Definición y funcionamiento de sistemas inteligentes

Los sistemas inteligentes (SI) constituyen una categoría avanzada de soluciones tecnológicas, capaces de interactuar con su entorno, procesar información compleja y ejecutar acciones orientadas al logro de metas específicas; su diseño parte del principio de que, para operar eficazmente en entornos cambiantes y no estructurados, los sistemas deben contar con la capacidad de adaptarse, aprender de la experiencia y tomar decisiones autónomas. Esta capacidad de adaptación y razonamiento dinámico los convierte en elementos clave de la transformación digital contemporánea, con aplicaciones crecientes en sectores como la salud, industria, movilidad, educación y gestión pública.

Un sistema se considera inteligente cuando incorpora un conjunto integrado de tecnologías que simulan habilidades cognitivas características del ser humano, como la percepción sensorial, el razonamiento lógico, el aprendizaje progresivo, la memoria funcional y la planificación estratégica de acciones (Zatarain et al., 2024). Estas funciones se articulan mediante técnicas de inteligencia artificial (IA) y subcampos como el aprendizaje automático (machine learning), aprendizaje profundo (deep learning), sistemas expertos y procesamiento del lenguaje natural; además, los SI suelen integrar sensores adaptativos, redes de comunicación en tiempo real, interfaces humano-máquina y mecanismos de toma de decisiones distribuidos, lo cual les permite operar con un alto grado de autonomía, precisión y eficiencia en entornos complejos. En conjunto, estos sistemas no solo ejecutan tareas previamente definidas, también pueden ajustarse a condiciones imprevistas, generar nuevos cursos de acción y optimizar sus procesos con base en datos recolectados continuamente.

El surgimiento y consolidación de los SI está estrechamente vinculado con los avances recientes en IA, procesamiento masivo de datos (big data), tecnologías del internet de las cosas (IoT) y computación en la nube. La convergencia de estas tecnologías ha permitido superar las limitaciones propias de los sistemas programados de forma rígida, dando lugar a soluciones capaces de aprender del entorno, ajustar su comportamiento de manera autónoma y colaborar con seres humanos en contextos de alta complejidad. A diferencia de los sistemas tradicionales, los sistemas inteligentes no se restringen a ejecutar tareas predefinidas, sino que poseen la capacidad de adaptarse a nuevas situaciones y tomar decisiones basadas en información cambiante.

Un SI opera en un entorno físico o virtual, mediante una interacción constante con estímulos externos, los cuales son procesados para construir una representación interna del contexto. Esta representación orienta la toma de decisiones y la ejecución de acciones; a su vez, estas últimas modifican el entorno y generan un nuevo ciclo de percepción y ajuste (Molina, 2022). Este funcionamiento cíclico se sustenta en componentes esenciales, como sensores (encargados de captar datos del entorno), actuadores (que ejecutan acciones), módulos de control (que determinan las respuestas del sistema) y mecanismos de aprendizaje (encargados de mejorar su desempeño progresivamente). Aunque la arquitectura funcional de los sistemas inteligentes varía según el dominio de aplicación, suele organizarse en torno a un esquema clásico de percepción–razonamiento–acción, como el siguiente:

Figura 1. Estructura general del funcionamiento de un sistema inteligente.
Fuente: Molina, M. (2022). What is an intelligent system? Recuperado de https://arxiv.org/abs/2009.09083

Uno de los elementos fundamentales que caracteriza a un sistema inteligente, como se ha expuesto en apartados previos, es su capacidad para construir modelos representativos del entorno a partir de los datos que recibe; dichos modelos pueden adoptar una forma explícita (como reglas de decisión codificadas por especialistas) o implícita (mediante la identificación de patrones de comportamiento por medio de técnicas de aprendizaje automático). En ambos casos, el sistema emplea estos modelos para predecir las consecuencias de sus acciones, seleccionar las alternativas más eficaces y ajustarse a nuevos contextos, sin necesidad de intervención humana directa. Esta capacidad de adaptación representa una de las diferencias esenciales entre un sistema inteligente y uno automatizado de tipo convencional.

