- Microsoft prepara el despliegue de asistentes y agentes de IA en la Administración Pública española y en grandes empresas.
- Windows 11 evoluciona hacia una plataforma con agentes de IA autónomos, integrados con Copilot y con procesamiento híbrido local+nube.
- Ingenieros y directivos en Silicon Valley alertan de altos costes, complejidad y riesgos de seguridad en los sistemas multiagente.
- El debate actual se centra en cómo diseñar, gobernar y asegurar los agentes de IA para que sean viables a gran escala.
La irrupción de los agentes de inteligencia artificial está dejando de ser un concepto futurista para convertirse en una realidad que ya se está probando en administraciones, bancos y grandes corporaciones. España y Europa empiezan a situarse en este escenario con proyectos que van desde el sector público hasta la productividad en el puesto de trabajo, mientras en Silicon Valley se abre un debate mucho más técnico sobre los límites y riesgos de esta nueva ola.
Lejos de quedarse en simples chatbots, estos sistemas se conciben como agentes capaces de decidir y ejecutar tareas con un cierto grado de autonomía. Esa promesa de automatizar procesos de principio a fin convive, sin embargo, con advertencias claras sobre el coste económico, la complejidad operativa y los desafíos de ciberseguridad que plantea su despliegue masivo.
Despliegue de agentes de IA en la Administración y empresas españolas
En España, el movimiento más visible llega de la mano de Microsoft y su ecosistema de agentes de IA. El presidente de Microsoft España, Paco Salcedo, avanzó que en las próximas semanas comenzarán a ponerse en marcha asistentes y agentes que interactuarán directamente con la ciudadanía en distintos organismos de la Administración Pública. El anuncio se realizó en el foro “Wake Up, Spain! Wake Up, Europe! Crecimiento, cohesión e incertidumbre”, celebrado en Madrid y organizado por El Español, Invertia y Disruptores.
Sin entrar en detalles de proyecto o de tecnologías concretas, Salcedo explicó que la Administración seguirá una senda similar a la de la banca y otros sectores que ya prueban agentes comerciales y asistentes internos. El ejecutivo insistió en que lo que hasta hace poco eran pruebas controladas empieza a convertirse en despliegues a escala, tanto en España como en otros mercados internacionales.
Uno de los ejemplos que citó fue el de Bankinter, que ha dotado de herramientas de IA corporativa a toda su plantilla: servicios centrales, red comercial e incluso equipos de desarrollo. Según Salcedo, otros bancos españoles se encuentran en fases similares, con ritmos distintos pero con una clara tendencia a extender estas capacidades a más áreas de negocio.
El fenómeno no se limita al sector financiero. El presidente de Microsoft España mencionó a Barclays, decidido a desplegar IA corporativa a más de 100.000 empleados, y a consultoras como PwC, con más de 364.000 personas en todo el mundo utilizando plataformas de IA en su día a día. En el ámbito español, apuntó a Ferrovial, cuyos 24.000 empleados ya trabajan sobre una plataforma de inteligencia artificial que está impulsando nuevos agentes para transformar procesos internos.
Según Salcedo, tras un primer año de pruebas y experimentación, las empresas han pasado a una fase de despliegue masivo de agentes, respaldada por tecnologías más maduras en gobernanza de datos, seguridad y control de usos. La idea que se abre paso es que estos sistemas dejen de ser pilotos aislados para integrarse de forma estructural en la organización.
De asistentes a operadores: así evolucionan los agentes de IA
Los ejecutivos de Microsoft describen una evolución clara en el tipo de soluciones que se están desplegando. Al principio predominaba el agente asistente, que responde a preguntas y ofrece ayuda puntual. Después llegó el agente colaborador, al que se le pueden delegar tareas concretas dentro de un proceso. El siguiente paso, ya en marcha, es el agente operador, con un nivel de autonomía mucho mayor para tomar decisiones dentro de unos límites predefinidos.
Este salto se aprecia tanto en entornos corporativos como en plataformas de consumo. En China, por ejemplo, la superaplicación Meituan lanzó su agente de IA Xiaomei, concebido no solo como un chatbot sino como un coordinador y ejecutor de acciones. El usuario puede encargarle tareas como pedir su comida habitual con una ligera variación de horario, y el agente se encarga de interpretar la intención, aplicar preferencias previas y completar la transacción sin apenas interacción adicional.
Este tipo de casos ilustra el cambio de enfoque: los agentes ya no se limitan a contestar, sino que gestionan flujos de trabajo completos, toman decisiones intermedias y se integran con múltiples servicios a la vez. El potencial es evidente para sectores como la banca, la logística, la consultoría o la atención al ciudadano, donde buena parte de las tareas son repetitivas y basadas en reglas.
