40+ Casos de uso de IA agéntica con ejemplos reales

Los agentes de IA generativa autónomos ejecutan tareas complejas con poca o ninguna supervisión humana. La IA agéntica se diferencia de los chatbots y copilotos.

A diferencia de la IA tradicional, en particular de la IA generativa, que a menudo requiere intervención humana en flujos de trabajo complejos, la IA agéntica aspira a navegar y optimizar procesos de forma autónoma gracias a sus capacidades de toma de decisiones y a su comportamiento orientado a objetivos. Los agentes de IA actúan como:

Agentes de IA como desarrolladores

1. Creación de aplicaciones

Los editores de código con IA como Cursor IA Editor, Windsurf Editor y Replit tienen como objetivo crear e implementar aplicaciones (p. ej., aplicación de lista de tareas pendientes) mediante:

• Seleccionar las herramientas adecuadas para el trabajo, como Flask para APIs o React para los frontends.
• Generar código en el lenguaje elegido (p. ej., Python, JavaScript) a partir de instrucciones sencillas.
• Automatizar flujos de trabajo con integraciones como GitHub Actions para pruebas e implementación.

Cómo funciona:

Un desarrollador utilizó Operator de OpenAI y el agente de IA de Replit para crear una aplicación completa en 90 minutos. Dos agentes intercambiaron credenciales de forma autónoma y ejecutaron pruebas. Esta colaboración entre agentes se ha integrado en ChatGPT Atlas Agent Mode, ampliando la capacidad del agente más allá de los entornos de desarrollo, como el comercio electrónico, la reserva de viajes y los flujos de trabajo web corporativos.¹

Composer, el modo agente de Cursor tiene como objetivo generar un juego de Tres en Raya completo a partir de una única instrucción:“Genera un juego de Tres en Raya en HTML, CSS y JavaScript para 2 jugadores.”

Cursor es capaz de programar en múltiples archivos, ejecutar comandos y determinar automáticamente qué contexto necesita (sin necesidad de añadir archivos).

Ejemplo real: Building applications case study

Rakuten reconstruyó su flujo de trabajo de desarrollo utilizando Anthropic Claude Code en pruebas unitarias, simulación de API, creación de componentes, corrección de errores y documentación. Rakuten logró:

• Reducción del 79 % en el tiempo de comercialización de las funciones
• Ejecutar hasta cinco tareas en paralelo
• Comprender bases de código complejas y decisiones arquitectónicas.⁴

Más información sobre la creación de agentes

Si está explorando la infraestructura que impulsa los sistemas de IA agéntica, le recomendamos consultar nuestros últimos benchmarks:

• Navegadores remotos: cómo la infraestructura de navegadores permite a los agentes interactuar con la web de forma segura.
• MCP benchmark: los mejores servidores MCP para el uso de herramientas y el acceso web.

2. Cree su propia API con codificación con IA

Los editores de código con IA automatizan la creación de API transformando especificaciones en código funcional. Así es como suele funcionar el proceso:

• Integrar el resultado en el entorno del desarrollador para pruebas, control de versiones e implementación.
• Ingerir especificaciones de API (p. ej., archivos OpenAPI/Swagger).
• Generar código backend basado en los endpoints, métodos y esquemas documentados.

Cómo funciona:

Flujos de trabajo de API sin código para agentes de IA con n8n.

He aquí una abstracción de alto nivel de un flujo de trabajo de API:

3. Edición de código en lenguaje natural

Puede seleccionar fragmentos de código y dar instrucciones en inglés sencillo como:

“Duplica el tamaño del tablero. Hazlo verde, como un Apple 2e.” (véase el ejemplo real más abajo).

Cómo funciona:

Los agentes de codificación como Cursor identifican la intención, modifican el código relevante en varios archivos y aplican los cambios.

Ejemplo real: Natural language code editing

Coinbase pasó a un modelo de ingeniería que prioriza los agentes, construido en torno a Cursor, rediseñando la planificación de sprints y ampliando el uso de agentes en paralelo, lo que dio lugar a:

• Reducción del 90 % en el tiempo desde la idea hasta la producción
• Aumento del 55 % en las solicitudes de extracción fusionadas por ingeniero.⁷

4. Creación de sitios web

Los creadores de sitios web con IA como v0 by Vercel, Bolt, Lovable y CerebrasCoder tienen como objetivo crear plataformas complejas, como sitios web de aprendizaje electrónico, generando páginas clave como:

• Páginas de inicio
• Páginas de listado de cursos
• Paneles personalizados para estudiantes

Del mismo modo, los editores de código con IA como Replit crean sitios web y aprovechan las APIs.⁶

Cómo funciona:

Este es el flujo de trabajo de automatización:

5. Generación de un panel de CRM

Los agentes son capaces de generar la interfaz frontend, configurar la lógica backend y establecer interacciones con la base de datos.

Cómo funciona:

Roo Code utiliza el modelo DeepSeek para crear de forma autónoma paneles de CRM completos.

6. Codificación recursiva

Aunque la codificación básica suele ser una tarea para LLMs, los flujos de trabajo de codificación recursiva, en los que un agente mejora/amplía el código de forma iterativa a través de múltiples capas, son inherentemente agénticos.

Los agentes reescriben de forma autónoma grandes bloques de código, aplican cambios de configuración y prueban los resultados en ciclos hasta alcanzar un objetivo.

Cómo funciona:

GT Edge IA convierte código COBOL heredado en Java moderno.¹⁰

Persistent proporciona un framework multiagente que se utiliza para migrar de forma autónoma código COBOL a Java; funciona mediante:¹¹

Ejemplo real: Codificación recursiva

Una empresa de logística global utilizó IBM watsonx Code Assistant durante su programa de modernización de mainframes. La herramienta escaneó el parque, capturó un modelo estructural y funcional de la aplicación y aisló servicios empresariales específicos para su conversión a Java. De este modo, IBM ayudó a la empresa a alcanzar:

• Aumento del 60 % en la productividad de los desarrolladores en la transformación de COBOL a Java
• Java generado validado con pruebas unitarias automatizadas que confirman salidas idénticas al COBOL original¹²

7. Refactorización de código

Al utilizar la codificación recursiva, los agentes de IA mejoran continuamente el diseño del código sin cambiar su funcionamiento, haciéndolo más fácil de entender y mantener.

