Agentes en producción: el 23% escala, el 80% ya vio errores y la gobernanza va por detrás del despliegue

Por El Ecosistema Startup (con datos de McKinsey, Gartner, IBM y SailPoint) · 1 de noviembre de 2026.

El mercado mundial de IA de agentes pasará de 7.290 millones de dólares en 2025 a 9.140 millones en 2026, según Fortune Business Insights. Esa firma proyecta 139.190 millones en 2034, con un crecimiento anual compuesto del 40,5%. IDC, por su parte, calcula que el gasto global en IA llegará a 1,3 billones de dólares en 2029.

La cifra más reveladora no es la del mercado, sino la de la adopción, porque las encuestas se contradicen. McKinsey afirma que solo el 23% de las organizaciones ha desplegado agentes a gran escala en producción y que otro 39% experimenta. La Gartner CIO Survey 2026 baja la cifra al 17%, y el Tech Trends 2026 de Deloitte, al 11% de sistemas listos para producción. Forrester, en cambio, habla de cerca del 75% de organizaciones «adoptando» agentes. Según el propio artículo, esa cifra mide acceso e intención más que despliegue real.

Gartner añade dos datos incómodos. De los miles de proveedores que dicen ofrecer IA agéntica, solo unos 130 la ofrecerían realmente; el resto practica «agentwashing», es decir, vender como agente un chatbot con mejores instrucciones. Además, la consultora prevé que más del 40% de los proyectos agénticos se cancelarán antes de que termine 2027, por costes crecientes, valor poco claro y controles de riesgo insuficientes.

La seguridad es el punto más débil. Según una encuesta de SailPoint a 353 profesionales de TI, el 82% de las organizaciones ya usa agentes, pero solo el 44% tiene políticas para protegerlos. El 80% dice que sus agentes ya realizaron acciones no deseadas: el 39% accedió a sistemas sin autorización y el 33% compartió datos sensibles sin permiso. El 23% reconoce que sus agentes fueron engañados para revelar credenciales. Aun así, el 98% planea ampliar su uso el próximo año.

El caso español ilustra el patrón. Según Red Hat (1.400 directores de TI, 100 de ellos españoles), el 100% de los españoles encuestados dice tener agentes en producción y el 85% confía en que operan con seguridad, pero solo el 30% sabe dónde se almacenan y procesan los datos asociados. Por su parte, el Observatorio de Agentic AI de NTT DATA y CIONET sitúa en un 3,8% la implantación a escala industrial en España e Iberoamérica.

**Nuestra lectura.** La tesis que sostenemos: el cuello de botella de la IA agéntica ya no es la capacidad del modelo, sino la gobernanza. El artículo cita el AI Index de Stanford HAI, según el cual en OSWorld —un benchmark de tareas informáticas reales— la precisión pasó de cerca del 12% al 66,3%, a menos de seis puntos del rendimiento humano. Si la técnica funciona y aun así se cancelan proyectos, el problema está en otra parte: datos, integración y control.

La contradicción entre encuestas no es ruido, es información. «Tener agentes» puede significar un piloto, una licencia sin usar o un sistema que mueve dinero. Mientras no haya definiciones comunes, cualquier comparación con un benchmark ajeno es poco fiable. Y la combinación del 82% que usa agentes con el 44% que los protege recuerda lo que ya hemos defendido: la fiabilidad agéntica se construye con capas de supervisión externas (permisos mínimos, registros, límites de gasto), no confiando en el modelo. Cada capa cuesta, y ese coste explica parte de las cancelaciones.

Hay también una lección para quien construye. Según IBM, las empresas que integran ciberseguridad, análisis ético y adaptación a cada flujo de trabajo tienen 32 veces más probabilidades de obtener resultados de primer nivel (son el 17% de su muestra). La investigación de MIT NANDA citada en el artículo apunta en la misma dirección: los sistemas construidos internamente tienen éxito en torno al 33% de las veces, frente al 67% de las herramientas compradas. En general, esto favorece a quien compra bien y construye solo donde su proceso es diferencial. Cabe una cautela: son datos de encuestas y estudios de terceros, con muestras y metodologías dispares, y el artículo no las detalla.

A corto plazo, esto significa una fase áspera: incidentes, proyectos cancelados, desilusión y, probablemente, presión sobre ciertos puestos administrativos sin que las empresas sepan aún gobernar a quien los sustituye. Pero la historia habitual de las tecnologías de propósito general es que la fase de euforia desordenada precede a la industrialización. Quien aprenda ahora a acotar la autonomía, auditar y medir el retorno en procesos, no en capacidades, estará mejor situado cuando los agentes absorban de verdad el trabajo repetitivo. Ese es el camino, lento y poco vistoso, hacia la productividad que libere a las personas para tareas que importan más.

Una métrica práctica que rescatamos del artículo: en software abierto, las estrellas de GitHub miden interés; los tokens procesados al día, uso real. Según el artículo, Hermes Agent superó a OpenClaw en la clasificación diaria de OpenRouter con 224.000 millones de tokens diarios frente a 186.000 millones. Conviene aplicar el mismo escepticismo a toda cifra de «adopción»: preguntar siempre qué se está contando.