Nous Research alcanza valuación de $1.5B con agentes IA para empresas
Por Redacción Automatización LatAm · 7 de octubre de 2026 · Fuente original: TechCrunch AI
Foto: AI Editor User · Openverse · CC BY 4.0
La empresa desarrolladora de Hermes Agent cerró una ronda Serie B de $90 millones y lanzó soluciones de agentes autónomos dirigidas al mercado corporativo.
El contexto de los agentes IA en automatización empresarial
Los agentes de inteligencia artificial autónomos representan una evolución significativa en la automatización de procesos empresariales. A diferencia de los chatbots o asistentes pasivos, un agente IA puede tomar decisiones, ejecutar tareas en múltiples sistemas y aprender de sus interacciones sin intervención humana constante. En el contexto de la manufactura y operaciones industriales, esta capacidad es particularmente relevante porque permite coordinar flujos de trabajo complejos, integrar sistemas legacy (ERP, MES, SCADA) y optimizar decisiones operacionales en tiempo real.
Nous Research, Hermes y la ronda de financiamiento
Nous Research, fundada como laboratorio de investigación de modelos de lenguaje de código abierto, ha evolucionado hacia la comercialización de agentes IA empresariales. El desarrollo de Hermes Agent —su producto insignia— permite a usuarios no técnicos definir y desplegar automatizaciones complejas sin programación convencional. La ronda Serie B de $90 millones a una valuación de $1.5 mil millones refleja confianza del mercado de capital de riesgo en que los agentes IA pasarán del prototipo a despliegues críticos en la próxima fase. Este financiamiento generalmente se destina a expansión de ventas, mejora de infraestructura backend y validación de casos de uso en clientes empresariales.
Arquitectura y funcionalidad de los agentes para empresas
Los agentes de Nous están diseñados con un modelo diferente al de los LLMs tradicionales (como GPT-4 o Claude). No se trata solo de una interfaz conversacional, sino de un entorno donde el modelo puede accionar APIs, consultar bases de datos, ejecutar scripts y coordinar múltiples herramientas en paralelo. Esto es especialmente relevante para operaciones industriales: un agente podría monitorear señales MQTT de sensores en una línea de producción, consultar un MES para verificar órdenes pendientes, ajustar setpoints en un PLC vía OPC UA, y generar un reporte para el supervisor, todo sin intervención humana y con trazabilidad auditada.
La diferencia técnica con soluciones tradicionales de automatización (como scripts en Python o flujos de RPA genéricos) radica en que estos agentes pueden razonar sobre incertidumbre y adaptar su comportamiento a contextos nuevos. Un script convencional falla ante variaciones; un agente IA puede detectar anomalías, generar hipótesis sobre la causa y proponer acciones correctivas.
Contexto competitivo y ecosistema IA empresarial
Nous Research compite indirectamente con proveedores como OpenAI (vía API de GPT-4 + frameworks como LangChain o Autogen), Anthropic (Claude con tool use), y plataformas especializadas como Zapier, Make o UiPath que ya ofrecen orquestación de procesos con algún nivel de IA. Sin embargo, la fortaleza de Nous es su enfoque en modelos de código abierto (derivados de Llama de Meta) que pueden ejecutarse on-premise, lo que es crítico para plantas industriales con restricciones de datos sensibles o latencia baja.
Lectura para la industria latinoamericana
En Latinoamérica, la adopción de agentes IA en manufactura enfrentará tres desafíos concretos que ningún analista global menciona con suficiencia. Primero, la infraestructura de datos: plantas en México, Brasil y Colombia aún dependen de sistemas de control desactualizados (PLC Siemens S7-300, HMI de principios de 2000) con conectividad limitada. Integrar un agente IA requiere APIs o pasarelas (como OPC UA con certificación IEC 62541), que no todas las plantas tienen desplegadas. Segundo, el talento técnico: mientras que centros como São Paulo y México City tienen ingenieros que entienden LLMs, la mayoría de plantas medianas dependen de técnicos con formación en circuitos y automatización clásica, no en machine learning. Tercero, el costo: una licencia de Nous Research o equivalente costará entre $5,000-$50,000 USD/año por organización, cifra significativa cuando muchas plantas aún operan con presupuestos ajustados post-pandemia.
