Hitachi Vantara potencia el almacenamiento híbrido en Azure
Los agentes inteligentes están cambiando la agenda tecnológica. Descubra por qué AgentOps y Agent Observability serán claves para los CIO.
Durante la última década, la conversación sobre inteligencia artificial en las empresas ha estado dominada por conceptos como Machine Learning, MLOps, LLMOps y, más recientemente, IA generativa. Sin embargo, la irrupción de los agentes inteligentes está desplazando el foco hacia un nuevo desafío: cómo gobernar sistemas capaces de tomar decisiones, utilizar herramientas, ejecutar procesos de negocio y colaborar entre sí con un alto grado de autonomía.
Ese cambio está dando origen a una nueva disciplina: AgentOps.
Aunque todavía no figura como una categoría consolidada en todos los informes de analistas, su presencia crece rápidamente en publicaciones académicas, proveedores tecnológicos y firmas de investigación. La razón es sencilla: a medida que las organizaciones pasan de experimentar con asistentes conversacionales a desplegar ecosistemas de agentes inteligentes, las prácticas tradicionales de observabilidad y operaciones dejan de ser suficientes.
Para los CIO, la pregunta ya no es cómo implementar inteligencia artificial, sino cómo administrar cuando deja de comportarse como software tradicional y comienza a actuar como una fuerza laboral digital.
La evolución natural de las operaciones de TI
La historia de la tecnología empresarial puede entenderse como una sucesión de disciplinas que surgieron para responder a nuevas complejidades operativas.
Primero apareció DevOps, integrando desarrollo y operaciones para acelerar el ciclo de vida del software. Con la expansión del cloud llegó CloudOps, seguido por DataOps, orientado a industrializar el tratamiento de datos, y posteriormente MLOps, encargado de gestionar el entrenamiento, despliegue y mantenimiento de modelos de aprendizaje automático.
La IA generativa añadió otra capa con LLMOps, centrada en la administración de grandes modelos de lenguaje, prompts, pipelines de inferencia y evaluación de resultados.
Ahora la evolución continúa.
Los agentes inteligentes representan un cambio cualitativo porque no se limitan a responder consultas. Son capaces de interpretar objetivos, diseñar estrategias, consultar múltiples fuentes de información, utilizar herramientas externas, invocar APIs, ejecutar acciones sobre aplicaciones corporativas e incluso coordinar el trabajo de otros agentes.
En otras palabras, dejan de ser aplicaciones para convertirse en actores operativos dentro del negocio.
Y esa autonomía introduce un nuevo nivel de incertidumbre.
¿Qué es AgentOps?
El término AgentOps nace de la convergencia entre la ingeniería de software, la observabilidad, la inteligencia artificial y la gobernanza tecnológica.
Una de las definiciones más completas procede del trabajo de investigación AgentOps: Enabling Observability of LLM Agents, desarrollado por investigadores de la University of New South Wales (UNSW) y CSIRO, donde se presenta una taxonomía para registrar y monitorizar todos los artefactos generados por agentes basados en modelos de lenguaje.
Los autores sostienen que los agentes presentan tres características que hacen insuficientes las herramientas tradicionales de monitorización:
- Comportamiento no determinista;
- Capacidad para evolucionar durante la ejecución;
- Autonomía para utilizar herramientas y modificar estrategias.
Por ello proponen una infraestructura capaz de registrar de forma continua:
- prompts;
- contexto;
- memoria;
- llamadas a herramientas;
- razonamiento observable;
- respuestas;
- consumo de recursos;
- eventos de ejecución.
Su objetivo no consiste únicamente en detectar errores técnicos, sino en proporcionar la trazabilidad necesaria para comprender por qué un agente tomó una determinada decisión.
Desde una perspectiva empresarial, AgentOps puede definirse como la disciplina que permite desplegar, supervisar, optimizar y gobernar agentes inteligentes durante todo su ciclo de vida, garantizando que operen de forma segura, eficiente y alineada con las políticas corporativas.
