Puntos clave
- La carrera de los modelos ha terminado; la verdadera ventaja está ahora en ejecutar agentes de forma fiable en producción.
- Dominan cuatro desafíos operativos: contexto de negocio, gobernanza, observabilidad y coste de inferencia.
- Los sistemas multiagente superan a los generalistas individuales al permitir que agentes especializados colaboren y deleguen.
- Los agentes ya están en marcha en las finanzas (Robinhood) y el gobierno (Poppy de California), demostrando acción, no solo chat.
- Empieza en pequeño, mantén a las personas en el bucle para los pasos irreversibles e instrumenta todo desde el primer día.
Durante dos años, la conversación sobre la IA empresarial giró en torno a qué modelo era el más grande, el más barato o el más inteligente. Esa carrera está terminando en silencio. La verdadera historia de 2026 no es el modelo en absoluto, son los agentes construidos sobre él, y si realmente puedes ejecutarlos de forma segura a escala. El centro de gravedad ha pasado de la inteligencia bruta a la ejecución fiable, y eso cambia lo que constituye un buen proyecto de IA.
Por qué el modelo dejó de ser lo difícil
Los principales proveedores de la nube, entre ellos Google Cloud, AWS, Microsoft y Databricks, han reorientado su mensaje en torno a una idea: el modelo es ahora una materia prima, pero explotarlo es el factor diferenciador. Los problemas difíciles se han vuelto claramente operativos. Cuatro de ellos siguen apareciendo:
- Contexto de negocio: un agente es tan útil como su acceso a tus datos, reglas y flujos de trabajo reales.
- Gobernanza: quién tiene permiso para actuar, sobre qué y con qué registro de auditoría.
- Observabilidad: saber qué hizo un agente, por qué y en qué punto se equivocó.
- Coste de inferencia: los agentes que llaman a los modelos en bucle pueden consumir presupuesto en silencio.
Por eso el MLOps, antes una preocupación de ingeniería de nicho, se ha convertido en un tema de sala de juntas. La nube se está reconceptualizando como el sistema operativo de la IA, y las ganadoras serán las organizaciones que traten el despliegue de agentes como una disciplina operativa en lugar de una demo.
Qué es realmente un agente de IA
Dejando de lado el bombo, un agente es software capaz de seguir reglas, mantener contexto, tomar decisiones hacia un objetivo y, en algunos casos, mejorar con el tiempo. Ese último punto importa. Un chatbot responde. Un agente actúa: reserva, actualiza, escala, compra, concilia. El espectro va desde simples agentes reflejos que siguen desencadenantes fijos, pasando por agentes basados en objetivos que planifican, hasta agentes de aprendizaje que se adaptan. Saber en qué punto de ese espectro se sitúa una tarea determinada es la decisión más útil antes de construir cualquier cosa, porque determina las salvaguardas que necesitas.
El paso a los sistemas multiagente
El desarrollo más interesante es que los agentes individuales se organizan cada vez más en sistemas multiagente. En lugar de un generalista que intenta hacerlo todo, ensamblas especialistas que comparten información y delegan, muy parecido a un equipo de alto rendimiento. Un agente investiga, otro redacta, un tercero valida frente a las reglas de cumplimiento, un cuarto ejecuta. Los beneficios son reales: la especialización mejora la precisión, la modularidad facilita la depuración de los sistemas, y los fallos pueden contenerse en lugar de propagarse en cascada. El coste es la complejidad de coordinación, que es exactamente donde la gobernanza y la observabilidad dan sus frutos.
Dónde ya está en marcha
No se trata de experimentos de laboratorio. Robinhood ha lanzado agentes que analizan los mercados de criptomonedas las 24 horas y pueden operar en nombre del usuario, un claro ejemplo de agentes que pasan del análisis a la acción autónoma, y un recordatorio de que la autonomía necesita límites estrictos. En el ámbito público, California está desplegando Poppy, una plataforma de IA generativa creada por y para sus propios empleados públicos, con dos principios de diseño que vale la pena copiar: sin fuga de datos y sin dependencia de un único proveedor. Las administraciones europeas y belgas deberían leerlo con atención, es un plano práctico para una IA soberana y controlable en lugar de una adquisición vistosa.
Cómo desplegar agentes sin arrepentimientos
Por nuestro trabajo con clientes, el patrón que triunfa se parece menos a un salto a la luna y más a una ingeniería disciplinada:
- Empieza con una tarea acotada y de alta fricción, no con un escaparate estratégico. Clasificación de la bandeja de entrada, conciliación de pedidos, soporte de primera línea.
- Da al agente contexto real a través de fuentes de datos conectadas, y nada más de lo que necesita.
- Mantén a una persona en el bucle para las acciones irreversibles hasta que se gane la confianza a través de los registros.
- Instrumenta todo desde el primer día; un agente que no puedes observar es un riesgo.
- Vigila el coste de inferencia por acción como un KPI central, junto con la precisión y el tiempo ahorrado.
Las organizaciones que van por delante no son las que tienen acceso al mejor modelo, ahora todo el mundo lo tiene. Son las que trataron a los agentes como una nueva capa operativa, con el mismo rigor que aplicarían a cualquier sistema que toca dinero, clientes o reputación. La era del chat demostró que la IA podía hablar. La era de los agentes trata de si se puede confiar en que actúe, y esa confianza se construye con ingeniería, no se compra.
Fuentes
- Le vrai défi de l’IA en entreprise n’est plus le modèle, mais son exploitation — Actu IA
- Comment les Systèmes Multi-Agents réinventent l’intelligence artificielle — LeBigData
- What is a multi-agent system? A complete guide — Zapier Blog
- Types of AI agents: A comprehensive guide — Zapier Blog
- Ce que Poppy, l'IA générative de la Californie, apprend à l'administration européenne — Actu IA
- Traders, faites une pause ! Robinhood lance des agents IA qui analysent les cryptos 24h/24 — LeBigData
