La IA agéntica en la empresa: la brecha entre la narrativa de auge y la realidad de producción

Del 1% al 33%: una inevitabilidad envuelta en datos

Gartner ofreció en 2026 un juicio frecuentemente citado: para 2028, el 33% de las aplicaciones de software empresarial incluirán IA agéntica, mientras que en 2024 esta cifra era inferior al 1%; para entonces, el 15% de las decisiones operativas diarias de las empresas serán tomadas de forma autónoma por la IA.

La pendiente de esta curva es impactante y fácilmente se reduce a una nota al pie de la "revolución de los agentes". Pero atravesando los números envueltos, lo que realmente vale la pena preguntar es: ¿qué significa exactamente "incluir" para esta firma de investigación? ¿Implica implementar una carcasa de chatbot, o significa que la IA puede asumir de forma independiente las consecuencias comerciales en un entorno de producción?

A juzgar por la práctica industrial desde la segunda mitad de 2025 hasta principios de 2026, la respuesta es obviamente mucho más compleja que la propia curva. Los experimentos empresariales se están acelerando en dos direcciones a la vez: por un lado, la imaginación de los CEO sobre flujos de trabajo autónomos se ha llevado al punto máximo por las demostraciones en video; por otro lado, los responsables de decisiones técnicas se enfrentan en el despliegue real a una serie de "problemas no relacionados con el modelo", como pérdida de control de costos, caos en la coordinación y falta de gobernanza.

Cuando termina la demostración: la crisis de la "capa de coordinación" en la colaboración multiagente

En abril de 2026, un artículo de InfoWorld documentó fielmente un escenario típico: tres agentes —consultas de clientes, gestión de agenda y procesamiento de documentos— funcionan perfectamente en una demostración individual, pero una vez que entran en producción real, comienzan a interferirse mutuamente: objetivos inconsistentes, contextos superpuestos y llamadas a herramientas que se sobrescriben entre sí. El autor señaló incisivamente que los agentes de IA no fallaron; lo que falló fue la capa de coordinación.

Esto es casi una repetición de la historia de los sistemas distribuidos en la era de la IA. Las arquitecturas de microservicios del pasado utilizaban orquestación de servicios, colas de mensajes y compensación transaccional para resolver la comunicación entre componentes, pero los sistemas multiagente actuales todavía se encuentran en una etapa primitiva de "cada uno escribe su propio prompt, cada uno llama a sus propias herramientas". Entre los agentes falta un protocolo de intención compartido, mecanismos de resolución de conflictos y, más aún, una comprensión unificada de las prioridades de los objetivos.

La "capa de coordinación" suena como un detalle técnico, pero en realidad determina si la IA agéntica puede pasar de ser una estupidez artificial a una capacidad organizativa. Un sistema multiagente sin capa de coordinación es, en esencia, un programa distribuido sin bus, y un programa así es inmantenible desde el punto de vista de la ingeniería.

El dilema del costo: agentes más caros que los empleados

Si bien los problemas de coordinación pueden resolverse con ingeniería, el modelo económico es un juez más despiadado. El conocido inversor Jason Calacanis reveló a principios de 2026 que, cuando su organización utilizaba la API de Claude, el costo diario de un agente escaló rápidamente a 300 dólares. Mientras tanto, los agentes de IA etiquetados con un "salario anual de 100.000 dólares" en realidad solo completaban una pequeña parte del trabajo de un empleado humano.Esto no es un caso aislado. Al analizar por qué los proyectos de IA agéntica se detienen antes de su implementación a gran escala, CIO.com señaló el "aumento continuo de los costos" como el principal factor. Las razones son múltiples: los límites difusos de las tareas en el entorno de producción obligan al modelo a invocar herramientas en múltiples ocasiones; los mecanismos de reintento tras fallos tienden a consumir tokens de forma exponencial; y la colaboración redundante entre múltiples agentes eleva aún más el costo total de inferencia.

El problema más profundo es que las empresas suelen presupuestar el gasto en TI según "licencias de software" o "contratos de servicio", pero la IA agéntica introduce una nueva estructura de costos de "pago por acción". Un agente puede tener una calidad de decisión muy alta, pero cuando ejecuta cincuenta acciones por hora y cada acción invoca la API del modelo, el departamento de finanzas ya no se enfrenta a una factura de software, sino a una máquina de agujero negro que devora capacidad de cómputo y capital.

La "trampa del modelo único" y el caótico entorno de producción

Otro artículo digno de atención plantea una idea contraintuitiva: el fracaso de los agentes en el entorno de producción normalmente no se debe a que el modelo no sea "lo suficientemente inteligente", sino a que el entorno operativo es demasiado caótico. Las formas de las solicitudes cambian en cualquier momento, los presupuestos de latencia entran en conflicto, las herramientas se actualizan constantemente, los costos se disparan, las restricciones de políticas cambian y los modos de falla se superponen: estas pequeñas incertidumbres constituyen obstáculos sistémicos que impiden que los sistemas de agentes funcionen de manera estable.