Agent Observability: la capacidad que hace posible AgentOps
Si AgentOps representa la disciplina operativa, Agent Observability constituye el conjunto de capacidades tecnológicas que la hacen posible.
Durante décadas, la observabilidad en TI se apoyó en tres pilares:
- métricas;
- logs;
- trazas.
Estas capacidades permiten conocer el estado de una aplicación, detectar errores de infraestructura o identificar cuellos de botella en un servicio.
Sin embargo, los agentes de IA introducen una dimensión completamente nueva.
No basta con saber que una API respondió en 200 milisegundos. Ahora resulta necesario responder preguntas como:
- ¿Qué objetivo perseguía el agente?
- ¿Qué herramientas decidió utilizar?
- ¿Qué información consultó antes de responder?
- ¿Qué modelo empleó?
- ¿Cuántos tokens consumió?
- ¿Qué coste tuvo esa ejecución?
- ¿Qué política de seguridad validó?
- ¿Por qué descartó una alternativa y eligió otra?
En consecuencia, la observabilidad deja de limitarse a la infraestructura para extenderse al comportamiento cognitivo del sistema.
Precisamente esa evolución ha llevado a Gartner a identificar la AI Observability como una capacidad crítica para la próxima generación de despliegues de inteligencia artificial.
En mayo de 2026, la consultora predijo que el 40 % de las organizaciones que desplieguen IA utilizarán herramientas específicas de AI Observability antes de 2028, impulsadas por la necesidad de monitorizar rendimiento, sesgos, comportamiento y resultados de modelos y agentes.
Asimismo, Gartner estima que las inversiones en LLM Observability pasarán del 15 % al 50 % de las implementaciones de IA generativa antes de 2028, impulsadas por la creciente necesidad de incorporar mecanismos de IA explicable (Explainable AI) y trazabilidad.
Estas previsiones reflejan una realidad: la confianza en la inteligencia artificial ya no dependerá únicamente de la precisión de un modelo, sino de la capacidad de explicar, auditar y controlar su comportamiento.
Del software inteligente a la fuerza laboral digital
La mayoría de las aplicaciones empresariales siguen un comportamiento determinista. Ante una misma entrada producen siempre el mismo resultado.
Los agentes inteligentes funcionan de otra manera.
Pueden modificar su plan de ejecución, consultar nuevas fuentes de información, utilizar herramientas distintas o colaborar con otros agentes para resolver un problema.
Esta flexibilidad incrementa enormemente su valor, pero también introduce nuevos riesgos operativos.
Un agente puede:
- consumir miles de tokens adicionales sin que nadie lo detecte;
- entrar en un ciclo de razonamiento ineficiente;
- ejecutar una acción sobre un ERP o CRM;
- utilizar una herramienta equivocada;
- producir respuestas inconsistentes;
- actuar fuera de las políticas definidas por la organización.
Por este motivo, la conversación sobre IA está dejando de centrarse exclusivamente en los modelos fundacionales para trasladarse hacia la gestión del comportamiento de los agentes.
No es casualidad que CIO.com haya identificado recientemente 19 plataformas especializadas en AgentOps destinadas a monitorizar actividad, incidencias y costes asociados a agentes inteligentes, evidenciando que esta categoría comienza a consolidarse dentro del mercado empresarial.
El nacimiento de un nuevo mercado tecnológico
Toda transformación tecnológica importante termina creando un nuevo mercado de soluciones empresariales.
La virtualización impulsó plataformas de gestión de infraestructura. La computación en la nube dio origen a Cloud Management Platforms. Posteriormente aparecieron DevOps, MLOps, FinOps y, más recientemente, LLMOps.
La expansión de los agentes inteligentes está provocando un fenómeno similar.
A medida que las organizaciones comienzan a desplegar agentes capaces de ejecutar procesos de negocio, interactuar con múltiples aplicaciones y tomar decisiones de forma autónoma, surge la necesidad de contar con plataformas que permitan supervisar su comportamiento, evaluar su rendimiento, controlar sus costes y garantizar su alineación con las políticas corporativas.
