Para obtener más información,  solicite una muestra gratuita 

¿Cómo está impulsando la enorme escala de los ecosistemas la urgente demanda del mercado de observabilidad de agentes de IA?

La rápida expansión del ecosistema está cambiando el mercado

El ecosistema de agentes de IA está creciendo rápidamente y la visibilidad se está convirtiendo en un requisito fundamental para su supervivencia. Por ejemplo, el Protocolo de Contexto de Modelo (MCP) registró más de 97 millones de descargas a los pocos meses de su lanzamiento a principios de 2026. Además, el ecosistema MCP ahora admite más de 1000 servidores activos, lo que dificulta enormemente el rastreo entre servidores. Se ha comprobado que Langfuse, por sí solo, gestiona más de 6 millones de instalaciones de SDK al mes, lo que demuestra la rapidez con la que aumenta la demanda de rastreo. La herramienta de observabilidad de código abierto Phoenix de Arize AI superó los 2 millones de descargas mensuales a mediados de 2026.

Este crecimiento no se está produciendo de forma aislada. 

• El nivel básico de Pydantic Logfire ahora procesa hasta 10 millones de registros mensuales para desarrolladores en el mercado de observabilidad de agentes de IA
• Arize registra más de un billón de conexiones de agentes cada mes en su base de observabilidad empresarial. 
• Datadog monitoriza las cargas de trabajo de los agentes de producción de más de 1.000 clientes empresariales en todo el mundo durante 2026. 

¿Por qué los tiempos de depuración prolongados están obligando a los desarrolladores a exigir observabilidad nativa de la IA?

La depuración de agentes no deterministas lleva demasiado tiempo

La depuración de IA se ha convertido en una historia de errores invisibles y costosos retrasos. Los ingenieros pierden más de 3 horas depurando un único fallo no determinista de un agente utilizando registros heredados. El mercado de observabilidad de agentes de IA comprime ese tedioso proceso a aproximadamente 5 minutos para la resolución de la causa raíz. Los equipos que utilizan funciones unificadas de observabilidad de IA resuelven los problemas de producción 1,25 veces más rápido que los usuarios que no utilizan IA. Los equipos de desarrollo que utilizan la observabilidad nativa de IA también implementan código con una frecuencia 1,8 veces mayor que sus métodos de referencia.

Este cambio es importante porque los sistemas de agentes generan millones de puntos de telemetría cada hora. La capacidad de observabilidad de Sentry, basada en Claude, reduce el tiempo de configuración para la reproducción de errores de horas a minutos. Además, los ingenieros de aprendizaje automático dedican cada vez más tiempo a analizar plantillas de mensajes dinámicos en lugar de rutas de código estáticas. La degradación silenciosa sigue siendo una amenaza importante, especialmente cuando la precisión del modelo cae del 95 % al 70 % sin alertas evidentes en la infraestructura.

Una depuración más rápida cambia el comportamiento de la ingeniería

• de IA generativa revelan las causas raíz en cuestión de segundos, en lugar de días.
• Tras la adopción de la herramienta de monitorización, las empresas informan de una reducción de hasta 56 incidencias semanales.
• La gestión de incidencias mediante IA mejora notablemente, pasando los equipos de 3 incidencias diarias a 30 incidencias diarias.
• Los identificadores de correlación ahora ayudan a los desarrolladores a rastrear los procesos a lo largo de 6 o más pasos de ejecución.

¿Cómo influye el creciente riesgo financiero en la demanda de observabilidad del coste de los tokens?

El gasto impredecible en fichas se está convirtiendo en un riesgo presupuestario

El mercado de observabilidad de agentes de IA puede convertir pequeñas acciones en grandes sorpresas financieras. La implementación de funciones autónomas puede elevar los costos de las solicitudes de USD 0.03 a USD 2.40 por interacción. La diferencia entre el mejor y el peor escenario de comportamiento sin supervisión puede llegar a ser de 50 veces. Las plantillas de avisos sin supervisión pueden consumir 4 de cada 5 dólares del presupuesto, gestionando solo 1 de cada 5 interacciones. Incluso un solo error de precio puede resultar costoso, como lo demuestra un agente de precios sin supervisión que ofreció a un cliente un descuento de 2 millones.

