Intel advierte: la IA agéntica ha dejado atrás su etapa «infantil» y exige un nuevo modelo de control

Intel propone ver la IA agéntica como un niño que de repente deja de gatear y empieza a correr. Las empresas siguen debatiendo políticas y comités, mientras los agentes autónomos ya obtienen acceso a flujos de trabajo, presupuestos y sistemas críticos. Eso significa que los viejos enfoques de control han dejado de funcionar.

De los chatbots a los agentes

En un artículo para MIT Technology Review, los autores comparan la etapa actual de la agentic AI con la «primera infancia». La transición fue rápida: a finales de 2025 y principios de 2026 llegó al mercado una oleada de herramientas no-code y, con ella, OpenClaw, un agente personal open source disponible en GitHub. Antes, la IA se limitaba sobre todo a esperar una petición en la interfaz de un chatbot. Ahora recorre por sí misma una cadena de acciones: lee datos, toma decisiones intermedias y hace avanzar el proceso sin que una persona tenga que confirmarlo constantemente.

Según Intel, es justo aquí donde se rompe el modelo de governance anterior. Hasta ahora, las empresas se centraban en los riesgos de la respuesta del modelo: alucinaciones, deriva, fugas de datos y envenenamiento de datos. Pero cuando un agente ejecuta un workflow a velocidad de máquina, el sentido del human in the loop se reduce drásticamente. Para la empresa, la pregunta ya no es «qué dijo el bot», sino «qué llegó a hacer el bot»: por ejemplo, qué registros modificó, qué permisos utilizó y qué acciones desencadenó a lo largo de la cadena.

Dónde falla el control

La idea central del artículo es que ya es tarde para gestionar los agentes mediante documentos y comités. Las restricciones deben integrarse directamente en el código y en los procesos de negocio, teniendo en cuenta el nivel de riesgo, los permisos de acceso y la posible responsabilidad. Si no, un agente con lógica probabilística recibe demasiada libertad en sistemas donde un error sale caro. Esto cambia tanto la arquitectura como el reparto de responsabilidades: si el agente se equivoca, quien responde no es el modelo, sino la empresa que le dio acceso al entorno de producción.

«La IA hace el trabajo y las personas asumen el riesgo».

• un agente puede encadenar acciones a través de varios sistemas corporativos y acumular más influencia que un solo empleado;
• en la empresa se acumulan rápidamente cuentas de servicio, tokens de API de larga duración y permisos para modificar archivos y datos clave;
• surge una nueva capa de shadow AI, en la que los empleados crean sus propios asistentes sin arquitectura, sin soporte y sin una auditoría adecuada;
• cuando un empleado cambia de departamento o deja la empresa, quedan agentes «huérfanos» vinculados a su ID y a sus permisos;
• los neglected AI pilots y los «proyectos zombi» siguen funcionando en la nube y consumiendo recursos sin un responsable claro.

Los autores plantean además la analogía de un niño pequeño al que de repente le dan un juguete demasiado potente. En el entorno corporativo, la lección es sencilla: no se puede lanzar un agente autónomo a producción sin observabilidad, sin la posibilidad de revocar el acceso rápidamente y sin un mecanismo de parada forzosa. Hacen falta discovery, audit trail, remediation y un procedimiento claro de desactivación. De lo contrario, el beneficio de la automatización desaparece con el primer incidente, y analizar las consecuencias acaba costando más que el propio valor de la implantación.

El precio de la autonomía

Intel también cuestiona la idea popular de que la IA agéntica es simplemente una forma de recortar la masa salarial. En el modelo enterprise, los costes se comportan de otra manera: no se trata de una licencia fija por usuario, sino del consumo de tokens, cómputo y API externas a medida que crece el workflow. El ahorro en personal resulta una métrica demasiado tosca, porque junto con la automatización aumentan los costes de observabilidad, soporte, seguridad y control financiero de toda la infraestructura agéntica.

El artículo cita una encuesta de IDC de diciembre, encargada por DataRobot: el 96% de las empresas que implantan generative AI y el 92% de las organizaciones que implantan agentic AI afirmaron que los costes fueron superiores o muy superiores a lo esperado. Es una señal importante para las empresas: el problema no se reduce al precio del modelo por token. El dinero se va también en mantener multitud de agentes internos, corregir errores, revisar permisos de acceso y sostener a los equipos que deben mantener todo esto bajo control.

La imprevisibilidad de la economía usage-based agrava el problema. A diferencia del FinOps clásico, donde el gasto en la nube es más o menos determinista, la IA agéntica se comporta de forma probabilística: las cadenas largas de llamadas, los bucles autónomos y los errores de planificación pueden disparar el coste de una sola sesión hasta valores extremos. Los autores señalan incluso que algunos AI-first founders ya se enfrentan a gastos del orden de $100 000 por una sola sesión agéntica. Si no se fijan límites desde el principio, un workflow autónomo puede «comerse» con facilidad un presupuesto comparable al de contratar a otro empleado.

Qué significa esto

Para las empresas, la IA agéntica ya no es una interfaz experimental sobre un LLM, sino una nueva capa operativa. No ganarán las compañías que antes permitan a sus empleados «montar su propio agente», sino las que integren antes en sus procesos los permisos de acceso, la auditoría, la desactivación, los límites presupuestarios y un control permanente de lo que el agente hace en los sistemas reales.