Agentes orientados a objetivos

Los agentes de IA orientados a objetivos están, como su nombre indica, diseñados para alcanzar metas específicas mediante inteligencia artificial.

En lugar de solo responder a estímulos, estos agentes racionales pueden considerar las consecuencias futuras de sus acciones, para así tomar decisiones estratégicas y alcanzar sus objetivos.

A diferencia de los agentes de reflejo simples, que responden directamente a estímulos según reglas de condición-acción, los agentes orientados a objetivos evalúan y planifican acciones para cumplir sus metas.

Lo que los distingue de otros tipos de agentes inteligentes es su capacidad de combinar previsión y planificación estratégica para avanzar hacia resultados concretos.

Roomba

Las aspiradoras robóticas – como la popular Roomba – están diseñadas con un objetivo específico: limpiar todo el espacio de suelo accesible. Este agente orientado a objetivos tiene una meta simple y la cumple bien.

Todas las decisiones que toma este agente orientado a objetivos (como cuándo girar) se realizan en función de ese objetivo principal. Los gatos que se suben encima son solo un extra.

Software de gestión de proyectos

Aunque también puede usar un agente basado en utilidad, el software de gestión de proyectos suele centrarse en lograr un objetivo concreto del proyecto.

Estos agentes de IA suelen programar tareas y asignar recursos para que un equipo esté optimizado y pueda completar un proyecto a tiempo. El agente evalúa el camino más probable hacia el éxito y actúa en nombre del equipo.

IA en videojuegos

En los juegos de estrategia y de rol, los personajes controlados por IA actúan como agentes orientados a objetivos: sus metas pueden ir desde defender una ubicación hasta derrotar a un oponente.

Estos agentes de IA consideran distintas estrategias y recursos – qué ataque usar, qué potenciador gastar – para alcanzar su objetivo.

3. Agentes de reflejo basados en modelos

Cuando necesitas adaptarte a información que no siempre es visible o predecible, los agentes de reflejo basados en modelos son la herramienta indicada.

A diferencia de los agentes de reflejo simples, que reaccionan solo a percepciones actuales, los agentes de reflejo basados en modelos mantienen un estado interno que les permite anticipar entornos parcialmente observables. Este es un modelo interno de la parte del mundo relevante para sus tareas.

Este modelo se actualiza constantemente con datos entrantes de su entorno, para que el agente de IA pueda inferir sobre partes no visibles y anticipar condiciones futuras.

Evalúan los posibles resultados de sus acciones antes de decidir, lo que les permite manejar complicaciones. Esto es especialmente útil para tareas complejas, como conducir un auto en la ciudad o gestionar un sistema de hogar inteligente automatizado.

Gracias a su capacidad para combinar conocimientos previos con datos en tiempo real, los agentes reflejos basados en modelos pueden optimizar su rendimiento, sin importar la tarea. Al igual que una persona, pueden tomar decisiones teniendo en cuenta el contexto, incluso cuando las condiciones son impredecibles.

Vehículos autónomos

Aunque estos coches abarcan varios tipos de agentes inteligentes, son un buen ejemplo de agentes reflejos basados en modelos.

Sistemas complejos como el tráfico y el movimiento de peatones son precisamente el tipo de desafío para el que están diseñados los agentes reflejos basados en modelos.

Su modelo interno se utiliza para tomar decisiones en tiempo real en la carretera, como frenar cuando otro coche se salta un semáforo en rojo o reducir la velocidad rápidamente si el coche de delante hace lo mismo. Su sistema interno se actualiza constantemente según los datos del entorno: otros coches, actividad en los pasos de peatones, el clima.

Sistemas de riego modernos

Los agentes reflejos basados en modelos son el motor detrás de los sistemas de riego modernos. Su capacidad para responder a cambios inesperados en el entorno es ideal para adaptarse al clima y a los niveles de humedad del suelo.

El modelo interno del agente de IA representa y predice distintos factores ambientales, como los niveles de humedad del suelo, las condiciones meteorológicas y las necesidades de agua de las plantas.

Estos agentes recopilan continuamente datos de sensores en los campos, incluyendo información en tiempo real sobre humedad, temperatura y precipitaciones.

Al analizar estos datos, el agente reflejo basado en modelos puede tomar decisiones informadas sobre cuándo regar, cuánta agua suministrar y qué zonas del campo requieren más atención. Esta capacidad predictiva permite optimizar el uso del agua, asegurando que las plantas reciban exactamente lo que necesitan para crecer (sin desperdiciar agua).