Cómo funciona:

Los desarrolladores de una startup tecnológica crearon un agente que refactoriza su código en más de 25 lenguajes de programación.¹³

Ejemplo real: Refactorización de código

Cognition publicó una revisión de rendimiento de 18 meses de Devin basada en el uso en producción en toda su base de clientes, que incluye a Goldman Sachs, Santander y Nubank, en la que informa de las siguientes cifras de velocidad y tasa de fusión para trabajos de migración y refactorización:

• La migración de cada archivo se completó en 3–4 horas, frente a las 30–40 horas de un ingeniero humano, aproximadamente una mejora de 10x
• Cuando Oracle eliminó el soporte heredado de una versión de Java, Devin migró cada repositorio en un tiempo 14x menor que un ingeniero humano
• Alrededor del 67 % de las solicitudes de extracción de Devin se fusionan ahora, frente a aproximadamente el 34 %
• Cientos de miles de solicitudes de extracción fusionadas en toda la base de clientes.¹⁴

8. Generación de sugerencias de código en su IDE

GitHub Copilot proporciona un modo agente autónomo capaz de realizar tareas de codificación de varios pasos, ejecutar comandos e iterar sobre el código de forma independiente en los IDE de VS Code y JetBrains, yendo más allá de las sugerencias en tiempo real y los autocompletados.¹⁵

Ejemplo real: Generación de sugerencias de código

Accenture implementó GitHub Copilot entre sus desarrolladores en el marco de un ensayo controlado aleatorizado, con un grupo con acceso y un grupo de control sin acceso. Los resultados medidos a partir de la telemetría de DevOps de la propia Accenture incluyen:

• Aumento del 8,69 % en las solicitudes de extracción por desarrollador
• Aumento del 15 % en la tasa de fusión de solicitudes de extracción
• Aumento del 84 % en las compilaciones correctas, lo que indica que el rendimiento aumentó sin sacrificar la calidad
• Alrededor del 30 % de las sugerencias de Copilot aceptadas, con un 88 % de los caracteres generados conservados en el editor
• El 90 % de los desarrolladores afirmó sentirse más realizado en su trabajo y el 95 % dijo que disfrutaba más programando.¹⁷

9. Supervisión y optimización de pipelines de CI/CD

Los agentes de IA gestionan la infraestructura en entornos nativos de la nube como Kubernetes. Estos agentes de DevOps tienen como objetivo:

• Identificar controladores de entrada en ejecución u otras cargas de trabajo
• Identificar pods en ejecución
• Interpretar comandos de alto nivel como “apagar el pod NGINX”

Cómo funciona:

Cuando se conecta a Kubernetes a través de herramientas o wrappers, Claude puede actuar como agente de DevOps para consultar el estado del clúster. “Comprueba si tengo pods en ejecución.”.

Ejemplo real: Supervisión y optimización de pipelines de CI/CD

NVIDIA amplió Cursor más allá de la generación de código para incluir depuración, revisión de código, generación de pruebas y control de calidad, y configuró reglas personalizadas para automatizar todo su flujo de git.

• Se confirmó 3x más código entre 30.000 desarrolladores
• Las reglas personalizadas automatizan la creación de ramas, las confirmaciones de código, la depuración de CI y el seguimiento de incidencias
• Cursor se utiliza prácticamente en todas las áreas de producto y en cada etapa del ciclo de vida del desarrollo de software
• Especialmente eficaz para encontrar y resolver errores raros y persistentes, con agentes enviados para corregirlos.¹⁹

Agentes de IA como asistentes de SecOps

10. Inteligencia de amenazas

Los agentes recopilan y correlacionan las TTP de los actores de amenazas (tácticas, técnicas y procedimientos) de fuentes abiertas y propietarias, e integran los hallazgos en los flujos de trabajo de detección.

Cómo funciona:

Security Copilot de Microsoft incluye un agente especializado de informes de inteligencia de amenazas que recopila, filtra y resume dinámicamente la inteligencia de amenazas.

Ejemplo real: Inteligencia de amenazas

TÜV SÜD y Elanco implementaron Microsoft Security Copilot para acelerar la investigación y el análisis de amenazas en entornos de TI globales.

• TÜV SÜD analiza las amenazas entre un 60 y un 70 % más rápido
• Elanco redujo los tiempos de respuesta hasta en un 50 %
• Los analistas pueden consultar vectores de ataque con los que nunca se habían encontrado y obtener respuestas útiles sin trabajar manualmente con varias fuentes de inteligencia.²¹

11. Detección y triaje

Estas acciones tienen lugar en la fase inicial de ingesta de señales para reducir el ruido y organizar los datos de alerta antes de un análisis más profundo.

• Deduplicación de alertas: elimina eventos idénticos o casi idénticos de múltiples fuentes para reducir el ruido.
• Supresión de falsos positivos: suprime alertas benignas recurrentes mediante patrones de resolución anteriores.
• Agrupación de alertas / clustering: agrupa alertas relacionadas (mismo usuario, host o táctica) en un único incidente.

Cómo funciona:

Charlotte IA realiza detección y triaje autónomos mediante:

• Identificar comportamientos maliciosos basados en TTP conocidas.
• Cruzar patrones de ejecución y rutas de archivo.
• Proporcionar una explicación del veredicto legible por humanos.

Ejemplo real: Detección y triaje

CrowdStrike entrenó Charlotte IA Detection Triage con millones de decisiones de triaje reales tomadas por sus propios analistas de Falcon Complete MDR y, a continuación, lo lanzó bajo una autonomía limitada definida por el cliente, para que las organizaciones establezcan qué acciones puede realizar sin ayuda.

• Tasa de concordancia superior al 98 % con las decisiones de triaje de los expertos humanos de Falcon Complete
• Más de 40 horas de trabajo manual de triaje eliminadas por semana de media
• Filtra de forma autónoma los falsos positivos y cierra las alertas de bajo riesgo antes de que un analista las vea
• Cálculo comunicado: media de alertas triadas multiplicada por un tiempo de triaje manual de cinco minutos por alerta²³

12. Enriquecimiento contextual y atribución de amenazas

Realizado después del triaje inicial, este paso añade profundidad y contexto a las alertas.

Los sistemas automatizados de atribución de atacantes ingieren fuentes de CTI, extraen características conductuales y temporales y calculan puntuaciones de similitud entre incidentes. A continuación, los algoritmos de clustering asignan las intrusiones a actores de amenazas conocidos (p. ej., APT41, Mozi o Lazarus) en función de la superposición de patrones.

Cómo funciona:

Google Chronicle + Mandiant + Gemini IA agents ingieren de forma autónoma telemetría y fuentes de CTI, enriquecen las alertas con contexto de IOC (p. ej., reputación de IP, hashes de malware) y cruzan patrones de comportamiento con tácticas de actores de amenazas conocidos del framework MITRE ATT&CK.

En esta configuración agéntica:

• Detección: un agente de IA detecta movimiento lateral mediante cuentas de servicio.
• Enriquecimiento: enriquece automáticamente la alerta con datos de registros de Chronicle, inventario de activos e inteligencia de amenazas de Mandiant.
• Atribución: un segundo agente agrupa esta actividad con cadenas de intrusión históricas atribuidas a un grupo conocido (p. ej., APT41).

13. Escalamiento y transferencia

• Traducción / simplificación de alertas: convierte alertas técnicas en resúmenes comprensibles para los analistas.
• Creación automática de tickets y asignación de analistas: crea tickets y dirige los incidentes al nivel o equipo adecuado.

Cómo funciona:

Socrates de Torq, un orquestador SOC agéntico, coordina subagentes especializados (agentes de runbook, investigación, corrección y gestión de casos) a lo largo del ciclo de vida de los casos de nivel 1.

En el escalamiento y la transferencia, Socrates:

• Crea casos automáticamente en plataformas ITSM (p. ej., ServiceNow, Jira), precargados con los observables relevantes, el enriquecimiento y los datos estructurados.
• Asigna analistas en función de la carga de trabajo y los horarios de turnos.
• Escala de forma selectiva, concretamente cuando la confianza es baja, el incidente es ambiguo o el impacto potencial es alto.
• Adjunta el enriquecimiento completo en la transferencia, de modo que los analistas reciben un expediente listo para actuar en lugar de una alerta sin procesar.