Ese espacio es precisamente el que comienza a ocupar AgentOps.
Aunque todavía no existe un Magic Quadrant específico para esta categoría, el interés del mercado está creciendo con rapidez. Una señal clara es que IBM ya dedica un documento monográfico a explicar AgentOps como una disciplina emergente, mientras que CIO.com identifica un ecosistema cada vez más amplio de herramientas especializadas para monitorizar agentes inteligentes.
Un mercado de miles de millones de dólares
Aunque AgentOps aún no dispone de estimaciones independientes de mercado, sí existen proyecciones sobre el crecimiento del ecosistema de AI Agents, que constituyen su principal motor.
IBM cita investigaciones de mercado según las cuales el mercado mundial de agentes de IA alcanzó aproximadamente los 5.000 millones de dólares en 2024 y podría superar los 50.000 millones de dólares en 2030, multiplicando por diez su tamaño en apenas seis años.
Este crecimiento tiene una consecuencia directa.
Cada nuevo agente desplegado necesitará capacidades de:
- Observabilidad;
- Evaluación;
- Seguridad;
- Gobernanza;
- Auditoría;
- Optimización de costos.
En consecuencia, el mercado de AgentOps evolucionará como una capa transversal que acompañará prácticamente cualquier implantación de IA agéntica.
LEE TAMBIÉN: El nuevo reto del CIO: controlar a los empleados digitales
De la observabilidad técnica a la observabilidad cognitiva
Uno de los aspectos más interesantes de AgentOps es que redefine completamente el concepto de observabilidad.
Durante años, los equipos de operaciones monitorizaron infraestructuras mediante indicadores como:
- CPU;
- memoria;
- utilización de disco;
- latencia;
- errores de red.
Sin embargo, los agentes inteligentes obligan a incorporar una dimensión completamente distinta.
Ahora resulta necesario comprender:
| Observabilidad clásica | Agent Observability |
| CPU | Consumo de tokens |
| RAM | Coste por tarea |
| Latencia | Calidad del razonamiento |
| Logs | Historial de prompts |
| Trazas | Cadena de decisiones |
| Errores | Alucinaciones |
| Disponibilidad | Cumplimiento de políticas |
| APM | Coordinación entre agentes |
En otras palabras, la infraestructura deja de ser el principal objeto de observación.
Ahora lo importante es comprender el comportamiento del agente.
El ecosistema AgentOps comienza a tomar forma
Uno de los aspectos más reveladores es que el mercado ya no está formado únicamente por startups.
Prácticamente todos los grandes proveedores de observabilidad están incorporando capacidades específicas para inteligencia artificial.
Primera categoría: plataformas nativas AgentOps
Estas soluciones nacieron específicamente para trabajar con agentes y modelos de lenguaje.
Entre las más conocidas destacan:
- LangSmith
- Langfuse
- Helicone
- AgentOps.ai
- Maxim AI
- Portkey
Su propuesta consiste en registrar prompts, trazas, herramientas utilizadas, costes, evaluaciones automáticas y métricas de calidad.
Muchas de ellas ofrecen integración directa con LangChain, OpenAI, Anthropic o Microsoft.
Segunda categoría: observabilidad empresarial
Los grandes proveedores tradicionales han comprendido que la observabilidad de aplicaciones evolucionará hacia la observabilidad de agentes.
Por ello comienzan a incorporar funcionalidades específicas para IA.
Entre ellos destacan:
- Datadog
- Dynatrace
- Splunk
- New Relic
- IBM
- Microsoft
Gartner continúa situando a Datadog, Dynatrace, Splunk, Microsoft e IBM entre los actores relevantes del mercado de observabilidad empresarial, una posición que les otorga ventaja para extender esas capacidades hacia AgentOps.
Tercera categoría: plataformas de evaluación y gobernanza
Existe un tercer grupo orientado menos a la infraestructura y más a la calidad de la IA.
Aquí encontramos soluciones como:
- Arize AI
- Galileo
- Braintrust
- Arthur AI
- Fiddler AI
Estas plataformas ayudan a responder preguntas críticas para cualquier CIO:
- ¿El agente produce respuestas fiables?