Sistemas de automatización del hogar

El modelo interno aquí es el del entorno de una casa: estos sistemas se actualizan continuamente con datos de sensores y utilizan esta información para tomar decisiones.

Un termostato detecta cambios de temperatura y se ajusta según sea necesario. O un sistema de iluminación puede detectar oscuridad en el exterior y adaptarse en consecuencia; como esa oscuridad puede deberse a la noche o a una tormenta inesperada, se necesita un agente inteligente que anticipe y reaccione ante las diferencias.

4. Agentes de aprendizaje

Los agentes de aprendizaje destacan por su capacidad de adaptarse y mejorar con el tiempo a partir de sus experiencias.

A diferencia de los agentes de IA más estáticos que funcionan solo con reglas o modelos predefinidos, un agente de aprendizaje puede evolucionar su comportamiento y estrategias. Por este componente de aprendizaje, se usan sobre todo en entornos cambiantes.

Detección de fraude

Los sistemas de detección de fraudes funcionan recopilando datos de manera continua y ajustándose para reconocer patrones fraudulentos con mayor eficacia. Como los estafadores cambian constantemente de táctica, los agentes de detección de fraudes también deben adaptarse.

Recomendación de contenido

Plataformas como Netflix y Amazon utilizan sistemas con agentes de aprendizaje para mejorar sus recomendaciones de películas, series y productos.

Incluso si tu perfil indica que te gustan las películas de terror y suspense, si de repente empiezas a ver comedias románticas, tus recomendaciones se adaptarán. Igual que nosotros, siempre están aprendiendo.

Software de reconocimiento de voz

Aplicaciones como Google Assistant y Siri utilizan agentes de aprendizaje para entender mejor nuestras frases poco claras.

Gracias a los agentes de aprendizaje, estos sistemas mejoran su comprensión de acentos y jerga, así que podemos pedirle cosas a Siri como: “Och, Siri, ¿puedes buscarme el chippy más cercano para cenar? ¡Tengo mucha hambre!”

Termostatos adaptativos

Incluso los termostatos inteligentes, como Nest, aprenden del comportamiento de los usuarios, como cuándo suelen estar en casa o fuera, y sus temperaturas preferidas.

Esta información puede cambiar constantemente, por lo que los termostatos deben poder adaptarse con el tiempo; esto los convierte en otro ejemplo de agente de aprendizaje.

5. Agentes jerárquicos

Los agentes jerárquicos se diferencian de otros tipos de agentes de IA principalmente por su enfoque estructurado y multinivel para resolver problemas.

Los agentes jerárquicos se parecen a una estructura organizativa compleja, con distintos niveles de toma de decisiones. Los diferentes agentes dentro del sistema tienen áreas de especialización distintas, lo que los hace más eficientes para gestionar tareas complejas y de varios pasos.

Los agentes jerárquicos son una de las formas más complejas de implementar agentes de IA, ya que están compuestos por varios agentes de IA más pequeños.

En resumen: una estructura de agente jerárquico se basa en un proceso estructurado de toma de decisiones en distintos niveles de un sistema.

Robots en líneas de producción

En sistemas de fabricación avanzados, los agentes jerárquicos coordinan la línea de producción.

Los agentes de nivel superior planifican y asignan tareas en todo el sistema, mientras que los de nivel inferior controlan maquinaria específica, como brazos robóticos para tareas de ensamblaje.

Todos pueden comunicarse entre sí para asegurar un flujo de producción sin problemas: así funciona la toma de decisiones multinivel.

Sistemas de control del tráfico aéreo

Estos sistemas utilizan agentes jerárquicos para gestionar el flujo seguro y eficiente del tráfico aéreo. Como la tarea es compleja y abarca múltiples funciones, se necesita un sistema de agentes jerárquicos para ejecutarla correctamente.

Los agentes de nivel superior gestionan el tráfico regional a gran escala, mientras que los de nivel inferior se centran en tareas específicas como despegues, aterrizajes y rodaje en aeropuertos individuales.

Robots autónomos en almacenes

Los agentes jerárquicos son los que gestionan el inventario y la manipulación de paquetes en almacenes optimizados con aprendizaje automático.

Los agentes de alto nivel optimizan la distribución del inventario y la disposición del almacén, mientras que los de nivel inferior operan carretillas elevadoras y clasificadores robóticos para realizar las tareas físicas de mover y organizar productos.