En términos operativos, los sistemas inteligentes pueden adoptar diversas formas, las cuales incluyen desde asistentes personales virtuales hasta robots colaborativos, vehículos autónomos, sistemas de diagnóstico médico, plataformas de análisis financiero o soluciones de gestión urbana. Cada una de estas aplicaciones demanda distintos niveles de inteligencia y grados de autonomía, según el tipo de tareas involucradas, las condiciones del entorno en que operan y la naturaleza de la interacción que mantienen con personas u otros sistemas. A continuación, se presenta una clasificación orientativa para organizar los sistemas inteligentes con base en su competencia cognitiva, su capacidad de adaptación y el tipo de aprendizaje que incorporan:

  

Figura 2. Clasificación de los SI, según capacidades cognitivas y de aprendizaje.
Fuente: Colomo, J., Vargas, J., Sanaguano, C., y Rochina, A. (2020). Inteligencia artificial, sistemas inteligentes, agentes inteligentes. Recimundo, 4(2). Recuperado de https://dialnet.unirioja.es/descarga/articulo/7591558.pdf

El diseño y funcionamiento de un sistema inteligente exige la convergencia de diversas disciplinas científicas y técnicas, entre las que se incluyen la ingeniería informática, inteligencia artificial, robótica, neurociencia computacional, lingüística aplicada y psicología cognitiva. Esta integración multidisciplinaria resulta esencial para garantizar la interoperabilidad de sus componentes funcionales: percepción, interpretación, planificación, ejecución y retroalimentación. Cada campo aporta marcos conceptuales, metodologías y herramientas que permiten construir sistemas capaces de interactuar eficazmente con entornos complejos, inciertos y dinámicos; gracias a esta sinergia, los sistemas inteligentes no solo ejecutan tareas técnicas específicas, sino que adquieren capacidades para resolver problemas no triviales, adaptarse a nuevas condiciones y colaborar en tiempo real con usuarios humanos.

Desde una perspectiva funcional, muchos de los sistemas inteligentes actuales se estructuran en torno al concepto de agente autónomo, entendido como una entidad computacional capaz de percibir su entorno, procesar información relevante y ejecutar acciones orientadas al cumplimiento de metas predefinidas. A diferencia de los sistemas pasivos, los agentes autónomos actúan de manera proactiva, deliberativa y, en numerosos casos, adaptativa; en este caso, su comportamiento se rige por una métrica de desempeño que establece criterios de éxito según el dominio de aplicación, así que permite evaluar la eficacia de sus decisiones y ajustar su estrategia de acción (Molina, 2022).

Los agentes pueden presentar distintos niveles de complejidad: desde sistemas reactivos simples, que operan bajo esquemas predefinidos, hasta arquitecturas cognitivas avanzadas, que integran razonamiento simbólico, aprendizaje automático y planificación a largo plazo. Esta escalabilidad funcional permite que los sistemas construidos a partir de múltiples agentes (sistemas multiagente) desarrollen comportamientos emergentes, distribuyan tareas y respondan de forma robusta a condiciones variables. A medida que evolucionan, estos sistemas se consolidan como soluciones estratégicas para abordar tareas que requieren autonomía operativa, cooperación entre entidades y adaptación continua al entorno.

En el siguiente episodio de Transformación Digital, se explora un ejemplo ilustrativo de esta lógica de operación distribuida:

 

Como puede observarse, la aplicabilidad de los sistemas inteligentes, en particular aquellos estructurados como sistemas multiagente, trasciende el plano teórico y se evidencia de manera concreta en escenarios reales donde la coordinación precisa, la autonomía operativa y la adaptabilidad resultan condiciones imprescindibles. Estas soluciones distribuidas permiten abordar tareas que exigen sincronización a gran escala, capacidad de respuesta inmediata y operación confiable en entornos dinámicos; mediante la cooperación entre agentes que actúan de forma individual pero articulada, se facilita la ejecución de acciones complejas que no pueden ser gestionadas eficazmente por un sistema monolítico o centralizado.

