Las empresas desplegaron deliberadamente agentes de IA antes de establecer los controles necesarios para gestionarlos. Esa es la conclusión central de cinco encuestas paralelas realizadas por VentureBeat Research en junio de 2026, que cubrieron todas las capas de la pila agéntica. El patrón refleja ciclos anteriores de adopción de tecnología empresarial —desde la migración a la nube hasta la integración móvil— en los que el impulso del despliegue superó a la gobernanza, obligando a las organizaciones a realizar correcciones reactivas. Lo que distingue a la ola agéntica es su amplitud: como los agentes pueden realizar acciones autónomas dentro de sistemas de producción, la brecha de gobernanza implica un riesgo operativo inmediato, no solo una exposición de cumplimiento a largo plazo. Las organizaciones ahora están adaptando marcos de gobernanza para cumplir con sus propios estándares, y respaldan ese esfuerzo con presupuesto. En las cinco capas de control medidas, entre 57% y 68% de las empresas planean cambiar de proveedores o agregar nuevos dentro de 12 meses, mientras que aproximadamente un tercio tiene previsto hacer cambios durante el trimestre actual.

VentureBeat Research identificó cinco controles que las empresas deben implementar antes de poder confiar responsablemente en un agente de IA: identidad, evaluación, telemetría de costos, la capa de contexto y orquestación. La identidad determina qué agente está autorizado a realizar qué acciones y bajo qué credenciales. La evaluación mide si la salida de un agente cumple con los estándares de calidad. La telemetría de costos rastrea el gasto de ejecutar cada agente. La capa de contexto proporciona los datos y definiciones de negocio en los que se basan los agentes al generar respuestas. El plano de control de orquestación coordina flujos de trabajo agénticos de varios pasos. Cada uno de los cinco informes se enfoca en uno de estos controles. En conjunto, forman una cadena de dependencias: un agente sin identidad delimitada no puede evaluarse de forma segura; un agente sin evaluación confiable no puede recibir confianza para actuar de manera autónoma; y un agente sin contexto preciso producirá respuestas confiadas independientemente de qué tan bien funcionen los otros controles.

La mayoría de los “agentes” desplegados son chatbots disfrazados

El 71% de las empresas informó que una cuarta parte o menos de sus “agentes” desplegados puede completar de forma autónoma trabajo de varios pasos. Solo el 10% indicó que los agentes verdaderos constituyen la mayoría de lo que operan. Los encuestados están bien posicionados para evaluarlo: el 81% recomienda o decide directamente las compras de IA en sus organizaciones. Un chatbot de una sola instrucción, con una persona revisando cada respuesta, no requiere ninguno de los controles examinados en los otros cuatro informes. Un agente genuino de varios pasos, en cambio, los requiere todos, pero la mayoría de las empresas no puede identificar claramente qué tipo ha desplegado. Esta ambigüedad definicional ha persistido en toda la industria, ya que proveedores y equipos internos han aplicado la etiqueta “agente” de manera inconsistente, complicando las decisiones de adquisición y la evaluación de riesgos. (Hallazgos completos: informe Agentic Orchestration.)

La autonomía supera la confianza en las evaluaciones

Dos tercios de las empresas ya permiten que un agente lleve código o cambios de sistema a producción basándose únicamente en resultados de evaluación automatizados —sin revisión humana— o están trabajando activamente para contar con esa capacidad dentro de 12 meses. A pesar de ello, solo el 5% expresó plena confianza en las evaluaciones que regirían ese tipo de decisiones. En el último año, la mitad de las empresas lanzó un agente que aprobó evaluaciones internas pero posteriormente provocó una falla visible para clientes. La brecha entre la confianza en las evaluaciones y la realidad de producción refleja un desafío estructural: la mayoría de los benchmarks internos prueba el comportamiento de los agentes bajo condiciones controladas que no consideran la variabilidad de las entradas de usuarios reales ni la evolución de los datos de negocio. La recomendación es clara: antes de retirar la revisión humana de cualquier flujo de trabajo, las organizaciones deberían probar las evaluaciones contra resultados reales de producción en lugar de depender de benchmarks internos. (Hallazgos completos: informe Agent Reliability & Evals.)

