1. Resumen Ejecutivo

La promesa de la autonomía de los agentes de IA se ha topado con una realidad presupuestaria brutal. Según los datos más recientes de VB Pulse, recopilados entre 107 empresas de gran tamaño, uno de cada cinco encuestados admite que no dispone de mecanismos efectivos para detener en tiempo real a un agente de IA que incurre en gastos descontrolados. Este dato no es una anomalía operativa menor; es el síntoma de una arquitectura de confianza rota entre los equipos de ingeniería y las plataformas comerciales de orquestación.

El problema no es únicamente el coste en dólares por token, sino la ausencia de interruptores de emergencia (kill switches) y de políticas de gasto granulares que se apliquen de forma consistente a través de múltiples marcos de trabajo. La industria ha respondido con una estrategia de "hibridabilidad": el 85% de las empresas utiliza dos o más herramientas de orquestación, y el 64% opera con tres simultáneamente. Esta pluralidad, lejos de ser una elección estética, es una defensa contra la falta de confianza en las capacidades de seguridad y permisos de los proveedores individuales. Para los directores de tecnología, los responsables de gobernanza de datos y los arquitectos de plataformas, este informe es una llamada de atención. La cuestión ya no es qué modelo de lenguaje es más inteligente, sino quién controla el grifo del gasto cuando un agente autónomo decide, por sí mismo, que necesita procesar un millón de tokens para completar una tarea trivial. La respuesta, según los datos, no está en un único proveedor, sino en una capa de control propia que las empresas deben construir y exigir.

2. Análisis Técnico Profundo

La raíz del problema de la falta de control en tiempo real reside en la arquitectura de ejecución de los agentes modernos. A diferencia de los chatbots tradicionales, que procesan una solicitud y devuelven una respuesta, un agente opera en un bucle de razonamiento-acción-observación. Cada iteración de este bucle puede generar múltiples llamadas a la API, invocaciones de herramientas externas y consultas a bases de datos vectoriales. El coste no es lineal; es exponencial cuando el agente entra en un ciclo de "persecución" de un objetivo mal definido.

Los datos de VB Pulse indican que Microsoft AI Foundry/Copilot Studio está presente en el 70% de las pilas tecnológicas, seguido de cerca por el SDK de Agentes de OpenAI (68%) y la Plataforma Claude de Anthropic (47%). Esta coexistencia de tres ecosistemas distintos crea un desafío de telemetría. Cada plataforma tiene su propio panel de control de costes, sus propias métricas de tokens y, crucialmente, sus propios límites de gasto. Un equipo de ingeniería que opera con tres herramientas no puede agregar fácilmente el gasto total, ni mucho menos establecer un presupuesto unificado que se aplique en tiempo real.

El 22% de los encuestados que construyen orquestación propia revela una desconfianza técnica fundamental. Estos equipos no solo buscan evitar el bloqueo de proveedor; buscan implementar políticas de permisos que los proveedores no ofrecen de forma nativa. Por ejemplo, la capacidad de interrumpir un bucle de agente basándose en el contenido de la salida intermedia, o de limitar el número de llamadas a una herramienta específica por minuto, son características que a menudo requieren un proxy de control personalizado. Sin esta capa, un agente que recibe una instrucción ambigua puede interpretarla como una orden para iterar indefinidamente, acumulando costes sin que ningún humano intervenga.

La visibilidad es el otro gran fallo técnico. Los paneles de control de los proveedores ofrecen métricas agregadas con retraso de minutos u horas. Para un agente que puede consumir miles de dólares en tokens en segundos, esta latencia de datos es inaceptable. La solución técnica que está emergiendo en las empresas más maduras es la implementación de proxies de telemetría en tiempo real que interceptan cada llamada a la API, calculan el coste marginal al instante y comparan contra un presupuesto de "ráfaga" (burst budget). Si se supera el umbral, el proxy puede inyectar una instrucción de "pausa" en el bucle del agente o revocar las credenciales de la API en milisegundos. Además, la fragmentación de modelos agrava el problema. Con GPT-5.6 Sol, Claude Opus 5 y Gemini 3.7 Flash disponibles simultáneamente, los enrutadores de modelos (model routers) deciden qué modelo usar para cada subtarea. Si el enrutador no está configurado con límites de coste por modelo, puede enviar tareas triviales a los modelos más caros y sofisticados, disparando la factura sin que el agente "falle" técnicamente. La gobernanza de costes, por tanto, debe integrarse en la capa de enrutamiento, no solo en la capa de orquestación. Finalmente, la seguridad de los permisos es un factor crítico. Un agente con acceso a herramientas de pago (como APIs de terceros o servicios de computación en la nube) puede realizar acciones irreversibles. Las empresas que reportan falta de control en tiempo real son las que no han implementado un "modo de solo lectura" para agentes en fase de pruebas, o que no han segmentado las credenciales por nivel de riesgo. La confianza en el proveedor es baja, y los datos de VB Pulse confirman que esta desconfianza es el motor principal de la estrategia multi-plataforma.

