Enterprise Guide for Implementing Generative AI and Agentic AI

Guía estratégica y técnica publicada por Apress en 2026 y elaborada por Shakuntala Gupta Edward, Rahul Bhattacharya y Vikas Sinha, concebida para orientar a organizaciones en la transición desde pruebas de concepto (PoC) aisladas hacia soluciones escalables, gobernadas y rentables de IA generativa y agentes de IA. La obra toma como referencia los modelos fundacionales contemporáneos y estándares de integración modernos como el Model Context Protocol (MCP). Su público objetivo abarca arquitectos de soluciones empresariales, ingenieros de software, directores técnicos y especialistas en MLOps/LLMOps de nivel intermedio que necesitan metodologías robustas para implementar aplicaciones basadas en agentes dentro de marcos corporativos de alta exigencia.

El temario profundiza en los patrones de diseño arquitectónico indispensables para la adopción empresarial: patrones de autorreflexión (Self-Reflection Pattern), razonamiento multiagente, estándares de interoperabilidad mediante Model Context Protocol (MCP) y arquitecturas de datos basadas en el patrón medallón (capas bronce, plata y oro). Enseña a estructurar canalizaciones de ingesta, vectorización e indexación semántica, benchmarking y selección comparativa de modelos de lenguaje, así como compresión y optimización de prompts para minimizar la latencia y el coste por token. Asimismo, aborda de forma exhaustiva las operaciones (LLMOps), las topologías de despliegue en producción, los marcos de evaluación holística (HELM) y la gobernanza mediante marcos de gestión de riesgos como el NIST AI Risk Management Framework (NIST AI RMF).

El libro vertebra su vertiente práctica en la construcción de principio a fin de un caso de uso empresarial concreto: el sistema Intelligent Data Flow Explorer (IDFE), guiando paso a paso los requisitos funcionales y no funcionales, la canalización de datos, la orquestación de agentes y el despliegue operativo. Su mayor fortaleza radica en equilibrar la implementación tecnológica con los requisitos de observabilidad, cumplimiento normativo y reducción de riesgos operativos de la IA responsable. No se detiene en tutoriales básicos de sintaxis de Python o uso introductorio de librerías, por lo que es muy recomendable contar con experiencia en desarrollo backend corporativo, arquitectura de software y gestión de datos.