Los modelos de contexto extenso complican aún más este problema. Gemini 1.5 Pro admite 2 millones de tokens de contexto, mientras que Claude Sonnet 3.5 cobra 15 dólares por millón de tokens de salida y 3 dólares por entrada en el mercado de observabilidad de agentes de IA. Las interacciones complejas entre múltiples agentes pueden generar cargas útiles de rastreo de más de cientos de megabytes por solicitud. Sin observabilidad, los equipos no pueden ver dónde se está perdiendo dinero ni cómo se acumulan los costos de razonamiento.

El seguimiento de los costes mejora el control financiero

• La optimización del coste de los tokens ha ayudado a empresas como ByteDance a lograr una mejora de entre 50 y 90 veces.
• Los modelos de Galileo, basados ​​en la observabilidad, muestran una reducción de costes de 97 veces en comparación con las rutas GPT-4 no supervisadas.
• Arize AX realiza un seguimiento de 63 configuraciones de tokens predeterminadas para aislar con precisión el gasto de razonamiento.
• Pydantic Logfire ofrece una monitorización 40 veces más económica que las plataformas tradicionales para 50 millones de segmentos.

¿Por qué los puntos ciegos invisibles en la ejecución generan una gran demanda de monitorización semántica?

El monitoreo tradicional no detecta el verdadero fallo en el mercado de observabilidad de agentes de IA

Los paneles de control de infraestructura pueden parecer correctos, aunque los sistemas de IA produzcan respuestas erróneas. La monitorización tradicional suele devolver un estado 200 OK, incluso cuando el resultado es completamente erróneo. Un agente de producción sin monitorizar llamó a la API incorrecta 847 veces durante la noche antes de que nadie se diera cuenta. Otro asistente generó resultados erróneos de forma consistente durante más de tres semanas, a lo largo de miles de interacciones. Estos fallos demuestran por qué la observabilidad de la IA debe medir el significado, no solo el tiempo de actividad.

La monitorización semántica cubre esa brecha al rastrear la intención, el contexto y la calidad de la respuesta. Los modelos de IA pueden fallar entre 3 y 27 de cada 100 respuestas cuando los controles de observabilidad son débiles. La capa de observabilidad de Moveo.AI interceptó más de 108 000 errores en 1,2 millones de evaluaciones en tiempo real. La observabilidad moderna ahora rastrea más de 12 señales semánticas, en comparación con solo 4 señales tradicionales.

La supervisión semántica protege la calidad de la salida

• Más de dos de cada cinco empresas abandonaron sus iniciativas de IA por falta de visibilidad de calidad.
• Uno de cada dos usuarios de IA afirma ahora que la imprevisibilidad de los modelos es su mayor riesgo operativo en el mercado de la observabilidad de los agentes de IA.
• Las comprobaciones deterministas tardan milisegundos, pero la deriva semántica requiere una observabilidad más profunda del espacio vectorial.
• Los desarrolladores ahora quieren sistemas de telemetría que registren el aislamiento del espacio de trabajo y el radio de impacto cuando los agentes eliminan archivos.

¿Cómo está acelerando la complejidad de los sistemas multiagente la necesidad de un seguimiento exhaustivo de la infraestructura?

Los flujos de trabajo multiagente necesitan un seguimiento de extremo a extremo

Los sistemas de IA multiagente han convertido la observabilidad en un desafío de infraestructura. Ahora, las entradas activan cientos de decisiones automatizadas de herramientas, creando largas cadenas de comportamiento oculto. Los flujos de trabajo pueden recurrir a hasta seis proveedores externos diferentes, lo que hace que el rastreo unificado sea indispensable en el mercado de la observabilidad de agentes de IA. Estos sistemas también coordinan subagentes mediante bucles de múltiples iteraciones que requieren sistemas de telemetría altamente confiables.

Los mecanismos de control de observabilidad pueden evaluar las solicitudes entrantes en menos de 50 milisegundos antes de que se ejecute el núcleo del LLM. Las bases de datos de telemetría pueden procesar más de 376 eventos de respuesta de la API de costos en tan solo 12 milisegundos. Casi la mitad de las empresas están desarrollando actualmente pruebas de concepto de observabilidad para LLM. Esta necesidad ya no es teórica, puesto que los sistemas de producción ya operan con múltiples capas de decisión interconectadas.

