La adopción de agentes de inteligencia artificial atraviesa un cambio de fase en el mercado global.
El debate ya no gira en torno a modelos capaces de responder preguntas o generar texto e imágenes. Se centra en sistemas que ejecutan tareas, acceden a documentos, toman decisiones limitadas y operan flujos de trabajo completos.
Estos sistemas han atraído inversiones y acelerado los anuncios a lo largo del último año. Sin embargo, su implementación avanza a un ritmo considerablemente más lento de lo que sugieren las ambiciones.
La brecha entre lo que las empresas muestran en sus demostraciones y lo que logran mantener en funcionamiento en el día a día se ha convertido en uno de los temas centrales del sector.
La presión sobre la infraestructura y los costos operativos
La presión sobre la infraestructura ya se refleja en las proyecciones del sector.
La consultora Gartner estima que el gasto mundial en servicios de infraestructura en la nube orientados a la inteligencia artificial se duplicará este año. Pasará de los USD 18,3 mil millones registrados en 2025 a USD 37,5 mil millones.
Este avance está impulsado principalmente por las cargas de inferencia. Se trata del procesamiento que requieren los sistemas en funcionamiento continuo, y ya no del entrenamiento de modelos.
La consultora también proyecta que más del 40% de los proyectos de agentes de inteligencia artificial podrían cancelarse para 2027. Esto se debe a la presión del aumento de los costos, el retorno incierto de la inversión y las deficiencias en la gobernanza.
El desafío principal radica en el paso de la demostración a la producción. Es una etapa en la que gran parte de los proyectos se topa con obstáculos que no se manifestaban en el entorno de prueba.
Crear un agente que funcione en condiciones controladas se ha vuelto accesible. Sin embargo, mantenerlo ejecutando miles de tareas al día exige una infraestructura que la mayoría de las empresas aún no ha establecido.
Entre los errores más comunes se encuentran subestimar el consumo de recursos computacionales de los flujos de agentes, tratar la seguridad y la gobernanza como una etapa posterior al lanzamiento y escalar sin tener claro el retorno esperado.
Esto se traduce en presupuestos excedidos, agentes desactivados tras incidentes y proyectos piloto que permanecen indefinidamente en fase de experimentación.
“Lo que vemos hoy es que muchas empresas ya han pasado de la fase de experimentación a la implementación de la inteligencia artificial, pero convertir esos proyectos en operaciones consistentes sigue siendo un reto”, afirma Marcio Aguiar, director de la división Enterprise de NVIDIA para América Latina.
El ejecutivo añade que: “Una demostración convence a la junta directiva en veinte minutos, pero lo que realmente define el éxito del proyecto es lo que ocurre en los seis meses siguientes, cuando el agente debe funcionar todos los días, dentro de un costo que la empresa pueda sostener y con reglas claras sobre lo que puede o no puede hacer”.
Evolución técnica hacia agentes autónomos de larga duración
Desde el punto de vista técnico, el cambio más significativo radica en la naturaleza de los propios agentes. La mayoría de los sistemas actuales se activan mediante un comando, ejecutan una tarea específica y dan por terminada su actividad.
En cambio, los agentes autónomos de larga duración operan de manera continua en segundo plano.
A intervalos regulares, revisan su lista de tareas, identifican aquellas que requieren acción, ejecutan lo que está dentro de sus permisos y remiten a los profesionales únicamente los casos que exigen una decisión humana.
Las aplicaciones de este modelo ya se observan en distintos sectores:
- Mercado financiero: los agentes monitorean continuamente los sistemas de negociación y los datos regulatorios, señalando eventos relevantes antes de la revisión matutina.
- Descubrimiento de medicamentos: revisan la literatura científica reciente y actualizan las bases de datos internas en tiempo real, un proceso que antes tomaba semanas.
- Operaciones de TI: diagnostican incidentes, aplican soluciones conocidas y solo remiten los problemas nuevos, lo que reduce el tiempo promedio de resolución de horas a minutos.
“La pregunta que se hará el mercado de ahora en adelante no es quién tiene un agente, sino quién logra mantenerlo operando de manera segura y generando resultados”, afirma el ejecutivo.
Aguiar prosigue: “Este tipo de sistema funciona de manera continua, accede a datos confidenciales y toma decisiones dentro de límites que deben estar muy bien definidos. Las empresas que vean esta infraestructura como un componente estratégico de la IA, y no solo como una capa técnica, estarán mejor preparadas para escalar estas aplicaciones”.
Plataformas de soporte y gobernanza corporativa
Este cambio abre el camino a plataformas enfocadas en dar soporte a los agentes en funcionamiento, y no solo en crearlos.
Una de ellas es NemoClaw, una plataforma empresarial desarrollada sobre OpenClaw. Este último es un sistema de código abierto para la creación y ejecución de agentes de inteligencia artificial que ha ganado relevancia al permitir que estos sistemas se desarrollen y ejecuten localmente.
Sobre esta base, NemoClaw agrega recursos de seguridad, privacidad, gobernanza y gestión operativa. Permite a las empresas implementar sus propios entornos, elegir los modelos más adecuados y mantener el control sobre el flujo de datos.
Dado que OpenClaw se distribuye bajo licencia MIT, las organizaciones conservan la propiedad de la arquitectura que desarrollan. Pueden inspeccionar, adaptar y mejorar el código según sus necesidades, sin depender de una plataforma propietaria.
“La transparencia del código abierto permite a los equipos comprender y controlar el sistema en cada nivel, y la capa corporativa garantiza que ese control vaya acompañado de seguridad y gobernanza. Eso es lo que transforma una herramienta prometedora en un producto que una empresa puede poner en producción”, explica Marcio.
En la práctica, la plataforma permite a las organizaciones ejecutar agentes autónomos de larga duración en diversas funciones y sectores.
Abarca desde el monitoreo regulatorio hasta la automatización de procesos internos, definiendo reglas de aprobación humana para decisiones críticas y manteniendo un registro auditable.
Para las empresas que ya tienen proyectos piloto en marcha, el sistema funciona como un puente entre la fase de prueba y la operación continua.
Para aquellas que están comenzando, establece desde el inicio la estructura de costos, seguridad y gobernanza, cuya ausencia explica gran parte de los proyectos cancelados.
NVIDIA estima que la próxima etapa del mercado estará menos marcada por el anuncio de nuevos agentes y más por la capacidad de operarlos.
Habrá una atención creciente a la orquestación entre múltiples agentes, a los protocolos de interoperabilidad y a las métricas de rendimiento por tarea ejecutada.
“En los próximos dos años, la diferencia entre las empresas no estará en el acceso a los modelos, que es cada vez más similar para todos, sino en la capacidad de convertirlos en operaciones confiables, bajo las reglas de cada negocio”, concluye Marcio Aguiar.
El directivo puntualiza: “Ese es el trabajo silencioso que transforma los proyectos de IA en operaciones capaces de generar valor de manera consistente”.
