Agentes de IA en producción: lo que muestran los datos más allá del hype

Gartner afirma que el 40% de las aplicaciones empresariales tendrán agentes de IA hacia finales de 2026, frente a menos del 5% en 2025. El mercado de software para agentes pasa de US$ 86 mil millones en 2025 a US$ 206 mil millones en 2026. Los números son impresionantes. El mismo Gartner agrega, con menos énfasis: más del 40% de los proyectos de IA agentiva serán cancelados hacia finales de 2027 por costo excesivo, valor de negocio poco claro y controles de riesgo insuficientes. Los dos datos coexisten porque estamos en el pico de las expectativas infladas.

Qué es un agente de IA en 2026

La definición técnica se consolidó: un agente de IA es un sistema que percibe el ambiente, decide acciones con base en objetivos y memoria, ejecuta herramientas (APIs, navegador, terminal, base de datos), e itera hasta completar una tarea de múltiples etapas — sin intervención humana en cada paso.

En la práctica, un workflow agentivo típico en 2026 hace 10 a 20 llamadas a LLMs por tarea del usuario. Cada llamada puede invocar herramientas que generan más contexto para la siguiente llamada. Un agente que resuelve un bug de código puede: leer el repositorio, ejecutar las pruebas, identificar el error, proponer una corrección, aplicarla, reejecutar las pruebas, y verificar la regresión — todo de forma autónoma.

Capacidades confirmadas en producción

Tres clases de tareas mostraron resultados reproducibles en producción real:

Automatización de documentación clínica: Microsoft DAX Copilot (Nuance) es el caso más documentado. Captura conversaciones en el consultorio y genera borradores de notas clínicas. Reducción media de 7 minutos por consulta, 50% menos tiempo en documentación. Más de 10 millones de encuentros clínicos capturados. Funciona porque la tarea está bien definida, el output es auditable por el médico, y el error no es crítico (el médico revisa antes de firmar).

Resolución autónoma de bugs: SWE-Bench Verified mide exactamente esto — resolución de issues reales de repositorios GitHub, evaluada según si las pruebas pasan tras la modificación. GPT-5.3 Codex marcó 83%, Claude Opus 4.5 llegó a 80.9%. Los agentes de código están en producción en empresas como GitHub (Copilot Workspace) y Cursor.

Análisis de datos estructurados: Agentes con acceso a base de datos vía SQL, planillas vía API, y capacidad de generar informes con interpretación. Costo de operación bajo cuando el contexto está bien delimitado y las herramientas tienen outputs determinísticos.

Dónde fallan los agentes

El informe de Gartner sobre cancelaciones apunta a tres causas principales:

Propagación de errores: En workflows de múltiples pasos, un error en la etapa 3 corrompe las etapas 4 a 10. A diferencia del código humano, que tiene capas de verificación explícitas, los agentes LLM no detectan silenciosamente cuándo su premisa anterior estaba equivocada. El resultado es un trabajo extenso que llega a una conclusión incorrecta de forma confiada.

Costo de contexto largo: Cada llamada de LLM en un workflow agentivo carga el historial de lo que sucedió antes. Un agente que hizo 15 llamadas y acumuló 300K tokens de contexto cuesta 300 veces más por llamada que la primera. El costo total de una tarea compleja puede ser 50 a 100 veces el costo esperado por quien planeó el sistema.

Comportamientos imprevisibles en los bordes: Los agentes siguen instrucciones en casos prototípicos, pero exhiben comportamientos inesperados en casos de borde — inputs inusuales, fallas de herramientas, respuestas ambiguas de APIs externas. El espacio de casos de borde es enorme, y probar exhaustivamente es impracticable.

El modelo de implementación que funciona

La observación empírica de implementaciones exitosas converge en algunos patrones:

Las tareas con feedback rápido y verificable tienen mejor desempeño. El agente de código funciona porque las pruebas pasan o fallan — el feedback es binario e inmediato. Los agentes de análisis financiero sin verificación objetiva tienen más alucinaciones por naturaleza.

El alcance estricto reduce las fallas. Los mejores agentes en producción son altamente especializados: un agente que solo hace triaje de correos de soporte, o solo generación de informes a partir de datos estructurados. Los agentes "generales" que hacen "cualquier cosa" tienen consistentemente peor desempeño.

Humano en el loop para decisiones irreversibles. El patrón emergente no es full-autonomy sino human-in-the-loop: el agente ejecuta el análisis y propone la acción, el humano aprueba antes de la ejecución. Esto captura la mayor parte de la ganancia de productividad y mantiene el control sobre las consecuencias.

El ciclo agentivo de 2026 todavía está en la fase en que el hype supera la ejecución. Pero los casos de uso validados — documentación médica, resolución de código, análisis de datos — muestran que el valor real existe. La cuestión no es si los agentes funcionan, sino en qué contextos específicos, con qué salvaguardas, y a qué costo real.