AI News · industry
Novedades en agentes de IA en 2026: protocolos y salvaguardas
La verdadera historia de 2026 no son modelos más inteligentes, sino la fontanería. Los protocolos estándar, los sistemas multiagente y una nueva capa de gobernanza son lo que separa a los agentes que llegan a producción de los que acaban cancelados.
El mayor cambio en los agentes de IA en 2026 no es un modelo más inteligente: es la infraestructura que lo rodea. Este año se estandarizaron tres cosas: cómo los agentes invocan herramientas (el Model Context Protocol, ya con más de 10.000 servidores públicos), cómo los agentes se delegan tareas entre sí (el protocolo A2A de Google, donado a la Linux Foundation) y una disciplina de gobernanza ganada a pulso tras incidentes reales. El bombo sigue siendo enorme —Gartner espera que el 40% de las aplicaciones empresariales integren agentes específicos para tareas a finales de 2026, frente a menos del 5%— pero también lo es la tasa de fracaso. Este es un informe de campo sobre lo que de verdad llegó a producción, lo que sigue rompiéndose y lo que separa a los agentes que alcanzan producción del 40%+ que acaba cancelado.
Ya cubrimos el argumento de negocio de los agentes en Agentes de IA en 2026: qué significa la IA agéntica para tu negocio; aquí bajamos una capa más para adentrarnos en los avances técnicos —los protocolos, el giro hacia lo multiagente y el ajuste de cuentas en seguridad— que cambiaron la forma de construir agentes este año.
¿Qué cambió realmente en los agentes de IA en 2026?
Tres giros definen el año. Por separado son incrementales; juntos llevaron a los agentes de las demostraciones impactantes hacia una infraestructura fiable.
| Giro | Cómo era en 2024–25 | Qué hay de nuevo en 2026 |
|---|---|---|
| Acceso a herramientas | Cada proveedor conectaba las herramientas a los modelos con integraciones a medida y puntuales | MCP se convirtió en el estándar de facto para invocar herramientas: una interfaz abierta y compartida |
| Coordinación | Un único agente intentaba hacerlo todo en un prompt larguísimo | Sistemas multiagente: agentes especializados que se delegan tareas mediante protocolos abiertos |
| Gobernanza | "Lánzalo y a ver qué pasa": pocos controles antes de producción | Emergió una capa de seguridad y rendición de cuentas tras incidentes reales |
El hilo conductor: 2026 es el año en que el stack del agente —no solo el modelo— se convirtió en la historia. Como lo planteó un análisis del ecosistema, las herramientas para agentes son hoy "seis capas entre tu LLM y un agente en producción". Los laboratorios siguen compitiendo en capacidad bruta, pero el valor duradero se trasladó a la orquestación, la conectividad y el control.
¿Cómo se convirtieron en estándar los protocolos de agentes?
Durante buena parte de 2024, conectar un modelo de IA a una herramienta real —un calendario, un CRM, un catálogo de productos— significaba construir a mano una integración para cada modelo y cada herramienta. En 2026 eso se consolidó rápidamente en torno a dos protocolos abiertos que resuelven problemas distintos.
- MCP (Model Context Protocol) — presentado por Anthropic a finales de 2024, define cómo un modelo descubre e invoca herramientas. Es ya la capa de invocación de herramientas: la Linux Foundation contabilizó más de 10.000 servidores MCP públicos activos y 164 millones de descargas mensuales del SDK de Python en abril de 2026. Los analistas describen el trabajo de estandarización como prácticamente concluido.
- A2A (Agent2Agent) — publicado por Google en abril de 2025 y donado a la Linux Foundation en junio de 2025, define cómo un agente delega una tarea a otro, con anuncios de capacidades y estados del ciclo de vida de la tarea. Cubre el hueco que MCP deja abierto.
En resumen: MCP conecta los agentes con las herramientas; A2A conecta los agentes entre sí. Las capas de invocación de herramientas y de coordinación de tareas están mayormente resueltas; la pieza aún pendiente es el transporte —cómo se encuentran y se alcanzan los agentes de forma fiable a través de las redes—, que los observadores del sector esperan que se consolide en los próximos 18–24 meses. Para cualquier empresa que compre o construya sobre agentes, la conclusión práctica es que el tejido conectivo ya es lo bastante estándar como para construir sobre él sin apostarlo todo a un único proveedor.
¿Por qué los equipos pasaron de agentes únicos a sistemas multiagente?
Cuando a un solo modelo se le pide planificar, recuperar, decidir y actuar en un único prompt, tiende a perder el hilo a medida que las tareas se alargan. La respuesta de 2026 es repartir el trabajo entre agentes especializados que hacen bien una sola cosa y pasan el testigo al siguiente.
Gartner lo plantea como una evolución por etapas: primero los asistentes, luego los agentes específicos para tareas, después los agentes colaborativos que combinan distintas habilidades —aproximadamente un tercio de las implementaciones agénticas para 2027— y, con el tiempo, ecosistemas de agentes que abarcan varias aplicaciones. El patrón aparece por todas partes, desde las finanzas hasta las operaciones con clientes, y la lección de ingeniería es consistente: la fiabilidad proviene de agentes acotados y bien delimitados con un contexto compartido, no de un único bot omnisciente.