Esto nos recuerda que la IA agéntica no produce resultados deterministas como el software tradicional; se parece más a tomar decisiones continuas en un mundo abierto. Y la infraestructura de TI existente en las empresas está diseñada precisamente para el determinismo: interfaces fijas, flujos fijos, permisos fijos. La fricción entre ambos es el resultado inevitable de la idea de "un solo modelo para todo" al escalar.

La llamada "trampa del modelo único" es, en esencia, una fe excesiva en la "capacidad de generalización". Los agentes de nivel empresarial necesitan modelos especializados profundamente adaptados a las rutas de negocio específicas, no un todoterreno que sepa un poco de todo. Quien ignore las restricciones del escenario y los límites operativos verá cómo cualquier proyecto piloto, sin importar su escala, acaba siendo contraatacado por la realidad.

La respuesta de los proveedores: gobernanza, seguridad y reconstrucción de aplicaciones

Frente a estos reveses, los gigantes tecnológicos están entrando en escena con distintas posturas. Microsoft lanzó en abril de 2026 Agent Governance Toolkit, una herramienta de gobernanza orientada a los riesgos de agentes de OWASP, que busca ofrecer monitoreo en tiempo real y control de permisos durante la ejecución de los agentes; Cisco, por su parte, refuerza la capa de seguridad de los agentes, integrando la gestión de identidad y accesos en la cadena de interacción de los agentes de IA; Oracle está reestructurando la suite Fusion para incrustar agentes en los procesos de negocio transaccionales, permitiendo que las decisiones ocurran automáticamente dentro de un marco de cumplimiento; y Asana propone un concepto de diseño de "colaboración multiusuario", enfatizando que los agentes deben compartir contexto y distribuirse las tareas, en lugar de actuar cada uno por su cuenta.La señal común de estos movimientos es que la siguiente fase de la IA agéntica ya no es el “modelo más grande”, sino el “sistema más controlable”. Desde el kit de herramientas de gobernanza de Microsoft hasta los marcos de seguridad de los proveedores de ciberseguridad, la industria está tratando a los agentes como una nueva entidad gestionada. Al mismo tiempo, IBM ha lanzado un servicio de consultoría para ayudar a los CIO a transformar agentes experimentales en sistemas de producción a escala, lo que en sí mismo es un reconocimiento de que lo que les falta a los clientes empresariales no son demos, sino una ruta estratégica que vaya de la demo al entorno de producción.

La IA agéntica no es el nuevo “microservicio”

Entre todas las reflexiones de la industria, lo más digno de cautela es la adhesión ciega a los nuevos paradigmas. Un artículo de opinión de InfoWorld comparó la IA multiagente con los microservicios, advirtiendo a la industria que no repita el error de mitificar un patrón útil como la “forma inevitable del futuro”. Los microservicios también fueron vistos en su momento como la respuesta definitiva de la ingeniería de software moderna, pero finalmente dieron lugar a una pesadilla de complejidad en las operaciones distribuidas.

Los sistemas multiagente ciertamente tienen su valor, especialmente en escenarios donde los límites de las tareas son claros y los flujos de trabajo se pueden descomponer. Pero si se los trata como una solución universal para todos los problemas empresariales, sin duda se caerá en una nueva ola de sobre-diseño arquitectónico. El enfoque realmente racional es: considerar a los agentes como un nuevo componente dentro de la arquitectura de sistemas existente, y no como una razón para reconstruirlo todo.

Conclusión: se necesita un rediseño del “bucle humano”

La dirección a largo plazo de la IA agéntica es irreversible, pero el camino hacia esa dirección sigue lleno de obstáculos institucionales. Es muy probable que la predicción del 33% de Gartner se cumpla; sin embargo, las empresas pagarán un costo de aprendizaje más alto de lo esperado.

El problema más realista en esta etapa no es “si la IA puede reemplazar a las personas”, sino “si las organizaciones pueden diseñar objetivos, restricciones y bucles de retroalimentación claros para la IA”. Un estudio de febrero de 2026 señala que los agentes no pueden adquirir por sí mismos el conocimiento procedimental necesario para las tareas; todavía necesitan que las personas los enseñen. El verdadero desafío para los CIO no es adquirir modelos más potentes, sino formar un grupo de talentos multifacéticos capaces de definir los límites de las tareas, diseñar métricas de evaluación y corregir el comportamiento de los agentes.

La IA agéntica acabará cambiando la lógica subyacente del software empresarial, pero su adopción generalizada no es un reemplazo tecnológico silencioso, sino una reevaluación integral de las capacidades organizativas, las estructuras de gobernanza y los modelos de costos. Las empresas que logren encontrar el equilibrio entre “autonomía” y “control” serán las que realmente posean la ventaja competitiva de la próxima década.