- ¿Está apareciendo deriva del comportamiento?
- ¿Existe sesgo?
- ¿Se mantienen los niveles de precisión?
Microsoft, IBM y Salesforce ya hablan el lenguaje de AgentOps
Uno de los indicadores más claros de la madurez del mercado es el discurso de los grandes fabricantes.
IBM define AgentOps como “un conjunto emergente de prácticas centradas en la gestión del ciclo de vida de agentes autónomos”, heredando principios de DevOps y MLOps para administrar, monitorizar y mejorar sistemas agénticos.
Salesforce, por su parte, ha diseñado Agentforce como una plataforma donde los agentes incorporan capacidades de razonamiento, observabilidad, seguridad y gobernanza desde su arquitectura base, permitiendo desplegar agentes conectados al contexto empresarial y supervisar sus acciones.
Microsoft sigue una dirección similar dentro de Azure AI, integrando agentes con capacidades crecientes de telemetría, evaluación y control operacional, consolidando la idea de que la observabilidad será una característica nativa de las futuras plataformas de IA empresarial.
La conclusión es evidente: La observabilidad deja de ser un producto independiente para convertirse en un componente estructural de cualquier plataforma de IA empresarial.
Gartner anticipa un cambio de prioridades para los CIO
Aunque Gartner todavía no utiliza AgentOps como una categoría independiente, sí identifica claramente la evolución de la observabilidad hacia sistemas inteligentes.
La consultora prevé que:
- el 40 % de las organizaciones que desplieguen IA utilizarán herramientas específicas de AI Observability antes de 2028;
- las inversiones en observabilidad para modelos de lenguaje crecerán hasta representar el 50 % de las implementaciones de IA generativa;
- la observabilidad evolucionará desde el rendimiento técnico hacia la supervisión del comportamiento y la confiabilidad de agentes inteligentes.
Estas previsiones coinciden con las investigaciones académicas publicadas por la University of New South Wales y CSIRO, cuyos autores sostienen que los agentes requieren nuevas infraestructuras capaces de registrar razonamientos, llamadas a herramientas, memoria, contexto y eventos para garantizar seguridad y explicabilidad.
Una nueva capa dentro de la arquitectura empresarial
Hasta hace muy poco, la arquitectura tecnológica estaba formada por:
- infraestructura;
- aplicaciones;
- datos;
- integración;
- seguridad;
- observabilidad.
La irrupción de la IA agéntica añade una nueva capa transversal que podríamos denominar Agent Control Plane.
Su función consistirá en proporcionar una visión unificada sobre todos los agentes desplegados dentro de la organización.
No importará si esos agentes pertenecen a Microsoft, Salesforce, IBM, ServiceNow, SAP o desarrollos propios.
El CIO necesitará conocer en tiempo real:
- cuántos agentes existen;
- qué procesos ejecutan;
- cuánto cuestan;
- qué herramientas utilizan;
- qué riesgos presentan;
- qué valor generan para el negocio.
Ese será, probablemente, el verdadero propósito estratégico de AgentOps.
Del experimento a la gobernanza: la hoja de ruta hacia AgentOps
Toda revolución tecnológica termina creando una nueva disciplina operativa. DevOps lo hizo con el software; MLOps con los modelos de IA; ahora AgentOps marca el siguiente paso. Esta hoja de ruta ofrece un marco práctico para que los CIO construyan organizaciones capaces de desplegar, supervisar, gobernar y optimizar miles de agentes inteligentes con confianza y visión estratégica.
Del laboratorio al comité de dirección
Hasta hace poco, la mayoría de las iniciativas de inteligencia artificial permanecían confinadas a proyectos piloto liderados por equipos de innovación o ciencia de datos. Los CIO se preocupaban principalmente por la infraestructura necesaria para entrenar modelos, la calidad de los datos y la integración con aplicaciones corporativas.
La IA agéntica cambia completamente ese escenario.