Ahí es también donde se esconde buena parte del valor. Cuando los agentes especializados comparten memoria y un único registro del cliente, lo que uno aprende los demás pueden usarlo: la diferencia entre un montón de bots desconectados y un equipo coordinado.
El campo global de los agentes: los frameworks de EE. UU. y el auge del código abierto en China
El terreno de la construcción de agentes es genuinamente global en 2026 y —como ocurre con los modelos fundacionales— la frontera del código abierto se inclina claramente hacia China. Un repaso que solo nombre a los laboratorios estadounidenses se pierde la mitad de la foto.
| Región | Herramientas de agentes representativas (2026) | Postura de licencia |
|---|---|---|
| EE. UU. | OpenAI (Agents SDK / AgentKit), Anthropic (Claude Agent SDK, MCP), Google (A2A, Antigravity), Microsoft (Agent Framework); LangGraph de LangChain y CrewAI en el lado abierto | Mixta: plataformas cerradas + frameworks abiertos |
| China | ByteDance (Coze), Alibaba (Qwen3.7-Plus con invocación de herramientas e iteración autónoma, Qwen-Agent), Zhipu (AutoGLM), Manus | Marcadamente de pesos abiertos |
| Francia | Mistral (APIs agénticas en Le Chat, modelos de pesos abiertos) | Abierto + API |
Los laboratorios chinos no dejan de publicar infraestructura abierta: a mediados de 2026 DeepSeek liberó DSpark, un framework que acelera la inferencia de modelos hasta un 85%, la clase de fontanería que abarata el funcionamiento de flotas de agentes. La división que importa para quien compra es pesos abiertos frente a cerrado/solo API: las herramientas abiertas permiten el autoalojamiento y el control de los datos; las plataformas cerradas implican menos que operar. La mayoría de los despliegues serios acaban combinando ambas cosas, que es precisamente por lo que apostar tu negocio a un único laboratorio o un único framework es un riesgo que conviene evitar. (Desgranamos los modelos subyacentes en Los mejores LLM de 2026: abiertos, cerrados y globales.)
El ajuste de cuentas: por qué la mayoría de proyectos de agentes siguen fracasando
Pese a todo el progreso, 2026 es también el año en que llegó la factura del bombo. Las cifras son aleccionadoras y merece la pena decirlas sin rodeos.
- Gartner predice que más del 40% de los proyectos de IA agéntica se cancelarán antes de finales de 2027, citando costes crecientes, un valor de negocio poco claro y controles de riesgo insuficientes, y estima que solo alrededor de 130 de los miles de proveedores que se autodenominan "agénticos" son reales, un fenómeno que denomina "agent washing".
- El estudio NANDA del MIT halló que el 95% de los pilotos empresariales de IA generativa no aportó ningún retorno medible en la cuenta de resultados, y solo el 5% llegó a producción, pese a una inversión empresarial estimada en 30.000–40.000 millones de dólares. El informe atribuyó la brecha a una "brecha de aprendizaje" en cómo se despliegan las herramientas, no a la calidad de los modelos.
- La seguridad quedó muy rezagada respecto del despliegue. Una encuesta de abril de 2026 a 750 altos responsables de tecnología reveló que las flotas de agentes empresariales se habían duplicado en cuatro meses mientras el 48% de los agentes en producción funcionaban sin proteger y el 54% de las organizaciones ya había sufrido un incidente de seguridad o privacidad relacionado con agentes, y aun así solo el 7,2% tenía a una persona designada formalmente como responsable del comportamiento de los agentes.
Nada de esto significa que los agentes no funcionen. Significa que los fracasos se concentran en las partes poco vistosas —gobernanza, delimitación, integración y un valor de negocio claro—, no en el modelo. Que es precisamente por lo que la historia de infraestructura de más arriba importa más que el próximo benchmark.
¿Qué separa a los agentes que llegan a producción?
Los agentes que sobreviven comparten una forma reconocible. En toda la cobertura solvente, las mismas disciplinas aparecen una y otra vez:
- Agentes acotados y delimitados con un cerebro compartido: roles especializados en lugar de un único prompt omnisciente, con memoria compartida para que el contexto se acumule.
- Humano en el circuito por defecto: el agente actúa, un humano gobierna; las aprobaciones y el traspaso vienen incorporados, no añadidos a posteriori. Los despliegues más fiables hacen deliberadamente que los agentes sean menos autónomos en las decisiones de alto riesgo.
- Salvaguardas antes que autonomía: controles de salida, delimitación de permisos y una forma documentada de pausar o revocar un agente antes de ponerlo en marcha.
- Diseño agnóstico del modelo: sin dependencia de un único laboratorio, para poder enrutar al modelo adecuado según la tarea e ir cambiando a medida que el campo se reordena cada mes.
- Resultados, no demos: medidos frente a resultados de negocio reales, que es donde se estrelló el 95% de los pilotos.
