El primer agente puede construirse como un proyecto. El problema aparece con el quinto, el décimo o el número cincuenta. Si cada nuevo caso necesita resolver nuevamente identidad, integración, permisos, observabilidad y gobierno, la adopción de IA puede crecer al mismo tiempo que crecen el costo, la deuda tecnológica y el riesgo.
El agente puede haberse desarrollado en semanas. Los sistemas con los que debe operar llevan años —a veces décadas— formando parte del negocio. Por eso, cuando Agentic AI pasa de una demo a producción, el problema deja de estar solamente en el modelo: aparece la arquitectura enterprise que lo rodea.
Cuando un agente deja de responder preguntas y empieza a actuar sobre procesos reales, saber que “algo salió mal” no alcanza. La organización necesita reconstruir qué datos utilizó, qué herramientas invocó, bajo qué identidad actuó, qué reglas aplicaban y dónde intervino una persona.
La autonomía de un agente de IA no es una decisión binaria entre “autónomo” y “no autónomo”. Un agente puede leer, recomendar, modificar o ejecutar, y cada una de esas acciones necesita permisos, límites y niveles de supervisión diferentes. El desafío es diseñar esa autonomía antes de que el agente empiece a operar sobre procesos reales.
Mientras un agente se limita a responder preguntas, su identidad puede parecer un detalle técnico. Cuando empieza a consultar información sensible, utilizar herramientas, modificar datos o ejecutar acciones, saber quién es para cada sistema, con qué autoridad actúa y qué permisos tiene se convierte en una condición para llevarlo a producción.
Lograr que un agente de IA funcione ya no es necesariamente la parte más difícil. El desafío aparece cuando tiene que conectarse con datos y sistemas reales, actuar dentro de procesos críticos y hacerlo con los niveles de seguridad, trazabilidad y control que exige una organización financiera.