3. Impacto en la Industria y Repercusiones de Mercado

La incapacidad de frenar el gasto de un agente tiene implicaciones directas en el retorno de la inversión (ROI) de la IA. Las empresas que no pueden controlar los costes en tiempo real son reacias a escalar sus despliegues de agentes autónomos. Esto frena la adopción en casos de uso de alto valor, como la automatización de procesos de negocio complejos o el soporte al cliente proactivo, donde un agente descontrolado podría generar pérdidas significativas en minutos.

Para los proveedores de plataformas, esta crisis de confianza es una oportunidad y una amenaza. Microsoft, con su integración profunda en Azure, tiene la ventaja de ofrecer políticas de coste a nivel de suscripción empresarial. Sin embargo, la presencia de OpenAI en el 68% de las pilas indica que los equipos técnicos prefieren el SDK de OpenAI por su flexibilidad, a pesar de que Microsoft es el inversor principal. Esta dinámica crea una tensión: los clientes quieren la innovación de OpenAI con la gobernanza de Microsoft, y ninguna de las dos empresas ofrece actualmente una solución integrada perfecta. Anthropic, por su parte, lidera en la intención de adopción futura. Su enfoque en la seguridad y la interpretabilidad de los agentes (con modelos como Claude Opus 5 y Claude Fable 5) resuena con los equipos que priorizan el control. Sin embargo, su dependencia de AWS como nube oficial (con Amazon como inversor principal de 4.000 millones de dólares) y la inversión minoritaria de Google (2.000 millones) crean un ecosistema de alianzas complejo que puede ralentizar la innovación en herramientas de gobernanza multiplataforma. El mercado de herramientas de observabilidad y gobernanza de agentes está en auge. Las empresas que ofrecen proxies de control de costes, gestión de permisos y telemetría unificada están viendo una demanda creciente. El dato de que el 22% de las empresas construye su propia orquestación sugiere que hay un hueco de mercado para soluciones de "capa de control" que sean agnósticas al proveedor. Los analistas del sector apuntan a que la próxima batalla competitiva no será entre modelos de lenguaje, sino entre plataformas de gobernanza de agentes. La presión regulatoria también está aumentando. En la Unión Europea, la Ley de IA exige transparencia y control humano sobre los sistemas de alto riesgo. Un agente que gasta dinero sin supervisión podría ser considerado un fallo de gobernanza, con multas potenciales. Las empresas multinacionales que operan en Europa están, por tanto, más motivadas para resolver este problema que sus contrapartes en otras regiones, lo que podría crear una ventaja competitiva para los proveedores que ofrezcan herramientas de control robustas y auditables.

4. Perspectivas de Expertos y Análisis Estratégico

El consenso técnico entre los arquitectos de plataformas es claro: la responsabilidad del control de costes no puede delegarse enteramente en el proveedor de modelos. Los equipos de ingeniería deben asumir que cualquier agente puede fallar y diseñar sistemas a prueba de fallos. Esto implica la implementación de "presupuestos de agente" (agent budgets) que se definen por tarea, no por mes. Un agente que procesa facturas debe tener un límite de gasto por lote de facturas, y si lo supera, debe detenerse y escalar a un humano.