Es la misma lección que sigue aflorando en el cálculo de comprar frente a construir: los agentes de nivel producción son sobre todo un problema de integración, gobernanza y fiabilidad. Recorremos ese dilema en Construir vs. comprar agentes de IA: el coste real del "hazlo tú mismo", y la vertiente de supervisión humana en La paradoja de la experiencia de cliente con IA: cómo gana el humano en el circuito.
Dónde encaja Entagl
Entagl se construyó en torno a las disciplinas que la industria pasó 2026 redescubriendo. El Agente de Chat no es un único bot: es un equipo coordinado —un orquestador, un detector de idioma en paralelo, un agente de conocimiento y agentes de dominio especializados (servicios, productos, reservas, ventas, soporte y más)—, con una capa de control de calidad y salvaguardas de salida en cada conversación. Esos agentes comparten un mismo cerebro y un mismo registro del cliente, de modo que lo que uno aprende los demás lo usan. El traspaso a un humano en una bandeja de entrada unificada viene incorporado —la IA actúa, los humanos gobiernan— y, como la plataforma es agnóstica del modelo, enruta al modelo adecuado según la tarea en lugar de apostar por un único laboratorio. Para equipos regulados, esa gobernanza va más a fondo: cifrado, registro de auditoría y supervisión humana, todo ello cubierto en IA conforme para negocios regulados: HIPAA, GDPR y lo que hace falta.
Dicho de otro modo: la arquitectura multiagente, con salvaguardas y humano en el circuito, que quienes forman parte del 40% de cancelaciones se apresuran ahora a añadir, es la arquitectura que Entagl ya ejecuta en producción, a través de sus canales de mensajería (WhatsApp, Instagram, Facebook Messenger, Telegram, chat web y API) y más de 100 idiomas.
FAQ
¿Cuál es la diferencia entre MCP y A2A?
MCP (Model Context Protocol) estandariza cómo un modelo de IA invoca herramientas: un calendario, una base de datos, una API. A2A (Agent2Agent) estandariza cómo un agente entrega una tarea a otro agente. En resumen, MCP conecta los agentes con las herramientas; A2A conecta los agentes entre sí. Ambos son estándares abiertos gestionados ahora por la Linux Foundation.
¿Por qué fracasan tantos proyectos de agentes de IA?
Gartner espera que más del 40% de los proyectos de IA agéntica se cancelen antes de finales de 2027, y el MIT halló que el 95% de los pilotos de IA generativa no aportó ningún retorno medible. Los fracasos rara vez provienen del modelo. Provienen de un valor de negocio poco claro, una gobernanza y seguridad débiles, permisos demasiado amplios y la complejidad de la integración: la capa operativa, no la inteligencia.
¿Qué es un sistema multiagente?
En lugar de que un único modelo intente planificar, recuperar, decidir y actuar en un solo prompt, un sistema multiagente reparte el trabajo entre agentes especializados que se encargan cada uno de una tarea y pasan el testigo al siguiente, idealmente compartiendo memoria y contexto. Tiende a ser más fiable y más fácil de gobernar que un único agente que lo hace todo, y por eso Gartner espera que los diseños multiagente colaborativos supongan alrededor de un tercio de las implementaciones para 2027.
¿Son estadounidenses las mejores herramientas de agentes de IA?
No: el campo es global. Los laboratorios de EE. UU. lideran en plataformas cerradas, pero los laboratorios de China (DeepSeek, Qwen de Alibaba, Coze de ByteDance, Zhipu, Manus) dominan el lado de los pesos abiertos y los frameworks abiertos, y Mistral de Francia publica herramientas agénticas abiertas. Los despliegues serios suelen combinar lo abierto y lo cerrado en lugar de comprometerse con una sola región o laboratorio.
¿Necesita una pequeña empresa entender los protocolos de agentes para usar IA?
No. Protocolos como MCP y A2A importan a quienes construyen plataformas de agentes. Para una empresa que adopta IA, lo que importa es si el sistema reserva la cita de forma fiable, responde al cliente y lo traspasa a un humano cuando corresponde, con salvaguardas y una rendición de cuentas clara detrás.
Ve un sistema multiagente en producción, no una demo. Si estás valorando cómo adoptar agentes de IA sin unirte al 40% que acaba cancelado, reserva una demo de 30 minutos y te mostraremos cómo un equipo de agentes con salvaguardas y humano en el circuito gestiona tus conversaciones reales.
Fuentes: Gartner — agentes específicos para tareas en el 40% de las apps empresariales para 2026 (ago. 2025); Gartner — más del 40% de los proyectos de IA agéntica cancelados para 2027 (jun. 2025); VentureBeat — MCP, A2A y el stack de protocolos de agentes (jun. 2026); Gravitee — State of AI Agent Security (abr. 2026); Fortune sobre el estudio NANDA del MIT (ago. 2025); O'Reilly — el stack de agentes de IA, 2026; DeepSeek DSpark y Alibaba Qwen3.7-Plus (jun. 2026). Los detalles de modelos y protocolos están actualizados a julio de 2026 y evolucionarán.