Ejemplo real: Caso práctico de escalamiento y transferencia

Carvana implementó Torq HyperSOC con Socrates coordinando subagentes especializados a lo largo del ciclo de vida de los casos de nivel 1, desde la verificación del usuario hasta la creación de casos y la asignación de analistas.

• El 100 % de las alertas de seguridad de nivel 1 de Carvana ahora son gestionadas por el sistema agéntico
• 41 runbooks independientes automatizados en el primer mes desde la implementación
• Los analistas quedan libres para centrarse en alertas con un impacto organizativo potencial significativo.²⁷

14. Acciones de respuesta proactivas

En SecOps, los agentes aíslan endpoints, desactivan cuentas o terminan procesos maliciosos. Estos sistemas tienen como objetivo:

• Consultar registros automáticamente mediante lenguaje natural o desencadenadores contextuales
• Ejecutar playbooks automatizados para investigaciones y escalamiento
• Adaptar flujos de trabajo en tiempo real en función de nuevas evidencias o lógica pivotada
• Generar infraestructura como código (p. ej., Terraform, Pulumi) para la corrección
• Redacta y modifica reglas de detección basadas en los hallazgos de la investigación

Cómo funciona:

Google desarrolló el agente SOC Manager, que aprovecha múltiples subagentes para ejecutar un plan estructurado de respuesta a incidentes para la detección de malware.²⁸

Estructura del proyecto agéntico:

En el paso final del plan de respuesta a incidentes (paso 5: finalización), los IOC (indicadores de compromiso) fueron bloqueados de forma proactiva por el agente SOC Manager al ejecutar un runbook de contención automatizado (véase más abajo).

Ejemplo real: Respuesta proactiva

Deepwatch, un proveedor de detección y respuesta gestionadas, sustituyó un SOAR heredado que fallaba por Torq Hyperautomation para agilizar el análisis y el triaje en las pilas de seguridad de sus clientes.

• Más del 90 % de las tareas de nivel 1 y nivel 2 automatizadas
• Años de automatizaciones SOAR heredadas acumuladas recreadas en unas pocas semanas
• Incorporación de clientes más rápida de lo que la empresa había logrado anteriormente, con flujos de trabajo creados bajo demanda.³⁰

15. Caza de amenazas

Los agentes en la caza de amenazas tienen como objetivo:

• Buscar anomalías de forma continua en registros de identidad, red y nube
• Automatizar cacerías repetitivas, como búsquedas de IOC o detección de patrones
• Marcar amenazas desconocidas comparando el comportamiento con líneas de base históricas y la actividad de pares

Cómo funciona:

Los investigadores desarrollaron un sistema de caza de amenazas basado en MITRE ATT&CK y automatizado por un LLM local, donde los agentes de IA colaboran para generar reglas Sigma para la detección de amenazas.

En este ejemplo, un usuario introduce una solicitud (p. ej., “Genera una regla Sigma para la caza de Kerberoasting”) a través de una interfaz web.

El Agente 1 recupera métodos de detección relevantes de MITRE ATT&CK, mientras que el Agente 2 utiliza esta entrada para generar reglas Sigma conscientes del contexto mediante un modelo de lenguaje.³¹

16. Pruebas automatizadas de software y aplicaciones

Los agentes de pruebas de IA crean y ejecutan pruebas unitarias, de integración, de vulnerabilidades y de rendimiento sin una intervención manual exhaustiva. Sin embargo, crear estos sistemas de IA requiere muchos recursos, ya que exigen una gran potencia de cálculo.

Cómo funciona:

Copilot de Pcloudy proporciona scripts de prueba de Selenium, encuentra navegadores disponibles para probar y ejecuta los casos de prueba.³²

Ejemplo real: Pruebas automatizadas

Uber creó AutoCover, un sistema multiagente de generación de pruebas que se integra con el sistema de compilación para descubrir artefactos de código y dependencias, y lo implementó en toda la organización de ingeniería.

• Implementado para todos los ingenieros de Uber entre septiembre de 2024 y septiembre de 2025
• Ahora genera alrededor del 11 % de todas las pruebas nuevas revisadas y añadidas a la base de código de Uber
• Produce cientos de miles de pruebas al mes en modo IDE y decenas de miles en modo headless
• Orquesta cinco agentes especializados que abarcan la preparación, síntesis, ejecución, validación y reparación de pruebas.³³

Más información: creadores de agentes de IA y agentes de IA de código abierto.

Agentes de IA como personajes de videojuegos similares a humanos

Los agentes de IA mejoran los PNJ y otros procesos agénticos en el mundo del juego mediante comportamientos de PNJ, juego y adaptabilidad, y generación procedural de contenido.

17. Personajes no jugadores (PNJ) agénticos

Los agentes de IA totalmente autónomos en los videojuegos proporcionan un comportamiento similar al humano y una jugabilidad para los personajes no jugadores (PNJ).

Ejemplo real: PNJ

Los investigadores crearon una pequeña ciudad virtual poblada con IA construyendo un entorno sandbox similar a Los Sims con 25 agentes llamado “Stanford AI Village”.

En esta ciudad, los usuarios pueden observar e interactuar con los agentes mientras comparten noticias, establecen relaciones y organizan actividades en grupo. ³⁴

A continuación se ofrece una descripción general de los componentes e ideas clave que hay detrás de estos conceptos:

• Guiones de comportamiento: los agentes de Stanford AI Village utilizan guiones predefinidos para acciones y reacciones. Esto puede incluir comportamientos básicos, como relacionarse positivamente con otros PNJ.
• Comportamiento dinámico: los PNJ utilizan IA para ajustar su comportamiento en función de las acciones del jugador, haciendo que el mundo del juego sea más receptivo.
• Búsqueda de caminos: los PNJ utilizan algoritmos para navegar por el mundo del juego de forma eficaz, encontrando rutas alrededor de los obstáculos y persiguiendo al jugador.

18. Juego

Los agentes de IA juegan a videojuegos o ayudan a los jugadores humanos a alcanzar objetivos específicos aprovechando:

• Búsqueda de caminos y navegación: los agentes de juego exploran entornos de juego mediante prueba y error para encontrar estrategias óptimas. Por ejemplo, aprenden rutas de navegación en laberintos complejos refinando continuamente su proceso de toma de decisiones.
• Emulación de entradas: los agentes de juego emulan entradas, como pulsaciones de teclado, movimientos del ratón o controles del mando. Esto les permite interactuar con el juego como lo haría un jugador humano.
• Adaptabilidad de la jugabilidad: los agentes analizan el estilo de juego de un jugador y adaptan el mundo del juego, las interacciones y el diseño de las misiones en consecuencia. Por ejemplo, un jugador sigiloso puede encontrarse con menos desafíos de combate directo.

Ejemplo real: Juego

Google DeepMind’s Scalable Instructable Multi-Agent (SIMA) navega e interactúa con situaciones de juego. SIMA tiene como objetivo jugar a juegos como No Man’s Sky y Goat Simulator.

Agente de GenAI para entornos virtuales 3D³⁶

19. Generación procedural de contenido

Los agentes de IA son muy capaces de generar algorítmicamente grandes cantidades de contenido de juego, como:

• Terreno y paisajes
• Escenarios de combate
• Diseños de personajes
• Paisajes sonoros y música

Cómo funciona:

No Man’s Sky, un juego de aventuras, utiliza la generación procedural para crear planetas enteros con:

• Topografías variadas (p. ej., montañas, valles, cañones).
• Biomas únicos (p. ej., desiertos, bosques, océanos).
• Patrones meteorológicos dinámicos (p. ej., tormentas, lluvia).³⁷

Agentes de IA como creadores de contenido

Los agentes de IA automatizan la creación, edición y publicación de contenidos, ayudando a los redactores humanos. Algunas aplicaciones de los asistentes de redacción con IA incluyen:

20. Redacción narrativa automatizada

Los agentes de IA escriben una narración esbozando capítulos, redactando contenido y puliendo la prosa.