El seguimiento de la infraestructura ahora abarca más capas

• Los sistemas supervisan la latencia de lectura y escritura de la memoria por separado de la latencia de inferencia del modelo estándar.
• Las plataformas capturan marcas de tiempo y cargas útiles cada vez que los agentes delegan tareas a lo largo del flujo de trabajo.
• New Relic ahora supervisa las bases de datos vectoriales y los flujos de LangChain sin necesidad de cambiar de herramienta.
• Más de la mitad de las empresas monitorizadas ya utilizan sistemas de rastreo distribuido diseñados para arquitecturas de IA avanzadas.

¿Por qué las necesidades de seguridad y cumplimiento impulsan la demanda de flujos de trabajo automatizados de observabilidad de agentes de IA?

La gobernanza se ha convertido en un requisito fundamental de la IA

La seguridad y el cumplimiento normativo son ahora razones fundamentales para adoptar plataformas de observabilidad. Por ejemplo, Moveo.AI extrajo más de 361 000 señales de negocio estructuradas de 708 000 interacciones mediante la observabilidad de memoria persistente. Además, las herramientas de observabilidad también anonimizan datos confidenciales, como los números de la Seguridad Social, para garantizar el cumplimiento normativo. Sin medidas de seguridad, dos de cada cinco sistemas de IA aún carecen de protección contra intentos de jailbreak maliciosos.

Las empresas modernas necesitan registros de auditoría detallados porque las industrias reguladas no pueden permitirse el lujo de ignorar el comportamiento de sus agentes. LangSmith procesa millones de pares de solicitud-respuesta diariamente, lo que ayuda a los equipos a vincular las alucinaciones peligrosas con los grupos de usuarios. Datadog rastrea las llamadas al servidor MCP para supervisar automáticamente todo el ciclo de vida de las solicitudes. Astute Analytica clasifica la supervisión moderna de agentes como observabilidad multidimensional, lo que refleja cómo la gobernanza y el seguimiento de la ejecución ahora trabajan conjuntamente.

La monitorización automatizada refuerza la confianza

• Las herramientas de evaluación convierten un fallo puntual en una prueba de regresión automatizada permanente en el mercado de la observabilidad de agentes de IA.
• Los flujos de trabajo en los que el modelo LLM actúa como juez ayudan a los modelos secundarios a evaluar los resultados primarios para el control de calidad.
• Honeycomb y TrueFoundry permiten una investigación rápida en todos los flujos de trabajo de IA mediante el uso de trazas que se pueden buscar.
• Actualmente, todos los sectores empresariales regulados requieren una capa de observabilidad y registro de auditoría para los sistemas de IA.

Análisis competitivo: Los 5 principales actores que dominan el mercado de observabilidad de agentes de IA

1. LangSmith: Profundamente integrado con LangChain y LangGraph, ofrece un enfoque nativo del framework que destaca en el seguimiento de varios pasos, la gestión de indicaciones y los flujos de trabajo completos.
2. Langfuse: Una solución de código abierto líder, preferida por equipos que gestionan sus propios servidores, que proporciona un sólido seguimiento LLM de múltiples turnos y capas de evaluación altamente adaptables. 
3. Arize Phoenix: Aprovechando una sólida trayectoria en la monitorización clásica mediante aprendizaje automático, ofrece métricas de evaluación respaldadas por investigaciones para la detección de alucinaciones, el análisis de desviaciones y el análisis de trazas.
4. Braintrust: Reconocida por sus características orientadas a la empresa, ofrece flujos de trabajo de implementación con integración continua (CI/CD) y evaluaciones de cadenas causales de varios pasos.
5. Datadog: Un gigante consolidado en el ámbito de la observabilidad que utiliza su enorme presencia empresarial para combinar a la perfección el seguimiento de agentes de IA con una monitorización más amplia de la fiabilidad operativa.

Análisis segmentado del mercado de observabilidad de agentes de IA

Por capacidad: Las aplicaciones de rastreo de agentes logran un dominio absoluto del mercado

El panorama de la observabilidad de agentes de inteligencia artificial en 2026 está impulsado fundamentalmente por capacidades de rastreo cruciales. A medida que las organizaciones transitan de interacciones puntuales aisladas a flujos de trabajo complejos con múltiples agentes, el rastreo se ha convertido en el requisito operativo más crítico a nivel mundial. Las aplicaciones de rastreo permiten a los desarrolladores mapear sin problemas intrincadas cadenas de decisiones, cambios de estado y ejecuciones de herramientas. La inteligencia de mercado indica claramente que este segmento capturó la mayor parte de los ingresos debido a su carácter indispensable para depurar tareas autónomas. Sin un rastreo granular, la resolución de problemas en los bucles de razonamiento en el mercado moderno de observabilidad de agentes de IA sigue siendo prácticamente imposible. Esta naturaleza indispensable garantiza un liderazgo sostenido en el mercado.