Los datos de VB Pulse sugieren que las empresas más exitosas en el control de costes son aquellas que han designado un "propietario de costes de IA" (AI cost owner) dentro del equipo de plataforma. Esta persona tiene la autoridad para revisar los logs de ejecución de agentes, identificar patrones de gasto anómalos y ajustar las políticas de enrutamiento de modelos. Sin esta figura, el control de costes se convierte en una responsabilidad difusa que nadie asume por completo. Una estrategia recomendada es la implementación de "modos de degradación". Si un agente se acerca a su presupuesto, el sistema puede cambiar automáticamente de un modelo premium (como Claude Opus 5) a un modelo más económico (como Gemini 3.7 Flash o Llama 4) para las subtareas restantes. Esta técnica, conocida como "cascada de modelos", permite completar la tarea sin exceder el presupuesto, aunque con una calidad potencialmente inferior. Las empresas que no han implementado esta estrategia son las que reportan los gastos descontrolados. La seguridad de los permisos también requiere un enfoque de "privilegio mínimo". Los agentes no deben tener acceso a todas las herramientas de la empresa por defecto. En su lugar, deben obtener permisos dinámicos basados en la tarea específica. Por ejemplo, un agente de soporte al cliente no debería tener acceso a la API de facturación a menos que la tarea lo requiera explícitamente. La implementación de un "proxy de autorización" que valide cada llamada a una herramienta externa es una práctica recomendada que reduce el riesgo de acciones irreversibles. Finalmente, los expertos subrayan la importancia de la observabilidad en tiempo real. Las métricas de coste deben estar disponibles en el mismo panel que las métricas de rendimiento (latencia, tasa de error). Un agente que es lento y caro es un problema doble. La correlación de estas métricas permite a los equipos identificar rápidamente si un agente está atascado en un bucle de reintentos, lo que a menudo es la causa principal del gasto descontrolado. La inversión en herramientas de trazabilidad distribuida (distributed tracing) es esencial para lograr esta visibilidad.

5. Hoja de Ruta Futura y Predicciones

En los próximos 12 a 18 meses, se espera que los proveedores de plataformas integren controles de coste más nativos y granulares. Microsoft, OpenAI y Anthropic están bajo presión para ofrecer "interruptores de emergencia" a nivel de API que permitan a los clientes pausar un agente de forma remota. La estandarización de estos mecanismos será un diferenciador clave en las renovaciones de contratos empresariales.

Para finales de 2027, predecimos que la mayoría de las grandes empresas habrá consolidado su estrategia de orquestación en dos plataformas principales, en lugar de tres. La tendencia actual de usar tres herramientas es insostenible a largo plazo debido a la complejidad operativa. Sin embargo, la consolidación no será hacia un solo proveedor, sino hacia un "núcleo dual" (dual-core) donde una plataforma gestiona los agentes de cara al cliente y otra gestiona los agentes internos de procesos de negocio. La aparición de estándares de facto para la telemetría de agentes es inminente. Iniciativas como OpenTelemetry están ampliando su alcance para cubrir eventos de agentes de IA, incluyendo el coste por token y las decisiones de enrutamiento. Las empresas que adopten estos estándares temprano tendrán una ventaja competitiva en términos de portabilidad y control. Los proveedores que no los adopten se arriesgan a ser marginados en las evaluaciones de compra. En el frente de los modelos, la tendencia hacia modelos más eficientes (como Gemma 4 de 12B o Llama 4) permitirá a las empresas ejecutar agentes de menor coste para tareas rutinarias, reservando los modelos premium para tareas de alto valor. Esta segmentación del mercado de modelos reducirá la presión sobre los presupuestos, pero requerirá una gobernanza aún más precisa para garantizar que el modelo correcto se utilice para la tarea correcta.

6. Conclusión: Imperativos Estratégicos

En conclusión, el análisis estratégico de Uno de cada cinco empresas no puede detener el gasto descontrolado de un agente de IA en tiempo real subraya una transformación crítica en la arquitectura del software moderno y en la toma de decisiones a nivel directivo. La velocidad de innovación no solo exige evaluar el rendimiento bruto de las nuevas tecnologías, sino cuantificar con rigor la eficiencia económica, la latencia en entornos de producción y la interoperabilidad de las infraestructuras corporativas.

Para los directores de tecnología (CTOs) y equipos de arquitectura, el imperativo estratégico reside en evitar la dependencia exclusiva de proveedores únicos (vendor lock-in), implementar mecanismos sólidos de gobernanza empresarial de datos y diseñar sistemas ágiles capaces de derivar cargas de trabajo según la complejidad operativa. La ventaja competitiva pertenecerá a las organizaciones que ejecuten esta integración con disciplina técnica y visión a largo plazo.