He construido más de 12 sistemas de agentes de IA de producción en el desarrollo, DevOps y operaciones de datos.Este es el motivo por el cual el hype actual en torno a los agentes autónomos es matemáticamente imposible y lo que realmente funciona en la producción. Todo el mundo dice que 2025 es el año de los agentes de IA. Los titulares están por todas partes: "La IA autónoma transformará el trabajo", "Los agentes son la próxima frontera", "El futuro es agente". En el último año, he construido más de una docena de sistemas de agentes de producción a lo largo de todo el ciclo de vida del desarrollo de software: Generadores de interfaces de usuario que crean componentes funcionales de React a partir del lenguaje natural, agentes de refactorización de código que modernizan bases de código antiguas, generadores de documentación que mantienen automáticamente los documentos de API y generadores de funciones que convierten especificaciones en implementaciones de trabajo. Development agents Agentes de operaciones de bases de datos que manejan consultas y migraciones complejas, sistemas de automatización de IA de DevOps que gestionan infraestructura como código en múltiples proveedores de nube. Data & Infrastructure agents Pipelines de CI/CD alimentados por IA que solucionan problemas de cinta, generan suites de pruebas completas, realizan revisiones automáticas de código y crean solicitudes de arrastre detalladas con descripciones adecuadas. Quality & Process agents Estos sistemas funcionan. Ellos envían valor real. Ellos ahorran horas de trabajo manual todos los días.Y es precisamente por eso que creo que gran parte de lo que está escuchando sobre 2025 como el "año de los agentes" pierde realidades clave. TL;DR: Three Hard Truths About AI Agents TL;DR: Tres verdades duras sobre los agentes de IA Después de construir más de 12 sistemas de producción, aquí está lo que he aprendido: Las tasas de error se multiplican exponencialmente en los flujos de trabajo de varios pasos. 95% de fiabilidad por paso = 36% de éxito en 20 pasos. 
 
 
 Las ventanas de contexto crean costos cuadrados de token.Las conversaciones largas se vuelven prohibitivamente caras a escala. El verdadero desafío no es las capacidades de IA, sino el diseño de herramientas y sistemas de retroalimentación que los agentes puedan utilizar de manera efectiva. La realidad matemática de la que nadie habla Aquí está la incómoda verdad que toda empresa de agentes de IA está bailando: el compounding de errores hace que los flujos de trabajo autónomos en múltiples pasos sean matemáticamente imposibles a escala de producción. Si cada paso en un flujo de trabajo de un agente tiene una fiabilidad del 95%, lo que es optimista para los LLM actuales, entonces: 
 
 
 
 5 pasos = 77% tasa de éxito 10 pasos = 59% tasa de éxito 20 pasos = 36% tasa de éxito Los sistemas de producción necesitan un 99,9% más de fiabilidad. Incluso si logras mágicamente un 99% de fiabilidad por paso (que nadie tiene), todavía solo obtendrás un 82% de éxito en 20 pasos. Este no es un problema de ingeniería inmediata. Este no es un problema de capacidad de modelo. Mi agente DevOps funciona precisamente porque no es realmente un flujo de trabajo autónomo de 20 pasos. Es 3-5 operaciones discretas, verificables de forma independiente con puntos de retroalimentación explícitos y puertas de confirmación humanas. El "agente" maneja la complejidad de generar código de infraestructura, pero el sistema está arquitecturado en torno a las limitaciones matemáticas de la fiabilidad. Cada sistema de agentes exitoso que he construido sigue el mismo patrón: contextos limitados, operaciones verificables y puntos de decisión humanos (a veces) en junciones críticas. La economía de token que no se agrega Hay otra realidad matemática que los evangelistas de agentes ignoran convenientemente: las ventanas de contexto crean una escala de costes cuadrada que hace que los agentes de conversación sean económicamente imposibles. Aquí está lo que realmente sucede cuando construyes un agente de "conversación": 
 
 
 