Cuando un agente puede aprobar una solicitud de crédito, generar una propuesta comercial, coordinar una cadena logística o ejecutar acciones sobre un ERP, deja de ser una herramienta experimental para convertirse en un componente operativo del negocio.
Eso significa que la conversación deja de pertenecer exclusivamente al área de Tecnología y pasa a ocupar un espacio en el comité de dirección.
La pregunta ya no es si un modelo responde correctamente, sino si una organización está preparada para confiar procesos críticos a miles de agentes autónomos.
Ese cambio explica por qué AgentOps comienza a consolidarse como una disciplina estratégica para los CIO.
Los nuevos KPI que deberá medir un CIO
Cada transformación tecnológica modifica la forma en que se mide el desempeño de TI.
Durante años, los indicadores clave fueron:
- Disponibilidad.
- Tiempo medio entre fallos (MTBF).
- Tiempo medio de recuperación (MTTR).
- Latencia.
- Utilización de infraestructura.
- Nivel de servicio (SLA).
La IA agéntica incorpora un nuevo conjunto de métricas que reflejan el comportamiento de sistemas capaces de razonar y actuar de forma autónoma.
1. Coste por agente
Uno de los primeros indicadores será el coste operativo asociado a cada agente.
Ya no bastará con conocer el coste mensual de una plataforma de IA.
Será necesario responder preguntas como:
- ¿Cuánto cuesta que un agente complete una tarea?
- ¿Qué modelo consume más recursos?
- ¿Cuál es el coste medio por interacción?
- ¿Qué procesos generan mayor retorno?
2. Consumo de tokens
El token se convertirá en una nueva unidad económica para TI.
Cada decisión tomada por un agente implica:
- llamadas a modelos;
- utilización de contexto;
- consultas externas;
- razonamiento;
- generación de respuestas.
Monitorizar el consumo de tokens permitirá optimizar costes y detectar comportamientos anómalos.
3. Calidad del razonamiento
Uno de los cambios más interesantes consiste en que los CIO comenzarán a medir variables que hasta hace pocos años pertenecían al ámbito académico.
Entre ellas:
- precisión;
- coherencia;
- relevancia;
- completitud;
- consistencia.
En otras palabras, la calidad del razonamiento pasará a ser un indicador operativo.
4. Índice de alucinaciones
Las alucinaciones representan uno de los principales riesgos de la IA generativa.
Las plataformas de AgentOps incorporan mecanismos para registrar:
- respuestas incorrectas;
- información inventada;
- referencias inexistentes;
- decisiones inconsistentes.
No se trata únicamente de detectar errores.
Lo importante es identificar por qué ocurrieron y qué condiciones los provocaron.
5. Nivel de autonomía
No todos los agentes poseen el mismo grado de autonomía.
Algunos simplemente generan recomendaciones.
Otros ejecutan procesos completos.
Por ello comenzarán a aparecer indicadores como:
- porcentaje de tareas automatizadas;
- intervenciones humanas;
- decisiones escaladas;
- acciones ejecutadas sin supervisión.
AgentOps y FinOps: una convergencia inevitable
Una de las tendencias más interesantes consiste en la convergencia entre FinOps y AgentOps.
Durante la última década, FinOps ayudó a controlar el gasto asociado a la nube.
Ahora ocurre algo parecido con la inteligencia artificial.
Los CIO deberán responder preguntas completamente nuevas:
- ¿Qué departamento consume más tokens?
- ¿Qué agente produce mayor retorno?
- ¿Qué modelo ofrece la mejor relación coste-rendimiento?
- ¿Cuánto cuesta cada proceso automatizado?
La consecuencia es evidente.
Los cuadros de mando del CIO dejarán de medir únicamente infraestructura para comenzar a medir economía de la inteligencia artificial.
Caso Microsoft: observabilidad integrada desde el diseño
Microsoft ha evolucionado rápidamente desde Azure OpenAI Service hacia una plataforma mucho más amplia basada en Azure AI Foundry y Azure AI Agent Service.
