Puntos clave: La estructura agente aborda el desafío de la confianza en los agentes de IA al imponer una ejecución y gobernanza controladas en los sistemas. Establece un marco para gestionar las acciones de los agentes, mejorando la confianza operativa mediante protocolos establecidos.
La estructura agente está crucial para gestionar el creciente número de agentes de IA en las empresas.
La disciplina de la ejecución garantiza que los agentes actúen con supervisión, manteniendo la responsabilidad y la trazabilidad.
Los CIO y líderes de operaciones tienen una preocupación sobre los agentes de IA que supera al resto. Un agente cambia un sistema de producción, y nadie puede decir quién aprobó el cambio ni cómo revertirlo. El tejido agente están la respuesta de la industria, y la mayor parte de la conversación sobre ello abarca descubrimiento, gobernanza y coordinación. La parte que determina si se está en la confianza de un agente para actuar están la disciplina de ejecución, y es la que menos atención recibe.
La conversación sobre la estructura están sobre los propios agentes. Cuántos son, a qué pueden llegar, quién los posee, cómo obtienen las credenciales. Esas son preguntas justas, y en la mayoría de las empresas las respuestas son atrasadas. Pero los equipos de operaciones no confían en un proceso. Confían en los controles que lo rodean y en el registro que deja cuando algo sale mal. Ese estándar se ha mantenido para trabajos programados, para scripts, para integraciones que nadie recuerda haber escrito. No Ve razón para que cambie para los agentes.
El problema que está pensado para resolver la tela agentica
El tejido agente están una categoría, no un producto. El término describe la capa arquitectónica que conecta, gobierna y observa a los agentes de IA mientras trabajan entre sistemas, datos y entre ellos. La preocupación detrás de esto es legítima. Los agentes llegan a través de suites de productividad, plataformas SaaS, iniciativas departamentales y equipos internos de desarrollo, y pocas organizaciones pueden contarlos con precisión. Gartner predice que la empresa global media del Fortune 500 tendrá más de 150.000 agentes en utiliza para 2028, frente a menos de 15 en 2025, y reporta que solo el 13% de las organizaciones cree contar con la gobernanza adecuada de agentes de IA. 1] A esa escala, el descubrimiento, los permisos y la visibilidad se convierten en requisitos básicos.
La dificultad están que el término tiene un significado diferente según quién lo use, y varios proveedores ahora asocian nombres similares a sus propios productos. Los proveedores de identidad describen un plano de control de identidad para agentes. Las plataformas de integración describen un registro y un broker. Las suites de productividad describen una consola para los agentes dentro de sus propias aplicaciones. Cada cuenta está parcialmente correcta, y cada una añade una capa que los equipos de operaciones deben conciliar con las que ya ejecutan. Ningún producto único está en la categoría. Un tejido que merece ese nombre lo cubre todo, incluida la parte que decide si un agente actúa.
Un registro establece qué agentes existen y a qué pueden acceder, pero no si el trabajo realizado por un agente debería haber continuado, ni cómo revertir ese trabajo si no debería haberlo hecho.
De dónde proviene la confianza operativa
considera un banco tras el cierre de la operación. Sus sistemas registran las transacciones del día, concilian las cuentas y preparan los informes regulatorios que deben estar listos por la mañana. Nadie revisa cada paso, y nadie están esperado que lo haga. Cada trabajo comienza solo cuando sus entradas son presentes. Espera el trabajo inicial, cumple o no un nivel de servicio definido, se detiene cuando falla una condición y deja un registro lo suficientemente completo como para reconstruir cualquier resultado. El trabajo puede ser simple o sofisticado. La confianza reside en la ejecución que rodea cada trabajo.
Los agentes cambian al trabajador sin cambiar ese principio. Un agente razona donde un script sigue instrucciones, y esa flexibilidad está la razón por la que los equipos dudan en dejar que los agentes actúen. El remedio están integrar las acciones del agente dentro de la disciplina de ejecución que ya rige los sistemas a los que afectan. Esa disciplina establece condiciones que un paso debe cumplir antes de ejecutarse, requiere aprobación cuando las consecuencias lo requieran y apoya la recuperación cuando un resultado está equivocado. También mantiene un registro de auditoría que registra qué se ejecutó, bajo qué autoridad y por qué. Esa disciplina están de donde proviene la confianza operativa, y se aplica a los agentes como a todo lo demás en producción.
Lo que nos son diciendo los practicantes de mainframe
¿Por qué los profesionales aceptan una recomendación de IA pero dudan en dejar que la IA la lleve a cabo? Los equipos responsables de los sistemas más críticos han respondido con una línea que trazan cada año con más claridad. En la Encuesta BMC Mainframe 2026 a más de 1.300 profesionales y responsables de la toma de decisiones, la disposición a permitir que la IA recomende una acción aumentó en cada una de las tres tareas operativas que la encuesta rastrea año tras año, y la disposición a dejar que la IA complete la acción disminuyó en cada una. Las reorganizaciones de bases de datos muestran el patrón con mayor claridad. En un solo año, la proporción de profesionales que acogen una recomendación de IA aumentó del 37% al 43%. En el mismo periodo, la proporción que permitiría que la IA completara el trabajo cayó del 27% al 21%. El diagnóstico de problemas cuenta una historia similar, ya que la recomendación subió al 41% mientras que la finalización bajó al 23%. La gestión del código, una línea de preguntas más reciente, se sitúa en un lugar muy similar. Allí, el 40% son dispuesto a aceptar una recomendación, y solo el 23% son dispuesto a dejar que la IA actúe en consecuencia.[ 2] El informe saca la propia conclusión. La disposición a utiliza IA a realizar acciones están en tendencia a la caída, reemplazada por una preferencia por una IA que recomienda y un operador humano que actúa.