Ahora bien, la automatización profunda exige un diseño cuidadoso de permisos, auditoría y control. Un error aparentemente menor de un agente que opera con autonomía puede escalar rápidamente si coordina otros sistemas o maneja datos sensibles. Por eso cada vez se habla más de gobernanza de agentes de IA, no solo de su capacidad técnica para generar respuestas.
Windows 11 como plataforma de agentes de IA
En paralelo al despliegue en empresas, Microsoft está reorientando Windows 11 para convertirlo en una plataforma centrada en agentes de IA y automatización. Tras la introducción de Copilot, la compañía trabaja en integrar agentes capaces de ejecutar tareas en segundo plano, coordinar aplicaciones y gestionar flujos de trabajo de forma continua.
La diferencia con los asistentes tradicionales es que estos agentes de Windows 11 podrían llevar a cabo acciones complejas sin que el usuario tenga que intervenir en cada paso. Entre las capacidades que se barajan se incluyen la automatización de tareas del sistema operativo, la organización de aplicaciones, la interacción con herramientas de productividad y la ejecución coordinada de acciones en múltiples programas.
Estos agentes se integrarán dentro del ecosistema más amplio de Microsoft, de modo que Windows no solo responda a órdenes, sino que anticipe necesidades y actúe de manera proactiva. Esto abre la puerta a automatizar procesos rutinarios de oficina, reducir intervención manual en operaciones complejas y crear circuitos de trabajo más eficientes en entornos profesionales.
Para sostener este enfoque, Microsoft apuesta por un modelo híbrido de IA local combinada con procesamiento en la nube. Parte de las tareas, especialmente las más sensibles desde el punto de vista de la privacidad, se procesarían de forma local gracias a las nuevas NPUs (unidades de procesamiento neuronal) integradas en los ordenadores. Otras funciones, más exigentes en cómputo, se derivarían a servicios cloud, buscando un equilibrio entre rendimiento, seguridad y coste.
La ambición de fondo es que Windows 11 pase de ser un sistema operativo clásico a un entorno inteligente y contextual, donde los agentes acompañen al usuario en segundo plano, ayuden a priorizar tareas y tomen decisiones rutinarias por él. Si se consolida, este modelo puede cambiar la forma de trabajar con el PC, especialmente en oficinas, centros de servicios compartidos y equipos que manejan grandes volúmenes de información.
Riesgos y retos: identidad, ciberseguridad y uso indebido
El despliegue de agentes de IA a gran escala no llega exento de preocupaciones. Desde España, Paco Salcedo identificó tres grandes riesgos que las organizaciones deben vigilar desde el principio. El primero es el uso de herramientas de IA no corporativas por parte de los empleados, algo que ya se ha visto con plataformas abiertas donde se comparten datos sensibles sin los controles adecuados.
El segundo gran frente es la gestión correcta de la identidad de los propios agentes. Si antes la seguridad se centraba en usuarios humanos, ahora empiezan a aparecer “identidades digitales” que actúan en nombre de la organización, acceden a sistemas internos y toman decisiones en su lugar. Asegurar quién es cada agente, qué puede hacer y cómo se auditan sus acciones pasa a ser una pieza clave en el nuevo modelo.
El tercer punto señalado por Microsoft tiene que ver con la ciberseguridad defensiva. A juicio de Salcedo, los atacantes también van a explotar la IA para automatizar campañas maliciosas y sofisticar sus métodos, por lo que las empresas se verán obligadas a incorporar inteligencia artificial en sus propias defensas si no quieren quedarse atrás. Esto incluye capacidades de detección temprana, respuesta automatizada y resiliencia ante incidentes.
La idea central es que, por muy avanzados que sean los agentes, “cosas malas van a pasar” y las organizaciones van a sufrir ataques o fallos en algún momento. Lo que empieza a diferenciar a unas de otras es la rapidez con la que son capaces de recuperarse, restablecer servicios y aprender de cada incidente para reforzar sus sistemas, incluidos los agentes de IA que formen parte de ellos.
La euforia de Silicon Valley frente a la realidad de los agentes de IA
Mientras en Europa se multiplican los anuncios de nuevos proyectos, en Silicon Valley comienza a consolidarse una visión más matizada sobre el auge de los agentes de IA. En varios encuentros recientes, directivos e ingenieros de grandes tecnológicas y startups coincidieron en que, aunque el interés es enorme, los sistemas multiagente siguen siendo costosos, frágiles y difíciles de operar a gran escala.
