El mapa de la IA por capas: quién compite con quién en 2026

Por Felipe Traina · 29/9/2026 · 8 min · ia, agentes, arquitectura, llm, mcp

Mapa de la IA por capas: modelos, plataformas, apps verticales e integradores

Una empresa de chatbots o agentes para empresas casi nunca compite con OpenAI. Usa GPT, Claude, Gemini o Grok. El modelo es el motor; el producto es el auto: identidad, memoria, herramientas, canales y reglas para que el agente actúe en el CRM o el ERP sin romper nada.

Si el mapa de la IA te resulta un lío de logos, ordenalo por capas. No es un ranking de “quién es más inteligente”: es un mapa de quién vende qué y contra quién pelea de verdad.

Las cuatro capas (y por qué importan)

1) Modelos fundacionales

Acá viven OpenAI, Anthropic, Google DeepMind y xAI (y, en open-weight, labs como DeepSeek). Entrenan modelos de frontera. Compiten entre ellos por calidad, precio, velocidad, contexto y seguridad. Venden API y, además, un producto propio (ChatGPT, Claude.ai, Gemini, Grok).

En septiembre de 2026 la frontera está comprimida: no hay un ganador único. Comparativas recientes alinean GPT-6 Astra, Claude Fable 5.1 / Opus 5.5, Gemini 3.x Flash y Grok 4.7 en ejes distintos — grounding y documentos largos, confiabilidad agentic para coding, costo por token a escala, o valor en tareas agentic — no en un solo “IQ” (Tech Insider, sep. 2026; rankings agregados en Fello AI y trackers como TensorFeed Model Wars).

La lectura útil para un CTO: elegí modelo según carga de trabajo, no según el launch más ruidoso. Un Flash barato puede ganar en volumen de soporte; un flagship caro puede ganar en agentes de código o en grounding legal. Y la “foto” de benchmarks dura semanas, no trimestres.

2) Plataformas / “OS” para agentes

Orquestan modelos, tools, memoria, identidad, guardrails y canales (chat, WhatsApp, voz). No reemplazan al modelo: lo consumen por API. Acá entran runtimes y plataformas enterprise que autentican, llaman tools, mantienen estado y cierran la operación en sistemas de negocio.

En este piso también están los frameworks de orquestación (LangGraph, CrewAI, Microsoft Agent Framework, SDKs de vendors). La guía práctica de 2026 es clara: no hay un framework “mejor” en abstracto; hay un mejor fit según control de estado, ecosistema cloud, gobernanza y si necesitás human-in-the-loop durable (Atlan; AB7).

Un producto como MindLab se entiende mejor en esta capa: el runtime donde el agente autentica, llama tools y cierra la operación, encima de uno o varios modelos.

3) Apps verticales

Agentes (o suites) para un dominio concreto: cobranza, soporte SaaS, reclamos, onboarding bancario, back-office. Pueden sentarse encima de un OS de agentes o sobre un stack armado a mano. Compiten por resultado de negocio (contención, tiempo de resolución, cumplimiento), no por Elo en un leaderboard.

4) Integradores y DIY

Consultoras, RPA clásico, o tu equipo con frameworks + scripts. Sirve para un piloto. A escala, el costo está en mantenimiento, seguridad, evaluación y observabilidad — no en el primer demo. Muchos “lo hacemos nosotros” terminan reinventando la capa 2 sin querer.

¿Quién compite con quién?

Capa	Compite principalmente con	No compite (en serio) con
Modelos fundacionales	Otros labs de frontera	Un vendor de agentes vertical
Plataformas / OS de agentes	Otras plataformas de agentes, CCaaS que suman AI agents, RPA moderno	Entrenar GPT/Claude/Gemini
Apps verticales	Otras apps del mismo dominio + el “lo hacemos in-house”	OpenAI como laboratorio
Integradores / DIY	Otras consultoras y el build-vs-buy interno	El roadmap de un lab de frontera

La confusión nace cuando alguien mezcla capas en la misma frase: “¿compramos OpenAI o un vendor de agentes?”. Son compras distintas. OpenAI (u otro lab) te vende cerebro. El vendor de agentes te vende sistema operativo + canales + reglas + integraciones para que ese cerebro opere en tu empresa.

Plataformas de agentes vs modelos: la distinción que falta en los RFPs

Un modelo responde. Un agente actúa: lee el ticket, consulta el CRM, aplica una política, escribe en el ERP, pide aprobación humana si el riesgo es alto, y deja traza auditable.

Por eso los stacks enterprise de 2026 separan:

Modelo(s) — multi-modelo es cada vez más normal (Claude para razonar, un Flash para clasificación barata, otro para voz, etc.).
Orquestación — grafos, crews, handoffs, retries, checkpoints.
Tools / contexto — CRM, ERP, knowledge, pagos, agendas.
Gobernanza — permisos, PII, allowlists de egress, evaluación continua.

