Armar un agente de IA hoy lleva una tarde. Hay modelos que razonan, herramientas que los conectan a cualquier sistema y demos que impresionan en la primera reunión. La dificultad aparece después: ese agente que funcionó en la demo se cae cuando tiene que atender cientos de casos por día, tocar los sistemas de la empresa y responder por lo que hizo.
Gartner proyectó en 2025 que más del 40% de los proyectos de IA agéntica se va a cancelar antes de 2027, por costos que se disparan, valor de negocio poco claro o controles de riesgo insuficientes. Las tres causas están afuera del modelo: están en cómo se construye y se opera lo que lo rodea.
Construir un agente es fácil. Lograr una solución que aporte valor y sea un activo de la compañía necesita ingeniería. Estos son los seis frentes que definen si un agente queda en piloto o entra a trabajar.
1. La base se construye una vez y se reutiliza
Cuando cada agente se construye desde cero, cada agente repite los mismos meses de prueba y error: cómo maneja la memoria, cómo llama a una herramienta, qué hace cuando algo falla, cómo se audita lo que hizo.
Cómo se resuelve. La base se construye una sola vez y se publica por versiones. Cada empresa recibe su propia instancia de esa base, con sus agentes, sus datos, sus credenciales y su configuración. Todas corren la misma versión, así que cada mejora y cada corrección de seguridad llega a todas en la misma actualización. Y el segundo agente reutiliza lo que ya está construido, así que el trabajo se concentra en el proceso y no en la base.
2. El aislamiento lo da la infraestructura
Un agente trabaja con casos, adjuntos y conversaciones reales. Si la separación entre empresas depende de un filtro dentro de la aplicación, un error de configuración alcanza para cruzar información.
Cómo se resuelve. Cada instancia vive en su propia red, sin bases, colas ni almacenes compartidos. Los casos, los adjuntos y las trazas quedan adentro, y afuera viajan solo indicadores de estado, versión y consumo. Las salidas son una lista cerrada de conexiones autorizadas, con IP fija para el firewall de la empresa y nada con dirección pública. Las credenciales las carga el equipo de la empresa en un gestor de secretos: el agente las usa para ejecutar, sin verlas nunca.
3. Lo que todo agente sabe hacer antes de su primer caso
Los agentes que quedan en el camino suelen fallar en lo básico: inventan un dato que les falta, ejecutan una acción sin confirmar, se traban en un caso que excede su alcance o consumen sin techo.
Cómo se resuelve. Con un harness, la capa sobre la que corre el agente y de la que hereda su comportamiento, conectada a los sistemas de la empresa de forma controlada. Un agente parado sobre un harness pide la información que le falta, confirma antes de actuar, consulta la base de conocimiento, recuerda la sesión, registra cada paso, respeta un tope de consumo y escala a una persona cuando corresponde. Todo eso queda construido una vez y lo hereda cada agente nuevo.
4. Controles de seguridad propios de la IA
Un agente lee correos, tickets y documentos que escribe cualquiera. Eso abre una superficie de ataque nueva: un texto que le pide cambiar de tarea, un documento con instrucciones escondidas, un usuario que negocia permisos desde el chat.
Cómo se resuelve. Las instrucciones del agente quedan protegidas y fuera del alcance del chat. Todo el contenido que llega se trata como información, nunca como orden. Cada acción se valida antes de ejecutarse contra un catálogo fijo por agente, con permisos de escritura mínimos: lo que está fuera de la lista se rechaza. Las acciones sensibles esperan la aprobación de una persona. Y hay cupos de consumo por sesión y por empresa que siguen vigentes incluso si se corta la conexión con el proveedor del modelo.
5. La autonomía se gana con datos
Poner un agente a ejecutar de entrada, porque la demo salió bien, es la forma más rápida de perder la confianza del equipo que lo va a usar.
Cómo se resuelve. Con evaluación en dos momentos y autonomía progresiva. Antes de construir se analiza el proceso y se acuerdan criterios objetivos de calidad. Antes de producción, el agente se valida contra casos reales, excepciones y riesgos. Recién ahí empieza a operar, y lo hace por etapas: primero sugiere y una persona ejecuta, después ejecuta y el equipo revisa una muestra, y al final opera con autonomía plena dentro del perfil de riesgo acordado. Cada ampliación la habilitan las métricas, no el calendario.
6. La traza es lo que vuelve gobernable al agente
Un agente que decide sin dejar registro queda fuera de toda auditoría, y el consumo de modelo sin medición se descubre a fin de mes.
Cómo se resuelve. Con una traza por sesión dentro del perímetro de la instancia: los pasos, las herramientas usadas, el razonamiento, los escalamientos, el consumo y el costo de cada interacción, con alertas cuando supera el umbral definido.