Su estrategia incorpora herramientas destinadas a:
- evaluar agentes;
- monitorizar rendimiento;
- registrar trazas;
- controlar costes;
- supervisar seguridad;
- analizar calidad de respuestas.
En otras palabras, Microsoft está integrando AgentOps dentro de la propia plataforma de desarrollo.
Caso IBM: AgentOps como evolución natural de MLOps
IBM adopta una visión especialmente interesante.
En su portal Think define AgentOps como la evolución natural de MLOps hacia un entorno donde múltiples agentes inteligentes trabajan conjuntamente.
Según IBM, la disciplina debe combinar:
- monitorización;
- evaluación;
- observabilidad;
- seguridad;
- gobernanza;
- optimización.
Todo ello dentro de un único ciclo operativo.
Caso Salesforce: supervisar una fuerza laboral digital
Salesforce introduce un concepto particularmente relevante.
En lugar de hablar únicamente de asistentes inteligentes, presenta Agentforce como una plataforma para desplegar una fuerza laboral digital compuesta por agentes especializados.
Cada agente puede:
- interactuar con clientes;
- consultar CRM;
- ejecutar acciones;
- colaborar con otros agentes.
Pero esa autonomía requiere mecanismos permanentes de supervisión.
Salesforce incorpora capacidades de evaluación, trazabilidad y control como parte de la arquitectura de Agentforce.
Hacia un modelo de madurez AgentOps
Desde la perspectiva de The Standard CIO, resulta útil pensar AgentOps como una capacidad evolutiva.
Proponemos el siguiente AgentOps Maturity Model, que puede servir como referencia para que los CIO evalúen el estado de preparación de su organización.
| Nivel | Estado | Características |
| 1. Experimental | Agentes aislados | Pilotos sin observabilidad ni gobierno. |
| 2. Controlado | Monitorización básica | Métricas técnicas y registros de ejecución. |
| 3. Gestionado | Observabilidad completa | Trazabilidad, evaluación y control de costes. |
| 4. Gobernado | Integración empresarial | Políticas, auditoría, seguridad y cumplimiento normativo. |
| 5. Autónomo | Optimización continua | Agentes supervisando agentes, automatización adaptativa y optimización basada en IA. |
Este modelo no pretende sustituir los marcos existentes, sino ofrecer una guía práctica para iniciar la conversación estratégica dentro de las organizaciones.
¿Qué competencias deberá desarrollar el CIO?
La adopción de AgentOps también transformará los perfiles profesionales.
Durante los próximos años veremos crecer la demanda de especialistas como:
- AgentOps Engineer.
- AI Reliability Engineer.
- AI Platform Engineer.
- AI Governance Officer.
- AI FinOps Specialist.
No será suficiente conocer modelos fundacionales.
Los equipos deberán comprender:
- Arquitectura multiagente;
- Seguridad de IA;
- Evaluación de modelos;
- Observabilidad;
- Gobierno;
- Optimización económica.
La siguiente frontera: agentes supervisando agentes
Quizá la evolución más interesante de AgentOps no consista en supervisar agentes mediante paneles de control tradicionales.
La verdadera innovación llegará cuando otros agentes inteligentes se encarguen de monitorizar, evaluar y corregir automáticamente el comportamiento de sus pares.
Gartner ya anticipa la aparición de los llamados Guardian Agents, una nueva categoría de agentes especializados en aplicar políticas de confianza, detectar anomalías, validar decisiones y reforzar la seguridad de ecosistemas multiagente.
En ese escenario, AgentOps dejará de ser simplemente una plataforma de observabilidad para convertirse en el auténtico centro de control de la empresa impulsada por inteligencia artificial.
AgentOps y el desafío del gobierno de la IA
Hasta hace pocos años, las iniciativas de inteligencia artificial podían gestionarse como proyectos tecnológicos relativamente aislados. Los modelos eran entrenados, desplegados y supervisados por equipos especializados, mientras que las decisiones finales seguían dependiendo de las personas.
La IA agéntica rompe ese paradigma.
