Lectura de 6 minActualizado: 22 de octubre de 2026
Muchas empresas están entrando en la carrera de los agentes de IA como si el desafío fuera solamente “tener un agente”. Con agentes de IA en producción, el problema real es mucho más profundo, y no está en el modelo.
Un agente empresarial necesita memoria, identidad, permisos, autenticación contra herramientas, observabilidad, control de costos, auditoría, seguridad, trazabilidad y tiempos de ejecución confiables. Es decir: antes de que el agente haga algo útil, el equipo ya pasó meses construyendo la base.
La pregunta estratégica que casi nadie hace a tiempo
Tus mejores ingenieros están construyendo infraestructura de agentes en lugar de agentes que diferencian tu negocio.
Esa frase, que vi en un anuncio de AWS (la misma idea aparece en su página sobre agentes en producción), describe bastante bien lo que está pasando en 2026. Y deja la pregunta importante sobre la mesa: ¿dónde está realmente la ventaja competitiva?
Desde mi punto de vista, no está en construir infraestructura genérica desde cero. Está en aplicar inteligencia al proceso correcto. En banca, telecomunicaciones, CRM o mensajería, un agente no puede ser una demo bonita: tiene que entender contexto, respetar reglas, operar con permisos claros, dejar trazabilidad y ayudar a tomar mejores decisiones.
Agentes de IA en producción: las siete capas que separan un piloto de un sistema real
- Identidad. El agente actúa como alguien. Si actúa con las credenciales del administrador, cualquier error es máximo. Necesita su propia identidad, con el mínimo privilegio.
- Permisos con alcance. No “acceso a la base”, sino a qué tablas, en qué operaciones, sobre qué registros y en qué horarios.
- Memoria con política. Qué recuerda, por cuánto tiempo, qué puede almacenar y qué debe olvidar. En un entorno regulado esto no es opcional.
- Trazabilidad. Cada acción con su motivo, su entrada, su salida y su costo. Una decisión que no se puede reconstruir es una decisión que no ocurrió.
- Control de costos. Límite por ejecución, por usuario y por día. Sin eso, un bucle mal cerrado es un incidente financiero.
- Observabilidad. Latencia, tasa de error, tasa de escalamiento a humano y calidad percibida. Si no se mide, no se mejora.
- Salida a un humano. Siempre va a haber un caso no previsto. Ese caso tiene que llegar a una persona, no a un log que nadie abre.
Dónde aplicarlo en comunicaciones: la parte que casi nadie mira
Hay un dato del informe The Mobile Economy Latin America 2026 de GSMA que dice mucho del momento de la región: en la industria móvil latinoamericana, el 78% de los despliegues de IA está en atención al cliente, la proporción más alta de cualquier región del mundo.
Se puede leer de dos maneras. La optimista: la región encontró rápido un caso de uso con retorno claro y lo está ejecutando. La incómoda: si casi ocho de cada diez implementaciones están en el mismo lugar, hay muchísima superficie de negocio sin tocar.
En comunicaciones, la IA aplicada a la conversación es apenas la capa visible. Debajo hay decisiones que hoy siguen siendo manuales o basadas en reglas fijas:
- Qué canal usar para cada persona, según cómo respondió antes.
- En qué momento del día enviar, según el comportamiento real y no el horario que alguien eligió una vez.
- Con qué plantilla, cuando hay varias que dicen lo mismo de forma distinta.
- Cuántas veces reintentar antes de que insistir deje de tener sentido —y empiece a molestar.
- Cuándo escalar a un humano, antes de que el usuario se canse de intentar.
Nada de eso es atención al cliente. Todo eso decide si la comunicación funciona.
El riesgo del que poco se habla
Y hay un segundo riesgo, más silencioso: el de la superficie de confianza. Con IA generativa haciendo cada vez más sencillo producir textos, voces e imágenes convincentes, la autenticidad de cada interacción entre una organización y sus usuarios se vuelve una capa de seguridad en sí misma. Eso conecta directamente con la identidad de las comunicaciones: ya no alcanza con proteger la infraestructura, hay que poder demostrar quién habla.