 
 Cada nueva interacción requiere procesar TODOS los contextos anteriores El costo del token se escala cuadráticamente con la longitud de la conversación Una conversación de 100 vueltas cuesta $ 50-100 en tokens solo Multiplicado por miles de usuarios y usted está mirando a la economía insostenible Aprendí esto de la manera difícil al prototipar un agente de base de datos de conversación. Las primeras interacciones eran baratas. Por la 50a consulta en una sesión, cada respuesta costaba varios dólares - más del valor que proporcionaba. Mi agente de generación de funciones tiene éxito porque es completamente sin estatus: descripción → función → hecho. sin contexto para mantener, sin conversación para rastrear, sin explosión de costos cuadrados. No es una experiencia de "chat con tu código", es una herramienta enfocada que resuelve un problema específico de manera eficiente. Los "agentes" más exitosos en la producción no son conversacionales en absoluto.Son herramientas inteligentes y limitadas que hacen una cosa bien y salen del camino. El muro de realidad de la herramienta de ingeniería Incluso si se resuelven los problemas matemáticos, se golpea un tipo diferente de pared: la construcción de herramientas de clase de producción para agentes es una disciplina de ingeniería completamente diferente que la mayoría de los equipos subestiman. Las llamadas de herramientas son realmente bastante precisas ahora. El verdadero desafío es el diseño de herramientas. Cada herramienta debe ser cuidadosamente diseñada para proporcionar el feedback correcto sin sobreponer la ventana de contexto. 
 
 
 
 
 ¿Cómo sabe el agente si una operación fue parcialmente exitosa? ¿Cómo se comunican los cambios de estado complejos sin quemar tokens? Una consulta de base de datos podría devolver 10.000 líneas, pero el agente solo necesita saber "la consulta logró, 10k resultados, aquí están los primeros 5". Cuando una herramienta falla, ¿qué información necesita el agente para recuperar? demasiado poco y está atrapado; demasiado y desperdicias contexto. ¿Cómo manejas las operaciones que se afectan entre sí? transacciones de base de datos, bloques de archivos, dependencias de recursos. Mi agente de base de datos no funciona porque las llamadas de herramientas no sean fiables, sino porque pasé semanas diseñando herramientas que se comuniquen de manera efectiva con la IA. Cada herramienta devuelve retroalimentación estructurada que el agente puede usar para tomar decisiones, no solo respuestas de API crudas. Las empresas que prometen "sólo conectar sus APIs y nuestro agente lo descubrirá" no han hecho este trabajo de ingeniería.Están tratando herramientas como interfaces humanas, no interfaces de IA. El resultado es agentes que técnicamente hacen llamadas de API exitosas pero no pueden realizar flujos de trabajo complejos porque no entienden lo que pasó. El secreto sucio de cada sistema de agentes de producción es que la IA está haciendo quizás el 30% del trabajo.El otro 70% es la ingeniería de herramientas: diseñar interfaces de retroalimentación, gestionar el contexto de manera eficiente, manejar fallos parciales y construir mecanismos de recuperación que la IA puede realmente entender y usar. Verificación de la realidad de la integración Pero digamos que resuelve los problemas de fiabilidad y la economía.Todavía tiene que integrarse con el mundo real, y el mundo real es un caos. Los sistemas empresariales no están limpiando las APIs esperando que los agentes de la IA las orquestren.Son sistemas legados con peculiaridades, modos de fallo parcial, flujos de autenticación que cambian sin previo aviso, límites de tarifas que varían según la época del día y requisitos de cumplimiento que no se ajustan bien a las plantillas prompt. El agente de mi base de datos no solo "executa consultas de forma autónoma".Navega el agrupamiento de conexiones, maneja los rollbacks de transacciones, respeta las réplicas de sólo lectura, gestiona los horarios de la consulta y registra todo para las pistas de auditoría.La IA gestiona la generación de consultas; todo lo demás es programación de sistemas tradicionales. Las empresas que prometen "agentes autónomos que se integran con toda tu pila de tecnología" son demasiado optimistas o no han intentado construir sistemas de producción a escala. Lo que realmente funciona (y por qué) Después de construir más de una docena de diferentes sistemas de agentes a lo largo de todo el ciclo de vida del desarrollo de software, he aprendido que los exitosos comparten un patrón: 
 
 
 
 
 