Cuando un agente puede acceder a un ERP, ejecutar una compra, resolver una incidencia, negociar con otro agente o aprobar un flujo de trabajo, la conversación deja de ser tecnológica para convertirse en una cuestión de gobierno corporativo.
En este escenario, AgentOps no debe entenderse únicamente como una plataforma de observabilidad, sino como uno de los pilares sobre los que descansará la confianza en la inteligencia artificial empresarial.
AI Act: por qué AgentOps será una ventaja competitiva
Europa ya ha comenzado a definir el marco regulatorio que marcará el desarrollo de la inteligencia artificial durante los próximos años.
El Reglamento Europeo de Inteligencia Artificial (AI Act) introduce obligaciones relacionadas con:
- gestión de riesgos;
- supervisión humana;
- trazabilidad;
- documentación técnica;
- transparencia;
- calidad de los datos;
- monitorización posterior al despliegue.
Aunque el reglamento no menciona explícitamente AgentOps, muchas de las capacidades que exige solo podrán implementarse mediante plataformas capaces de registrar y auditar el comportamiento de modelos y agentes inteligentes.
En otras palabras, la observabilidad deja de ser una buena práctica técnica para convertirse en un habilitador del cumplimiento normativo.
El papel de Model Context Protocol (MCP)
Otro elemento que acelerará la adopción de AgentOps será la consolidación del Model Context Protocol (MCP).
Presentado inicialmente por Anthropic como un estándar abierto, MCP proporciona una forma común para que los modelos de lenguaje interactúen con herramientas, bases de datos, aplicaciones empresariales y servicios externos.
Su importancia radica en que facilita la interoperabilidad entre agentes y sistemas corporativos.
Pero esa apertura también incrementa la superficie de riesgo.
Cada nueva conexión implica responder preguntas críticas:
- ¿Qué agente utilizó una herramienta?
- ¿Qué información consultó?
- ¿Con qué permisos operó?
- ¿Qué datos compartió?
- ¿Qué acción ejecutó?
Sin mecanismos de observabilidad, responder a estas preguntas sería extremadamente complejo.
Por ello, todo apunta a que MCP y AgentOps evolucionarán de forma complementaria: uno facilitará la conexión de los agentes con el ecosistema digital de la empresa; el otro garantizará la trazabilidad y el control de esas interacciones.
AgentOps y Zero Trust: dos filosofías destinadas a converger
Durante la última década, Zero Trust transformó la ciberseguridad al introducir un principio fundamental: Nunca confiar. Verificar siempre.
La IA agéntica obligará a adoptar una filosofía muy similar.
Los agentes no podrán considerarse automáticamente fiables solo porque pertenezcan a la organización.
Será necesario validar continuamente:
- Identidad;
- Contexto;
- Permisos;
- Comportamiento;
- Acciones ejecutadas.
En este sentido, AgentOps comparte con Zero Trust una visión basada en la verificación continua, la mínima confianza y la supervisión permanente.
No sería extraño que, durante los próximos años, los principales fabricantes integren ambas disciplinas dentro de una misma arquitectura de confianza digital.
LEE TAMBIÉN: Claves para la gobernanza en Edge AI: Seguridad y cumplimiento
La convergencia con AI Governance
Uno de los errores más frecuentes consiste en considerar AgentOps como una herramienta exclusiva para desarrolladores.
La realidad apunta en otra dirección.
Todo indica que evolucionará hacia una capa transversal donde convergerán varias disciplinas:
| Disciplina | Función principal |
| DevOps | Operación de aplicaciones |
| MLOps | Gestión del ciclo de vida de modelos |
| LLMOps | Administración de modelos fundacionales |
| FinOps | Optimización económica |
| SecOps | Seguridad operacional |
| AI Governance | Políticas, cumplimiento y ética |
| AgentOps | Supervisión integral de agentes inteligentes |
Desde esta perspectiva, AgentOps no sustituye a las disciplinas existentes.
Las conecta.
Su función será proporcionar una visión unificada del comportamiento de los agentes y facilitar la toma de decisiones basada en evidencia.