Esa misma traza detecta los cambios de comportamiento del agente con el tiempo (drift) y alimenta la mejora. Cada caso resuelto, cada escalamiento y cada corrección arman un dataset versionado con el que se calibra el agente, y cada ajuste pasa por evaluaciones antes de volver a producción.
La medición también ordena el gasto. Un agente bien armado arranca con el modelo más eficiente para la tarea y cambia a uno más complejo solo cuando no llega al nivel de confianza esperado. Si aun así no alcanza, deriva a una persona con el diagnóstico armado.
Cómo se ve todo esto funcionando
Un ejemplo concreto: una mesa de ayuda atendida por cinco agentes que se coordinan sobre el mismo ticket, cada uno con su ámbito y su límite de autonomía.
- Triage atiende a las personas de la organización por Teams las 24 horas. Pide en lenguaje natural lo que necesita para diagnosticar, intenta que la persona resuelva sola y, si no lo logra, crea el incidente con lo relevado, su diagnóstico, su nivel de confianza y los pasos recomendados. Detecta duplicados e incidentes masivos y suma la observación al ticket que ya existe.
- Monitoreo vigila los procesos batch y programados. Conoce la ventana de finalización de cada uno y abre un ticket de criticidad máxima apenas una corrida falla o deja de terminar a tiempo, con el horario esperado contra el real y el detalle técnico.
- Escalamiento identifica al responsable según el proceso, el nivel y la guardia vigente, lo llama por Teams y sube de nivel hasta que alguien toma el caso. Cada llamado y cada respuesta quedan en el ticket de origen.
- Seguimiento controla que los tickets críticos avancen, detecta los que quedan detenidos y le avisa al usuario final cuando el caso se resuelve. El cierre llega cuando quien lo reportó confirma.
- Auditoría revisa que la resolución quede bien documentada y reabre el ticket si el comentario de cierre no alcanza. Los cierres de calidad alimentan la base de conocimiento que usa el Triage en la entrada.
El ciclo se cierra sobre sí mismo: cada incidente bien documentado vuelve como conocimiento a la entrada. La misma base sirve para otros procesos de alto volumen, como la conciliación de extractos bancarios contra facturas pendientes o la generación de informes de gestión y reportes regulatorios.
Lo que tienen en común
Los seis frentes apuntan al mismo lugar: un agente sirve cuando se puede confiar en él, medir lo que hace y corregirlo con evidencia. La arquitectura, los controles, las evaluaciones y la traza son lo que convierte una demo en una pieza de la operación.
Antes de construir conviene una respuesta honesta sobre si el proceso lo justifica: el agente se construye cuando el retorno está claro.
Cuando el agente opera con esa base, el equipo de IT deja de vivir apagando incendios y vuelve a trabajar tranquilo.
Si estás evaluando llevar un proceso a un agente de IA, escribinos a gen@genit.com.ar. Lo miramos juntos y te decimos con honestidad qué vemos.
Preguntas frecuentes
¿Qué es un agente de IA aplicado a un proceso de negocio? Es un sistema que recibe un pedido por un canal (chat, correo, API o una agenda programada), razona sobre él, consulta la base de conocimiento de la empresa y actúa sobre sus sistemas mediante conectores autorizados, hasta resolver el caso o derivarlo a una persona con el diagnóstico hecho.
¿Por qué se cancelan los proyectos de IA agéntica? Gartner proyectó en 2025 que más del 40% se cancela antes de 2027, por costos que se disparan, valor de negocio poco claro o controles de riesgo insuficientes. Debajo de esas tres causas suele haber lo mismo: pilotos sin una arquitectura capaz de escalar y sin criterios de valor definidos antes de construir.
¿Qué es un agent harness? Es la capa sobre la que corre el agente y de la que hereda su comportamiento: pedir lo que falta, confirmar antes de actuar, consultar el conocimiento, recordar la sesión, registrar cada paso, respetar un tope de consumo y escalar a una persona. Se construye una vez y la usan todos los agentes.
¿Qué es la autonomía progresiva de un agente? Es ampliar lo que el agente puede hacer según sus métricas. Empieza sugiriendo mientras una persona ejecuta, pasa a ejecutar con revisión de una muestra por parte del equipo y llega a autonomía plena dentro del perfil de riesgo acordado.
¿Cómo se protege la información de la empresa cuando trabaja un agente de IA? Con una instancia propia y aislada por infraestructura, casos y adjuntos que quedan dentro del perímetro, una lista cerrada de conexiones de salida con IP fija, credenciales en un gestor de secretos y aprobación humana para las acciones sensibles. Al modelo solo le llega el texto necesario para responder.
¿Qué es la observabilidad de un agente de IA? Es el registro en tiempo real de lo que el agente decide y hace: los pasos, las herramientas usadas, los escalamientos, el consumo, el costo por interacción y los cambios de comportamiento con el tiempo. Con esa traza el agente se audita y se mejora con evidencia.
.png)
