Agentes de IA móviles probados en 65 tareas del mundo real

Pasamos 3 días evaluando a cuatro agentes de IA (DroidRun, Mobile-Agent, AutoDroid y AppAgent) en 65 tareas del mundo real usando un emulador de Android con aplicaciones como gestión de calendario, creación de contactos, captura de fotos, grabación de audio y operaciones de archivo.

Consulte los resultados del benchmark, incluida la comparación de rendimiento en el mundo real, los costes y los tiempos de ejecución:

Comparación de rendimiento de agentes de IA móviles

DroidRun

Mayor tasa de éxito (43 %) con alto coste por tarea exitosa ($0,075, ~3225 tokens)

DroidRun demostró el mejor desempeño con una tasa de éxito del 43 % en las 65 tareas. Al analizar solo las tareas que todos los agentes completaron con éxito, DroidRun consumió un promedio de 3225 tokens a un costo de $0,075 por tarea.

Este consumo elevado de recursos refleja la arquitectura de razonamiento en varios pasos de DroidRun, donde el agente mantiene un seguimiento detallado del estado, genera planes de acción explícitos y proporciona explicaciones para cada decisión. Aunque es costoso, este enfoque integral ofrece la mayor tasa de éxito en el benchmark de agentes de IA móviles.

Mobile-Agent

Buen rendimiento (29 %) y coste eficiente ($0,025, ~1130 tokens)

Mobile-Agent logró la segunda mayor tasa de éxito, con un 29 %, manteniendo una eficiencia de coste razonable. En las tareas completadas con éxito por todos los agentes, Mobile-Agent promedió $0,025 y 1130 tokens por tarea.

Esto representa aproximadamente un tercio del costo por tarea de DroidRun, mientras que alcanza alrededor de dos tercios de su tasa de éxito, lo que convierte a Mobile-Agent en una opción atractiva para implementaciones donde las restricciones presupuestarias son importantes.

Sin embargo, la brecha de 14 puntos porcentuales en la tasa de éxito sugiere que las capacidades de razonamiento adicionales de DroidRun aportan un valor significativo en aplicaciones donde la fiabilidad es primordial, como en los flujos de trabajo de atención médica o banca.

AutoDroid

Mejor eficiencia de coste (14 % de éxito, $0,017, ~765 tokens) pero efectividad limitada

AutoDroid demostró el costo más bajo en las tareas completadas con éxito por todos, con solo $0,017 y 765 tokens por tarea, lo que lo convierte en la opción más económica del benchmark.

Sin embargo, su tasa de éxito del 14 %, menos de la mitad del rendimiento de Mobile-Agent y aproximadamente un tercio del de DroidRun, indica que esta ventaja de costo conlleva importantes contrapartidas en fiabilidad.

A pesar de utilizar un enfoque basado en acciones similar al de DroidRun, la mínima sobrecarga de razonamiento de AutoDroid genera ahorros sustanciales, pero limita su capacidad para completar tareas.

AppAgent

Peor rendimiento (7 % de éxito) con el mayor coste ($0,90, ~2346 tokens)

AppAgent registró tanto la tasa de éxito más baja, con un 7 %, como el coste más alto en las tareas comunes, con $0,90 y 2346 tokens por tarea. Es doce veces más caro que DroidRun y más de cincuenta veces más costoso que AutoDroid.

Esta mala relación costo-rendimiento se debe al enfoque basado en visión de AppAgent, que procesa capturas de pantalla etiquetadas a través de LLMs multimodales en cada interacción. Cada captura enviada al LLM multimodal consume una cantidad considerable de tokens de entrada para el procesamiento de imágenes, mientras que las respuestas de texto reales (tokens de completitud) se mantienen relativamente modestas.

Esto crea una distribución de tokens muy desequilibrada, donde la sobrecarga del procesamiento visual domina el coste sin mejoras correspondientes en la tasa de finalización de tareas, ya que el agente tiene dificultades con los cálculos de coordenadas y la identificación de elementos de la interfaz de usuario en interfaces móviles.

Comparación del tiempo de ejecución de los agentes de IA móviles

En la única tarea que todos los agentes completaron con éxito, AutoDroid fue el más rápido, con 57 segundos, seguido de cerca por Mobile-Agent con 66 segundos. DroidRun completó la tarea en 78 segundos, lo que demuestra que su arquitectura de razonamiento de múltiples pasos aún permite una ejecución eficiente a pesar del mayor consumo de tokens.