Cinco preguntas que todo CIO debería plantearse ante la IA Agéntica
La llegada de la IA agéntica obliga a replantear la estrategia tecnológica. Más allá de seleccionar una plataforma, conviene responder cinco preguntas fundamentales.
1. ¿Dónde actuarán nuestros agentes?
No todos los procesos requieren autonomía completa.
Identificar aquellos donde el valor supera al riesgo será el primer paso.
2. ¿Cómo mediremos el éxito?
El número de agentes desplegados no constituye un indicador de madurez.
Será necesario medir:
- productividad;
- reducción de costes;
- velocidad;
- precisión;
- satisfacción del usuario;
- retorno económico.
3. ¿Cómo garantizaremos la trazabilidad?
Cada decisión tomada por un agente deberá poder reconstruirse posteriormente.
La capacidad de auditoría dejará de ser opcional.
4. ¿Quién supervisará a los agentes?
La supervisión humana continuará siendo imprescindible.
Sin embargo, aparecerán agentes especializados —los denominados Guardian Agents— dedicados a monitorizar, evaluar y corregir automáticamente el comportamiento de otros agentes.
5. ¿Está preparada nuestra organización?
La verdadera dificultad no será tecnológica.
Será organizativa.
AgentOps exigirá nuevas competencias, nuevos procesos y nuevos modelos de colaboración entre:
- Tecnología;
- Ciberseguridad;
- Riesgo;
- Auditoría;
- Cumplimiento;
- Negocio.
Conclusión: el nacimiento de una nueva responsabilidad para el CIO
La historia demuestra que cada gran avance tecnológico termina creando nuevas disciplinas de gestión.
- La nube dio origen a CloudOps.
- Los datos impulsaron DataOps.
- La inteligencia artificial creó MLOps y LLMOps.
- La expansión de los agentes inteligentes está haciendo emerger AgentOps.
Su importancia trasciende la supervisión técnica.
Representa la capacidad de garantizar que una organización pueda confiar en una fuerza laboral digital compuesta por miles de agentes autónomos que interactúan con personas, aplicaciones y procesos críticos.
Para los CIO, el desafío ya no consiste únicamente en incorporar inteligencia artificial al negocio.
Consiste en gobernarla.
Y ese cambio marca el inicio de una nueva etapa para la dirección de TI.
Dentro de unos años, probablemente dejaremos de hablar de AgentOps como una categoría emergente. Del mismo modo que hoy nadie cuestiona la necesidad de DevOps o FinOps, supervisar agentes inteligentes será simplemente una capacidad esencial de cualquier organización que aspire a competir en una economía impulsada por la inteligencia artificial.
Referencias consultadas
- CIO.com – 19 AgentOps tools for monitoring AI activity, issues and costs
https://www.cio.com/article/4195251/19-agentops-tools-for-monitoring-ai-activity-issues-and-costs.html - IBM Think – What is AgentOps?
https://www.ibm.com/think/topics/agentops - arXiv – AgentOps: Enabling Observability of LLM Agents
https://arxiv.org/abs/2411.05285 - arXiv – Agent System Operations: Categorization, Challenges and Future Directions
https://arxiv.org/abs/2606.01581 - Gartner – AI Observability Predictions
https://www.gartner.com/en/newsroom/press-releases/2026-05-12-gartner-predicts-40-percent-of-organizations-deploying-ai-will-use-ai-observability-to-monitor-model-performance-by-2028 - Gartner – Explainable AI and LLM Observability
https://www.gartner.com/en/newsroom/press-releases/2026-03-30-gartner-predicts-by-2028-explainable-ai-will-drive-llm-observability-investments-to-50-percent-for-secure-genai-deployment - Gartner – Guardian Agents
https://www.gartner.com/en/newsroom/press-releases/2025-06-11-gartner-predicts-that-guardian-agents-will-capture-10-15-percent-of-the-agentic-ai-market-by-2030 - Model Context Protocol
https://modelcontextprotocol.io/ - AI Act Explorer
https://artificial-intelligence-act.eu/ - EUR-Lex – European Union Law
https://eur-lex.europa.eu/