Cómo lo abordaría hoy
- Elegir un proceso medible, no uno vistoso. Si no hay una métrica que hoy se pueda mostrar en un tablero, tampoco va a poder demostrarse la mejora.
- Empezar por decisiones, no por conversaciones. La decisión tiene menos superficie de error y retorno más fácil de aislar.
- Construir la trazabilidad antes que la funcionalidad. Es mucho más barato que agregarla después, y es lo primero que va a pedir una auditoría.
- Definir el criterio de apagado. Bajo qué condiciones el agente se desactiva y quién puede hacerlo, en minutos y sin desplegar código.
La pregunta no es si tu empresa va a usar agentes de IA. La pregunta es si tus equipos están construyendo infraestructura genérica o inteligencia aplicada al negocio. La IA no reemplaza la arquitectura: la vuelve más importante.
Seguridad del agente: credenciales, permisos y la norma que viene
Hay una parte del problema que no estaba tan clara cuando empecé a escribir sobre agentes en producción: las credenciales del agente son credenciales de producción. En su informe de septiembre de 2026, Anthropic documentó casos de claves de API de proveedores de IA extraídas de entornos de clientes y reutilizadas para atacar a terceros, con el costo del cómputo cargado al dueño legítimo de la clave.
Lo trato igual que cualquier credencial que toca producción:
- Una identidad por agente y por entorno, nunca una clave compartida entre servicios.
- Rotación con fecha y revocación inmediata disponible, probada al menos una vez.
- Permisos mínimos y explícitos: qué herramientas puede llamar, sobre qué datos y con qué límite de gasto.
- Las claves fuera del código y fuera de los prompts; en un gestor de secretos, con acceso auditado.
- Alertas por consumo anómalo: un patrón de uso raro suele aparecer antes que cualquier aviso externo.
- Registro de cada llamada a herramienta, con entrada, salida y decisión, para poder reconstruir qué hizo el agente.
Dónde encaja esto en un sistema de gestión ISO 27001
Si ya operas un SGSI, los agentes no inauguran un capítulo aparte: se apoyan en los controles que ya están. Gestión de identidades y accesos, información de autenticación, registro de eventos, seguridad en el desarrollo y gestión de proveedores cubren buena parte del problema. Lo que falta es el criterio específico de IA, y ahí viene la novedad: ISO/IEC 27090, sobre amenazas y compromisos de seguridad en sistemas de inteligencia artificial, superó su votación final el 19 de agosto de 2026 y está en etapa de publicación. Se suma a ISO/IEC 42001, que gobierna la gestión de la IA, no su seguridad.
Mi recomendación práctica: no esperar a la publicación para adaptar el análisis de riesgos. Los riesgos que la norma va a nombrar —envenenamiento de datos, manipulación de la entrada, fuga de información por el modelo, abuso de credenciales— ya están en producción hoy.
Fuentes
- GSMA: The Mobile Economy Latin America 2026.
- Amazon Web Services: Build AI agents: from pilot to production.
Seguir leyendo
- Región AWS México: qué cambia para una plataforma crítica — qué habilita en latencia y residencia de datos.
- Traspaso de IA a humano: cómo diseñarlo como parte del flujo — contexto, momento y métricas del pase a una persona.
- MCP Events y agentes siempre activos — cómo preparar una plataforma para agentes que reaccionan a eventos.
- SMS bidireccional: el canal de vuelta que casi nadie configura — las cuatro definiciones previas a habilitarlo.
- Identidad de las comunicaciones: la superficie de seguridad que dejamos sin resolver — cómo se resuelve la identidad de quien envía.
- Regulación de IA en América Latina: qué preparar en atención y operaciones — las obligaciones de transparencia, trazabilidad y supervisión humana que la arquitectura tiene que poder demostrar.