AppAgent mostró una latencia significativamente mayor, de 180 segundos, debido a su enfoque basado en visión, que requiere un procesamiento extenso de capturas de pantalla a través de LLMs multimodales en cada interacción.

Puede ver nuestra metodología de benchmark aquí.

Descripción general de los agentes de IA móviles

DroidRun

DroidRun es un framework de código abierto que construye agentes de IA nativos para móviles que pueden controlar de forma autónoma aplicaciones y teléfonos móviles. Es un framework fundamental que convierte las interfaces de usuario en datos estructurados con los que los modelos de lenguaje de gran tamaño pueden interactuar, lo que permite una automatización compleja directamente en dispositivos móviles. 

Véalo en acción:

AutoDroid

AutoDroid es un sistema de automatización de tareas móviles diseñado para realizar tareas arbitrarias en cualquier aplicación de Android sin configuración manual. Aprovecha el razonamiento de sentido común de los modelos de lenguaje de gran tamaño como GPT‑4 y Vicuna, combinado con un análisis automático específico de la aplicación. 

AutoDroid introduce una representación de la UI consciente de la funcionalidad para conectar las interfaces de las aplicaciones con los LLMs, utiliza la inyección de memoria basada en exploración para enseñar al modelo comportamientos específicos de la aplicación e incluye optimización de consultas para reducir los costes de inferencia. Evaluado en un benchmark de 158 tareas, logró una precisión de acción del 90,9 % y un éxito de tarea del 71,3 %, superando las líneas base basadas solo en GPT‑4.¹  

Mobile-Agent

El repositorio de GitHub X-PLUG/MobileAgent es la implementación oficial de Mobile-Agent, un framework de agente de IA diseñado para controlar de manera autónoma aplicaciones móviles percibiendo y razonando sobre sus representaciones visuales de la UI.

Este proyecto proviene del grupo X-PLUG de la Universidad de Tsinghua y se presentó en ICLR 2024, con el objetivo de ampliar los límites de los agentes móviles mediante el aprendizaje multimodal, en particular la percepción visual y el seguimiento de instrucciones. Vea el video para verlo en acción.

AppAgent

El repositorio de GitHub TencentQQGYLab/AppAgent es un proyecto de investigación de código abierto del QQG Y-Lab de Tencent. Presenta AppAgent, un framework de agente de IA móvil diseñado para operar y razonar de forma autónoma a través de aplicaciones de Android sin necesidad de código escrito por humanos para cada aplicación individual.

Fuente: AppAgent²

Tecno EllaClaw

Tecno integró la tecnología OpenClaw en su asistente de IA Ella, comercializando la combinación como “EllaClaw”.³

EllaClaw se ejecuta en HIOS, el sistema operativo móvil de Tecno basado en Android, y se presenta con dos habilidades iniciales: un Resumen Inteligente de SMS que destaca mensajes importantes como notificaciones bancarias y facturas, y una Agenda Diaria que recopila eventos del calendario, el clima y las noticias en un resumen diario.

El sistema utiliza memoria persistente para aprender las preferencias del usuario y se está implementando en versión beta en dispositivos Tecno seleccionados, comenzando con el buque insignia Camon 50 Ultra.⁴

Samsung Galaxy S26

La serie Galaxy S26 introdujo una configuración multiagente que permite a los usuarios alternar entre tres asistentes de IA:⁵

• Bixby, renovado para utilizar la asistencia de Perplexity para el control del dispositivo mediante lenguaje natural, como ajustar la configuración para evitar que la pantalla se apague mientras se visualiza contenido.
• Google Gemini, con una nueva capacidad beta para la ejecución de tareas en segundo plano, como reservar viajes o volver a pedir comidas mientras el usuario continúa con otras actividades en el teléfono.
• Perplexity, integrado a nivel del sistema a través de su Sonar API, disponible en aplicaciones nativas como Notas, Calendario y Galería, y que se puede invocar con manos libres mediante una frase de activación o pulsando el botón lateral.

Perplexity se lanzó inicialmente con la frase de activación “Hey, Plex”, pero una actualización de software posterior la cambió a “Hey, Perplexity” para evitar confusiones con el reproductor multimedia Plex.⁶

Google Gemini Intelligence y Android 17

Google anunció Gemini Intelligence, un conjunto de funciones cuya capacidad principal es la ejecución de tareas en varios pasos y entre aplicaciones con la aprobación del usuario.⁷  

Los casos de uso demostrados incluyen identificar ingredientes de un video de cocina de YouTube y pedirlos automáticamente, reservar una clase de spinning y extraer el plan de estudios de un correo de Gmail para llenar un carrito de compras con los libros requeridos.