El uso compartido de credenciales se correlaciona con incidentes de seguridad

El 69% de las compañías permite que al menos algunos agentes compartan credenciales, lo que significa que múltiples agentes operan bajo una sola clave de API o cuenta de servicio. Entre las organizaciones que permiten compartir credenciales en cualquier parte, el 63.5% (47 de 74) experimentó un incidente de seguridad o un cuasi incidente. Esa cifra baja a 40.9% (9 de 22) en compañías donde cada agente opera bajo su propia identidad delimitada. La correlación coincide con principios establecidos de seguridad zero-trust, donde el acceso de privilegio mínimo y la delimitación de credenciales por entidad han sido durante mucho tiempo prácticas básicas tanto para cuentas humanas como de servicio. El remedio indicado es una identidad delimitada para cada agente, comenzando por aquellos que interactúan con sistemas de producción. (Hallazgos completos: informe Agentic Security & Identity.)

La utilización de GPU sigue baja mientras el seguimiento de costos queda rezagado

Más de ocho de cada diez empresas que operan sus propias GPU reportaron tasas de utilización de 50% o menos. Mientras tanto, solo el 44% monitorea rigurosamente cuánto cuesta realmente su cómputo de IA y qué retornos genera. La combinación crea una ineficiencia acumulativa: las organizaciones no pueden optimizar cargas de trabajo que no miden y, sin visibilidad de costos por carga de trabajo, las decisiones de adquisición son impulsadas por la ansiedad de capacidad en lugar de datos de utilización. La prioridad, según los hallazgos, no debería ser adquirir GPU adicionales, sino mejorar la utilización y medir el costo por carga de trabajo del hardware que ya está instalado. (Hallazgos completos: informe AI Infrastructure & Compute.)

Los datos sin gobernanza alimentan respuestas incorrectas pero confiadas

El 57% de las empresas atribuyó una respuesta confiada pero incorrecta de un agente en los últimos seis meses a su propio contexto de negocio faltante o inconsistente, incluidos métricas incorrectas, definiciones obsoletas o documentos ausentes. La mayoría observó que esto ocurrió más de una vez. El hallazgo subraya una distinción que la industria reconoce cada vez más: la calidad de la recuperación es necesaria, pero no suficiente cuando las definiciones de negocio subyacentes son inconsistentes o están desactualizadas. Gobernar las definiciones en las que se basan los agentes, empezando por métricas y entidades, debe preceder cualquier esfuerzo por escalar los agentes que dependen de ellas. (Hallazgos completos: informe Context Layers / RAG.)

No hay incumbentes consolidados en ninguna capa

Ninguna capa tiene un proveedor incumbente consolidado. Los valores predeterminados actuales son las herramientas integradas incluidas en las principales plataformas de IA que las empresas ya utilizan. La intención de cambio es más alta en orquestación, donde el 68% de las organizaciones planea adoptar, agregar o reemplazar plataformas dentro de 12 meses y el 34% durante el trimestre actual. El panorama competitivo abierto es consistente con las etapas tempranas de categorías previas de infraestructura empresarial, en las que las herramientas incluidas en plataformas dominan inicialmente antes de que proveedores especializados se diferencien por profundidad y control. Las encuestas no capturaron hacia dónde fluirá el gasto —si hacia herramientas nativas de las plataformas o hacia competidores especializados—, y se espera que esa pregunta no resuelta defina los próximos cuatro trimestres del mercado.

Acerca de esta investigación

VentureBeat Research realizó cinco encuestas paralelas en junio de 2026 bajo su programa VB Pulse: Agentic Orchestration (101 encuestados), Agent Reliability & Evals (157), Agentic Security & Identity (107), AI Infrastructure & Compute (107) y Context Layers / RAG (101), con un total de 573 encuestados calificados, todos de organizaciones con 100 o más empleados. Las muestras son autoseleccionadas, y algunos hallazgos deben interpretarse de manera direccional; cada informe incluye su propia nota metodológica completa. Lo que el patrón general respalda con más fuerza que cualquier porcentaje individual es la dirección misma: cada encuesta, de forma independiente, apunta en el mismo sentido. VentureBeat produce tanto esta investigación como VB Transform, la conferencia donde se presentaron estos informes.