A pesar de su potencial transformador, la implementación de SI conlleva una serie de desafíos técnicos, éticos y operativos, los cuales deben ser abordados con rigor para asegurar su eficacia, confiabilidad y aceptación social. Entre los más relevantes, destacan los siguientes:

  

Figura 3. Principales desafíos de los SI.
Fuente: Serón, F. (2024). Desafíos pendientes para los sistemas inteligentes. España: Prensas de la Universidad de Zaragoza.

Desde una perspectiva de ingeniería, uno de los elementos determinantes en el diseño de sistemas inteligentes es la elección de la arquitectura de funcionamiento. Esta decisión no solo establece cómo se interconectan los distintos módulos funcionales (como percepción, razonamiento, planificación y acción), sino que también define la lógica mediante la cual se gestionan los flujos de información, la toma de decisiones y la ejecución de respuestas ante estímulos del entorno. Existen diversas aproximaciones arquitectónicas, entre las que destacan los sistemas basados en reglas explícitas (rule-based systems), las redes neuronales artificiales y los modelos híbridos, donde se combinan algoritmos simbólicos con técnicas de aprendizaje automático para aprovechar las ventajas de ambos enfoques.

La selección de una arquitectura adecuada depende de múltiples factores, como la naturaleza del entorno en el que operará el sistema (estático, dinámico o incierto), el nivel requerido de autonomía y adaptabilidad, la disponibilidad y calidad de los datos para procesos de entrenamiento (ya sea supervisado, no supervisado o por refuerzo), así como la necesidad de interpretar o justificar las decisiones del sistema ante usuarios humanos; en este sentido, se vuelve imprescindible adoptar principios de diseño centrado en el usuario, especialmente en aplicaciones que implican interacción directa con personas. Estos principios no solo buscan garantizar usabilidad y accesibilidad, sino también fomentar la confianza, transparencia y seguridad en el comportamiento del sistema, aspectos esenciales para su aceptación e integración en contextos reales (Serón, 2024).

En términos de aplicación práctica, los sistemas inteligentes han demostrado un impacto significativo en sectores estratégicos donde la toma de decisiones rápida y precisa resulta fundamental. Entre los casos más representativos, destacan los siguientes:

Figura 4. Aplicaciones prácticas de los SI en diversos ámbitos.
Fuente: Algotive. (2022). Sistemas Inteligentes: Qué son, cómo funcionan y por qué son tan importantes. Recuperado de https://www.algotive.ai/es-mx/blog/sistemas-inteligentes-que-son-c%C3%B3mo-funcionan-y-por-que-son-tan-importantes

La interacción entre los sistemas inteligentes y otras tecnologías emergentes (como las redes 5G, el edge computing y la computación cuántica) amplía de manera significativa los límites operativos en términos de velocidad, autonomía, eficiencia energética y escalabilidad; en particular, la computación en el borde permite ejecutar procesos analíticos directamente en dispositivos o nodos próximos al punto de origen de los datos, sin depender por completo de servidores remotos en la nube. Esta descentralización del procesamiento reduce considerablemente la latencia y, por ende, posibilita la toma de decisiones autónomas en milisegundos; dicha capacidad resulta esencial en aplicaciones altamente sensibles al tiempo de respuesta, como los vehículos autónomos, sistemas de monitoreo industrial o dispositivos médicos inteligentes, donde incluso una leve demora puede comprometer la seguridad o la eficacia del sistema.

Adicionalmente, el despliegue de redes 5G fortalece esta lógica de operación distribuida, al proporcionar conectividad de alta velocidad, gran ancho de banda y baja latencia en tiempo real; estas características permiten la coordinación eficaz de múltiples dispositivos inteligentes que operan de forma simultánea en entornos dinámicos. Un caso paradigmático de esta sinergia tecnológica puede observarse en los espectáculos aéreos con drones, donde cientos de unidades actúan como agentes individuales coordinados, formando figuras tridimensionales en el cielo. La sincronización precisa de estos dispositivos exige infraestructuras capaces de procesar grandes volúmenes de datos en tiempo real con total fiabilidad, sin interrupciones ni desfases temporales. Este tipo de aplicaciones evidencia con claridad cómo la convergencia entre inteligencia distribuida, redes de nueva generación y sistemas de control autónomo permite el desarrollo de soluciones complejas en escenarios físicos altamente exigentes, de tal forma que se establece un nuevo estándar en la interacción entre los entornos digital y físico.

