Inteligencia artificial agéntica : Principios y alcances
Palabras clave:
inteligencia artificial, agéntica, sistemas autónomos, toma de decisiones, comportamiento adaptativoSinopsis
La inteligencia artificial atraviesa una transformación profunda. De ser concebida como un conjunto de técnicas orientadas al procesamiento de información y la automatización de tareas, ha evolucionado hacia sistemas capaces de organizar comportamiento, tomar decisiones y actuar de manera autónoma en entornos dinámicos. Este cambio da origen a un nuevo paradigma: la inteligencia artificial agéntica, cuyo valor radica en desplazar el énfasis desde la generación de resultados hacia la estructuración coherente de la acción en el tiempo.
La importancia de esta obra reside en que aborda un vacío crítico en la literatura contemporánea. Aunque abundan estudios sobre inteligencia artificial generativa y aprendizaje automático, aún es limitado el desarrollo de marcos que expliquen cómo los sistemas pueden articular percepción, decisión y acción dentro de una lógica operativa integrada. Predominan enfoques centrados en lo que los sistemas producen, pero no en cómo organizan su comportamiento ni cómo evaluarlo. Este libro responde a esa limitación al proponer una comprensión de la inteligencia artificial centrada en la organización del comportamiento, permitiendo analizar con mayor profundidad la naturaleza, funcionamiento e implicaciones de los sistemas inteligentes .
En este contexto, Inteligencia artificial agéntica: principios y alcances tiene como objetivo central desarrollar un marco conceptual, estructural y operativo que permita comprender, diseñar, implementar y evaluar sistemas agénticos de manera rigurosa e integradora. La obra propone una reconfiguración epistemológica, donde la inteligencia se entiende no como capacidad de cálculo o generación, sino como la capacidad de sostener comportamiento coherente, continuo y adaptativo en contextos complejos. Este enfoque es particularmente relevante en un entorno donde los sistemas inteligentes adquieren autonomía y participan activamente en procesos organizacionales, económicos y sociales.
La obra está dirigida a un público interdisciplinario: investigadores y académicos que buscan marcos teóricos avanzados; estudiantes de posgrado interesados en desarrollar investigaciones rigurosas; profesionales y tomadores de decisiones que requieren comprender las implicaciones de la IA agéntica en la productividad, competitividad y gobernanza; y diseñadores de sistemas inteligentes que necesitan criterios sólidos para construir sistemas más coherentes y autónomos. La estructura del libro sigue una lógica progresiva.
El Capítulo 1, Evolución y fundamentos conceptuales de la IA agéntica, establece las bases teóricas al analizar la naturaleza de la agencia, su dinámica operativa y su delimitación conceptual. Examina además la emergencia del paradigma agéntico y su diferenciación ontológica, destacando propiedades como coherencia estructural, continuidad operativa y adaptabilidad.
El Capítulo 2, Arquitectura y estructuración de la IA agéntica, aborda la organización interna del agente, analizando componentes como percepción, decisión, acción y memoria, así como sus configuraciones arquitectónicas, incluyendo sistemas multiagente y estructuras distribuidas.
El Capítulo 3, Diseño de la IA agéntica, desarrolla principios de construcción basados en la organización del comportamiento, el modelado de la acción y la integración funcional, proporcionando criterios para diseñar sistemas robustos y coherentes.
El Capítulo 4, Implementación de sistemas agénticos, traslada el análisis al plano práctico, abordando el ciclo de vida del agente, su integración tecnológica, su operación en entornos reales, la evaluación del desempeño y la gestión de riesgos.
El Capítulo 5, Medición estructural de la IA agéntica, introduce criterios innovadores de evaluación basados en coherencia, continuidad y autonomía, permitiendo medir la calidad del comportamiento agéntico más allá de los resultados.
El Capítulo 6, Impacto, gobernanza y futuro, analiza las implicaciones sociales, económicas y organizacionales de la IA agéntica, así como los desafíos éticos y regulatorios y los escenarios prospectivos de su evolución.
Finalmente, el Capítulo 7, Reflexión final, integra los principales aportes de la obra, consolidando una visión crítica de la inteligencia artificial agéntica como nuevo paradigma.