6. Agentes robóticos

Es exactamente lo que solemos imaginar cuando pensamos en un agente inteligente: el agente robótico.

Con un componente de acción física, los agentes robóticos son el ejemplo más representativo de los agentes de inteligencia artificial. Estos agentes inteligentes actúan en un entorno físico, no solo como agentes de software.

Estas formas físicas de agentes de IA suelen estar equipadas con sensores como cámaras o sensores táctiles. Este tipo de agente de IA es especialmente útil para tareas peligrosas o muy repetitivas: puede ser más eficiente y rentable que un agente de inteligencia artificial realice estas tareas.

Este tipo de agente de IA se combina con otros tipos de inteligencia artificial, para poder realizar tareas utilitarias o de objetivos de forma física, a veces dentro de sistemas multiagente o jerárquicos.

Robots en líneas de ensamblaje

Hay muchos robots en las líneas de ensamblaje. Estos agentes de IA realizan tareas como soldar, pintar y ensamblar piezas, todo con gran precisión y rapidez.

Como son agentes inteligentes, pueden optimizar el tiempo de producción manteniendo un estándar de rendimiento constante.

Robots quirúrgicos

La cirugía es una tarea de alta precisión y riesgo, lo que la hace ideal para agentes de IA.

Agentes robóticos como el sistema quirúrgico da Vinci ayudan a los cirujanos en procedimientos precisos y mínimamente invasivos. Estos agentes de IA no operan de forma autónoma, pero amplían las capacidades del cirujano.

Robots agrícolas

Los robots se utilizan habitualmente en el ciclo agrícola, desde la siembra de semillas hasta la cosecha y el monitoreo de las condiciones del campo.

Estos agentes de IA ayudan a aumentar la productividad, ya que puede ser más sencillo para una máquina plantar 10.000 semillas de zanahoria que para una persona.

Robots de servicio

El robot de servicio más famoso de todos: sí, es WALL-E. Un competidor lejano son los robots de restaurante que llevan tus pedidos ilimitados de sushi directamente a tu mesa.

Utilizamos robots de servicio en todas partes: aspiradoras robóticas, asistentes de información en hoteles y entrega de productos a clientes en todo tipo de establecimientos.

7. Asistentes virtuales

Los asistentes virtuales funcionan gracias al procesamiento de lenguaje natural y la inteligencia artificial, y probablemente sean los ejemplos de agentes de IA más conocidos por el público general.

Estos asistentes personales inteligentes comprenden y procesan el lenguaje humano (mediante procesamiento de lenguaje natural) para realizar tareas como programar recordatorios o gestionar correos electrónicos.

Este tipo de agente de IA también incorpora un componente de aprendizaje: pueden aprender de las interacciones con los usuarios y volverse más personalizados y efectivos con el tiempo.

Siri

Uno de los primeros asistentes virtuales populares, Siri está integrado en la mayoría de los dispositivos Apple, incluidos iPhones, iPads, Macs y el Apple Watch.

Siri ayuda con diversas tareas, como hacer llamadas, enviar mensajes, programar recordatorios, dar indicaciones y responder preguntas generales.

Alexa

Disponible en dispositivos Amazon Echo y otros productos compatibles, este asistente virtual reproduce música, controla dispositivos inteligentes del hogar, crea listas de compras y da actualizaciones de noticias. Y arruinó el nombre 'Alexa' para las personas.

Asistente de Google

Conoces este programa agente por los teléfonos Android y los dispositivos Google Home. El Asistente de Google destaca por obtener información de la web, programar eventos, gestionar productos inteligentes del hogar y facilitar traducciones en tiempo real.

Su integración profunda con los servicios de Google lo hace especialmente potente para tareas relacionadas con mapas, YouTube y búsquedas.

8. Sistemas multiagente

La ventaja de los sistemas multiagente está en su diversidad y la riqueza de sus interacciones.

Los agentes dentro de estos sistemas suelen ser muy variados, desde un simple agente de software que filtra datos hasta entidades complejas que gestionan funciones críticas en redes eléctricas inteligentes o sistemas de transporte.

Cada agente opera de forma semi-autónoma, pero está diseñado para interactuar con otros agentes, formando un ecosistema dinámico donde el comportamiento colectivo surge de las acciones individuales. En este tipo de programas agentes, la colaboración es fundamental.