 El agente de generación de UI funciona porque los humanos revisan cada interfaz generada antes de la implementación.La IA maneja la complejidad de traducir el lenguaje natural en componentes funcionales de React, pero los humanos toman las decisiones finales sobre la experiencia del usuario. Mi agente de base de datos funciona porque confirma cada operación destructiva antes de ejecutarla.La IA maneja la complejidad de traducir los requisitos de negocio a SQL, pero los humanos mantienen el control sobre la integridad de los datos. Mi agente de generación de funciones funciona porque funciona dentro de límites claramente definidos. Dale una especificación, recupere una función. Sin efectos secundarios, sin gestión de estado, sin complejidad de integración. La automatización de My DevOps funciona porque genera infraestructura-como-código que puede ser revisado, versionado y reemplazado.La IA maneja la complejidad de la traducción de los requisitos en Terraform, pero la tubería de implementación mantiene todos los mecanismos de seguridad que hemos aprendido a confiar. Mi agente CI/CD funciona porque cada etapa tiene criterios de éxito claros y mecanismos de retroalimentación.La IA maneja la complejidad de analizar la calidad del código y generar correcciones, pero el tubo mantiene el control sobre lo que realmente se fusionan. El patrón es claro: la IA maneja la complejidad, los humanos mantienen el control, y la ingeniería de software tradicional maneja la fiabilidad. My Predictions Nuestras predicciones Aquí está mi predicción específica sobre quién luchará en 2025: Las startups financiadas por venture “agentes totalmente autónomos” golpearán primero la pared económica. Sus demostraciones funcionan bien con flujos de trabajo de 5 pasos, pero los clientes exigirán más de 20 procesos de paso que se descomponen matemáticamente. Las compañías de software corporativo que empollan "agentes de IA" en productos existentes verán la adopción estancada. sus agentes no pueden integrarse lo suficientemente profundamente como para manejar flujos de trabajo reales. Mientras tanto, los ganadores serán equipos que construyen herramientas limitadas y específicas de dominio que utilizan la IA para las partes duras mientras mantienen el control humano o los límites estrictos sobre las decisiones críticas. El mercado aprenderá la diferencia entre la IA que demos bien y la IA que navega de manera confiable. No estoy apostando contra la IA. Estoy apostando contra el enfoque actual de la arquitectura de agentes. pero creo que el futuro va a ser mucho más valioso de lo que el hype sugiere. Construir el camino correcto Si está pensando en construir con agentes de IA, comience con estos principios: ¿Qué es exactamente lo que su agente puede hacer, y qué entrega a los humanos o a los sistemas deterministas? Define clear boundaries. ¿Cómo manejas el 20-40% de los casos en los que la IA comete errores? Design for failure. ¿Cuánto cuesta cada interacción, y cómo esta escala con el uso? Solve the economics. Los usuarios confían en herramientas que funcionan de forma consistente más que en sistemas que a veces hacen magia. Prioritize reliability over autonomy. Utilice la IA para las partes duras (entender la intención, generar contenido), pero confíe en la ingeniería de software tradicional para las partes críticas (execución, manejo de errores, gestión de estado). Build on solid foundations. La revolución de los agentes está llegando. simplemente no va a parecer nada como lo que todo el mundo está prometiendo en 2025. Las verdaderas lecciones de las trincheras La brecha entre "obras en demo" y "obras a escala" es enorme, y la mayoría de la industria todavía está descubriendo esto. Si está trabajando en problemas similares, me encantaría continuar esta conversación.Los desafíos en torno a la fiabilidad del agente, la optimización de costos y la complejidad de la integración son fascinantes problemas de ingeniería que aún no tienen soluciones obvias. Regularmente aconsejo a equipos y compañías a navegar por estos desafíos exactos - desde las decisiones de arquitectura hasta evitar las trampas que he aprendido de primera mano. Ya sea que estés evaluando las decisiones de construcción vs compra, debugando por qué tus agentes no están trabajando en la producción, o simplemente quieras implementarlas, siéntate libre de contactar. Cuantas más personas construyan sistemas reales y compartan experiencias honestas, más rápido encontraremos lo que realmente funciona. Si quieres profundizar en cualquiera de estos temas. X

Read My Stories

Este audio es producido en el idioma original de la historia!

Deja de creer al agente Hype - Los números no mienten

About Author

COMENTARIOS

ETIQUETAS

ESTE ARTÍCULO FUE PRESENTADO EN

Related Stories

Creación de productos criptográficos centrados en el usuario: la importancia de los comentarios de los clientes

Cómo mejorar su flujo de trabajo 10 veces: 17 aplicaciones esenciales

Liberando el poder de la IA. Una revisión sistemática de técnicas de vanguardia: resumen e introducción

La guía completa para una migración exitosa a la nube: estrategias y mejores prácticas

Creación de productos criptográficos centrados en el usuario: la importancia de los comentarios de los clientes

Cómo mejorar su flujo de trabajo 10 veces: 17 aplicaciones esenciales

Liberando el poder de la IA. Una revisión sistemática de técnicas de vanguardia: resumen e introducción

La guía completa para una migración exitosa a la nube: estrategias y mejores prácticas

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps