AgentOps: ¿quién operará los agentes de IA en producción?

Los agentes de inteligencia artificial empiezan a salir de los laboratorios e integrarse en los procesos de las empresas. Algunos atienden usuarios, otros consultan bases de conocimiento, analizan documentos, ejecutan tareas en sistemas corporativos o coordinan pasos de un flujo de trabajo. A medida que esas experiencias se multiplican, surge un problema menos visible que la elección del modelo o la construcción del agente: ¿quién operará todo esto después de entrar en producción?

La pregunta parece simple, pero cambia mucho cuando dejamos de hablar de unos pocos pilotos aislados e imaginamos decenas o cientos de agentes repartidos por la organización. Hará falta saber cuáles están activos, quién responde por cada uno, qué modelos utilizan, a qué sistemas pueden acceder, cuánto consumen, qué decisiones toman, cuándo se modificaron y cómo se comportan con el tiempo, sobre todo cuando el gasto en IA crece más rápido que el retorno.

Este problema gana importancia porque la adopción avanza con rapidez mientras la capacidad de escalar sigue siendo muy desigual. En la encuesta global de McKinsey publicada en 2025, el 62% de los entrevistados dijo que sus organizaciones ya experimentaban con agentes de IA, pero solo el 23% afirmó estar escalando algún sistema agéntico en al menos una función [1]. Otro estudio de la consultora describió una paradoja similar: casi ocho de cada diez empresas ya utilizaban IA generativa, pero una proporción parecida aún no observaba impacto significativo en el resultado financiero [2].

La distancia entre esas cifras ayuda a explicar por qué la siguiente etapa de la adopción corporativa de IA probablemente será menos crear agentes y más aprender a operarlos.

Cuando un agente deja de ser un proyecto y pasa a ser parte de la operación

Durante un piloto, casi todo es más simple. Hay un equipo cercano, el alcance es conocido, el número de usuarios suele ser limitado y cualquier comportamiento inesperado puede investigarlo quien construyó la solución. Incluso cuando hay fallos, aún pueden tratarse como parte del desarrollo.

En producción, esa lógica cambia. Un agente puede permanecer activo meses, recibir nuevas versiones de modelos, ganar herramientas, acceder a nuevas fuentes de datos y participar en procesos que también cambian con el tiempo. Otros agentes pueden surgir a su alrededor y empezar a utilizar los mismos sistemas, APIs o información. Lo que al inicio era una aplicación relativamente aislada pasa a formar parte de un entorno operacional.

En ese momento, las preguntas básicas se vuelven más difíciles. ¿Qué versión está en ejecución? ¿Quién aprobó el último cambio? ¿Hubo cambio en el prompt, el modelo, las herramientas o los permisos? ¿El aumento de consumo de esta semana vino de mayor uso o de un comportamiento anormal? ¿El agente sigue produciendo los resultados esperados? ¿Hay alguien claramente responsable de él?

Cuanto más participen los agentes en la operación, menos sostenible será tratarlos solo como proyectos de IA. Necesitarán disciplina operacional.

En ese contexto gana espacio el concepto de AgentOps, abreviatura de Agent Operations. En el mercado también aparecen expresiones como AI Agent Operations y AI AgentOps para describir esta misma disciplina emergente de operación de agentes de inteligencia artificial [6].

Inspirado en prácticas que ya conocemos de DevOps, MLOps y, más recientemente, LLMOps, AgentOps amplía el problema operacional a sistemas capaces no solo de producir una respuesta, sino de ejecutar una secuencia de pasos, consultar herramientas y fuentes externas, interactuar con otros sistemas y, según el nivel de autonomía recibido, realizar acciones en el entorno.

AgentOps es la disciplina de poner y mantener agentes de IA en producción de forma controlada, observable y confiable, acompañando su ciclo de vida, comportamiento, desempeño, costos, seguridad y gobernanza.

La distinción importa porque AgentOps no es solo otro nombre para MLOps o LLMOps. Esas disciplinas siguen siendo relevantes y comparten diversas prácticas, pero los agentes añaden una dimensión operacional distinta. Un agente puede interpretar contexto, elegir herramientas, definir caminos distintos para alcanzar un objetivo y producir secuencias diferentes de acciones ante situaciones similares. En arquitecturas multiagente, puede además delegar tareas o depender de la actuación de otros agentes.

Operarlo significa, por tanto, observar no solo si está disponible, sino qué está haciendo, por qué se recorren determinados caminos y qué resultados se producen.

La disponibilidad no será suficiente

En sistemas tradicionales, buena parte de la operación puede seguirse con indicadores conocidos: disponibilidad, latencia, errores, capacidad, consumo de recursos y desempeño. Esas señales seguirán siendo importantes para los agentes, pero probablemente no bastarán.

