Gartner prevé que más del 40% de los proyectos de IA agéntica se cancelen antes de que termine 2027, y cuenta solo unos 130 proveedores reales entre los miles que se atribuyen la etiqueta. Esto es lo que un agente es en realidad, y cómo saber si tu proceso necesita uno.
This article was translated from the English original. Translations are machine-assisted and reviewed on a rolling basis.
El software está cruzando una línea que no había cruzado antes: pasa de ejecutar una secuencia que alguien escribió a decidir cuál debería ser esa secuencia. Eso es todo lo que un agente de IA es, y también es la razón por la que los agentes son más difíciles de gobernar que la automatización a la que sustituyen.
El mercado se ha adelantado a la capacidad. Gartner prevé que más del 40% de los proyectos de IA agéntica se cancelen antes de que termine 2027, y cita costes crecientes, valor de negocio poco claro y controles de riesgo insuficientes. La misma investigación pone número al ruido: de los miles de proveedores que venden IA agéntica, unos 130 son reales. El resto es cambio de etiqueta.
Esta guía explica de qué está hecho un agente, qué lo separa de un flujo de trabajo y cómo decidir si un proceso concreto justifica uno.
Qué es en realidad un agente
Un agente percibe, razona, actúa y aprende del resultado. La automatización tradicional hace la tercera de esas cosas y nada más.
Las macros, los trabajos cron, los flujos ETL y la automatización robótica de procesos comparten una propiedad: el camino a través del sistema está escrito de antemano. Eso los hace predecibles, baratos de razonar y frágiles. Cualquier desviación respecto a la entrada esperada los rompe, y el fallo suele ser total en lugar de gradual.
Un agente maneja esa desviación decidiendo en tiempo de ejecución. Lee la situación, elige entre las herramientas que tiene y corrige el rumbo cuando un paso no produce lo que esperaba. El precio de esa flexibilidad es que ya no puedes leer el código y saber qué hará el sistema.
Tres capacidades marcan la diferencia. La percepción es la capacidad de asimilar entradas no estructuradas, ya sea lenguaje natural, un documento, una pantalla o un flujo de respuestas de API. El razonamiento es la capacidad de descomponer un objetivo en pasos y elegir entre ellos. La actuación es la capacidad de intervenir en el mundo exterior, lo que en la práctica significa llamar a APIs, escribir en sistemas de registro o generar y ejecutar código.
Las piezas con las que se construye un agente
Las implementaciones triunfan o fracasan más por la arquitectura que por la elección del modelo. Cinco componentes aparecen en casi todos los sistemas serios.
| Componente | Qué hace | Tecnología habitual |
|---|---|---|
| Sensores | Reciben la entrada que inicia o informa una ejecución | Webhooks, sondeo de APIs, OCR, voz a texto |
| Memoria | Retienen contexto dentro de una ejecución y entre ejecuciones | Bases de datos vectoriales, almacenes clave-valor, bases de datos de grafos |
| Planificación | Descompone un objetivo en un conjunto ordenado de pasos | Planificadores basados en LLM, redes jerárquicas de tareas |
| Política | Elige la siguiente acción entre las disponibles | Inferencia de modelos, políticas aprendidas, motores de reglas |
| Actuadores | Llevan la decisión a otro sistema | APIs REST, conectores de base de datos, herramientas RPA |
La memoria es donde se tuercen la mayoría de los diseños, porque los dos tipos son fáciles de confundir. La memoria a corto plazo guarda el contexto de trabajo de una sola ejecución y se descarta. La memoria a largo plazo persiste entre ejecuciones y es lo que permite a un agente mejorar. El informe State of AI in Business 2025 del MIT señala la ausencia de ese segundo tipo como una razón central por la que se estancan los despliegues empresariales: los sistemas que no retienen la retroalimentación no pueden adaptarse, así que se quedan clavados en la calidad de su primera semana.
Más allá del agente único, se repiten dos patrones. Los sistemas multiagente reparten el trabajo entre especialistas con un orquestador que enruta entre ellos, lo que ayuda cuando los dominios son de verdad distintos y perjudica cuando no lo son. Las arquitecturas híbridas colocan a una persona en un punto definido del bucle, ya sea aprobando antes de una acción o supervisando después de ella.
Flujo de trabajo o agente
La decisión más útil en este terreno suele ser no construir un agente.
La guía de ingeniería de Anthropic traza la línea con precisión. En un flujo de trabajo, «los LLM y las herramientas se orquestan mediante rutas de código predefinidas». En un agente, «los LLM dirigen de forma dinámica sus propios procesos y su uso de herramientas». La recomendación que sigue es tajante: buscar la solución más simple posible y aumentar la complejidad solo cuando haga falta, lo que «puede significar no construir sistemas agénticos en absoluto».