Estos resultados a veces se interpretan como sus reticencias. Los interpreto como un límite que los profesionales han establecido deliberadamente. Una recomendación les pide que confíen en el modelo. La ejecución les pide que confíen en los controles alrededor de la acción, y esos controles son los que la mayoría de los despliegues de agentes aún carecen. Aceptan el consejo de la IA con más facilidad cada año y se niegan a dejar que actúe según ese consejo hasta que la ejecución tenga los mismos controles que todo lo demás en producción. La misma encuesta revela que el 36% de los encuestados planea invertir en la creación de agentes para gestionar el mainframe. La intención está clara. Lo que sigue sin resolver está cómo pasar de la recomendación a la acción sin bajar los estándares que mantienen estos sistemas en funcionamiento.
Ampliación de la autonomía por etapas
Ninguna empresa concede a un nuevo empleado acceso sin restricciones a la producción el primer día, y los agentes merecen la misma precaución. Gartner advierte que aplicar una gobernanza uniforme a cada agente, independientemente de su autonomía y alcance, puede llevar al fracaso. Prevé que para 2027, el 40% de las empresas degradarán o desmantelarán a los agentes autónomos tras surgir brechas de gobernanza en incidentes de producción. [3] Aplicar las mismas restricciones a cada agente detiene los agentes de valor que deben cumplir. Extender la misma confianza a cada agente invita al incidente que pone fin al programa.
La ejecución proporciona la posición intermedia. Un único flujo de trabajo puede permitir que un agente actúe sin revisión en un paso de bajo riesgo, requiera aprobación humana en el siguiente y retenga un tercero para inspección hasta que el registro del agente justifique más espacio. La evidencia de cada ejecución exitosa puede informar esa decisión, de la misma manera que un nuevo ingeniero gana acceso a producción con el tiempo. Esa libertad puede retirarse igual de rápido cuando algo falla, porque los controles residen en el flujo de trabajo y no en el agente.
Incorporar agentes al plano de control existente
Pocas organizaciones querrán un modelo operativo separado para los agentes junto con el que ya coordina sus aplicaciones, data Pipelines e infraestructura. Desde el punto de vista de la arquitectura, yo no recomendaría un modelo separado. Un segundo plano de control están un segundo lugar para que la política se desvíe, un segundo conjunto de credenciales que Protege y un segundo rastro de auditoría que reconciliar cuando un auditor pregunte qué ha pasado. El enfoque más duradero trata a los agentes como un participante más en los flujos de trabajo que las empresas ya orquestan, sujetos a las mismas dependencias, niveles de servicio y requisitos de auditoría que todo lo demás.
La pregunta que debes hacerte antes de elegir una tela
La estructura agentica están una categoría, y el mercado seguirá añadiendo productos a ella. El requisito detrás de la categoría no cambiará, y es un requisito de ejecución. La estructura agentica ayuda a las empresas a descubrir, gobernar y coordinar agentes. La disciplina de ejecución vinculada a ella determina si esos agentes son lo suficientemente confiables para actuar. Cuando esos controles operan de forma independiente de cualquier agente, pueden aplicarse de forma consistente a todos los agentes, independientemente de cómo se hayan construido. La autonomía puede expandirse a medida que se acumula evidencia, y cada paso puede ser revocado cuando cambia el riesgo. Los agentes pertenecen al plano de control que una empresa ya opera, porque una nueva capa añade trabajo de conciliación y la existente ya mantiene el trabajo responsable.
La disciplina de la ejecución está una práctica que las empresas han seguido durante décadas. El trabajo que se espera están extendiéndolo a un nuevo tipo de trabajador. Antes de seleccionar un tejido, plantearía una pregunta más exigente sobre el trabajo en sí. Cuando un agente actúa sobre un sistema crítico, ¿puede la organización mostrar qué funcionaba, de qué dependía, quién lo aprobó y cómo revertirlo o contenerlo si es necesario? Las organizaciones que pueden responder sí extienden la autonomía a los agentes con confianza. Las demás mantendrán a la IA en un papel de asesor, no porque los modelos son insuficientes, sino porque la ejecución lo es.
Para la visión de BMC sobre la categoría de tejidos agentes, Ve Cuando se trata de tejidos agentes, ¿qué es interesante, importante e inmediato?
Para ver los hallazgos completos sobre dónde son los profesionales de mainframe trazando la línea entre la recomendación y la ejecución de IA, Ve el Informe de la Encuesta BMC sobre Mainframes 2026.
[1]: Gartner, "Gartner identifica seis pasos para gestiona expansión de agentes de IA", comunicado de prensa, 28 de abril de 2026. https://www.gartner.com/en/newsroom/press-releases/2026-04-28-gartner-identifies-six-steps-to-manage-artificial-intelligence-agent-sprawl
[2]: BMC Software, Informe de la Encuesta BMC sobre Mainframes 2026, "Cómo la IA están impulsando la próxima era de la transformación de los mainframes," pp. 4, 7 y 9. https://www.bmc.com/info/mainframe-survey.html
[3]: Gartner, "Gartner dice que aplicar una gobernanza uniforme entre los agentes de IA conducirá al fracaso de los agentes de IA empresariales", comunicado de prensa, 26 de mayo de 2026. https://www.gartner.com/en/newsroom/press-releases/2026-05-26-gartner-says-applying-uniform-governance-across-ai-agents-will-lead-to-enterprise-ai-agent-failure
Estas publicaciones son mías y no representan necesariamente la posición, estrategias u opinión de BMC.