En síntesis, esta obra es relevante porque proporciona un marco integral para comprender la inteligencia artificial en su fase más avanzada, centrada en la organización del comportamiento. Su contribución no se limita a describir tecnologías, sino que permite entender cómo actúan los sistemas inteligentes, cómo deben diseñarse y cómo deben evaluarse y gobernarse. En un entorno caracterizado por la complejidad y la creciente autonomía tecnológica, este enfoque resulta indispensable para avanzar hacia un desarrollo más riguroso, coherente y responsable de la inteligencia artificial.
Descargas
Los datos de descargas todavía no están disponibles.
Citas
Abou Ali, M., Dornaika, F., & Charafeddine, J. (2026). Agentic AI: A comprehensive survey of architectures, applications, and future directions. Artificial Intelligence Review, 59(11). https://doi.org/10.1007/s10462-025-11422-4
Acemoglu, D., & Restrepo, P. (2019). The wrong kind of AI? Artificial intelligence and the future of labor demand. Cambridge Journal of Economics, 44(1), 25–55. https://economics.mit.edu/sites/default/files/publications/The%20Wrong%20Kind%20of%20AI%20-%20Artificial%20Intelligence%20and.pdf
Acharya, D. B., Kuppan, K., & Divya, B. (2025). Agentic AI: Autonomous intelligence for complex goals—A comprehensive survey. IEEE Access. https://doi.org/10.1109/ACCESS.2025.3532853
Adabara, I., Olaniyi, S. B., Nuhu, S. A., et al. (2025). Trustworthy agentic AI systems: A cross-layer review of architectures, threat models, and governance strategies for real-world deployment. F1000Research, 14, 905. https://doi.org/10.12688/f1000research.169927.1
Adadi, A., & Berrada, M. (2018). Peeking inside the black box: A survey on explainable artificial intelligence (XAI). IEEE Access, 6, 52138–52160. https://doi.org/10.1109/ACCESS.2018.2870052
Alqurni, J. (2026). Exploring the role of agentic AI in fostering self-efficacy, autonomy support, and self-learning motivation in higher education. Frontiers in Artificial Intelligence, 9. https://doi.org/10.3389/frai.2026.1738774
Amancharla, C., Shyamsundar, S., Radhakrishnan, S., & Gupta, U. (2025). Agentic AI: From expectations to execution—Building autonomous, resilient and intelligent agentic AI systems. Infosys. https://www.infosys.com/techcompass/documents/building-autonomous-aria-systems.pdf
Ng, A. (2018). Machine learning yearning: Technical strategy for AI engineers in the era of deep learning. Deeplearning.AI. https://www.deeplearning.ai/machine-learning-yearning/
Baber, C., Kandola, P., Apperly, I., & McCormick, E. (2025). Human-centred explanations for artificial intelligence systems. Ergonomics, 68(3), 391–405. https://doi.org/10.1080/00140139.2024.2334427
Balaji, P. G., & Srinivasan, D. (2010). An introduction to multi-agent systems. In D. Srinivasan & L. C. Jain (Eds.), Innovations in multi-agent systems and applications – 1 (Vol. 310). Springer. https://doi.org/10.1007/978-3-642-14435-6_1
Bandi, A., Kongari, B., Naguru, R., Pasnoor, S., & Vilipala, S. V. (2025). The rise of agentic AI: A review of definitions, frameworks, architectures, applications, evaluation metrics, and challenges. Future Internet, 17(9), 404. https://doi.org/10.3390/fi17090404
Biswas, A., & Talukdar, W. (2025). Building agentic AI systems: Create intelligent, autonomous AI agents that can reason, plan, and adapt. Packt Publishing. https://www.packtpub.com/en-us/product/building-agentic-ai-systems-9781801079273
Brynjolfsson, E., Rock, D., & Syverson, C. (2021). The productivity J-curve. American Economic Journal: Macroeconomics, 13(1), 333–372. https://ide.mit.edu/sites/default/files/publications/2019-04JCurvebrief.final2_.pdf
Chan, A., Rahimi-Ardabilli, H., Rogers, W. A., & Coiera, E. (2025). The real-world impact of artificial intelligence ethics frameworks across a decade in healthcare: A scoping review. Journal of the American Medical Informatics Association, 32(11), 1767–1777. https://doi.org/10.1093/jamia/ocaf167
Chen, X., Xiang, J., Lu, S., Liu, Y., He, M., & Shi, D. (2025). Evaluating large language models and agents in healthcare: Key challenges in clinical applications. Intelligent Medicine, 5(2), 151–163. https://doi.org/10.1016/j.imed.2025.03.001