• Las soluciones de rastreo de agentes permiten aislar eficazmente los cuellos de botella críticos en el rendimiento dentro de los flujos de trabajo de toma de decisiones autónomas altamente complejos que se utilizan actualmente.
• Las herramientas de visualización integrales representan dinámicamente las complejas llamadas a herramientas, lo que garantiza que los desarrolladores comprendan cada paso de ejecución subyacente.
• Las infraestructuras de rastreo modernas reducen drásticamente el costoso tiempo de depuración en redes de comunicación sofisticadas durante la producción en vivo.
• Los datos de mercado revelan tasas de adopción sin precedentes de módulos de rastreo entre los equipos de desarrollo de software empresarial a nivel mundial.

Por tipo de modelo monitorizado: Los modelos propietarios/cerrados mantienen el liderazgo en el mercado

A lo largo de 2025, los modelos propietarios consolidaron su liderazgo indiscutible en el ecosistema del mercado de observabilidad de agentes de IA, manteniendo un impulso increíble en 2026. Las principales empresas comerciales utilizan predominantemente sistemas de IA cerrados debido a su rendimiento superior, acuerdos de servicio garantizados y estrictos protocolos de seguridad. 

La monitorización de estas arquitecturas cerradas requiere herramientas de observabilidad especializadas capaces de interpretar resultados opacos mediante sofisticadas métricas indirectas y evaluaciones semánticas. Esta enorme dependencia corporativa generó, en consecuencia, una gran demanda de plataformas de monitorización dedicadas. Los proveedores del mercado de observabilidad de agentes de IA priorizaron estas lucrativas integraciones, consolidando así su dominio financiero en el segmento propietario en los extensos mercados globales actuales.

• Las principales corporaciones prefieren en gran medida los modelos propietarios porque ofrecen una fiabilidad superior de forma constante para las cargas de trabajo empresariales.
• Los proveedores de sistemas de observabilidad cobran tarifas de licencia elevadas por las integraciones propietarias, lo que genera ingresos sustanciales en todo el sector.
• Los estrictos requisitos de cumplimiento de datos obligan a las grandes organizaciones a implementar puntos finales de conexión de modelo cerrado alojados de forma segura.
• Los proveedores innovan continuamente con métricas de evaluación sofisticadas, diseñadas específicamente para interpretar los resultados opacos de la inteligencia artificial comercial.

Por implementación: La nube continúa dominando el mercado de observabilidad de agentes de IA 

Los modelos de computación en la nube siguen dominando indiscutiblemente el mercado global de observabilidad. A medida que los agentes inteligentes generan enormes volúmenes de datos de telemetría, las infraestructuras corporativas internas se enfrentan a graves limitaciones de escalabilidad. Las plataformas alojadas en la nube solucionan este problema a la perfección, ofreciendo almacenamiento elástico y recursos computacionales escalables al instante. 

Además, las organizaciones modernas dan gran importancia a las soluciones de software gestionadas para minimizar los costes generales y acelerar los ciclos de implementación. Esta integración perfecta permite que los equipos de ingeniería distribuidos colaboren mientras supervisan ecosistemas automatizados complejos a nivel global. En definitiva, una escalabilidad sin precedentes garantiza firmemente el liderazgo permanente de la plataforma en la nube en el mercado.

• Las infraestructuras de computación en la nube procesan sin problemas volúmenes excepcionalmente altos de datos de telemetría complejos sin que se degrade el rendimiento.
• Las plataformas de software gestionadas eliminan por completo los costosos gastos de mantenimiento de hardware para los equipos de desarrollo de inteligencia artificial en crecimiento.
• Las arquitecturas de nube distribuidas proporcionan fácilmente una visibilidad crucial en tiempo real de las redes de despliegue de agentes geográficamente dispersas.
• Los proveedores implementan rápidamente actualizaciones de seguridad continuas a través de entornos de nube centralizados para proteger la información confidencial de la empresa.