Ejemplo real: Redacción narrativa automatizada

En un proyecto de agente de IA de GitHub, 10 agentes de IA especializados trabajaron de forma autónoma para escribir una novela de 100.000 palabras (~300 páginas) sin redacción humana.³⁸ Algunos ejemplos de esos 10 agentes incluyen:

• Agente de especificaciones: analiza los requisitos de la historia y mantiene la coherencia narrativa.
• Agente de producción: genera contenido e implementa cambios creativos.
• Agente de gestión: coordina a los agentes y supervisa el flujo creativo.
• Agente de duplicación: evita la redundancia y las duplicaciones de contenido.

Aquí hay una transmisión en directo que muestra cómo los agentes crean la novela:

21. Redacción de informes técnicos o propuestas

Los agentes de IA redactan de forma autónoma informes técnicos que incluyen:

• Informes de ingeniería
• Propuestas de proyectos
• Artículos de investigación
• Especificaciones de productos

Cómo funciona:

ParagraphAI, un asistente de redacción con IA, redacta informes técnicos de ingeniería esbozando el calendario, el presupuesto y los recursos y el personal necesarios.⁴⁰

22. Generación de artículos basados en conocimiento

Los agentes extraen información de bases de conocimiento como Wikipedia, manuales de productos o revistas académicas para crear una visión integral de un tema específico.

Cómo funciona:

Perplexity Pages convierte los resultados de búsqueda de IA generativa en páginas estructuradas de Wikipedia.⁴¹

23. Generación de paneles y diagramas

Los agentes generan componentes de UI/UX, diagramas de sistemas y diagramas de flujo a partir de instrucciones de texto, lo que agiliza el proceso de diseño.

Cómo funciona:

FigJam IA utiliza instrucciones de texto para generar:

• Paneles para reuniones y dinámicas de equipo
• Diagramas y diagramas de flujo
• Cronologías visuales y diagramas de Gantt⁴²

Agentes de IA como asistentes de seguros

Los agentes automatizan la revisión, aprobación y detección de fraude en las reclamaciones, agilizando todo el ciclo de vida de tramitación de siniestros. Por ejemplo, una aseguradora a gran escala automatiza aproximadamente el 90 % de las reclamaciones individuales de automóviles integrando agentes de IA personalizados en su flujo de trabajo de reclamaciones. ⁴³

Los proveedores empresariales, como Oracle y SAP, han implementado IA agéntica en la gestión de la cadena de suministro, las operaciones financieras, los RR. HH. y la experiencia del cliente. Estos agentes pueden encargarse de la optimización del inventario, la automatización de compras y la conciliación financiera.

24. Tramitación integral de siniestros

Una vez presentada una reclamación, los sistemas de IA agéntica extraen los datos relevantes de los formularios enviados, verifican los detalles con las bases de datos existentes y marcan cualquier incoherencia o posible señal de fraude.

Cómo funciona:

Microsoft Power Platform: automatiza un formulario de reclamación de seguros:

Aquí, Microsoft Power Platform:

• Documentos de formulario de reclamación capturados, como selecciones de casillas y textos.
• Formulario de reclamación cargado en SharePoint como aplicación de gestión de contenidos.
• Datos extraídos del formulario de reclamación, como el ID de la reclamación y los valores de las casillas (p. ej., tipo de reclamación, número de póliza).
• Integración con Dataverse para el almacenamiento de datos, para guardar los datos extraídos (incluidos los valores de las casillas) en Microsoft Dataverse.
• Flujos de trabajo procesados en formularios; por ejemplo, se utilizaron agentes de Power App para aprobar o rechazar reclamaciones.

25. Suscripción

La IA agéntica automatiza la suscripción con agentes especializados, incluido un agente de evaluación de riesgos para valorar la probabilidad de siniestro y un agente de fijación de precios para ajustes dinámicos de primas, etc.

Cómo funciona:

Los agentes de Akira AI automatizan la suscripción de seguros y la evaluación de riesgos mediante un sistema multiagente, cada uno especializado en un aspecto crítico de la suscripción:

• Agente de recopilación de datos: reúne datos estructurados y no estructurados.
• Agente de evaluación de riesgos: analiza datos históricos y detalles del solicitante para predecir la probabilidad de siniestros.
• Agente de detección de fraude: detecta anomalías o patrones sospechosos en reclamaciones y solicitudes.
• Agente de fijación de precios: sugiere un precio basado en factores como las condiciones del mercado, los precios de la competencia y el comportamiento de los clientes.⁴⁵

Ejemplo real: Suscripción

El equipo de Mercado Medio de Estados Unidos de Zurich North America implementó Sixfold, que destila miles de páginas de datos de exposición, historiales de siniestros e informes de riesgo en una narrativa de suscripción concisa que los suscriptores pueden ajustar antes de aplicar su propio criterio.

• El 80 % de las solicitudes gestionadas por 16 suscriptores se procesaron con Sixfold durante el despliegue inicial
• Se ahorraron unos 60 minutos por solicitud de media
• Se lanzó con cuatro oficinas de Mercado Medio en enero de 2025 y ahora se está ampliando a docenas de oficinas en todo el país
• Sixfold entró en Zurich a través del Zurich Innovation Championship 2024, que ganó en la categoría de seguros comerciales.⁴⁶

26.Resolución personalizada de pólizas

Los agentes comunican al asegurado el estado de la reclamación y los siguientes pasos, incluida cualquier documentación adicional necesaria, actualizaciones de aprobación/denegación o detalles de pago.

Ejemplo real: Resolución personalizada de pólizas

IA Jim de Lemonade comunica los resultados de la reclamación directamente al asegurado. Una vez presentada la reclamación, IA Jim:

• Recibe el primer aviso de siniestro (FNOL), un vídeo o texto breve del cliente.
• Realiza un triaje conversacional, haciendo preguntas aclaratorias para guiar al cliente durante el proceso.
• Verifica la póliza y los detalles de cobertura con comprobaciones basadas en reglas.
• Ejecuta algoritmos antifraude antes de aprobar la reclamación.
• Envía instrucciones de pago al banco y notifica al asegurado que la reclamación ha sido aceptada.

Agentes de IA como asistentes de recursos humanos (RR. HH.)

Las operaciones de RR. HH. suelen implicar numerosas tareas repetitivas, como la criba de currículums, que pueden automatizarse. Estos son algunos ejemplos clave de IA agéntica en las operaciones de RR. HH.:

27. Criba de currículums

Los flujos de trabajo agénticos automatizan el proceso de criba, filtran las competencias relevantes y asignan automáticamente puntuaciones basadas en criterios predefinidos.

Cómo funciona:

PepsiCo utiliza herramientas de IA para clasificar a los candidatos en función de lo bien que cumplen los requisitos del puesto.⁴⁸

Ejemplo real: Criba de currículums

Chipotle implementó la IA conversacional de Paradox como miembro virtual del equipo llamado “Ava Cado”, que chatea con los candidatos, responde preguntas sobre la empresa, recopila información básica, programa entrevistas y envía ofertas una vez que un responsable selecciona a un candidato.