Sistemas autónomos: definición y aplicaciones disruptivas

Los sistemas autónomos (SA) constituyen una etapa avanzada en la evolución de las tecnologías inteligentes, caracterizada por la capacidad de las máquinas para operar, tomar decisiones y ejecutar acciones de manera independiente en entornos abiertos y dinámicos, sin requerir supervisión o intervención humana constante (Vation, s.f.). Esta autonomía se fundamenta en arquitecturas computacionales complejas, las cuales integran diversos módulos funcionales: percepción sensorial del entorno, procesamiento de datos en tiempo real, razonamiento lógico, planificación estratégica y ejecución de acciones mediante actuadores físicos o virtuales. La interacción entre estos módulos permite a los SA no solo reaccionar ante estímulos, sino también anticipar posibles escenarios y ajustar su comportamiento conforme a objetivos predefinidos.

A diferencia de los sistemas automáticos tradicionales, que operan bajo reglas fijas en condiciones controladas y previsibles, los SA están diseñados para desenvolverse en contextos inciertos, dinámicos y parcialmente estructurados. Esto requiere la gestión de información incompleta o ambigua, la evaluación de múltiples alternativas, la resolución de conflictos entre objetivos, así como el aprendizaje derivado de la retroalimentación que ofrece la experiencia operativa; en este marco, la autonomía trasciende la independencia funcional y se configura como una capacidad adaptativa e inteligente, orientada a la toma de decisiones en tiempo real y a la optimización continua del desempeño.

Un SA debe ser capaz de percibir su entorno mediante sensores, interpretar la información obtenida a través de modelos computacionales, evaluar diversas alternativas de acción y ejecutar aquella que maximice el cumplimiento de sus objetivos; asimismo, requiere mecanismos que le permitan valorar las consecuencias de sus decisiones y, en caso necesario, ajustar su comportamiento futuro. Esta arquitectura funcional se articula en un ciclo cerrado de retroalimentación, el cual opera de manera continua mientras el sistema permanece en funcionamiento. El nivel de autonomía puede variar considerablemente: desde sistemas que solo emiten recomendaciones para un operador humano hasta aquellos que actúan de forma completamente independiente. En este marco, muchos sistemas actuales se clasifican como semiautónomos pues, aunque cuentan con capacidades avanzadas de análisis y actuación, requieren supervisión o validación humana en determinadas fases del proceso.

La arquitectura de los SA puede describirse mediante cuatro componentes esenciales: detección, percepción, toma de decisiones y acción. La detección comprende la recolección de datos desde el entorno físico, utilizando sensores ópticos, acústicos, térmicos, inerciales o químicos; por su parte, la percepción transforma esos datos en representaciones significativas, así que permiten al sistema comprender su contexto; mientras tanto, la toma de decisiones consiste en evaluar posibles escenarios y seleccionar la acción más adecuada; finalmente, la acción se refiere a la ejecución de una respuesta mediante actuadores físicos o instrucciones lógicas, en función de la naturaleza del sistema. Este proceso se repite de forma cíclica, generando un bucle de adaptación continua, como se observa a continuación:

Figura 5. Estructura funcional de un sistema autónomo.
Fuente: Molina, M. (2022). What is an intelligent system? Recuperado de https://arxiv.org/abs/2009.09083

La complejidad funcional de un sistema autónomo no radica únicamente en la precisión de sus sensores ni en la velocidad de sus procesadores, sino en su capacidad para aprender de la experiencia, mejorar la toma de decisiones y operar de manera segura en entornos inciertos; en este contexto, el aprendizaje automático (en particular, el aprendizaje por refuerzo) desempeña un papel central. Este enfoque parte de la premisa de que un agente autónomo interactúa con su entorno, recibe retroalimentación en forma de recompensas o penalizaciones y, además, ajusta su comportamiento para maximizar una señal de utilidad a largo plazo. Este tipo de aprendizaje resulta valioso cuando no existen reglas predefinidas para todas las situaciones posibles, así que el sistema debe explorar, cometer errores y reajustarse de manera progresiva para adquirir habilidades; además del aprendizaje por refuerzo, se han desarrollado otras técnicas como la enseñanza automática (Hashemi, 2023), mediante la cual expertos humanos orientan al sistema en la estructuración del conocimiento y la toma de decisiones eficaces, sin requerir grandes volúmenes de datos etiquetados.

