Intel advierte: la AI agéntica ha superado la etapa de la "infancia" y exige un nuevo modelo de control

Intel advierte: la IA agentiva ha salido de la etapa 'infantil' y requiere un nuevo modelo de control

Intel propone ver la IA agentiva como un niño que de repente dejó de gatear y comenzó a correr. Las empresas aún discuten sobre políticas y comités, pero los agentes autónomos ya están ganando acceso a flujos de trabajo, presupuestos y sistemas críticos — lo que significa que los antiguos enfoques de control ya no funcionan.

De chatbots a agentes

En un artículo para MIT Technology Review, los autores comparan la etapa actual de la IA agentiva con la 'infancia'. La transición ocurrió rápidamente: a finales de 2025 e inicio de 2026, una ola de herramientas no-code llegó al mercado, junto con OpenClaw, un agente personal de código abierto en GitHub. Si antes la IA principalmente esperaba una solicitud en una interfaz de chatbot, ahora ejecuta una cadena de acciones por sí sola: lee datos, toma decisiones intermedias y avanza el proceso sin confirmación humana constante.

Aquí es donde, según Intel, se quiebra el modelo anterior de gobernanza. Anteriormente, el negocio se concentraba en los riesgos de la respuesta del modelo: alucinaciones, sesgo, fuga de datos, envenenamiento de datos. Pero cuando un agente comienza a ejecutar flujos de trabajo a velocidad de máquina, el significado de human in the loop cae drásticamente.

Para una empresa, esto ya no es una cuestión de "qué dijo el bot", sino "qué logró hacer el bot" — por ejemplo, qué registros cambió, qué permisos utilizó y qué acciones desencadenó adelante en la cadena.

Dónde falla el control

El punto principal del artículo es que gestionar agentes a través de documentos y comités ya es demasiado tarde. Las restricciones deben incorporarse directamente en el código y en los procesos comerciales, considerando el nivel de riesgo, los derechos de acceso y la responsabilidad potencial. De lo contrario, un agente con lógica probabilística obtiene demasiada libertad en sistemas donde un error es costoso. Esto cambia tanto la arquitectura como la zona de responsabilidad: si un agente comete un error, aún será la empresa la responsable, no el modelo, por darle acceso al entorno de producción.

"La IA realiza el trabajo y las personas asumen el riesgo."

• un agente puede ensamblar una cadena de acciones en múltiples sistemas corporativos y obtener más influencia que un único empleado;
• cuentas de servicio, tokens API de larga vida y derechos para cambiar archivos y datos críticos se acumulan rápidamente en una empresa;
• surge una nueva capa de IA sombreada cuando los empleados crean sus propios asistentes sin arquitectura, soporte y auditoría adecuada;
• cuando un empleado se traslada a otro departamento o después del despido, quedan agentes "huérfanos" vinculados a su ID y permisos;
• pilotos de IA negligidos y "proyectos zombie" continúan ejecutándose en la nube quemando recursos sin dueño claro.

Los autores hacen una analogía separada con un niño pequeño que de repente recibió un juguete demasiado poderoso. Para un entorno corporativo, el significado es simple: no puedes liberar un agente autónomo a producción sin observabilidad, la capacidad de revocar rápidamente el acceso y un mecanismo de parada forzada. Necesitas discovery, audit trail, remediación y un procedimiento claro de desactivación, de lo contrario, el beneficio de la automatización desaparece en el momento del primer incidente, y analizar las consecuencias resulta ser más caro que el beneficio de la implementación.

El precio de la autonomía

Intel también cuestiona la idea popular de que la IA agentiva es simplemente una forma de reducir la nómina. En el modelo empresarial, los gastos se comportan de manera diferente: esto no es una licencia fija por usuario, sino consumo de tokens, computación y APIs externas conforme crece el flujo de trabajo. El ahorro en personal resulta ser una métrica demasiado burda, porque junto con la automatización, crecen los costos de observabilidad, soporte, seguridad y control financiero de toda la infraestructura de agentes.

El artículo cita una encuesta IDC de diciembre encargada por DataRobot: el 96% de las empresas que implementan IA generativa y el 92% de las organizaciones que implementan IA agentiva informaron que los costos fueron mayores o mucho mayores de lo esperado. Esta es una señal importante para el negocio: el problema no se reduce al precio por token. El dinero también va al mantenimiento de múltiples agentes internos, corrección de errores, revisión de derechos de acceso y mantenimiento de equipos que deben mantener todo bajo control.

El problema se agrava por la impredecibilidad de la economía basada en uso. A diferencia del FinOps clásico, donde los gastos en la nube son más o menos determinísticos, la IA agentiva se comporta probabilísticamente: largas cadenas de llamadas, ciclos autónomos y errores de planificación pueden llevar el costo de una única sesión a valores extremos. Los autores señalan que algunos fundadores de IA primero ya están enfrentando gastos del orden de $100.

000 por una única sesión de agente. Si no estableces límites desde el principio, un flujo de trabajo autónomo puede fácilmente "consumir" un presupuesto comparable al de contratar otro empleado.

Lo que significa

Para los negocios, la IA agentiva ya no es una interfaz experimental sobre un LLM, sino una nueva capa operativa. Las empresas que ganarán no son aquellas que permiten a los empleados "montar su propio agente" más rápido, sino aquellas que antes integren derechos de acceso, auditoría, desactivación, límites de presupuesto y control continuo de lo que el agente hace en sistemas reales en sus procesos.