• El tiempo desde la solicitud hasta la fecha de inicio pasó de 12 días a cuatro, una reducción de hasta el 75 %
• La tasa de finalización de solicitudes subió del 50 % a más del 85 %
• El volumen de solicitudes se duplicó
• Implementado en más de 3.500 restaurantes de Norteamérica y Europa
• Funciona en inglés, español, francés y alemán.⁴⁹

28. Programación de entrevistas

Los agentes pueden encargarse de programar las entrevistas y coordinar a candidatos y responsables de contratación para encontrar horarios óptimos.

Cómo funciona:

LinkedIn HR Assistant realiza tareas cotidianas como sintetizar descripciones de puestos, buscar candidatos y realizar llamadas básicas de criba.⁵⁰

Ejemplo real: Programación de entrevistas

ISS North America utilizó la IA conversacional de Paradox para gestionar la capa administrativa de programación entre candidatos y responsables de contratación en un entorno de contratación distribuido y de gran volumen.

• Reducción del 85 % en el tiempo de contratación
• Aproximadamente 10.000 horas ahorradas al año
• En la misma plataforma, Great Wolf Lodge ahorra 700.000 dólares al año y un minorista devolvió más de 40.000 horas semanales a los responsables de tienda
• Un cliente redujo el tiempo medio de contratación de más de 10 días a menos de cinco inmediatamente después de la implementación.⁵¹

29. Automatización de nóminas

Los agentes de procesamiento de nóminas calculan salarios, procesan deducciones y gestionan retenciones fiscales. Se integran con los sistemas de información de recursos humanos (HRIS) y el software de contabilidad para garantizar la precisión y el cumplimiento de las normas de nómina.

Más información sobre soluciones de automatización financiera, como:

• Casos de uso y herramientas de RPA en finanzas
• Benchmark de herramientas de finanzas con LLM
• Herramientas de finanzas con IA agéntica

Cómo funciona:

El sistema multiagente de nóminas de Akira AI automatiza todos los aspectos del ciclo de nóminas. El sistema utiliza varios agentes, entre ellos:

Aquí, el sistema multiagente de nóminas de Akira AI utiliza varios agentes, entre ellos:

• Agente de ingesta y preprocesamiento de datos: utiliza métodos de extracción de datos para limpiar datos de los sistemas de RR. HH. y finanzas.
• Agente de cálculo de nóminas: automatiza los cálculos de nómina, incluidos salarios, deducciones y bonificaciones.
• Agente de informes de cumplimiento: detecta problemas de cumplimiento mediante aprendizaje automático.
• Agente de resolución de consultas: resuelve incidencias de nómina mediante RAG.

Agentes de IA como asistentes de atención al cliente

Los chatbots tradicionales gestionan consultas sencillas, pero tienen dificultades con solicitudes complejas. Las herramientas agénticas de atención al cliente abordan este problema mediante:

• Interpretar consultas con matices, incluso cuando las preguntas son vagas o complejas
• Funcionar sin fisuras en los canales de chat, voz y correo electrónico mientras recuperan datos de perfiles de clientes, historial de pedidos y bases de conocimiento
• Retener el contexto de interacciones anteriores, lo que permite respuestas más informadas y personalizadas
• Interactuar de forma proactiva, por ejemplo enviando recordatorios de revisiones o seguimientos antes de que el cliente inicie el contacto

30. Responder llamadas de clientes:

Cuando un cliente llama para hacer una consulta, los agentes de IA procesan la llamada con lenguaje natural.

Cómo funciona:

Ada IA Agent responde llamadas de clientes:

31. Responder a tickets de clientes

Los agentes de IA ofrecen respuestas específicas según el contexto o dirigen a los clientes a los recursos adecuados para obtener más ayuda.

Ejemplo real: Responder a tickets de clientes

Fin IA Agent de Intercom resuelve tickets de clientes de forma autónoma. Para cada ticket entrante, Fin:

• Infiere la intención a partir del mensaje del cliente.
• Recupera contenido relevante de la base de conocimiento, artículos de ayuda e historial de tickets.
• Redacta una respuesta y decide si puede resolver el ticket por sí solo o debe escalarlo.
• Transfiere con contexto cuando escala, pasando la transcripción completa, su resumen del problema y por qué no pudo resolverlo.

Synthesia y Fundrise implementaron el mismo agente Fin de Intercom a escala de startup y de crecimiento, como contrapunto a las cifras empresariales de Klarna.

• Synthesia: más de 6.000 conversaciones resueltas en seis meses, más de 1.300 horas de soporte ahorradas
• Synthesia: tasas de autoservicio de hasta el 87 %
• Fundrise: más del 50 % del volumen total de soporte automatizado en tres meses
• Fundrise: se mantiene una precisión de respuesta del 95 % y los picos estacionales de casos se redujeron aproximadamente a la mitad interanualmente.⁵⁴

32. Envío de SMS informativos y de seguimiento

Después de una interacción, los agentes envían mensajes SMS para hacer un seguimiento con los clientes. El 42,8 % de las empresas utiliza agentes de texto con IA y el 33,4 % utiliza agentes de voz con IA para la divulgación proactiva. ⁵⁵

Cómo funciona:

El agente de IA E-Care de Toyota se conecta a la electrónica de a bordo del coche y contacta con los clientes para alertarles de los requisitos de reparación o mantenimiento y, a continuación, les guía para reservar cita en un centro de servicio. El agente reduce la carga general de las llamadas entrantes de servicio.⁵⁶

A diferencia de los envíos programados, la salida agéntica se adapta a cada destinatario. En un corte de suministro, el agente:

• Identifica qué vecindarios se ven afectados, en lugar de enviar mensajes a toda la base.
• Comprueba el canal preferido de cada cliente (SMS, WhatsApp, voz o correo electrónico).
• Envía actualizaciones personalizadas (p. ej., “Está previsto que la electricidad se restablezca a las 4:15 p. m.”).
• Hace un seguimiento automático si el restablecimiento tarda más de lo previsto y escala a un agente en vivo si el cliente responde con preocupaciones.

33. Generación y optimización de preguntas frecuentes

Los agentes:

• Generan y actualizan automáticamente las preguntas frecuentes a partir de interacciones en vivo con los clientes y del historial de tickets.
• Se integran con herramientas de CRM, chat y base de conocimiento para identificar consultas recurrentes.

Cómo funciona:

Knowledge Builder de Zendesk analiza los tickets de los últimos 30 días, examinando tanto los problemas que plantean los clientes como las soluciones que aportan los agentes, y genera una estructura de categorías rellena de borradores de artículos. El knowledge copilot de Zendesk mantiene después la base mediante:

• Identificar lagunas de contenido y sugerir actualizaciones de artículos que cubren parcialmente tickets recurrentes.
• Generar borradores de artículos o procedimientos a partir de datos de tickets.
• Puntuar la salud del contenido en cobertura, frescura (porcentaje de artículos actualizados recientemente) y legibilidad para IA (porcentaje de artículos formateados para el procesamiento de IA).
• Destacar temas de soporte, marcando picos en consultas recurrentes (p. ej., restablecimientos de contraseña) y recomendando nuevos artículos para el centro de ayuda.

No te pierdas nuestros análisis comparativos e insights basados en datos. El botón abre Google; seleccionar AIMultiple confirma que deseas ver AIMultiple con más frecuencia en los resultados de búsqueda de Google.

Añadir como fuente preferida

Agentes de IA como asistentes de investigación

Los agentes de IA como asistentes de investigación se utilizan en diversos campos para ayudar con el análisis de datos, la revisión bibliográfica, la generación de hipótesis y el diseño experimental.

Ejemplos reales:

1. OpenAI’s Deep Research utiliza el razonamiento para sintetizar grandes cantidades de información en línea y completar investigaciones de varios pasos a nivel de doctorado cuando ejecuta búsquedas amplias utilizando o3 y DeepSeek.⁵⁹⁶⁰

En un experimento en el que los investigadores pidieron a Deep Research que llevara a cabo un proyecto real con una instrucción detallada, Deep Research:

• Hizo preguntas de seguimiento para aclarar el alcance y los detalles del proyecto de investigación antes de empezar.
• Sintetizó los hallazgos de 22 fuentes basadas en informes académicos y del sector.⁶¹

2. Al sistema de apoyo a la toma de decisiones clínicas (CDS) de ChemicalQDevice se le pidió que ejecutara un flujo de trabajo agéntico para el descubrimiento de fármacos. En este ejemplo, el sistema de ChemicalQDevice:

• Analizó grandes cantidades de literatura clínica de datasets.
• Ejecutó codificación automatizada con herramientas como GitHub Actions.
• Utilizó IA generativa (p. ej., GPT-4 o modelos personalizados) para generar hipótesis, sugerir diseños experimentales y redactar informes de investigación.⁶²

3. El sistema de flujo de trabajo agéntico integral otto-SR aprovecha los LLMs para realizar búsquedas bibliográficas, aplicar criterios de inclusión/exclusión, extraer datos estructurados y realizar metaanálisis.⁶³

4. Google implementó un revisor por pares agéntico en las conferencias ICML y STOC para automatizar partes del proceso de revisión científica a escala. En este despliegue, el agente:

• Procesó aproximadamente 10.000 artículos con tiempos de respuesta de 30 minutos por manuscrito.
• Detectó un 34 % más de errores matemáticos que los métodos estándar de prompting sin ejemplos.⁶⁴

Deep Research de OpenAI, el sistema de ChemicalQDevice y otto-SR pueden utilizarse en varios casos de uso agénticos que se indican a continuación:

34. Revisión bibliográfica y descubrimiento de conocimiento

Los agentes de IA buscan de forma autónoma en bases de datos académicas, revistas y repositorios de investigación en línea (p. ej., Google Scholar, PubMed) para reunir estudios, artículos y documentos relevantes relacionados con temas o hipótesis de investigación específicos.

35. Generación y comprobación de hipótesis

Los agentes analíticos avanzados analizan continuamente flujos de datos para generar y comprobar hipótesis empresariales de forma autónoma. Cuando se produce una anomalía como un pico de abandono de carritos, el agente prueba de inmediato variables como la latencia de la página o códigos promocionales fallidos, y entrega información validada a los usuarios en minutos en lugar de días.

36. Minería y análisis de datos

Los agentes de IA ingieren datos estructurados y no estructurados de varias fuentes, como bases de datos de investigación, redes sociales, patentes o resultados de ensayos clínicos, y proporcionan información sobre tendencias emergentes.

Caso práctico de minería y análisis de datos: AES

AES utilizó agentes creados con BigQuery y Vertex AI de Google Cloud para sintetizar datos estructurados y no estructurados en todo su ámbito de auditoría interna.

• Costes de auditoría reducidos en un 99 % y tiempo recortado de 14 días a una hora
• General Mills ahorró más de 100 millones de dólares al dar a los empleados acceso seguro a la IA generativa sobre sus datos
• El Departamento de Empleo, Formación y Rehabilitación de Nevada creó un asistente de apelaciones que ayudó a los árbitros a decidir 4x más rápido.⁶⁵

37. Visualización y presentación de datos

Los agentes analíticos recopilan automáticamente datos sin procesar en visuales listos para presentar, convirtiendo tendencias complejas en gráficos limpios de análisis de cohortes y cascadas financieras mediante herramientas integradas como Tableau o Power BI.

Agentes de IA como usuarios de ordenadores

“Computer Use” tiene como objetivo permitir que la IA interactúe con un ordenador como lo haría una persona. Esto aporta la flexibilidad de realizar tareas digitales sin utilizar APIs específicas del sistema operativo o de la web.

Hay dos enfoques para que los agentes de IA realicen tareas como los humanos:

1. Realizar acciones en la interfaz gráfica de usuario (GUI) del sistema operativo (Anthropic’s Claude, Microsoft’s OmniParser, etc.).
2. Navegación web (OpenAI Operator, Kura IA, Runner H, HyperWriteAI, MultiOn Agent Q, etc.).

Ejemplos de herramientas:

1. ChatGPT Atlas con modo agente, sucesor de la herramienta Operator, cambia entre aplicaciones y completa tareas complejas basadas en web para unificar la GUI.¹
2. Kura IA y Runner H tienen como objetivo completar tareas mediante navegadores web.⁶⁶⁶⁷
3. HyperWriteAI tiene como objetivo rellenar formularios de texto, hacer clic en botones y seleccionar opciones de menú para realizar un pedido en línea.⁶⁸
4. Microsoft’s OmniParser mejora la comprensión por parte de los agentes de las interfaces visuales para la automatización de GUI.⁶⁹

38. Relleno de formularios y automatización web

Los agentes navegan por páginas web, hacen clic en campos y rellenan formularios basándose en instrucciones del usuario o datos estructurados.

Cómo funciona:

Ejemplo real: Relleno de formularios

Danfoss implementó agentes de IA de Google Cloud en fabricación industrial para automatizar el procesamiento de pedidos por correo electrónico y logró:

• El 80 % de las decisiones transaccionales automatizadas
• El tiempo medio de respuesta al cliente se redujo de 42 horas a casi tiempo real.⁷¹

39. Generación y edición de documentos

Los agentes abren archivos, hacen ediciones, renombran, organizan y guardan documentos en entornos locales o en la nube.

Cómo funciona:

A Anthropic’s Claude se le pide: “Genera 25 filas de gastos de ejemplo, guárdalas en una hoja de cálculo y luego abre la hoja de cálculo”.

En este ejemplo, Claude:

• Abrió el archivo CSV en la aplicación LibreOffice Calc.
• Creó un archivo CSV con 25 filas de datos de gastos de ejemplo.
• Instaló la hoja de cálculo LibreOffice Calc.⁷²

40. Investigación web y recopilación de datos estructurados

A diferencia de los scripts de automatización básicos, los agentes de investigación web profunda interpretan información no estructurada en múltiples páginas y devuelven información en un formato estructurado.

Cómo funciona:

Deep Research de OpenAI, una nueva capacidad agéntica dentro de ChatGPT diseñada para la investigación web de varios pasos y alto contexto, planifica, navega y sintetiza información de múltiples fuentes para responder consultas complejas.

41. Operaciones de CLI y ejecución de scripts

Los agentes de codificación basados en CLI como Aider, diseñados para flujos de trabajo de desarrollo en terminal, ejecutan comandos de shell, instalan software, lanzan scripts e interpretan salidas en interfaces de terminal.

Cómo funciona:

Aider, un agente de codificación de IA nativo de CLI, es utilizado por los desarrolladores para refactorizar bases de código y ejecutar comandos de shell como la ejecución de suites de pruebas (pytest, npm test). El agente interpreta las salidas de la terminal, corrige errores de forma iterativa y confirma los cambios directamente en los repositorios Git.⁷³

Como alternativa a Aider, Cognition presentó Devin 2.0, un ingeniero de software autónomo de IA con una variante nativa de CLI que compite directamente con los agentes basados en terminal. Devin es capaz de refactorizar bases de código, ejecutar comandos de shell, ejecutar suites de pruebas y confirmar cambios en repositorios Git.⁷⁴

42. Navegación y coordinación multimodal de aplicaciones

Los agentes de GUI unificada (p. ej., los prototipos de OpenAI Operator) pueden cambiar entre aplicaciones.

Cómo funciona:

Para probar un caso de uso de entrega de pedidos, proporcioné una solicitud de compra sencilla a Open Operator: Ayúdame a comprar una funda de cojín decorativo de estilo boho por menos de $30.

43. Agentes de flujo de trabajo autónomos (tareas de horizonte largo)

Los agentes de planificación con memoria y uso de herramientas (p. ej., Auto-GPT, Agent Q con establecimiento de objetivos) ejecutan objetivos de varios pasos en diversas herramientas (p. ej., recopilar información, emprender acciones, revisar el plan) y toman decisiones en tiempo real.

Cómo funciona:

En este análisis de informes financieros de varios pasos, al agente de planificación de IA se le asigna la tarea: “Analiza el rendimiento financiero del último trimestre y prepara un resumen para el equipo de finanzas.”

Se pide al agente que obtenga:

• Noticias recientes de la empresa (las 3 noticias principales)
• Precio actual de las acciones de la empresa (AAPL)
• Información de la empresa (p. ej., perfil, capitalización bursátil, sector)
• Precios históricos de las acciones (intervalo de 1 día durante el último mes)
• Recomendaciones de analistas (p. ej., calificaciones de comprar/mantener/vender)

Este es el resultado del informe financiero:

MultiOn Agent Q reservando un vuelo.

Creación de agentes de IA

El paso de aplicaciones básicas de agentes, como las búsquedas meteorológicas en lenguaje natural con herramientas como LangChain, a casos de uso autónomos más complejos, como el desarrollo de aplicaciones (p. ej., generar un juego de Tres en Raya con el editor de IA Cursor), dio lugar a los siguientes retos:

Este cambio presenta retos como la gestión de flujos de trabajo de varios pasos, el manejo de bucles de error de API y el mantenimiento del contexto en grandes bases de código.

• Gestionar la complejidad en la ejecución de tareas
  • Estandarizar patrones que guíen su proceso de toma de decisiones.
  • Incorporar múltiples opciones y seleccionar la acción óptima para ejecutar una tarea. (p. ej., “¿Debo mostrar esta pantalla u otra en función de la entrada del usuario?”).
• Interactuar con sistemas externos y APIs

44. Generación de agentes de IA personalizados:

Los frameworks de creación de agentes de IA ayudan a afrontar estos retos proporcionando:

• Frameworks de toma de decisiones y razonamiento (p. ej., modelos de aprendizaje automático o probabilísticos) para estandarizar patrones e incorporar múltiples opciones.
• Herramientas de acceso a datos e integración (p. ej., conectores de API) para interactuar con sistemas externos y APIs.

El ecosistema de desarrolladores ha ido adoptando herramientas especializadas de orquestación agéntica como LangGraph, CrewAI, Google Agent Development Kit, Mastra, OpenAI Agents SDK y Claude Agent SDK, ya que estas herramientas ofrecen flujos de trabajo estructurados para la coordinación multiagente y las tareas de horizonte largo.

Cómo funciona:

Creación de un agente personalizado de guía de viajes a Eslovenia con Microsoft 365:

Ejemplo real: Generación de agentes de IA personalizados

AppFolio migró su copiloto de gestión inmobiliaria Realm-X de una arquitectura basada en cadenas a LangGraph y publicó las cifras del antes y el después de lo que aportó el cambio.

• Mejora del 2x en la precisión de las respuestas tras la migración
• Más de 10 horas ahorradas por semana y por gestor de propiedades
• El prompting dinámico con pocos ejemplos elevó el rendimiento en funciones específicas del 40 % al 80 %.⁷⁸

Preguntas frecuentes

Cita esta investigación

Elige el formato que se ajuste al lugar donde vas a publicar. Pegar la versión con enlace en tu CMS conserva el enlace de retroceso.

@misc{dilmegani2026,
  author = {Dilmegani, Cem and Şimşek, Hazal},
  title  = {{40+ Casos de uso de IA agéntica con ejemplos reales}},
  year   = {2026},
  month  = sep,
  howpublished    = {\url{https://aimultiple.com/agentic-ai}},
  note   = {AIMultiple. Recuperado el 8 de septiembre de 2026}
}

Registro de cambios

20 actualizaciones

202620252024

1. 26 de ago

   Se reemplazó 'Ejemplo de la vida real' por 'Cómo funciona' en la sección 'Creación de aplicaciones', clarificando la naturaleza de los ejemplos.

2. 4 de ago

   Se añadió un ejemplo de la vida real a la sección 'Resolución de pólizas personalizada', ofreciendo una ilustración concreta del concepto.

3. 16 de jul

   Se eliminó una URL específica de un país de un ejemplo de la vida real, haciendo el contenido universalmente accesible.

4. 8 de jul

   Se amplió el 'Ejemplo de la vida real' en la introducción, ofreciendo una comprensión más amplia de las capacidades de colaboración entre agentes.

5. 7 de jul

   Se actualizó el 'Ejemplo de la vida real' en la sección 'Monitoreo y optimización de la tubería CI/CD', proporcionando una comprensión más clara del papel de Claude como agente DevOps.

Enlaces de referencia

1.

Presentamos Operator | OpenAI

2.

Lamar on X: "this is wild just paired openai operator with replit agent to build an app watch as two ai agents team up, exchange credentials, and start testing ai agent ai agent the future is here and it’s insane!" / X

3.

Cursor vs GitHub Copilot: Which AI Coding Assistant is better?

4.

Rakuten Claude Code case study | Claude

5.

APIs for AI Agents: The Only Beginner’s Guide You’ll Ever Need (n8n) - YouTube

6.

Replit’s AI agent built my entire website (I just watched) - YouTube

7.

Cursor · Customers

Cursor

8.

How to Build a Website AI Agent in 13 Min (Free N8N Template) - YouTube

9.

Deepseek-R1 + RooCode: BEST AI Coding Agent! Develop a Full-stack App Without Writing ANY Code! - YouTube

10.

Local Models & Inference Engines | GT EDGE AI

GT EDGE AI

11.

COBOL to Java Migration with Multi-Agent Frameworks

Persistent Systems

12.

Watsonx Code Assistant for Z is the Rosetta Stone for COBOL - IBM Research

IBM

13.

Refact.ai AI Coding Assistant | Fine-tuned, Secure, and Open-source - Refact.ai

14.

Devin's 2025 Performance Review: Learnings From 18 Months of Agents At Work | Cognition

Cognition

15.

Agent mode 101: All about GitHub Copilot’s powerful mode - The GitHub Blog

16.

Getting code suggestions in your IDE with GitHub Copilot - GitHub Docs

17.

Research: Quantifying GitHub Copilot’s impact in the enterprise with Accenture - The GitHub Blog

18.

How to Connect Your AI Agent to Kubernetes: A Hands-On MCP Server Demo - YouTube

19.

NVIDIA commits 3x more code across 30,000 developers with Cursor · Cursor

Cursor

20.

Microsoft Security Copilot Threat Intelligence Briefing Agent | Microsoft Learn

21.

Microsoft Security Copilot – Microsoft Adoption

Microsoft Corporation LLC

22.

Using Agentic AI to Power Cloud Detection & Response | CrowdStrike

CrowdStrike

23.

CrowdStrike Unveils Charlotte AI Detection Triage for Faster SOC Triage

CrowdStrike

24.

IPAttributor: Cyber Attacker Attribution with Threat Intelligence-Enriched Intrusion Data

MDPI

25.

Introducing AI-powered investigation in Chronicle Security Operations | Google Cloud Blog

Google Cloud

26.

Torq Security Automation Demo | Phishing Response Workflow - YouTube

27.

Torq Expands Agentic AI Capabilities With Powerful New Autonomous, Collaborative Multi-Agent Framework For Security Operations | Torq

Torq®

28.

GitHub - dandye/adk_runbooks · GitHub

29.

Agentic Incident Response - YouTube

30.

Case Study: Deepwatch Maximizes MDR Customer ROI | Torq

Torq®

31.

MITRE ATT&CK Driven Threat Hunting Automated by Local LLM - YouTube

32.

AI-Powered Test Automation: Ship Apps 3x Faster | Pcloudy

33.

Automated Software Test Generation at Industry Scale Using a Multi-Agent Architecture and Workflow Integration | Proceedings of the IEEE/ACM 48th International Conference on Software Engineering: Software Engineering in Practice

34.

Generative Agents: Interactive Simulacra of Human Behavior

35.

Generative Agents: Interactive Simulacra of Human Behavior - YouTube

36.

A generalist AI agent for 3D virtual environments — Google DeepMind

SIMA team

37.

Procedural generation - No Man's Sky Wiki

Contributors to No Man's Sky Wiki

38.

terminal-velocity/complete_manuscript.md at main · mind-protocol/terminal-velocity · GitHub

39.

NLR Co-Founder of Mind Protocol on X: "3 unsupervised agents write a book - polishing Act III https://t.co/xxa9P3udNV" / X

40.

Engineering

41.

Perplexity AI - Wikipedia

Contributors to Wikimedia projects

42.

Introducing AI to FigJam | Figma Blog

Figma

43.

Dutch Insurance Provider

44.

Automating an insurance claim form with AI Builder - YouTube

45.

Transforming Insurance Underwriting with Agentic AI Risk Evaluation

ElixirClaw

46.

AI tool brings real-world value to Zurich USMM underwriters

47.

Lemonade - Insurance claims handled instantly - YouTube

48.

Revolutionizing Talent Acquisition in HR: PepsiCo's AI Success Story

49.

Chipotle's fresh new way to reduce time to hire by up to 75%. — Paradox

50.

Introducing Hiring Assistant to help recruiters spend more time on their most impactful work

LinkedIn Talent Solutions

51.

Paradox AI recruiting success stories — Paradox

52.

Ada Voice + Aircall - YouTube

53.

A demo of Intercom's Fin AI Copilot: an AI assistant for every support agent - YouTube

54.

Intercom Claude Platform (API) case study | Claude

55.

5 ways agentic AI can powerfully transform proactive engagement | NiCE

NiCE

56.

AI Agent Examples and Use Cases for Enterprise Contact Centers

Cognigy

57.

Live Demo Toyota & Cognigy Breaking New Boundaries - YouTube

58.

Knowledge Builder in action | Zendesk demo video - YouTube

59.

Introducing deep research | OpenAI

60.

Deep Research - Marginal REVOLUTION

61.

Deep Research: First Impressions

UX Tigers

62.

ChemicalQDevice

63.

Automation of Systematic Reviews with Large Language Models | medRxiv

64.

[2606.28277] Towards Automating Scientific Review with Google's Paper Assistant Tool

65.

25 of my favorite ROI+ customer stories | Google Cloud Blog

Google Cloud

66.

Launch YC: Kura: New State of the Art for Browser Agents [31% better than Computer Use] | Y Combinator

67.

H, the AI startup that raised $220M, launches its first product: Runner H for 'agentic' applications | TechCrunch

TechCrunch

68.

Matt Shumer on X: "Today, we’re unveiling Personal Assistant - @HyperWriteAI's groundbreaking AI agent that can use a web browser like a human. One agent to rule them all. It’s time to reimagine the way we interact with the internet." / X

69.

OmniParser

70.

Create an AI agent to fill forms from your private documents

IBMSkillsNetwork

71.

Google Cloud’s Business Trends Report 2026: Key findings

Google

72.

Would You Let AI Control Your Computer? Testing Anthropic Claude's Computer Use Feature + Setup - YouTube

73.

GitHub - Aider-AI/aider: aider is AI pair programming in your terminal · GitHub

74.

Devin | The AI Software Engineer

Cognition

75.

Creating an AI Agent for Financial Report Analysis - YouTube

76.

MultiOn AI Agent books a flight - YouTube

77.

Lisa Crosbie – Tech Tutorials | Microsoft Business Applications

78.

LangGraph AI Agent Framework for Production Applications

Cem Dilmegani

Analista Principal

Síguenos

Cem ha sido el analista principal en AIMultiple desde 2017.

El trabajo de Cem en AIMultiple ha sido citado por publicaciones líderes mundiales como Business Insider, Forbes, Morning Brew y Washington Post, empresas globales como Deloitte y HPE, ONG como World Economic Forum y organizaciones supranacionales como European Commission. [1], [2], [3], [4], [5]

A lo largo de su carrera, Cem trabajó como consultor tecnológico, comprador de tecnología y emprendedor tecnológico. Asesoró a empresas en sus decisiones tecnológicas en McKinsey & Company y Altman Solon durante más de una década. También publicó un informe de McKinsey sobre digitalización.

Dirigió la estrategia tecnológica y las adquisiciones de una empresa de telecomunicaciones reportando al CEO. También lideró el crecimiento comercial de la empresa de deep tech Hypatos, que alcanzó unos ingresos recurrentes anuales de 7 dígitos y una valoración de 9 dígitos desde 0 en 2 años. El trabajo de Cem en Hypatos fue cubierto por publicaciones tecnológicas líderes como TechCrunch y Business Insider.

Cem participa habitualmente en conferencias internacionales de tecnología. Se graduó en Bogazici University como ingeniero informático y tiene un MBA de Columbia Business School.

Ver perfil completo

Investigado por

Hazal Şimşek

Analista del sector

Síguenos

Hazal es analista del sector en AIMultiple, centrándose en la inteligencia de procesos (incluida la minería de procesos) y la automatización empresarial (incluidas la automatización de TI y la automatización low-code/no-code).

Ver perfil completo

Sé el primero en comentar

Tu dirección de correo electrónico no será publicada. Todos los campos son obligatorios. Los comentarios se dejan en su idioma original.

Nombre

Dirección de correo electrónico

Comentario

0/450

Publicar comentario