IA Agentes: empresas cambian foco de modelos a control de plataforma

⏱ Tiempo de lectura: 3 min

La infraestructura de IA agentes está transitando de fase experimental a producción, lo que obliga a las empresas a replantearse una pregunta más compleja que la elección de modelo: cómo controlar costos, exposición de datos e infraestructura en aplicaciones de IA a escala. Este cambio está empujando a las organizaciones a reconsiderar su dependencia exclusiva de servicios de IA en la nube pública, particularmente cuando los sistemas agentes evolucionan desde asistentes simples hacia aplicaciones empresariales persistentes que operan en múltiples sistemas de negocio.

Costos de tokens y soberanía de datos impulsan la estrategia

Joe Fernandes, vicepresidente y director general de la Unidad de Negocio de Inteligencia Artificial en Red Hat, explica que los costos de tokens se disparan rápidamente cuando las empresas pasan de experimentación a sistemas de producción a escala y desde chatbots simples hacia agentes empresariales que funcionan continuamente. Además del costo, existe una preocupación crítica sobre la soberanía de datos: si las organizaciones están dispuestas a permitir que sus datos lleguen a servicios de nube pública, o si tienen requisitos de conformidad regulatoria que lo prohíben. Estas dos presiones combinadas están motivando a las empresas a explorar alternativas más allá de depender exclusivamente de proveedores de nube pública, según reporta SiliconANGLE.

Equipos de plataforma en el centro de la estrategia de IA

A medida que los agentes se convierten en una nueva clase de aplicación empresarial, los equipos de plataforma adquieren un papel central en la estrategia de IA. Confiabilidad, escala y seguridad siguen siendo críticos, pero la autonomía agrega una capa adicional de responsabilidad operativa. Fernandes señala que los equipos de plataforma son más importantes que nunca porque los agentes representan la siguiente evolución de las aplicaciones empresariales. Estos sistemas requieren no solo uptime y escalabilidad, sino también control granular sobre qué recursos pueden acceder los agentes y cómo se rastrean sus acciones. Red Hat está expandiendo su enfoque de código abierto más allá del acceso a modelos hacia la infraestructura y sandbox requeridos para ejecutar agentes. La empresa colabora activamente con OpenShell de Nvidia, un runtime sandbox de código abierto para agentes de IA, contribuyendo a su mantenimiento y evolución.

Infraestructura híbrida y soberanía como prioridad

Red Hat sostiene que la infraestructura de IA agentes deberá abarcar servicios de nube pública, entornos privados, nubes soberanas y edge computing. Muchos gobiernos y organizaciones necesitan gestionar requisitos de soberanía manteniendo control sobre dónde se ejecutan los modelos, dónde residen los datos y dónde operan los agentes. Este enfoque amplía la visión estratégica de Red Hat sobre un futuro fundamentalmente híbrido en tecnología empresarial.

Aspecto	Detalle
Punto de inflexión estratégico	Transición de IA como proyecto piloto a modelo operacional con consecuencias a escala empresarial
Factor de costo	Costos de tokens se disparan en sistemas de producción versus experimentación y en agentes persistentes versus chatbots simples
Preocupación regulatoria	Exposición de datos corporativos en servicios de nube pública y requisitos de conformidad o soberanía
Responsabilidades nuevas de equipos	Control granular sobre acceso de agentes, rastreo de acciones y sandboxing; confiabilidad, uptime, escala y seguridad
Proyecto colaborativo clave	OpenShell (Nvidia): runtime sandbox de código abierto para agentes, mantenido y desarrollado activamente por Red Hat
Visión de arquitectura	Infraestructura híbrida: nube pública, entornos privados, nubes soberanas y edge computing integrados
Fuente y portavoz	Joe Fernandes (VP y GM Unidad de IA, Red Hat) en entrevista para theCUBE (SiliconANGLE), agosto 2026

Preguntas frecuentes sobre agentes de IA en empresas

¿Por qué el costo de tokens es ahora una preocupación central?

Los costos se escalan significativamente cuando los agentes de IA pasan de experimentación a producción a escala y operan continuamente como aplicaciones persistentes en lugar de interacciones puntuales. En producción, múltiples agentes pueden actuar simultáneamente en sistemas empresariales, multiplicando el consumo de tokens y, consecuentemente, los gastos operativos.

¿Qué significan los requisitos de soberanía en este contexto?

Significa que muchas organizaciones y gobiernos tienen mandatos regulatorios que exigen saber dónde residen sus datos, dónde se procesan y dónde se ejecutan los modelos de IA. No pueden permitir que datos sensibles viajen a centros de datos de terceros, especialmente en nubes públicas multinacionales.

¿Cuál es el rol del sandboxing en agentes de IA?

El sandboxing restringe qué recursos, sistemas de archivos y puntos de red puede acceder cada agente. Como los agentes son autónomos, sin sandboxing una acción no autorizada podría comprometer sistemas empresariales críticos. Es un mecanismo de contención esencial.

Qué falta por confirmar

La fuente no especifica cronograma exacto para la adopción generalizada de estas arquitecturas híbridas, ni detalles técnicos específicos de rendimiento, latencia o límites de escala en OpenShell. Tampoco se menciona disponibilidad de herramientas comerciales competitivas o benchmarks comparativos entre enfoques híbridos y soluciones puramente en nube.

En Inteligencia Artificial, este cambio estratégico refleja madurez: las empresas dejan de ver IA como un experimento aislado y la integran como infraestructura crítica. La pregunta ahora es si Red Hat y sus socios pueden estandarizar sandboxing y control de agentes antes de que los proveedores de nube pública ofrezcan soluciones nativas equivalentes.

Fuente: siliconangle.com