La orquestación de agentes en empresas de IA: un desafío de despliegue más que de plataforma
Agentic orchestration: Enterprise AI organizations have a deployment problem, not a platform problem — and most are calling chatbots agents
En un estudio reciente realizado por VentureBeat, se ha revelado que las organizaciones empresariales de inteligencia artificial enfrentan un problema significativo en la orquestación de agentes, centrándose más en el despliegue que en las plataformas. Aunque el modelo de Anthropic, Claude, lidera el mercado con un 40% de adopción, seguido por Microsoft y OpenAI, la realidad es que la mayoría de los ‘agentes’ desplegados son aún envoltorios de chatbots, en lugar de flujos de trabajo orquestados de múltiples pasos.
El estudio, parte de la serie de investigación Pulse de VentureBeat, encuestó a 101 empresas con más de 100 empleados. Los resultados muestran que hay una brecha significativa entre la ambición de orquestación y la realidad. A pesar de que las empresas están consolidándose rápidamente en las principales plataformas de modelos, solo un 10% ha logrado que más de la mitad de sus agentes sean verdaderos flujos de trabajo orquestados. La mayoría, un 71%, admite que solo una cuarta parte o menos de sus agentes cumplen con esta característica.
La arquitectura que las empresas están implementando refleja este desafío. Para finales de 2026, se espera que una clara mayoría (51%) adopte un plano de control híbrido, combinando orquestación nativa del proveedor con orquestación externa, para evitar el riesgo de dependencia de un solo proveedor, que preocupa al 35% de las empresas. Las inversiones se están dirigiendo principalmente hacia herramientas de flujo de trabajo de agentes (34%) y la aplicación de seguridad y permisos (25%), mientras que el control fiscal en tiempo real sigue rezagado, con más de un cuarto de las empresas (27%) sin una forma eficaz de detener un agente descontrolado antes de que llegue la factura.
El estudio también destaca que la elección de plataforma está impulsada por la ‘gravedad del modelo’, es decir, la alineación nativa con un modelo base de última generación, y el éxito se mide por la ejecución confiable de múltiples pasos. Sin embargo, la capa de orquestación se está construyendo mucho antes de que el portafolio orquestado esté listo para funcionar.
En cuanto a la metodología, el estudio se centró en organizaciones con 100 o más empleados, abarcando una variedad de tamaños y roles dentro de las empresas, con un enfoque en aquellos que son recomendadores, influenciadores o tomadores de decisiones finales en soluciones de IA. La muestra, aunque robusta, es auto-seleccionada y no representa una muestra probabilística.