Por tamaño de organización: Las grandes empresas controlan un dominio de mercado sin parangón

Las grandes empresas dominaron decisivamente el mercado de observabilidad de agentes de IA durante todo 2025 y mantienen su supremacía absoluta en 2026. Estas organizaciones cuentan con el capital financiero necesario para implementar de forma agresiva agentes autónomos sofisticados en múltiples unidades de negocio. Por consiguiente, requieren plataformas de observabilidad empresarial de alta gama para supervisar rigurosamente el cumplimiento normativo, mitigar riesgos y garantizar la seguridad de la marca.

Actualmente, las pequeñas empresas carecen de los recursos necesarios para implementar marcos de monitoreo integrales. Las grandes corporaciones, por su parte, tienen la imperiosa necesidad estratégica de industrializar la inteligencia artificial de forma segura, lo que acelera las inversiones masivas en plataformas. Su poder adquisitivo sin precedentes influye en las estrategias de los proveedores, consolidando así su posición dominante en el mercado de la observabilidad de agentes de IA.

• Los enormes presupuestos corporativos absorben fácilmente los importantes gastos de capital necesarios para implementar plataformas de observabilidad avanzadas.
• Las empresas globales se enfrentan a estrictas normativas de cumplimiento que requieren la implementación de herramientas de monitorización basadas en inteligencia artificial altamente sofisticadas.
• Las grandes organizaciones operan simultáneamente cientos de agentes autónomos, lo que exige potentes herramientas de supervisión centralizada para su gestión.
• Los proveedores de software diseñan explícitamente funciones de observabilidad de alta gama para que se adapten perfectamente a los complejos requisitos de escalabilidad de la producción empresarial.

 Análisis regional del mercado de observabilidad de agentes de IA

América del Norte domina el mercado global 

Actualmente, Norteamérica ostenta la mayor cuota de mercado en el sector de la observabilidad de agentes de IA, impulsada por la adopción temprana e inigualable de arquitecturas basadas en agentes en Silicon Valley y las empresas Fortune 500. Estados Unidos alberga las sedes principales de los desarrolladores de modelos fundamentales y de los proveedores líderes en observabilidad, como Datadog, LangSmith y Arize Phoenix, lo que crea un centro altamente concentrado de innovación continua y capital en este mercado. Para 2026, el gasto empresarial en infraestructura de IA ha aumentado rápidamente, con un giro significativo desde las interacciones básicas de LLM hasta implementaciones de producción automatizadas, complejas y con múltiples agentes. Esta madurez operativa exige un seguimiento exhaustivo y completo, una evaluación en múltiples etapas y plataformas sofisticadas de detección de anomalías de costes para prevenir fallos catastróficos en los bucles y gestionar el vertiginoso aumento de los gastos en tokens. Además, los estrictos marcos regulatorios y las normas de privacidad de datos de Norteamérica exigen protocolos integrales de auditoría y gobernanza. 

El sólido despliegue y la adopción de la nube impulsan el dominio regional

Las organizaciones se centran en establecer la supervisión manual humana para una transición segura hacia operaciones autónomas. Este ecosistema regional de infraestructura en la nube avanzada admite sin problemas la ingesta de datos, la retención ilimitada y el procesamiento instantáneo. Estas capacidades son esenciales para gestionar los complejos datos de telemetría que requieren los sistemas modernos de IA probabilística. En consecuencia, las cuantiosas inversiones de las grandes empresas tecnológicas y las entradas de capital riesgo impulsan el desarrollo de herramientas especializadas de monitorización de IA.

Al mismo tiempo, las empresas se ven presionadas a asegurar la rentabilidad mediante la optimización de los cambios de modelo y una estricta aplicación del presupuesto. Como resultado, Norteamérica mantiene hoy una clara supremacía en la generación de ingresos en el mercado global.

Asia Pacífico representa el mercado de observabilidad de agentes de IA de más rápido crecimiento

La región de Asia-Pacífico presenta actualmente la tasa de crecimiento anual compuesto más rápida a nivel mundial, impulsada por ambiciosas iniciativas de transformación digital en países clave como China, India, Japón e Indonesia. En China, las estrictas regulaciones gubernamentales que exigen una rigurosa explicabilidad algorítmica y auditabilidad de los modelos obligan constantemente a los gigantes tecnológicos nacionales a invertir fuertemente en marcos robustos de observabilidad de agentes para sus sistemas multiagente de fabricación propia. 