El entrenamiento de los sistemas autónomos requiere entornos de simulación avanzados, capaces de reproducir miles de situaciones reales y escenarios extremos sin poner en riesgo la integridad del sistema ni del entorno físico. Estas plataformas permiten escalar el entrenamiento y acelerar el proceso de aprendizaje, integrando modelos de física, sensores y comportamiento humano; posteriormente, el sistema se somete a pruebas en entornos controlados del mundo real, donde se valida su capacidad de adaptación y se genera una retroalimentación continua entre los entornos físico y virtual. Este enfoque híbrido, donde se combina simulación con pruebas de campo, resulta esencial para asegurar la robustez operativa antes de su implementación definitiva.

Uno de los desafíos clave en el desarrollo de sistemas autónomos consiste en la gestión de la seguridad y la confiabilidad; a medida que estos sistemas asumen funciones críticas en sectores como la movilidad, la salud o la manufactura, se vuelve indispensable garantizar que sus decisiones no solo sean técnicamente eficaces, sino también comprensibles, trazables y sometidas a criterios de evaluación externa. La certificación de sistemas autónomos requiere el cumplimiento de estándares internacionales rigurosos, como la ISO 26262 para seguridad funcional en sistemas eléctricos y electrónicos de vehículos, la IEC 61508 en el ámbito industrial o la ISO/TS 15066 en aplicaciones colaborativas entre robots y humanos; dichas normativas establecen procedimientos específicos de diseño, validación, documentación y evaluación de riesgos, con el fin de reducir la probabilidad de fallos catastróficos y garantizar un desempeño seguro en condiciones reales. Además, en sectores donde las decisiones pueden afectar directamente la vida humana, se está promoviendo el uso de gemelos digitales, los cuales permiten simular y predecir comportamientos del sistema antes de que ocurran, actuando como una capa adicional de verificación y análisis predictivo.

Para comprender con mayor claridad los avances en el desarrollo de estos sistemas, se han formulado clasificaciones que permiten organizar los distintos niveles de autonomía, según su grado de independencia operativa y capacidad de adaptación. A continuación, se presenta un ejemplo representativo que establece seis niveles progresivos de autonomía, los cuales facilitan la identificación de las capacidades funcionales de cada tipo de sistema:

  

Figura 6. Niveles de autonomía y competencia cognitiva.
Fuente: Galván, P. (s.f.). Los 6 Niveles de Autonomía. Recuperado de https://sg.com.mx/revista/55/los-6-niveles-autonom

La adopción de SA ha generado un impacto estructural en algunos sectores estratégicos, como la movilidad inteligente, la industria avanzada, la exploración espacial y la gestión de ciudades inteligentes, al transformar radicalmente las formas de operación, reducir la dependencia de la intervención humana directa y abrir nuevas posibilidades de innovación previamente consideradas inalcanzables. Estos sistemas no solo optimizan procesos existentes, también habilitan modelos de negocio emergentes, servicios innovadores y formas novedosas de interacción entre las máquinas y su entorno; de esta manera, se redefinen los límites tecnológicos y organizacionales.

Uno de los ámbitos en los que esta transformación se manifiesta con mayor claridad es la movilidad aérea autónoma; en particular, los vehículos aéreos no tripulados (UAV, del inglés Unmanned Aerial Vehicle), conocidos como drones, han evolucionado rápidamente desde sus aplicaciones iniciales en el ámbito militar hasta consolidarse como plataformas multifuncionales de alto valor en contextos civiles, comerciales e industriales. Actualmente, estos sistemas son utilizados para la inspección de infraestructuras críticas (como líneas eléctricas u oleoductos), la agricultura de precisión, el monitoreo ambiental, la respuesta ante desastres, la logística de última milla y la supervisión urbana; su capacidad para operar de forma autónoma en zonas de difícil acceso, recolectar datos en tiempo real y ejecutar misiones preprogramadas con alta precisión, los posiciona como herramientas estratégicas para tareas que requieren eficiencia operativa, seguridad y adaptabilidad al entorno (CETMO, s.f.).