El caso de plataformas como OpenClaw, concebidas como arneses para coordinar flotas de agentes basados en distintos modelos de IA, ha alimentado el entusiasmo del mercado, pero también ha puesto sobre la mesa sus límites. Parte de la industria los presenta como la próxima gran revolución tras los chatbots generalistas, pero quienes trabajan en la trinchera técnica subrayan que todavía están lejos de ser una solución lista para cualquier empresa. También se han visto movimientos corporativos como adquisiciones relacionadas con redes de agentes que buscan acelerar ese desarrollo.
Uno de los puntos más repetidos tiene que ver con el coste. Cada interacción, cada coordinación entre agentes y cada llamada adicional a un modelo de lenguaje implica consumo de cómputo y, por tanto, un aumento silencioso de la factura de inferencia. Si el diseño del sistema es ineficiente, los agentes pueden terminar utilizando más recursos de los que ahorran, convirtiéndose en un problema presupuestario en lugar de una palanca de productividad.
Kevin McGrath, CEO de la startup de IA Meibel, criticó en uno de estos eventos la tendencia a querer pasar todas las tareas empresariales por un gran modelo de lenguaje. A su juicio, muchas funciones podrían resolverse con mecanismos más sencillos, económicos y controlables. Su mensaje, más allá del tono, iba dirigido a la necesidad de elegir con criterio los casos de uso en los que realmente tiene sentido desplegar agentes avanzados.
Esa advertencia conecta con una preocupación creciente en las compañías: justificar con resultados concretos las fuertes inversiones en infraestructura y herramientas de IA. Los agentes deslumbrantes en demostraciones no siempre se traducen en ahorros medibles, mejor servicio o procesos más robustos cuando se implantan en organizaciones grandes y complejas.
Complejidad y seguridad en los sistemas multiagente
En la Cumbre de IA Generativa e IA Agéntica celebrada en San José, personal técnico de empresas como Google (incluida su unidad DeepMind), Amazon, Microsoft y Meta coincidió en que desplegar agentes de IA a gran escala sigue siendo un reto sin resolver del todo. No se trata de rechazo a la tecnología, sino de prudencia ante la complejidad y el impacto operativo que conlleva.
El ingeniero de software de Google Deep Shah se centró en los costes operativos de ejecutar grandes volúmenes de agentes. Subrayó que en cualquier sistema multiagente bien dimensionado, el primer escollo importante es el coste de inferencia, que se dispara si no hay mecanismos sólidos para monitorizar las decisiones de los agentes, medir su rendimiento y evitar bucles de trabajo innecesarios.
A esta dimensión se suma la complejidad organizativa. Ravi Bulusu, CEO de la startup Synchtron, señaló que cada empresa tiene sus propias plataformas, estructuras de software y formas de trabajo. Cuando los agentes de IA interactúan con todos esos niveles a la vez, aparecen dependencias difíciles de gestionar y escenarios que, en sus palabras, pueden llegar a ser casi caóticos.
El caso de ThinkingAI ilustra otra cara de este debate. La compañía, que nació como plataforma de analítica para videojuegos, ha dado un giro para convertirse en plataforma de gestión de agentes de IA orientada a múltiples industrias. Su cofundador Chris Han explicó que muchas organizaciones desean aprovechar estos sistemas, pero carecen de la experiencia técnica necesaria para implementarlos de forma robusta y segura.
Han fue especialmente crítico con el estado actual de soluciones como OpenClaw para uso empresarial. Considera que pueden ser útiles a nivel personal, pero que todavía no alcanzan los estándares de memoria, administración de agentes, gestión de equipos y comunicaciones que exigen las grandes compañías. A ello suma preocupaciones serias sobre la complejidad de configuración y las posibles brechas de seguridad.
Esta combinación de técnica, organización y seguridad explica por qué la distancia entre una demo llamativa y un sistema válido para una empresa regulada sigue siendo considerable. Sectores como la banca, la sanidad o los servicios públicos europeos, donde el cumplimiento normativo es crítico, prestan cada vez más atención a la trazabilidad, el control de permisos y la resistencia a errores de los agentes, además de a su inteligencia aparente.
El resultado de todos estos movimientos es un panorama en el que los agentes de IA se consolidan como una pieza clave de la transformación digital, pero también como un campo que exige disciplina y realismo. Mientras España y otros países europeos avanzan en la adopción de estos sistemas en la Administración y en grandes empresas, las voces técnicas de Silicon Valley recuerdan que el éxito no dependerá solo de disponer de modelos potentes, sino de diseñar bien los casos de uso, controlar los costes y reforzar la seguridad y la gobernanza de cada agente que se ponga en producción.