India y Japón allanan el camino 

India se ha consolidado como un importante centro operativo para el mercado de observabilidad de agentes de IA. Su extenso sector de servicios de tecnología de la información implementa activamente soluciones complejas de inteligencia artificial generativa para clientes globales, atrayendo importantes inversiones de líderes mundiales en observabilidad como Coralogix para monitorear sin problemas cargas de trabajo empresariales a gran escala. La rápida integración de agentes autónomos en Japón se debe en gran medida a desafíos demográficos únicos, en particular al envejecimiento de la fuerza laboral. El país depende en gran medida de trabajadores digitales automatizados para mantener la productividad industrial, lo que hace que el seguimiento y la telemetría precisos e instantáneos del rendimiento sean fundamentalmente indispensables para mantener la seguridad operativa en el mercado de observabilidad de agentes de IA.

Indonesia contribuirá significativamente a fortalecer su posición en el mercado 

Mientras tanto, la rápida expansión de la economía digital en Indonesia acelera la demanda empresarial inmediata de soporte al cliente inteligente y agentes automatizados de investigación de mercado localizados. En estos diversos mercados en crecimiento, el enorme volumen de usuarios activos diarios regionales genera niveles sin precedentes de datos de telemetría críticos. Esta inmensa cantidad de datos obliga inherentemente a las organizaciones de Asia Pacífico a adoptar rápidamente herramientas automatizadas de análisis de causas raíz y capacidades especializadas de optimización de costos para sobrevivir y escalar su infraestructura tecnológica de manera muy eficaz.

Los 4 principales avances recientes en el mercado de la observabilidad de agentes de IA

1. New Relic lanzó una plataforma de agentes de IA con herramientas de OpenTelemetry y compatibilidad con MCP, ampliando la capacidad de observación desde la monitorización hasta la creación y gestión de agentes. 
2. Dynatrace presentó Dynatrace Intelligence, que añade capacidades de IA basadas en agentes a su plataforma de observabilidad para operaciones empresariales.
3. Datadog ha lanzado un servidor MCP que permite a los agentes de IA acceder a registros, métricas y trazas en tiempo real bajo los controles de gobernanza existentes. 
4. Revefi anunció la funcionalidad de observabilidad de IA y observabilidad de agentes para flujos de trabajo de LLM y agentes en OpenAI, Claude, Gemini y Vertex AI.

Principales empresas en el mercado de observabilidad de agentes de IA

• Arize AI
• Langfuse
• LangChain (LangSmith)
• Perro de datos
• Nueva Reliquia
• Dynatrace
• Cisco (Splunk)
• Pesos y sesgos
• Galileo
• WhyLabs
• IA violinista
• Coralogix
• Panal
• Microsoft
• Google
• Otros jugadores destacados

Descripción general de la segmentación del mercado

Ofreciendo

• Soluciones / Software
  • Rastreo y evaluación
  • Monitoreo y alertas
  • Barandillas y calidad
• Servicios
  • Integración
  • Administrado

Por capacidad

• Rastreo de agentes
• Evaluación de resultados y plazos
• Monitoreo de costos y tokens
• Latencia y rendimiento
• Detección de deriva y alucinaciones
• Seguridad y barandillas

Por tipo de modelo monitorizado

• Propiedad privada / Cerrado
• Código abierto
• Ajustado con precisión / Personalizado

Por Despliegue

• Nube
• Local
• Híbrido

Por tamaño de la organización

• Grandes empresas
• PYMES

Por industria de uso final

• BFSI
• TI y telecomunicaciones
• Cuidado de la salud
• Minorista
• Fabricación
• Gobierno
• Otros

Por región

• América del norte
  • Estados Unidos.
  • Canadá
  • México
• Europa
  • Europa Occidental
    • El Reino Unido
    • Alemania
    • Francia
    • Italia
    • España
    • Resto de Europa Occidental
  • Europa Oriental
    • Polonia
    • Rusia
    • Resto de Europa del Este
• Asia Pacífico
  • Porcelana
  • India
  • Japón
  • Australia y Nueva Zelanda
  • Corea del Sur
  • ASEAN
  • Resto de Asia Pacífico
• Oriente Medio y África (MEA)
  • Arabia Saudita
  • Sudáfrica
  • Emiratos Árabes Unidos
  • Resto de MEA
• Sudamerica
  • Argentina
  • Brasil
  • Resto de Sudamérica