Más allá de los drones convencionales, comienza a consolidarse una nueva generación de vehículos aéreos autónomos en el marco de la movilidad aérea urbana (UAM, del inglés Urban Air Mobility); este concepto plantea la implementación de aeronaves eléctricas de despegue y aterrizaje vertical (eVTOL), diseñadas para el transporte de personas dentro de entornos metropolitanos mediante rutas automatizadas, sistemas de navegación inteligentes y conexión con infraestructuras aéreas urbanas. Diversas empresas tecnológicas y fabricantes aeroespaciales han iniciado pruebas en ciudades piloto, proyectando un escenario futuro en el que los taxis aéreos autónomos formen parte integral del ecosistema urbano. En conjunto, la movilidad aérea autónoma no solo representa un avance tecnológico de alto impacto, sino también una disrupción estructural que requiere una coordinación efectiva entre gobiernos, industria, comunidad científica y ciudadanía, con el fin de garantizar su implementación de forma segura, escalable y alineada con el interés público.

En el siguiente video, se comenta cómo la adopción de sistemas autónomos está transformando otros sectores fundamentales:

A pesar de su enorme potencial, los sistemas autónomos enfrentan desafíos éticos, legales y sociales que deben abordarse con responsabilidad y visión crítica. Estos desafíos requieren una reflexión profunda en torno al diseño, desarrollo y supervisión de dichos sistemas, así como considerar al menos cinco elementos clave:

Figura 7. Elementos clave para comprender los desafíos que suponen de los SA.
Fuente: Cheong, B. (2024). Transparency and accountability in AI systems: safeguarding wellbeing in the age of algorithmic decision-making. Frontiers In Human Dynamics, 6. Recuperado de https://doi.org/10.3389/fhumd.2024.1421273

La gobernanza de estos sistemas constituye un proceso complejo que demanda una acción coordinada entre el sector público, la industria tecnológica y la sociedad civil (Cheong, 2024). Instituciones como la Organización Internacional de Normalización (ISO), la Unión Europea y diversas agencias nacionales han comenzado a establecer lineamientos regulatorios orientados a certificar la seguridad, confiabilidad y trazabilidad de los sistemas autónomos en sectores críticos; dichas iniciativas reflejan un consenso emergente en torno a la necesidad de articular la sofisticación técnica con marcos de responsabilidad ética y compromiso social, con el objetivo de garantizar un despliegue seguro, equitativo y legítimo de la autonomía artificial.

Los SA representan una frontera tecnológica con un impacto transformador significativo, pues su capacidad para operar sin supervisión constante, aprender de la experiencia y tomar decisiones en contextos complejos los posiciona como herramientas estratégicas para afrontar desafíos contemporáneos en ámbitos como la movilidad inteligente, la producción industrial, la salud digital, la seguridad pública y la sostenibilidad ambiental. Para que su adopción sea efectiva y socialmente aceptable, resulta imprescindible una visión integral que combine el progreso técnico con principios éticos, normativas sólidas, procesos de validación rigurosos y una participación deliberativa de la ciudadanía. Solo mediante este enfoque holístico será posible desarrollar sistemas que no solo funcionen de manera eficiente, sino que, además, generen confianza, garanticen la seguridad y respondan a los valores compartidos que orientan el desarrollo humano en la era digital.

Revisa el video sobre el tema.

El conocimiento adquirido sobre sistemas inteligentes y autónomos proporciona una base sólida para comprender de qué manera la tecnología puede emular capacidades humanas y tomar decisiones complejas en entornos reales. En esta experiencia educativa, abordaste conceptos clave que te permitieron diferenciar entre los sistemas que simplemente automatizan tareas de aquellos que operan con un grado significativo de autonomía e inteligencia adaptativa; de igual manera, identificaste los componentes funcionales que posibilitan dichas capacidades, así como los desafíos técnicos, éticos y sociales asociados con su implementación.