Cockburn, I. M., Henderson, R. M., & Stern, S. (2018). The impact of artificial intelligence on innovation (NBER Working Paper No. 24449). https://doi.org/10.3386/w24449
Coeckelbergh, M. (2020). AI ethics. MIT Press. https://doi.org/10.7551/mitpress/12549.001.0001
Collaco, B. G., et al. (2026). The role of agentic artificial intelligence in healthcare: A scoping review. NPJ Digital Medicine. https://doi.org/10.1038/s41746-026-02517-5
Dorri, A., Kanhere, S. S., & Jurdak, R. (2018). Multi-agent systems: A survey. IEEE Access, 6, 28573–28593. https://doi.org/10.1109/ACCESS.2018.2831228
Du, S., et al. (2026). Optimization of large language model-based agents. ACM Computing Surveys. https://doi.org/10.1145/3789261
Durga, R. K. (2025). A comprehensive study of agentic AI systems. International Journal of Scientific Research and Modern Technology, 4(5), 157–164. https://doi.org/10.38124/ijsrmt.v4i5.1043
European Commission. (2024). Proposal for a regulation laying down harmonised rules on artificial intelligence (AI Act). https://eur-lex.europa.eu/legal-content/ES/TXT/PDF/?uri=OJ:L_202401689
Floridi, L., & Cowls, J. (2019). A unified framework of five principles for AI in society. Harvard Data Science Review. https://doi.org/10.1162/99608f92.8cd550d1
Floridi, L., Cowls, J., King, T. C., & Taddeo, M. (2021). Achieving a “good AI society”: Comparing the aims and progress of the EU and the US. Science and Engineering Ethics, 27, 68. https://doi.org/10.1007/s11948-021-00338-3
Frank, M. R., et al. (2025). AI exposure predicts unemployment risk: A new approach to assessing the labor-market impacts of AI. PNAS Nexus. https://doi.org/10.1093/pnasnexus/pgaf107
Guidotti, R., et al. (2019). A survey of methods for explaining black box models. ACM Computing Surveys, 51(5), 93. https://doi.org/10.1145/3236009
Hahn, M., Tretter, M., & Dabrock, P. (2026). Ethical perspectives on AI agents and agentic AI. AI Ethics, 6, 218. https://doi.org/10.1007/s43681-026-01027-0
Hofmann, P., et al. (2025). Conceptualizing the design space of AI strategy. Business & Information Systems Engineering. https://doi.org/10.1007/s12599-025-00856-1
Hosseini, S., & Seilani, H. (2025). The role of agentic AI in shaping a smart future: A systematic review. Array. https://doi.org/10.1016/j.array.2025.100399
Jobin, A., Ienca, M., & Vayena, E. (2020). The global landscape of AI ethics guidelines. Nature Machine Intelligence, 1, 389–399.
Jöhnk, J., Weißert, M., & Wyrtki, K. (2021). Ready or not, AI comes. Business & Information Systems Engineering, 63, 5–20. https://doi.org/10.1007/s12599-020-00676-7
Karnouskos, S., et al. (2020). Industrial agents as enablers of Industry 4.0. IEEE Industrial Electronics Magazine, 14(3), 18–32. https://doi.org/10.1109/MIE.2019.2962225
Lewis, P. R., & Sarkadi, Ş. (2024). Reflective artificial intelligence. Minds and Machines, 34, 14. https://doi.org/10.1007/s11023-024-09620-3
Li, H. (2026). General framework of AI agents. Journal of Computer Science and Technology. https://doi.org/10.1007/s11390-025-5951-5
Maldonado, D., et al. (2024). Multi-agent systems survey. IEEE Access. https://doi.org/10.1109/ACCESS.2024.3409051
Mantia, L., et al. (2025). Designing a successful agentic AI system. Harvard Business Review. https://hbr.org/2025/10/designing-a-successful-agentic-ai-system
Mejía Trejo, J. (2024). Inteligencia artificial: Fundamentos de ingeniería de prompts. AMIDI. https://amidibiblioteca.amidi.mx/index.php/AB/catalog/book/48
Mejía Trejo, J. (2025). Inteligencia artificial y su repercusión en la educación superior. AMIDI. https://amidibiblioteca.amidi.mx/index.php/AB/catalog/book/70
OpenAI. (s. f.). A practical guide to building agents. https://cdn.openai.com/business-guides-and-resources/a-practical-guide-to-building-agents.pdf
OECD. (2022). OECD framework for the classification of AI systems. https://doi.org/10.1787/cb6d9eca-en
OECD. (2025a). Governing with artificial intelligence. https://www.oecd.org
OECD. (2025b). Artificial intelligence and competitive dynamics. https://www.oecd.org
OECD. (2025c). AI governance through global red lines. https://oecd.ai
OECD. (2026). The agentic AI landscape and its conceptual foundations. https://www.oecd.org
Ozdemir, S. (2026). Building agentic AI: Workflows, fine-tuning, optimization, and deployment. Pearson.