Sistemas de gestión del tráfico

Puedes encontrar estos agentes inteligentes en la gestión del tráfico, donde varios agentes representan diferentes semáforos, cámaras de vigilancia y sistemas de información.

Estos agentes de IA colaboran para optimizar el flujo vehicular, reducir la congestión y responder a condiciones en tiempo real como accidentes u obras. Cada agente gestiona datos de su zona y se comunica con los demás para ajustar los semáforos; el trabajo en equipo es esencial.

Redes inteligentes para la gestión energética

Las redes eléctricas inteligentes también involucran numerosos agentes de IA, cada uno controlando distintos aspectos de la distribución eléctrica, desde centrales generadoras hasta medidores inteligentes en los hogares.

Estos agentes de IA trabajan juntos para equilibrar eficientemente la oferta y la demanda de energía, integrar fuentes renovables y mantener la estabilidad de la red.

La coordinación de un sistema multiagente garantiza una distribución óptima de la energía y eficiencia de costos en toda la red.

Cadena de suministro y logística

En la gestión de la cadena de suministro, los agentes representan a diferentes partes interesadas como proveedores, fabricantes, distribuidores y minoristas. Estos agentes coordinan para optimizar el proceso de la cadena, desde la adquisición hasta la entrega, asegurando eficiencia y reducción de costos.

Robótica autónoma en enjambre

A veces, durante misiones de exploración o rescate, se despliegan enjambres de robots.

Cada agente robótico opera de manera semi-independiente, pero se coordina con los demás agentes de IA para cubrir áreas más grandes, compartir datos sensoriales o mover objetos en conjunto.

Esto es especialmente útil en entornos difíciles, como edificios colapsados o superficies planetarias, donde el trabajo en equipo de un gran sistema de IA puede lograr mucho más que agentes individuales.

9. Agentes de reflejo simple

Un agente de reflejo simple es el más pequeño o insignificante del grupo. Tiene una inteligencia muy limitada y actúa siguiendo reglas directas de condición-acción.

Estos agentes basados en reglas no son adecuados para tareas complejas. Sin embargo, son perfectamente aptos para las tareas específicas para las que fueron diseñados.

Los agentes de reflejo simple son ideales para tareas sencillas en entornos predecibles. Las acciones de este tipo de agente afectan su entorno, pero solo en tareas concretas.

Termostatos

¿Son las 6 de la tarde en invierno? Sube la calefacción. ¿Es mediodía en verano? Este agente de reflejo simple, con su inteligencia limitada, encenderá el aire acondicionado.

Puertas automáticas

Aunque su inteligencia aparente es baja, las puertas automáticas suelen ser ejemplos de agentes de reflejo simple. Este agente de IA detecta a una persona frente a la puerta y la abre. Sencillo y eficaz.

Detectores de humo

Este agente de IA funciona desde el techo de tu cocina. Sí, también es un agente de reflejo simple. Detecta humo y emite una alarma.

Filtros básicos de spam

Algunos agentes de inteligencia artificial nos han estado ayudando a diario durante años. El filtro de spam del correo electrónico es uno de ellos. Las versiones básicas no usan procesamiento de lenguaje natural, sino palabras clave o la reputación del remitente.

Crea tu propio agente de IA

Existen muchos tipos de agentes de IA, algunos mucho más difíciles de construir que otros.

Pero si quieres crear un chatbot agente que pueda actuar en tus sistemas diarios, como enviar correos o agendar reuniones, podemos ayudarte.

Nuestra plataforma ofrece una interfaz fácil de arrastrar y soltar para principiantes, y posibilidades ilimitadas de extensión para desarrolladores profesionales.

Incluso contamos con una comunidad activa de más de 20,000 creadores de bots, si necesitas apoyo durante el proceso.

Empieza a construir hoy. Es gratis.

Preguntas frecuentes

¿Los agentes de IA son conscientes?

No, los agentes de IA no son conscientes. Siguen programas de software que definen sus objetivos, aunque pueden actuar de forma autónoma para lograr resultados.

¿Cómo toman decisiones y actúan los agentes de IA?

Los distintos tipos de agentes de IA observan su entorno y actúan de diferentes maneras. Algunos usan modelos de datos y otros sensores. Sus objetivos varían según la lógica programada.

¿Qué es un agente basado en modelos?

Un agente basado en modelos es otra forma de referirse a un agente de reflejo basado en modelos, un tipo de agente de IA que combina datos pasados y entradas actuales para determinar la mejor acción a tomar.