Dicho esto, los sectores que más se beneficiarían inmediatamente son: (1) minería (Codelco en Chile, Antamina en Perú, Barrick en Argentina): orquestación de múltiples líneas de perforación y procesamiento; (2) alimentos y bebidas (Bimbo, Alpina, Grupo Amasadora): optimización de recetas, gestión de calidad y trazabilidad en líneas de producción; (3) energía (oil&gas, hidroeléctrica): monitoreo predictivo de equipos remotos y coordinación con sistemas SCADA existentes. Proveedores locales como Schneider Electric LATAM, ABB, y distribuidores como Tech Data o Synnex, están en posición de ofrecer estos agentes como servicios gestionados, lo que reduce la barrera de entrada.
Para un ingeniero de planta en la región, la recomendación práctica es: (1) inventariar qué sistemas legacy tienes (PLC, HMI, ERP); (2) evaluar si tiene APIs o puertos de integración documentados; (3) pilotar un agente IA en un proceso no crítico primero (mantenimiento predictivo, logística interna) para ganar experiencia antes de desplegar en producción; (4) buscar partners locales con experiencia en IIoT e integración, no solo vendedores de licencias cloud.
Vigilancia a futuro
En los próximos 12-18 meses, observa: (1) si Nous Resources anuncia alianzas con proveedores de automatización industrial (Siemens Digital Industries, Schneider EcoStruxure, Beckhoff); (2) casos de uso publicados en manufactura discreta o proceso continuo con métricas (reducción de downtime, mejora en OEE); (3) competencia de OpenAI y Anthropic con versiones “enterprise” de agentes con garantías de latencia y privacidad on-premise; (4) regulación en torno a agentes autónomos en contextos críticos (IEC 61508 para seguridad funcional podría impactar cómo se certifican estos agentes).
Este resumen es un análisis original. Para leer la noticia completa visita la fuente original: TechCrunch AI →
Sigue leyendo
Agentes IA empresariales: la brecha entre ambición e infraestructura
Mientras el 85% de organizaciones planea adoptar agentes de IA en tres años, el 76% reconoce que su infraestructura actual no está lista. El desafío incluye capacitación, procesos y flujos de trabajo desalineados con tecnologías autonómicas.
Fuente: MIT Technology Review
Google lanza modelo Elephant-Goldfish para agentes de código basados en especificaciones
Google presenta un plugin que obliga a agentes de IA a redactar especificaciones antes de generar código, aplicando cinco etapas de revisión sin contexto previo. Cambia el flujo de trabajo tradicional de desarrollo automatizado.
Fuente: MarkTechPost
Google abre Harness2: framework recursivo para optimizar agentes IA
Google Research lanzó Harness2, un framework de código abierto que reoptimiza el comportamiento de agentes de IA en tiempo de prueba sin actualizar pesos. Un ciclo de refinamiento mejoró el desempeño de GLM-5 en 11.5 puntos en WorkBuddy-Bench.
Fuente: MarkTechPost
Agentes IA descontrolados detectados en India por credenciales expuestas
Investigadores reportan actividad no autorizada de agentes IA en infraestructuras indias tras hallazgos de credenciales y configuraciones de conectividad mal aseguradas en repositorios públicos y roles en nube con permisos excesivos.
Fuente: TechCrunch AI
CopilotKit lanza CLiF: plataforma de aprendizaje continuo para agentes IA
CopilotKit presenta CLiF, una plataforma que captura trazas de agentes de IA y acciones de usuarios para generar automáticamente datos de evaluación y fine-tuning. La herramienta aborda el desafío de escalar agentes IA confiables en aplicaciones empresariales complejas.
Fuente: MarkTechPost
Antropic limita acceso a internet en evaluaciones internas de agentes IA
Antropic desactivó temporalmente el acceso a internet en vivo para sus pruebas internas de agentes de IA, señalando limitaciones en el control confiable de estos sistemas. La medida refleja desafíos técnicos en la gobernanza de agentes autónomos.
Fuente: TechCrunch AI