Parker, S. K., & Grote, G. (2022). Automation, algorithms, and beyond. Applied Psychology. https://doi.org/10.1111/apps.12241
Piccialli, F., et al. (2025). AgentAI in Industry 4.0. Expert Systems with Applications. https://doi.org/10.1016/j.eswa.2025.128404
Poole, D. L., & Mackworth, A. K. (2017). Artificial intelligence: Foundations of computational agents (2nd ed.). Cambridge University Press. https://doi.org/10.1017/9781108164085
Rahwan, I., et al. (2019). Machine behaviour. Nature, 568, 477–486. https://doi.org/10.1038/s41586-019-1138-y
Raisch, S., & Krakowski, S. (2021). Artificial intelligence and management. Academy of Management Review, 46(1), 192–210. https://doi.org/10.5465/amr.2018.0072
Ribeiro, M. T., Singh, S., & Guestrin, C. (2016). Why should I trust you? KDD. https://doi.org/10.1145/2939672.2939755
Russell, S. (2019). Human compatible. Viking.
Russell, S., & Norvig, P. (2022). Artificial intelligence: A modern approach (4th ed.). Pearson.
Sapkota, R., et al. (2026). AI agents vs. agentic AI. Information Fusion. https://doi.org/10.1016/j.inffus.2025.103599
Stone, P., et al. (2021). Artificial intelligence and life in 2030. Stanford University.
United Nations. (2024). Governing AI for humanity. https://www.un.org
UNESCO. (2025a). Artificial intelligence and education. https://unesdoc.unesco.org
UNESCO. (2025b). Artificial intelligence and culture. https://www.unesco.org
Vinuesa, R., et al. (2020). The role of artificial intelligence in achieving SDGs. Nature Communications, 11, 233. https://doi.org/10.1038/s41467-019-14108-y
Wang, Z., et al. (2024). Explainable AI roadmap. ACM Transactions on Autonomous and Adaptive Systems. https://doi.org/10.1145/3702004
Wang, L., et al. (2024). LLM-based autonomous agents. Frontiers of Computer Science. https://doi.org/10.1007/s11704-024-40231-1
World Bank. (2026). World development report 2026. https://www.worldbank.org
World Economic Forum. (2024). Navigating the AI frontier. https://www.weforum.org
World Economic Forum. (2025). AI agents in action. https://www.weforum.org
World Health Organization. (2021). Ethics and governance of AI for health. https://iris.who.int
Yadav, P., et al. (2023). Multi-agent reinforcement learning. Sensors, 23(10), 4710. https://doi.org/10.3390/s23104710
Yuan, Y., & Xie, T. (2026). Reinforce LLM reasoning. ICML Proceedings. https://proceedings.mlr.press
Zhang, Z., et al. (2025). Memory mechanisms in LLM agents. ACM TOIS. https://doi.org/10.1145/3748302
Xie, H., et al. (2025). AI for structural design automation. Automation in Construction. https://doi.org/10.1016/j.autcon.2025.106496
Descargas
Publicado
abril 16, 2026
Colección
Categorías
Derechos de autor 2026 Juan Mejía Trejo
Licencia
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
Detalles sobre esta monografía
ISBN-13 (15)
978-970-96061-0-2
doi
10.55965/abib.9789709606102