El intercambio es latencia y coste a cambio de flexibilidad. Un flujo de trabajo que resuelve el noventa por ciento de los casos y escala el resto suele ser más barato de operar, más fácil de depurar y muchísimo más fácil de explicar a un regulador que un agente que resuelve el noventa y cinco por ciento y no puede dar cuenta de cómo.
Así que la pregunta no es si un proceso podría ser agéntico. Es si la variación en el trabajo es real. Donde las entradas son constantes y los pasos son conocidos, un flujo de trabajo es la respuesta correcta y un agente es una forma cara de llegar a ella.
Elegir el proceso
Donde la variación es real, el siguiente filtro es si el resultado puede comprobarse.
Un agente que actúa sin un resultado verificable es un pasivo, porque los errores se acumulan en silencio a lo largo de las ejecuciones. La prueba útil es si algo que el agente no controla puede confirmar que el trabajo se hizo bien. Un pago cuadra o no cuadra. Un registro coincide con el sistema de origen o no coincide. Eso es comprobable. Un resumen que se lee de forma plausible no lo es, y tampoco lo es un juicio sobre una persona.
Por eso la prueba de verificabilidad importa más que la sensibilidad al elegir un primer proceso, y por eso el seguimiento comercial tiende a ser mejor punto de partida de lo que parece: el resultado es medible, el modo de fallo es visible y nadie sale perjudicado por un paso omitido de una manera que no pueda deshacerse.
Empieza donde el trabajo es repetitivo, el volumen justifica la construcción y una respuesta equivocada aflora de inmediato en lugar de seis meses después en una auditoría.
Qué se rompe y qué aguanta
Los agentes fallan de formas en que la automatización no falla, porque un sistema que elige sus propios pasos puede elegir mal y seguir adelante.
Los modelos capaces persiguen el objetivo que se les dio en lugar del que se pretendía, y tomarán rutas que sus diseñadores no anticiparon. No es una patología rara; es el comportamiento esperado de un optimizador, y es la razón por la que la gobernanza que aguanta tiene que restringir lo que un agente puede hacer en lugar de confiar en instrucciones sobre lo que debería hacer.
Tres controles soportan casi todo el peso. Las credenciales acotadas hacen que un agente solo alcance los sistemas que su proceso requiere, de modo que una mala decisión tiene un radio de daño limitado. Un registro de auditoría deja constancia de qué se decidió y con qué base, que es la diferencia entre explicar un resultado y adivinarlo. Un punto de control humano definido se sitúa antes de cualquier acción cara de revertir.
La revisión de las salidas es un problema propio, distinto del control de acceso, y los dos no son filtros intercambiables.
Dónde te deja esto
La tasa de cancelación no es prueba de que los agentes no funcionen. Es prueba de que la mayoría de las organizaciones eligen mal el primer proceso, compran chatbots con etiqueta nueva o construyen un agente donde un flujo de trabajo habría bastado y habría costado menos.
Las organizaciones que obtienen valor tienden a hacer lo poco vistoso: elegir un proceso con variación real y un resultado comprobable, construir el sistema más estrecho que lo resuelva, instrumentarlo para que los fallos se vean y ampliar solo después de que el primero lleve funcionando el tiempo suficiente para confiar en él. Eso es más lento que el calendario del proveedor. También es la versión que sobrevive al contacto con una auditoría.
Antes de comprometerte con una construcción, sé honesto sobre cuál de los dos sistemas necesitas de verdad. Buena parte del valor atribuido a los agentes en los dos últimos años lo produjeron flujos de trabajo.
Frequently asked questions
What is an AI agent?+
An AI agent is software that perceives its environment, plans a course of action, carries it out, and adjusts based on the result. The distinction from ordinary automation is that the sequence of steps is decided at runtime rather than written in advance.
How is an AI agent different from a workflow?+
In a workflow, the path through the system is fixed in code and the model fills in steps. In an agent, the model decides the path. Anthropic's engineering guidance recommends the workflow wherever it will do, because agents trade latency and cost for flexibility.
Why are so many agentic AI projects cancelled?+
Gartner attributes the cancellations to escalating costs, unclear business value, and inadequate risk controls. A large share of projects begin as proofs of concept driven by hype rather than by a process with a measurable failure mode.
What is agent washing?+
Agent washing is the rebranding of existing chatbots, assistants, and robotic process automation as agentic AI without the underlying capability. Gartner estimates only around 130 of the thousands of vendors making the claim are genuine.