Agent washing y la era del rediseño: por qué la mayoría de los agentes de IA falla en producción

¿Qué es el «agent washing» y por qué debería importarte?

Gartner acuñó el término agent washing para nombrar una práctica común: rebautizar asistentes, automatización de procesos (RPA) y chatbots como «agentes», sin capacidades agénticas reales. En el mismo análisis, la firma proyecta que más del 40% de los proyectos de IA agéntica se cancelará antes de fin de 2027, por costos que se disparan, valor de negocio poco claro o controles de riesgo insuficientes. La mayoría de esos proyectos, dice Gartner, son experimentos tempranos empujados por el hype.

El patrón que se repite: demos brillantes que colapsan en producción

La misma señal aparece desde la ingeniería. En una cobertura de VentureBeat, Preeti Somal, vicepresidenta senior de Ingeniería de Temporal, describe una «era del rediseño»: empresas que ya están construyendo la versión 2.0 del mismo agente porque la primera no aguantó producción.

«Tuvieron que ir muy rápido, pero no se hicieron cargo de la cañería. Las cosas se caen y terminan reconstruyendo sobre una base confiable», dijo Preeti Somal, de Temporal.

¿Por qué la fiabilidad, y no el modelo, es el cuello de botella?

Un agente que ejecuta procesos largos, de varios pasos y a lo largo de horas, enfrenta problemas de ingeniería clásicos que la IA solo amplifica. Somal distingue dos ideas que se suelen confundir: el estado (en qué paso va el flujo y desde dónde recuperar si algo se cae) y la memoria o contexto (la información que el agente arrastra entre interacciones). Cuando un flujo falla a mitad de camino sin recuperación, la empresa vuelve a correrlo desde cero y paga de nuevo todas las llamadas al modelo, lo que ella llama el «impuesto a los tokens».

¿Qué tienen en común esto y el «lift and shift» de la nube?

Somal compara el momento actual con la migración apresurada a la nube: mover cargas sin modernizar la arquitectura terminó costando más y entregando menos valor. La analogía es incómoda y útil: correr a poner agentes de IA sobre aplicaciones que no se modernizaron repite el mismo error. La solución que propone es una columna determinista: software de orquestación que mantiene la ejecución confiable alrededor de un modelo que, por definición, es probabilístico.

¿Cómo evaluar agentes en Chile y Latinoamérica sin caer en el hype?

Para equipos de Chile y Latinoamérica, que suelen operar con presupuestos más ajustados, el agent washing es caro de dos maneras: se paga por una promesa que no llega a producción y se consume presupuesto de IA en reintentos. Antes de comprar, conviene exigir evidencia de producción, no solo una demo:

• Ejecución durable y recuperación: ¿qué pasa si el agente se cae a mitad del flujo?
• Observabilidad: ¿se ve, paso a paso, dónde se gastan los tokens y el tiempo?
• Gobernanza: identidad, políticas de selección de modelo y control de costos.
• Base de datos y procesos: ¿el agente se apoya en información limpia y flujos definidos, o sobre un sistema sin modernizar?

La lectura de Revenue Hub

Esta pieza es el análisis de Revenue Hub sobre las advertencias de Gartner y de una ejecutiva de Temporal, no una republicación de sus textos. Nuestra lectura para Chile y Latinoamérica: en RevOps y en plataformas como HubSpot, el valor no está en el agente que impresiona en la demo, sino en la «cañería» aburrida que casi nadie muestra: datos limpios, orquestación confiable, recuperación y visibilidad de costos. Comprar un agente es, antes que nada, un problema de ingeniería de sistemas. Puedes leer las fuentes en la nota de Gartner y en la cobertura de VentureBeat.