¿Para quién trabaja el agente iA?

El mercado —y gigantes como OpenAI, Google, Anthropic y otras compañías de nube— nos imponen contratar agentes que prometen liberarnos del trabajo. Para que puedan operar con la “libertad” que el marketing de estas empresas sugiere, el contrato suele establecer que el agente necesita acceso a una tarjeta corporativa de uso libre. A partir de ahí, el agente decide cuántos recursos necesita para avanzar.

En este modelo, la autonomía se paga con tokens. Pero aquí reside la trampa: cuanto más autónomo es el agente, más tokens consume; y cuanto más consume, más se degrada la calidad de su razonamiento. Al final del proceso, la factura llega completa a nuestro nombre, mientras que el resultado final depende de cuánto se haya erosionado el contexto durante el camino.

Esta es una metáfora de la arquitectura actual de los agentes en la nube. Lo que OpenAI, Google, Anthropic y el resto de los proveedores venden como "autonomía" es, en realidad, un bucle de consumo donde la eficiencia se sacrifica en el altar de la inferencia masiva. Es importante acotar que, en este artículo, no nos ocuparemos específicamente del riesgo de poner nuestros datos privados en manos de terceros; la seguridad y la privacidad de la información en la nube son temas tan críticos que merecen, por sí solos, una editorial específica. En esta ocasión, nuestro foco es la eficiencia del razonamiento y la viabilidad técnica.

El fenómeno conocido como context rot (podredumbre del contexto) no es un simple detalle técnico, sino la “levadura” que alimenta este ciclo de consumo. El context rot es la degradación progresiva del rendimiento del modelo a medida que el historial de la conversación se alarga. Lo que comienza como un razonamiento coherente termina diluyéndose en un ruido de información irrelevante, errores previos y salidas de herramientas que confunden la atención del modelo.

Aquí ocurre una paradoja de rendimiento. En el papel, un modelo frontier de última generación parece infinitamente más capaz que un sistema local. Sin embargo, en la práctica, esa ventaja es relativa. Mientras el agente de nube entra en bucles de autocorrección infinitos —gastando miles de tokens para intentar rescatar un razonamiento que él mismo degradó—, el resultado final en términos de efectividad y tiempo de entrega termina siendo porcentualmente similar al de un sistema más acotado. La diferencia es que uno lo logra mediante un consumo voraz y errático que beneficia la facturación del proveedor, y el otro mediante una arquitectura predecible que beneficia al usuario.

La opción emergente

Frente a este esquema, los Agentes Locales Unidireccionales (ALU) tienen escasa visibilidad comercial, precisamente porque representan un menor incentivo para quienes, como OpenAI, Google, Anthropic y otras, dependen del crecimiento sostenido del uso de sus APIs y servicios de nube.

Un ALU corta el mecanismo de degradación de raíz. Su arquitectura es sencilla y deliberada: 

Input  →→ Procesamiento acotado →→ Output.

No entra en bucles autónomos de razonamiento ni decide por sí solo realizar diez rondas de tool calling que llenen el contexto de ruido. No es una carencia técnica; es una decisión de diseño. Al eliminar la autonomía errática, se elimina la levadura que alimenta el gasto innecesario y el riesgo operativo.

La evidencia respalda esta urgencia. Estudios de 2025 y 2026, como los de Chroma Research, han documentado cómo los modelos frontier presentan declives medibles en su desempeño al aumentar la longitud del input, elevando las violaciones de restricciones de seguridad desde un 0% hasta un 59% en agentes de horizonte largo. No es un ataque externo lo que falla, sino la propia dinámica de un sistema que, al intentar ser "autónomo", pierde de vista las instrucciones originales.

A esto se suma la vulnerabilidad estructural de los datos. El Cloud and Threat Report 2026 de Netskope señala que las violaciones de políticas de datos asociadas a la IA generativa se han duplicado, con un promedio de 223 incidentes mensuales por organización. Cuando el procesamiento ocurre en la nube, la soberanía es una ilusión. En Europa, el EU AI Act y las exigencias de residencia de datos ya están empujando a las organizaciones hacia arquitecturas que garanticen el control total del flujo de información. En Estados Unidos, la exposición al CLOUD Act sigue siendo un riesgo crítico; y en el Sur Global, la soberanía tecnológica se ha vuelto una condición no negociable para sectores estratégicos.

La madurez actual de los modelos locales permite construir flujos unidireccionales con una calidad suficiente para la gran mayoría de las tareas de análisis, estructuración y generación controlada. No se trata de rechazar la autonomía, sino de entender que, para flujos de trabajo con información sensible o regulada, la autonomía no es el objetivo. El objetivo es la integridad del proceso y la soberanía del dato.

Un Agente Local Unidireccional no promete resolver cualquier problema complejo sin intervención humana. Lo que ofrece es una reducción drástica de los riesgos, un costo predecible y una fiabilidad constante. En un momento donde la seguridad de la información es el activo más crítico, elegir una arquitectura ALU deja de ser una preferencia técnica para convertirse en una decisión de supervivencia corporativa.

Y es aquí donde chocamos con el miedo más profundo de la fuerza laboral: la reducción de personal. Esta es una perspectiva que encanta a las direcciones ejecutivas, que ven en la autonomía de la IA la oportunidad perfecta para "optimizar" la nómina. Sin embargo, la realidad técnica nos dice lo contrario. Un sistema que padece de context rot y que puede desviarse de sus restricciones originales no puede dejarse solo; requiere supervisión constante.

Llegado el caso, las organizaciones descubrirán que no necesitan menos personas, sino personas con un rol distinto: expertos en curaduría. Profesionales capaces de auditar el flujo, corregir el rumbo y garantizar que el output sea veraz y seguro. El trabajo del futuro no será ejecutar la tarea, sino controlar los datos y curar el proceso. Pero este es ya otro tema, una transformación del paradigma laboral que trataremos en nuestra próxima editorial.

Autor: Leo Utzinger

Asistentes: Gemma4 & Grok

Fuentes

• Chroma ResearchContext Rot: How Increasing Input Tokens Impacts LLM Performance. Julio 2025.

• NetskopeCloud and Threat Report 2026.

• AvePointState of AI 2026 Report.

• arXiv.orgTrabajos académicos (2026) sobre Governance Decay y degradación en agentes de contexto largo.