Estas capacidades agentivas se lanzarán primero en la serie Samsung Galaxy S26 y en los Google Pixel 10 y Pixel 10 Pro, a través de la aplicación Gemini, con un despliegue posterior previsto para relojes, coches, gafas y portátiles. La parte en el dispositivo requiere hardware capaz de ejecutar modelos Gemini Nano, y Google especifica al menos 12GB de RAM y procesadores cualificados como base.⁸

El jefe de Android, Sameer Samat, describió Android 17 como el punto de inflexión en el que la plataforma pasa “de un sistema operativo a un sistema inteligente”, y señaló que Android 17 marcará “el punto en el que las primeras capacidades agentivas comenzarán a implementarse de manera más amplia”, inicialmente con soporte limitado para aplicaciones.⁹

AGI, Inc. y Qualcomm

AGI, Inc. anunció una colaboración con Qualcomm para llevar su agente móvil en dispositivo, AGI-0, a dispositivos con Snapdragon.¹⁰

AGI-0 se ejecuta localmente, utiliza modelos de visión-lenguaje-acción para ver la pantalla y actuar en cualquier aplicación sin necesidad de integraciones específicas, y hace hincapié en la privacidad al mantener el procesamiento de datos en el dispositivo en lugar de enrutarlo a través de APIs en la nube.

Características de los agentes de IA móviles

Manejo de comandos orientado a objetivos

Los usuarios especifican lo que quieren hacer (“Reservar un viaje al aeropuerto”), y el agente decide qué aplicaciones abrir, qué acciones tomar y en qué orden. No se le pide al usuario que traduzca el objetivo en toques y deslizamientos individuales.

Razonamiento respaldado por LLM

Los agentes de IA móviles dependen de los modelos de lenguaje de gran tamaño para identificar la intención del usuario a partir de solicitudes en lenguaje natural, interpretar el contenido en pantalla, generar planes de acción paso a paso y adaptarse cuando la interfaz de usuario cambia entre estados de la aplicación, como pantallas de carga, ventanas emergentes de diálogo o transiciones de navegación.

Control estructurado y nativo de aplicaciones

En lugar de extraer píxeles de la pantalla, los agentes de IA móviles extraen jerarquías de interfaz de usuario estructuradas, típicamente árboles basados en XML que describen botones, campos y otros elementos interactivos, y operan directamente sobre esos elementos. DroidRun, por ejemplo, utiliza las APIs de accesibilidad de Android para leer y actuar sobre elementos de interfaz de usuario reales en lugar de adivinar coordenadas a partir de una captura de pantalla.

Ejecución en la nube y en dispositivo de los agentes de IA móviles

Los agentes basados en la nube se conectan a los modelos a través de llamadas a API. Manejan bien el razonamiento complejo, pero requieren transmitir datos de pantalla y contexto del usuario a servidores externos, lo que plantea problemas de privacidad para aplicaciones sensibles. El rendimiento también depende de una conectividad de red estable.

Los agentes en el dispositivo ejecutan modelos directamente en el hardware móvil, manteniendo todos los datos locales. Esto elimina los riesgos de transmisión y permite la funcionalidad sin conexión. Las NPU y GPU móviles actuales limitan el tamaño del modelo, lo que puede reducir la precisión en tareas que requieren un razonamiento más profundo o ventanas de contexto más largas.

Las arquitecturas híbridas combinan ambos enfoques. Los modelos ligeros en el dispositivo manejan tareas rutinarias y la clasificación inicial de la intención, mientras que las operaciones complejas se enrutan a LLMs en la nube. Apple Intelligence y Gemini Nano siguen este patrón, procesando solicitudes simples localmente y escalando cuando es necesario.

Riesgos de seguridad y privacidad en los agentes de IA móviles

Las mismas capacidades que hacen útiles a los agentes de IA móviles también crean nuevas superficies de ataque:

• Exposición del contenido de la pantalla: Los agentes pueden transmitir contraseñas, mensajes y datos financieros a LLMs en la nube para su procesamiento.
• Fuga de credenciales: Los flujos de trabajo de inicio de sesión automático pueden exponer involuntariamente contraseñas guardadas y tokens de autenticación.
• Retención de datos poco clara: Muchos proveedores de agentes no publican durante cuánto tiempo se conservan las capturas de pantalla, los registros de acciones y las grabaciones de pantalla, ni si se utilizan para entrenar modelos futuros.
• Riesgo de inyección de prompts: El contenido malicioso de una aplicación podría manipular el comportamiento del agente a través de texto de interfaz de usuario diseñado, como una etiqueta de botón falsa que diga “Ignora las instrucciones anteriores”.