Imagine un agente responsable de apoyar una actividad corporativa determinada. Técnicamente puede estar disponible, responder dentro del tiempo esperado y sin errores de infraestructura. Aun así, puede estar utilizando herramientas de manera inadecuada, repitiendo llamadas innecesarias, consumiendo muchos más tokens de lo previsto, accediendo a una fuente que dejó de ser confiable o produciendo resultados progresivamente peores.

Desde la infraestructura, todo puede parecer normal, mientras que desde la operación del agente existe un problema. Esa diferencia se vuelve aún más relevante cuando los agentes dejan de solo recomendar y empiezan a ejecutar acciones. Un comportamiento inadecuado puede dejar de producir solo una mala respuesta y pasar a generar un cambio en un sistema, iniciar un flujo, crear un ticket, consultar datos sensibles o activar otro agente.

Por eso la observabilidad aparece con frecuencia en las discusiones sobre agentes en producción, como exploramos en Cuando los agentes empiecen a actuar, ¿quién observará a los agentes?. En un trabajo sobre cómo construir, escalar y sostener iniciativas de IA agéntica, Deloitte destaca la necesidad de hacer rastreables y auditables el comportamiento, el desempeño y las decisiones, asociando la operación de los agentes a monitoreo continuo, aplicación de políticas, pruebas automatizadas y mecanismos de rollback [3].

Un agente puede estar técnicamente sano y, al mismo tiempo, operacionalmente equivocado.

Esa distinción crea una nueva capa de observación. Habrá que acompañar infraestructura y aplicaciones, pero también ejecución, decisiones, uso de herramientas, resultados y consecuencias. En determinados entornos será necesario reconstruir la secuencia de pasos que llevó a un agente a una acción determinada y comprender qué información estaba disponible en ese momento, lo que se conecta con la gobernanza y trazabilidad operacional de los agentes.

Esto también acerca AgentOps a temas que ya discutimos en esta serie, como contexto operacional, gobernanza y autonomía. Cuanto mayor sea la autonomía concedida, mayor será la importancia de observar y reconstruir el comportamiento del sistema.

El problema crece cuando aumenta el número de agentes

La dificultad de operar un agente de forma individual es manejable. El desafío cambia de escala cuando cada área empieza a crear los suyos.

Marketing puede tener agentes propios, al igual que Finanzas, TI, seguridad, atención, ingeniería, operaciones y recursos humanos. Algunas soluciones se desarrollarán internamente, otras vendrán incorporadas a plataformas que la empresa ya utiliza y otras se contratarán a proveedores especializados. En ese escenario, la organización puede llegar rápidamente a una situación parecida a otros ciclos tecnológicos: muchos componentes útiles individualmente, pero poca visibilidad sobre el conjunto.

La encuesta Enterprise AI Maturity Index 2025, realizada por ServiceNow en alianza con Oxford Economics con casi 4.500 ejecutivos de 16 países y 11 sectores, encontró una caída en la puntuación media de madurez en IA, de 44 a 35 puntos. El estudio relaciona esa dificultad, entre otros factores, con la brecha de competencias, las preocupaciones de privacidad y seguridad y la ausencia de estrategias cohesionadas de adopción. También identificó que el 43% de los entrevistados consideraba adoptar IA agéntica en los 12 meses siguientes [4].

Deloitte llegó a una conclusión similar al discutir el paso de pilotos a producción: escalar agentes exige pensar desde el inicio en gobernanza, arquitectura de datos y modelo operacional, en lugar de tratar esos elementos como preocupaciones posteriores [5].

La implicación es importante. Podemos llegar a una situación en la que la capacidad de crear nuevos agentes crezca más rápido que la capacidad de la empresa de saber qué agentes posee y cómo se están utilizando.

El riesgo no está solo en que un agente falle. Está en perder la capacidad de comprender el entorno de agentes que estamos construyendo.

Eso involucra inventario, ownership, políticas, versiones, dependencias, costos, desempeño, seguridad e historial. En algún momento hará falta responder preguntas aparentemente administrativas, pero operacionalmente importantes: ¿qué agentes están activos? ¿Quién es responsable de ellos? ¿Qué procesos dependen de ellos? ¿A qué datos acceden? ¿Qué herramientas pueden ejecutar? ¿Cuánto cuestan? ¿Qué cambios sufrieron? ¿Cuáles mostraron comportamiento anormal?

Esas preguntas también muestran por qué AgentOps no debería entenderse solo como una nueva herramienta. El problema involucra tecnología, pero también procesos, responsabilidades y gobernanza.

La noción de ownership se vuelve particularmente relevante. Cuando un agente atraviesa varios sistemas y participa en un proceso que pertenece a distintas áreas, alguien debe responder no solo por la infraestructura que lo mantiene funcionando, sino por el resultado que produce.

Operar agentes será parte del camino hacia la autonomía

En los últimos artículos de esta serie discutimos que la autonomía no ocurre simplemente porque un modelo se volvió más capaz, como reflexionamos en Operaciones agénticas: ¿estamos preparados para dar autonomía a la IA?. Depende de la arquitectura a su alrededor, del contexto disponible, de los mecanismos de supervisión y de la confianza construida progresivamente.

