De acuerdo con Red Hat, con el aumento del radio de impacto que ofrece la inteligencia artificial y la autonomía, la arquitectura de TI deja de ser una coprotagonista para convertirse en la variable que definirá si el efecto será caótico o controlado.
El ascenso de los agentes inteligentes viene siendo señalado como el próximo gran salto de la inteligencia artificial, principalmente en el entorno corporativo. De acuerdo con Gartner, el 40% de las aplicaciones empresariales estarán integradas con agentes de IA hasta finales de 2026, un aumento significativo en relación con el menos del 5% actual. El entusiasmo se justifica: estos sistemas no se limitan a entregar respuestas; prometen interpretar contextos, tomar decisiones y ejecutar acciones de punta a punta.
Sin embargo, Alexandre Duarte, vicepresidente de Servicios para Latinoamérica en Red Hat, advierte: «Lo que, a primera vista, parece innovación, esconde riesgos relevantes que necesitan ser evaluados. Hay una distancia significativa entre lo que funciona en demostraciones y lo que se sostiene en producción y a escala».
Esto está en línea con una investigación reciente del MIT que reveló que esta es la principal brecha para el fracaso de los proyectos de IA generativa. Actualmente, solo el 5% de los programas piloto de IA logran ganar tracción, mientras que el 95% no presenta impacto en el balance financiero ni en el día a día de las empresas.
«En la práctica, lo que suele fallar no es el modelo de IA en sí, sino el entorno. Hay un cambio estructural cuando un sistema deja de ser «asistente» y pasa a ser «operativo». Al asumir la ejecución de procesos, la tecnología interfiere directamente en actividades críticas, como aprobar un reembolso, modificar una cláusula contractual o resolver un problema de un cliente. Eso hace que deje de ser apenas una «feature» para convertirse en parte fundamental del modelo operativo de la compañía. Lo que cambia completamente el juego», explica el ejecutivo.
La diferencia entre un asistente que sugiere y un agente que ejecuta puede parecer sutil hasta que la autonomía impacta directamente en clientes, ingresos o compliance. Si un agente resuelve un caso crítico de un cliente, por ejemplo, deberá interpretar historiales de interacciones, cruzar datos, tomar decisiones entre múltiples caminos y activar APIs corporativas, todo manteniendo consistencia operativa.
De acuerdo con Duarte, la autonomía expande el radio de impacto. Ahí es donde la arquitectura de TI deja de ser una coprotagonista para convertirse en la variable que definirá si ese radio será caótico o controlado. Si los datos no tienen contexto semántico claro, las decisiones tienden a ser incompletas. Si las integraciones son frágiles, los errores se amplifican. Si la gobernanza es superficial, el agente ejecuta con privilegios excesivos.
«Más que una nueva capa tecnológica, los agentes son catalizadores organizacionales. No crean madurez digital, sino que revelan el verdadero nivel de ella», señala el vicepresidente de Servicios para Latinoamérica en Red Hat.
La brecha entre ambición y realidad
La mayoría de las empresas todavía opera en una etapa en la que la autonomía, en lugar de generar eficiencia, puede traer inestabilidad. El desafío no está solo en hacer que la IA funcione, sino en hacerla operar dentro de un ecosistema corporativo complejo, donde la latencia, la consistencia y la gobernanza son determinantes.
En el caso de los agentes, muchas empresas han tratado esta tecnología como una capa más sobre el legado, como si se tratara de una prueba de estrés permanente de la arquitectura corporativa.
«Escalar agentes inteligentes exige una base estructural que muchas organizaciones todavía están construyendo. Los datos necesitan estar organizados con contexto claro, permitiendo que las decisiones se tomen con consistencia. Las arquitecturas basadas en APIs necesitan ser realmente confiables, y no solo funcionales en escenarios ideales. Los workflows corporativos deben prever excepciones, con mecanismos de compensación y rollback que garanticen estabilidad», comenta Duarte.
La gobernanza también necesita evolucionar en el tiempo de ejecución. Además, en la adopción de agentes, la responsabilidad debe ser el foco central de las organizaciones. Cuando un sistema autónomo impacta clientes, ingresos o compliance, la responsabilidad no recae sobre la tecnología, sino sobre la empresa y, en última instancia, sobre quien definió el nivel de autonomía permitido.
Por eso, el directivo explica que antes de avanzar, las compañías necesitan establecer límites claros. ¿En qué decisiones la intervención humana es obligatoria? ¿Quién audita las acciones automatizadas? ¿Existe un plan de contención para escenarios de falla? Estas preguntas dejan en evidencia que la autonomía no es solo una elección técnica, sino una decisión de modelo operativo.
Cómo avanzar sin ampliar el riesgo
Según Duarte, la experiencia muestra que el mejor camino no es empezar en grande. En lugar de eso, conviene iniciar con workflows específicos, donde el impacto sea medible. Después, definir identidad, permisos y logs antes de la ejecución. La construcción de confianza pasa por etapas, con supervisión humana mantenida hasta que las métricas sostengan la autonomía. Y, claro, invertir en observabilidad. Si no consigues explicar una decisión del agente, no controlas el proceso.
Ese cuidado no es solo prudencia, sino estrategia. Según McKinsey, las empresas que tratan la IA como parte del modelo operativo, y no como una capa adicional, consiguen capturar hasta tres veces más el valor económico de sus iniciativas. La diferencia, por lo tanto, está en la forma en que se estructura.
«En los próximos años, la ventaja competitiva no estará simplemente en adoptar agentes más avanzados, sino en operarlos con consistencia. Las organizaciones que consigan alinear datos confiables, integraciones robustas, gobernanza clara y observabilidad tendrán mayor capacidad de transformar la autonomía en eficiencia real», comenta el especialista de Red Hat.
Al final, la ecuación no es técnica, sino operativa. La tecnología entrega potencial. Gobernanza, integración y responsabilidad ejecutiva determinan si ese potencial se convierte en eficiencia sostenible o en exposición operativa.