Las mitigaciones abarcan toda la pila:

• Procesamiento en el dispositivo mantiene los datos sensibles de la pantalla completamente fuera de los servidores externos, siendo el control más fuerte cuando el tamaño del modelo lo permite.
• Eliminación de información de identificación personal (PII) detecta y elimina automáticamente datos como nombres, números de teléfono e identificadores de cuenta antes de cualquier llamada a la API en la nube.
• Límites de permisos restringen el alcance del servicio de accesibilidad del agente para que no pueda leer o actuar dentro de categorías de aplicaciones específicas como banca, salud o mensajería.
• Políticas transparentes del proveedor significan períodos de retención publicados, jurisdicciones de procesamiento y declaraciones explícitas sobre el uso de datos de entrenamiento, en lugar de un lenguaje de privacidad genérico.

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

Por qué difiere el rendimiento entre los agentes de IA móviles 

Las diferencias observadas se deben principalmente a las elecciones arquitectónicas y los métodos de interacción.

DroidRun prioriza la fiabilidad mediante el razonamiento en varios pasos, la planificación explícita y el seguimiento del estado. Esto mejora el éxito de la tarea, pero aumenta el uso de tokens y el costo.

Mobile-Agent equilibra el rendimiento y la eficiencia. Su razonamiento más ligero y comprensión visual reducen el costo al tiempo que mantienen tasas de éxito moderadas, lo que lo hace adecuado para casos de uso con presupuesto limitado.

AutoDroid se centra en la ejecución basada en acciones con una sobrecarga de razonamiento mínima. Esto da como resultado el menor costo y los tiempos de ejecución más rápidos, pero también limita su capacidad para manejar tareas complejas o ambiguas.

AppAgent depende en gran medida de la interacción basada en visión utilizando LLMs multimodales. El procesamiento frecuente de capturas de pantalla aumenta la latencia y el costo, mientras que los desafíos de las coordenadas de la interfaz de usuario reducen el éxito de la tarea.

Metodología del benchmark de agentes de IA móviles

Realizamos una evaluación de referencia para evaluar el rendimiento de los agentes de IA móviles que operan en el sistema operativo Android en tareas del mundo real. Utilizamos el framework AndroidWorld y probamos todos los agentes en las mismas tareas estándar.

Framework AndroidWorld

AndroidWorld es una plataforma de benchmark de código abierto desarrollada específicamente por Google Research para evaluar agentes móviles. Esta plataforma tiene como objetivo medir el rendimiento de los agentes que trabajan en aplicaciones Android reales a través de tareas estandarizadas.

La característica más importante de AndroidWorld es que utiliza aplicaciones Android reales en lugar de entornos de prueba artificiales y puede evaluar automáticamente el rendimiento de los agentes. En este estudio utilizamos 65 tareas. Estas tareas cubren escenarios de uso diario del dispositivo móvil, como la gestión del calendario, añadir contactos, grabación de voz, tomar fotos y operaciones de archivos.

Configuración del entorno

Configuración del sistema: Para configurar el entorno de referencia, primero instalamos Android Studio en el sistema operativo Windows 11 y configuramos el emulador oficial de Android de Google.

Configuración del dispositivo virtual: Creamos un dispositivo virtual que simulaba un Pixel 6. Las especificaciones de este dispositivo virtual se establecieron con el sistema operativo Android 13 (API Nivel 33), resolución de 1080×2400, 8GB de RAM y 20GB de espacio de almacenamiento.

Configuración del emulador: Para integrar el emulador con AndroidWorld, configuramos el puerto gRPC como 8554, porque AndroidWorld se comunica con el emulador a través de este puerto.

Configuración del entorno Python: Para preparar el entorno Python, creamos un nuevo entorno conda con Python 3.11 usando Miniconda. Después de clonar el repositorio de AndroidWorld desde GitHub, instalamos todas las dependencias usando pip. Uno de los pasos más críticos de AndroidWorld es el proceso de configuración del emulador.

El comando de configuración tardó aproximadamente entre 45 y 60 minutos. Durante este proceso, AndroidWorld instaló automáticamente todas las aplicaciones de Android que se iban a probar en el emulador.