AgentOps añade una dimensión operacional a esa discusión. Si un agente participa en un proceso durante algunas semanas, puede ser posible seguirlo de manera casi artesanal. Si cientos de ellos ejecutan actividades de forma continua, ese enfoque deja de funcionar. Necesitaremos mecanismos que permitan acompañar el entorno de forma sistemática, identificar comportamientos inesperados y entender cuándo hace falta intervención humana.

Eso no significa intentar predecir todas las decisiones que un agente podrá tomar. Parte del valor de la IA agéntica está precisamente en la capacidad de lidiar con situaciones que no se codificaron por completo de antemano. El desafío es permitir esa flexibilidad sin renunciar a la capacidad de observar, gobernar e intervenir.

Autonomía sin capacidad operacional de seguimiento no elimina el trabajo humano. Solo desplaza el problema para después de la implantación.

Tal vez por eso la discusión sobre AgentOps surge justo ahora. La primera ola de adopción concentró buena parte de la atención en modelos, prompts, copilotos y agentes. Conforme esas tecnologías entran en procesos reales, el foco empieza a desplazarse hacia lo que siempre ocurre cuando una tecnología se convierte en parte de la infraestructura empresarial: alguien debe mantenerla confiable con el tiempo.

La pregunta, por tanto, no es solo cuántos agentes podrá crear una organización. Es si seguirá sabiendo qué están haciendo cuando ese número ya no quepa en una hoja de cálculo.

De la visión a la práctica: ARGUS

Este nuevo escenario, en el que los agentes dejan de ser proyectos aislados y pasan a formar parte de la operación, también amplía el papel de ARGUS.

ARGUS nació con el propósito de correlacionar eventos de múltiples fuentes, reducir el ruido y construir un contexto operacional compartido sobre lo que ocurre en el entorno. Con la incorporación de las capacidades de AI Gateway y AgentOps, esa visión pasa a incluir también a los agentes de IA como participantes de la operación.

Eso significa combinar el contexto operacional que los agentes necesitan para tomar decisiones más consistentes con una capa capaz de apoyar su propia operación. El AI Gateway permite aplicar políticas y controlar cómo agentes y aplicaciones acceden a distintos recursos de IA, mientras AgentOps amplía la capacidad de orquestar agentes, acompañar sus ejecuciones y acciones y establecer mecanismos de observabilidad, gobernanza y supervisión.

Traces, llamadas a herramientas, errores, latencia, costos y resultados ayudan a comprender cómo se comportan los agentes, mientras el contexto operacional permite relacionar ese comportamiento con lo que ocurría en el entorno cuando se tomó una decisión determinada.

El diferencial está en conectar las dos perspectivas: comprender al agente y, al mismo tiempo, comprender la operación sobre la que está decidiendo y actuando.

Esa visión permite construir una línea de tiempo operacional más completa, relacionando infraestructura, servicios, herramientas, automatizaciones, personas y agentes. A medida que aumenta la autonomía, esa capacidad se vuelve importante para investigar problemas, aplicar políticas, auditar acciones y ampliar gradualmente la autonomía de los agentes con supervisión humana.

En ese sentido, AgentOps no representa solo una nueva funcionalidad de ARGUS. Es una extensión natural de la propuesta de construir contexto operacional compartido y una visión sistémica de la operación, incorporando ahora también la orquestación y la operación de las inteligencias que empiezan a participar en ella.

Conozca ARGUS y vea cómo funciona en la práctica.

Sobre el autor

Paulo Florêncio de Menezes es emprendedor, socio y cofundador de empresas como Target Solutions, BiPTT y ARGUS.

Es graduado en Procesamiento de Datos por la Universidad Federal de Amazonas (UFAM), tiene MBA en Gestión Empresarial por la Fundación Dom Cabral (FDC) y Máster Profesional en Economía por la Fundación Getulio Vargas (FGV).

En su investigación de máster desarrolló el IBEOP-IA (Índice Brasileño de Exposición Ocupacional Potencial a la Inteligencia Artificial), investigando la exposición potencial de las ocupaciones brasileñas a las capacidades de la IA mediante la combinación de datos ocupacionales, patentes de inteligencia artificial y técnicas de procesamiento de lenguaje natural.

Referencias

[1] McKinsey & Company. The state of AI in 2025: Agents, innovation, and transformation. 2025.

[2] McKinsey & Company. Seizing the agentic AI advantage. 2025.

[3] Deloitte. Beyond the pilot: Building, scaling and sustaining agentic AI initiatives. 2025.

[4] ServiceNow y Oxford Economics. Enterprise AI Maturity Index 2025. 2025.

[5] Deloitte. Agentic AI: Design for scale or prepare to fail. 2026.

[6] IBM. What is AgentOps? IBM Think.