Antes de sumar otro agente de IA, esto es lo que debería preguntarse un gerente de tecnología
Antes de sumar otro agente de IA, esto es lo que debería preguntarse un gerente de tecnología
Un estudio de OutSystems publicado este año, hecho sobre casi 1.900 líderes de tecnología a nivel global, encontró algo que debería incomodar a cualquier gerente que haya aprobado la compra de un agente de IA en los últimos doce meses. El 96% de las empresas ya usa agentes de inteligencia artificial en algún grado. Solo el 12% cuenta con una plataforma centralizada para gobernar esa expansión, y un 94% reconoce estar preocupado porque la dispersión de agentes está aumentando la complejidad, la deuda técnica y el riesgo de seguridad dentro de su propia operación.
Ese 12% es la cifra que importa. No porque el resto de las empresas esté haciendo algo mal a propósito, sino porque la velocidad con la que se sumaron agentes superó, por lejos, la velocidad con la que se construyó cualquier forma de control sobre ellos. Gartner llegó a una conclusión parecida por otro camino este año, en su Hype Cycle para IA agéntica. Solo el 17% de las organizaciones ha desplegado agentes hasta ahora, pero más del 60% espera hacerlo dentro de dos años. Es la curva de adopción más agresiva que Gartner ha registrado para una tecnología emergente en toda la historia de ese estudio.
El problema no es tener agentes, es no saber qué están haciendo
Un agente de IA con acceso persistente al correo, al CRM, a un ERP o a un canal de WhatsApp de atención al cliente funciona, en la práctica, como un empleado que nunca duerme y que actúa a velocidad de máquina. La diferencia es que los sistemas de identidad y acceso que las empresas construyeron durante años están pensados para personas, que actúan de a una cosa a la vez y cuyas acciones alguien puede observar en tiempo real. Un agente mal configurado puede hacer, en cuestión de segundos, cientos de operaciones antes de que alguien note que algo salió mal.
En AgentLayer, agentes como el Tracking de Despachos, que reconcilia mensajes de WhatsApp con el ERP en tiempo real, o el Agente de Atención al Cliente, que responde consultas y detecta compradores mayoristas en segundos, ya operan todos los días con acceso a datos operacionales reales de sus clientes. Son exactamente el tipo de agente al que se refiere esta brecha de gobernanza, uno que actúa rápido y a volumen, y que por eso mismo necesita reglas claras desde el primer día de piloto.
Forrester ya sacó una cuenta de lo que eso está costando en decisiones de compra. Según su predicción de seguridad tecnológica para 2026, un 25% del gasto de IA empresarial planificado para este año se está postergando a 2027, justamente porque los equipos financieros exigen evidencia de retorno antes de comprometer más presupuesto, y los equipos de seguridad siguen marcando huecos de gobernanza que nadie terminó de resolver.
Lo que cambió en julio de este año
En julio, tres de los laboratorios más grandes movieron pieza casi al mismo tiempo. Google llevó su plataforma de agentes empresariales, lanzada en abril, a un punto donde compite menos por qué tan bueno es el modelo y más por quién puede demostrar que gobierna sus agentes con una identidad criptográfica verificable para cada acción que toman. OpenAI pasó sus agentes de Workspace de acceso gratuito a un esquema de cobro por créditos el 6 de julio, lo que convirtió el uso de agentes en un problema de finanzas y no solo de ingeniería para cualquier equipo que ya los tenía integrados en su operación diaria. Anthropic, por su parte, expandió su producto de agentes de escritorio a web y celular apenas un día después.
Ninguno de estos tres movimientos resuelve, por sí solo, la brecha de gobernanza que documentó OutSystems. Lo que sí hacen es dejar más claro que la pregunta relevante para una empresa que evalúa sumar agentes ya no es cuál modelo puntúa más alto en un benchmark. Es si esa plataforma o ese agente puede demostrar, con evidencia auditable, qué hace y por qué lo hace.
Qué revisa AgentLayer antes de sugerir un cambio
Cada vez que un laboratorio grande lanza o actualiza un modelo, el equipo de AgentLayer lo evalúa contra los agentes que ya están en producción con clientes, antes de decidir si conviene migrar alguno. Eso significa comparar rendimiento real en las tareas específicas que cada agente resuelve, no solo mirar un puntaje de benchmark genérico, y revisar si el cambio implica algún ajuste en cómo ese agente se integra con los sistemas que la empresa ya usa. Cuando el resultado de esa evaluación no justifica un cambio, el agente se queda como está. No hay ninguna migración garantizada de antemano, y tampoco tendría sentido prometerla.
Esa es, en el fondo, la lógica detrás de por qué un agente de AgentLayer llega a una empresa ya validado, con un proceso de diagnóstico previo que confirma qué problema real resuelve, una integración medida en días y no en meses, y una etapa de prueba conjunta con el equipo del cliente antes de que el agente quede operando de forma autónoma. La brecha entre desplegar agentes y poder gobernarlos no se cierra sola. Se cierra revisando, agente por agente, qué está haciendo cada uno antes de sumar el siguiente.
Fuentes
OutSystems, State of AI Agent Development 2026