Creación de datos de estado inicial: Creó datos de estado inicial para cada aplicación; por ejemplo, añadió algunos eventos a la aplicación de calendario, añadió contactos a la aplicación de contactos y añadió un podcast llamado “banana” a la aplicación de podcasts. También guardó instantáneas para cada tarea, de modo que cada tarea pudiera comenzar desde un estado inicial limpio.

Integraciones de agentes

AutoDroid

Integración de AutoDroid: Para integrar AutoDroid, primero clonamos el repositorio desde GitHub e instalamos los paquetes de Python necesarios. La característica principal de AutoDroid es identificar los elementos de la interfaz de usuario analizando el XML y completar las tareas con un enfoque basado en acciones.

El agente asigna un número de índice a cada elemento en el que se puede hacer clic o que se puede enfocar en la pantalla y recibe comandos del LLM como “tap(5)” o “text(‘hello’)”.

Wrapper de AutoDroid: Para la integración con AndroidWorld, creamos una clase wrapper llamada autodroid_agent.py. Este wrapper realiza las configuraciones necesarias en el método de inicialización de AutoDroid, convierte el objetivo de la tarea que proviene de AndroidWorld en un formato de prompt que AutoDroid puede transformar, y convierte las acciones generadas por AutoDroid en comandos ADB reales utilizando las funciones execute_adb_call de AndroidWorld.

Flujo de ejecución: En el método step de AutoDroid, el agente primero toma una captura de pantalla y un volcado XML de la pantalla, analiza los elementos de la interfaz de usuario, envía esta información al LLM y realiza acciones de toque, deslizamiento o entrada de texto de acuerdo con la respuesta recibida.

DroidRun

Integración de DroidRun: Seguimos un proceso de integración similar para DroidRun. Después de clonar el repositorio de DroidRun desde GitHub, instalamos las dependencias en requirements.txt.

La estructura arquitectónica de DroidRun es más compleja porque cuenta con un sistema de razonamiento en varios pasos y seguimiento del estado. DroidRun puede explicar no solo lo que hará en cada paso, sino también por qué, y puede utilizar los resultados de los pasos anteriores en el siguiente paso.

Wrapper de DroidRun: Creamos el wrapper droidrun_agent.py para la integración con AndroidWorld. La parte más importante de este wrapper fue hacer que la clase CodeActAgent propia de DroidRun fuera compatible con la interfaz base de agente de AndroidWorld.

Proceso de ejecución: Cuando llamamos al método execute_task de DroidRun, el agente pasa por una fase de planificación de la tarea, luego ejecuta cada paso y evalúa los resultados. Adaptamos este proceso al modelo de ejecución paso a paso de AndroidWorld. También implementamos las herramientas utilizadas por DroidRun (tap_by_index, start_app, list_packages, etc.) con los comandos ADB de AndroidWorld.

AppAgent

Integración de AppAgent: La integración de AppAgent fue diferente a las demás porque utiliza un enfoque basado en visión. Después de clonar el repositorio de AppAgent, integramos los archivos Python de la carpeta scripts en AndroidWorld.

Enfoque basado en visión: El principio de funcionamiento de AppAgent es el siguiente: primero toma una captura de pantalla, luego calcula los cuadros delimitadores de los elementos de la interfaz de usuario, dibuja estos cuadros en la captura, asigna un número a cada uno y envía esta captura etiquetada a un LLM multimodal. El LLM determina visualmente sobre qué elemento se debe hacer clic.

Configuración del wrapper: El paso más importante en la integración de AppAgent fue redirigir la parte que se comunica con el dispositivo Android, utilizando el módulo and_controller.py de AppAgent, al emulador de AndroidWorld. En el wrapper appagent_agent.py, reimplementamos los métodos get_screenshot y get_xml de AppAgent para que funcionen con las APIs de AndroidWorld. También hicimos que el archivo model.py de AppAgent, que utiliza el formato de OpenAI API, fuera compatible con la OpenRouter API.

Mobile-Agent (M3A)

Integración de Mobile-Agent (M3A): La integración de M3A fue el proceso más completo porque funciona completamente basado en visión y tiene un sistema de análisis de interfaz de usuario muy detallado. Después de clonar el repositorio de M3A, también instalamos el framework de interacción de Android Mobile-Env, porque M3A depende de él.

Análisis en varios pasos: El principio de funcionamiento de M3A se basa en dividir la pantalla en cuadrículas, analizar cada cuadrícula por separado y realizar una planificación en varios pasos. Al crear el wrapper m3a_agent.py, necesitábamos integrar el sistema de entorno propio de M3A con el entorno de AndroidWorld. Normalmente, M3A utiliza su propio Mobile-Env, pero lo redirigimos al env de AndroidWorld.