La comprensión del funcionamiento interno de estos sistemas, desde la percepción sensorial del entorno hasta la ejecución de acciones autónomas, resalta el papel fundamental que desempeñan la inteligencia artificial y el aprendizaje automático como pilares de la transformación digital. Al observar su aplicación en sectores como la movilidad inteligente, la manufactura avanzada, la atención médica, la educación digital o la seguridad pública, comprendiste el impacto positivo que estos sistemas pueden tener en términos de eficiencia operativa, calidad de vida e innovación tecnológica sostenible.

Al culminar este recorrido, descubriste el rol activo que cada persona puede asumir en este nuevo paradigma, ya sea como desarrollador de soluciones, usuario informado o tomador de decisiones estratégicas. Los sistemas inteligentes y autónomos no constituyen una simple tendencia emergente, sino una herramienta de alto valor que, implementada con responsabilidad, puede contribuir a la resolución de los desafíos más complejos de la sociedad contemporánea.

Para concluir, reflexiona en torno a las siguientes preguntas:

• ¿Qué diferencia existe entre un sistema automático y uno autónomo?
• ¿Por qué esta distinción resulta esencial en el diseño tecnológico actual?
• ¿Qué criterios deben considerarse al evaluar si una actividad humana puede (o debe) ser delegada a un sistema inteligente?

Asegúrate de:

• Comprender las características de un sistema inteligente, así como sus diferencias con otras soluciones tecnológicas, para asegurar su correcta aplicación en los procesos de automatización avanzada y transformación digital.
• Identificar los elementos funcionales que integran un sistema autónomo para interpretar correctamente su arquitectura y evaluar su desempeño en contextos reales.
• Analizar cómo los sistemas inteligentes y autónomos generan disrupciones tecnológicas para reconocer oportunidades de innovación y mejora en diferentes áreas profesionales.
• Evaluar los desafíos éticos, técnicos y sociales asociados con el despliegue de estos sistemas, para tomar decisiones informadas que prioricen la seguridad, responsabilidad y bienestar colectivo.
• Aplicar un enfoque crítico y ético en el uso de sistemas inteligentes y autónomos, para favorecer un desarrollo tecnológico sostenible y centrado en las personas.

• Algotive. (2022). Sistemas Inteligentes: Qué son, cómo funcionan y por qué son tan importantes. Recuperado de https://www.algotive.ai/es-mx/blog/sistemas-inteligentes-que-son-c%C3%B3mo-funcionan-y-por-que-son-tan-importantes
• CETMO. (s.f.). Vehículos autónomos y drones. Recuperado de https://www.cetmo.org/es/vehiculos-autonomos-drones/
• Cheong, B. (2024). Transparency and accountability in AI systems: safeguarding wellbeing in the age of algorithmic decision-making. Frontiers In Human Dynamics, 6. Recuperado de https://doi.org/10.3389/fhumd.2024.1421273
• Colomo, J., Vargas, J., Sanaguano, C., y Rochina, A. (2020). Inteligencia artificial, sistemas inteligentes, agentes inteligentes. Recimundo, 4(2). Recuperado de https://dialnet.unirioja.es/descarga/articulo/7591558.pdf
• Galván, P. (s.f.). Los 6 Niveles de Autonomía. Recuperado de https://sg.com.mx/revista/55/los-6-niveles-autonom
• Hashemi, C. (2023). machine teaching. Recuperado de https://www.techtarget.com/searchenterpriseai/definition/machine-teaching
• Molina, M. (2022). What is an intelligent system?Recuperado de https://arxiv.org/abs/2009.09083
• Serón, F. (2024). Desafíos pendientes para los sistemas inteligentes. España: Prensas de la Universidad de Zaragoza.
  ISBN: 9788413408736.
• Vation. (s.f.). Autonomous Systems: Definition, Explanation, and Use Cases. Recuperado de https://www.vationventures.com/glossary/autonomous-systems-definition-explanation-and-use-cases
• Zatarain, R., Barrón, M., y Figueroa, K. (2024). Sistemas inteligentes aplicados a la educación. México: Comunicación Científica. Recuperado de https://doi.org/10.52501/cc.096
  ISBN: 9786075950051.