Si tu RFP pone “AI agent” y solo mide “qué tan bien responde ChatGPT”, estás midiendo la capa 1 y comprando como si fuera la 2–3.

MCP, A2A y la capa de integración (sin magia)

Hasta hace poco, conectar cinco agentes a diez tools era hasta cincuenta integraciones a medida. Dos protocolos abiertos ordenaron el cableado:

MCP (Model Context Protocol) — el “USB-C” del agente hacia tools, datos y recursos. Nació en Anthropic (nov. 2024) y en diciembre de 2025 se donó a la Agentic AI Foundation bajo la Linux Foundation, junto a proyectos como goose y AGENTS.md (anuncio LF; docs en modelcontextprotocol.io).
A2A (Agent2Agent) — comunicación entre agentes independientes (descubrimiento, delegación, tareas con estado). Google lo donó a la Linux Foundation; el sitio oficial lo presenta como complementario a MCP, no como reemplazo (a2a-protocol.org; donación Google Cloud).

En la práctica:

API del modelo → el cerebro.
RAG / knowledge → documentos propios para que no invente lo que ya tenés en PDFs o en la wiki.
Tools / MCP → leer y escribir sistemas (CRM, ERP, pagos, agendas).
A2A → cuando un agente de soporte necesita pedirle algo a un agente de facturación de otro vendor.
Guardrails → qué puede y qué no (límites, datos sensibles, políticas).
Human-in-the-loop → deriva a una persona cuando el riesgo o la incertidumbre son altos.

MCP no reemplaza LangGraph ni CrewAI: se sienta debajo como formato de descubrimiento e invocación de tools. A2A no reemplaza MCP: conecta agentes entre sí.

CCaaS vs agentes: ¿rivales o capas distintas?

Los contact centers cloud (CCaaS) — NICE CXone, Genesys Cloud y el resto del cuadrante — siguen siendo el system of record de telefonía, ruteo omnichannel, WFM/WEM, QA, reporting y compliance. En 2026 suman AI agents y copilots nativos; Everest e ISG marcan el salto de “agent assist” a agentes que resuelven y orquestan workflows (Everest CCaaS 2026 / NICE; ISG Buyers Guide Contact Centers 2026).

Pero CCaaS y un OS de agentes no siempre pelean el mismo presupuesto:

Si necesitás colas, WFM, QA y compliance de contact center → CCaaS.
Si necesitás que un agente complete el workflow de punta a punta en CRM/ERP (no solo conversar y escalar) → capa de agentes, a menudo encima o al lado del CCaaS.
Muchas empresas van a un híbrido: CCaaS para canales humanos + capa agentic para contención y ejecución backend.

Tratar “Genesys vs OpenAI vs vendor de agentes” como un triángulo de sustitutos es el error de capas otra vez.

Hacia dónde va esto

De chatbots que responden → agentes que actúan en sistemas, con traza y políticas.
Multi-modelo por defecto — routing por costo/calidad/latencia, sin casarte con un solo lab.
Protocolos abiertos — MCP + A2A como infraestructura; el moat se mueve a datos, permisos, evaluación y dominio.
Evaluación de resultado — ¿cerró el caso? ¿respetó la política? No solo “¿respondió bien?”.
Gobernanza como feature — egress, credenciales de workload, kill switch, HITL. Los incidentes públicos de 2026 en sandboxes de labs (DNS, tokens, supply chain de agentes) son recordatorio: el system prompt no es un control de seguridad. Lo amplío en OpenAI pausó sus modelos más capaces y en NVIDIA OpenShell.

FAQ: ¿compite un vendor de agentes con OpenAI?

Casi nunca. Solo compite de verdad con OpenAI (o Anthropic, Google, xAI) si entrena modelos de frontera. Casi nadie de la capa 2–3 lo hace.

Un vendor de agentes compite más con:

otras plataformas de agentes,
CCaaS que empujan AI agents nativos,
RPA / automatización clásica,
el “lo hacemos nosotros” del equipo interno.

OpenAI (y pares) son proveedores de ese vendor, no rivales directos — igual que Intel no “compite” con quien arma laptops, aunque el marketing a veces lo haga parecer.

La pregunta útil para un CTO no es “¿OpenAI o un vendor de agentes?”. Es: ¿qué capa necesitás comprar y qué capa ya tenés?

Si tu empresa ya usa un LLM por API, ¿qué te frena hoy para que un agente no solo responda, sino que cierre la operación en tu sistema?

Fuentes

Lecturas relacionadas

← Volver al blog