Múltiples llamadas a LLM: Observamos que M3A realiza múltiples llamadas a LLM en cada paso (como planificación, selección de acción, verificación) y las hicimos compatibles con los límites de pasos de AndroidWorld.

Procedimiento de prueba y recolección de datos

Flujo de prueba: El procedimiento de prueba para cada agente funcionó de la siguiente manera: Primero, iniciamos el emulador con una instantánea limpia. Una vez que el emulador estaba completamente abierto, ejecutamos run.py de AndroidWorld. Ejecutamos 65 tareas de forma secuencial para cada agente y utilizamos Claude 4.5 Sonnet para todos los agentes.

Ejecución de la tarea: AndroidWorld realizó automáticamente los siguientes pasos para cada tarea: cargar el estado inicial de la tarea, iniciar el agente, enviar el objetivo de la tarea al agente, rastrear los pasos del agente, detenerse cuando se alcanza el número máximo de pasos o cuando el agente dice “tarea completada”, y verificar si la tarea fue exitosa.

Criterios de éxito: El sistema de evaluación de tareas de AndroidWorld incluye criterios de éxito predefinidos. Por ejemplo, para la tarea “Añadir contacto llamado John Doe”, AndroidWorld consulta la base de datos de contactos para confirmar que se añadió el contacto.

Para las tareas de calendario, verifica en la base de datos si el evento se creó con la fecha, hora, título y descripción correctos. Al final de la ejecución de cada tarea, AndroidWorld nos proporcionó el tiempo de ejecución y el estado de éxito (Verdadero/Falso). Estos datos se registraron automáticamente y se utilizaron para el análisis.

Recolección de datos: Después de completar todo el benchmark, identificamos la tarea que todos los agentes completaron con éxito. Cada una de estas tareas se ejecutó luego 10 veces por cada agente, y se calculó el tiempo promedio de ejecución, el costo y el consumo de tokens para obtener métricas de rendimiento más confiables.

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},
  title  = {{Agentes de IA móviles probados en 65 tareas del mundo real}},
  year   = {2026},
  month  = jun,
  howpublished    = {\url{https://aimultiple.com/mobile-ai-agent}},
  note   = {AIMultiple. Recuperado el 9 de Junio de 2026}
}

Enlaces de referencia

1.

https://arxiv.org/pdf/2308.15272

2.

GitHub - TencentQQGYLab/AppAgent: AppAgent: Multimodal Agents as Smartphone Users, an LLM-based multimodal agent framework designed to operate smartphone apps. · GitHub

3.

Tecno introduces EllaClaw, an OpenClaw port that will automate tasks on Tecno phones - GSMArena.com news

GSMArena

4.

Tecno taps OpenClaw to supercharge its Ella AI assistant with new automation features | Android Central

Android Central

5.

Here's how many AI agents Galaxy S26 series has and how they work

Authority Media

6.

Galaxy S26 switching to 'Hey Perplexity' wake word

7.

Android Is About to Get a Lot Smarter With Google AI Boosts—Here's How - Decrypt

Decrypt

8.

Gemini Intelligence | The best of Gemini on our most advanced devices

Android

9.

Google's Android boss talks Android 17, sideloading drama, and why he hates phone cases

Authority Media

10.

AGI, Inc. announces Collaboration with Qualcomm Technologies to Bring Agentic AI to Snapdragon®-Powered Devices

Cem Dilmegani

Analista Principal

Síguenos

Cem ha sido el analista principal en AIMultiple desde 2017. AIMultiple informa a cientos de miles de empresas (según similarWeb), incluido el 60% de Fortune 500 cada mes.

El trabajo de Cem ha sido citado por publicaciones globales líderes como Business Insider, Forbes, Washington Post, firmas globales como Deloitte, HPE y ONG como el Foro Económico Mundial y organizaciones supranacionales como la Comisión Europea.

A lo largo de su carrera, Cem se ha desempeñado 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.

Lideró la estrategia tecnológica y las adquisiciones de una empresa de telecomunicaciones reportando directamente al CEO. También lideró el crecimiento comercial de la empresa de tecnología profunda Hypatos, que alcanzó 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 habla regularmente en conferencias internacionales de tecnología. Se graduó de la Universidad de Bogazici como ingeniero informático y tiene un MBA de Columbia Business School.

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