El año 2025 fue el primero en que los agentes IA dejaron de ser proyecto piloto para convertirse en sistema productivo en cientos de empresas. Al entrar en 2026 hay datos suficientes para extraer lecciones que en 2024 eran todavía especulación. Este artículo ordena los aprendizajes que aparecen de forma recurrente en postmortems públicos, conversaciones con equipos y análisis compartidos por plataformas como Anthropic, OpenAI y LangChain. No son descubrimientos nuevos todos, pero verlos juntos orienta a quienes empiezan ahora.
Los modos de fallo más frecuentes
Tres tipos de fallo aparecen en la mayoría de los postmortems con diferencia sobre el resto.
El primero es el bucle de razonamiento degenerativo: el agente entra en un ciclo donde cada paso consume tokens pero no avanza hacia el objetivo. A veces llega por error de la herramienta que devuelve resultado ambiguo y el agente intenta resolverlo con más consultas, a veces por prompt mal diseñado que no establece criterio claro de terminación. El coste económico puede ser alto (casos documentados de un solo bucle consumiendo más de mil llamadas al modelo en pocos minutos) y el coste de confianza mayor, porque el usuario ve un agente que parece trabajar sin entregar resultado.
La defensa que ha mostrado mejor resultado es doble: límite duro de pasos por tarea (habitualmente entre 15 y 30 según complejidad) y criterio explícito de terminación que el agente debe verificar en cada paso. Cuando alguna de esas dos barreras falta, los bucles aparecen antes o después.
El segundo fallo recurrente es la alucinación de datos en sistemas que combinan recuperación con generación. El agente busca información en documentos internos, recibe fragmentos parciales y rellena huecos con datos plausibles pero inventados. En sectores regulados (banca, sanidad, legal) esto ha generado incidentes reportables donde respuestas con aparente cita de política interna contenían detalles que no estaban en los documentos.
La mitigación que funciona es exigir citas explícitas donde el agente referencie la fuente exacta de cada dato relevante y separar claramente el contenido recuperado del generado. Los equipos que han aplicado este patrón con disciplina reportan reducciones del orden del 90% en incidentes de alucinación sobre datos corporativos.
El tercer fallo es el desalineamiento silencioso entre lo que el usuario pide y lo que el agente entiende. En tareas complejas, el agente completa lo que interpretó pero el usuario pedía otra cosa. Sin punto de verificación intermedia, el error se descubre al final y el coste de rehacer es alto.
La solución es puntos de confirmación explícita en tareas largas: el agente presenta su interpretación del objetivo y el plan antes de empezar, el usuario aprueba o corrige, y solo entonces ejecuta. Añade fricción pero el saldo neto es favorable en casi todos los contextos.
Patrones arquitectónicos que funcionan
De las arquitecturas probadas durante 2025, tres patrones muestran resultados consistentemente mejores que el resto.
El primero es descomposición jerárquica con supervisor. Un agente supervisor recibe la tarea, la descompone en subtareas, y delega cada una a agentes especializados con contexto acotado. El supervisor agrega resultados y entrega respuesta final. La ventaja es el control de contexto: cada subagente ve solo lo que necesita, lo que baja tokens y reduce alucinaciones.
El segundo es workflow con estado explícito. En lugar de agente libre que decide su próximo paso de forma continua, el sistema define una máquina de estados donde cada transición está validada y el agente decide solo dentro de cada estado. Este patrón sacrifica flexibilidad pero gana trazabilidad y facilidad de depuración enorme. Plataformas como LangGraph y Temporal han popularizado el patrón porque encaja bien en casos donde la tarea tiene estructura reconocible.
El tercero es herramientas con preflight y confirmación. Antes de ejecutar una acción con efecto externo (escribir en base de datos, enviar correo, llamar API de pago) el agente presenta la acción planeada y solicita confirmación, sea humana o del supervisor. El coste de añadir esta capa es bajo comparado con el riesgo de ejecutar acción equivocada.
Lo que no ha funcionado tan bien son las arquitecturas multiagente totalmente autónomas donde múltiples agentes debaten hasta llegar a consenso. Suenan sofisticadas pero en la práctica introducen inconsistencias y costes difíciles de predecir. Varios equipos que apostaron fuerte por ese patrón en 2024 retrocedieron a arquitecturas más lineales durante 2025.
El coste real que sorprende
El coste por petición a modelo bajó significativamente durante 2025 (Claude Haiku 4.5 llegó a 0,25 dólares por millón de tokens de entrada, Gemini Flash por debajo), pero el coste agregado de un agente productivo rara vez bajó en la misma proporción. La razón es que los agentes consumen mucho más contexto del que se prevé inicialmente.
La descomposición en los modos de fallo anteriores requiere más llamadas, más tokens, más validación cruzada, y el coste por tarea resuelta queda entre 0,05 y 0,30 dólares en la mayoría de casos productivos, cifras que multiplican los costes estimados ingenuamente. Un agente que atiende mil peticiones al día cuesta entre 50 y 300 dólares diarios solo en modelo, sin contar el resto de infraestructura.
La otra sorpresa de coste es la observabilidad. Un agente genera trazas muy densas (cada llamada al modelo, cada llamada a herramienta, cada decisión intermedia) y el almacenamiento y análisis de esas trazas consume presupuesto que muchos proyectos no previeron. Equipos con agentes en producción reportan que el coste total de observabilidad ronda el 15 a 25 por ciento del coste del modelo, cifra que sube más si se usan plataformas comerciales especializadas.
Las tareas que no encajan
El aprendizaje más claro del año es que no toda tarea es candidata a agente. Tres características hacen que una tarea sea mal candidato en 2025-2026:
Primero, tareas con consecuencia alta de error pequeño. Transferencias financieras, modificaciones legales de documentos, decisiones médicas con efecto inmediato. No porque el agente no pueda acertar el 99% de las veces, sino porque el 1% cuando falla es inaceptable y el coste de verificar cada acción individualmente anula la ganancia de automatizar.
Segundo, tareas que requieren contexto que no está documentado. Un agente solo conoce lo que está escrito; cuando la tarea depende de conocimiento tácito del equipo (por qué se decide un caso de una forma, qué excepciones no están escritas pero se aplican), el agente falla o inventa. Antes de agentizar una tarea conviene auditar si el contexto necesario existe por escrito.
Tercero, tareas donde el coste de la verificación humana es mayor que el coste de hacer la tarea. Si un experto tarda 5 minutos en hacer algo y 10 minutos en verificar que el agente lo hizo bien, automatizar no ayuda. Esta aritmética simple se olvida con frecuencia y explica por qué muchos agentes prometedores se abandonan después de pilotar.
Un patrón de evaluación que se repite
Los equipos con éxito medible en 2025 comparten un patrón de evaluación continua. Construyen un conjunto de casos (habitualmente entre 50 y 500 casos reales) con respuesta esperada, y ejecutan el agente contra ese conjunto cada vez que hay cambio significativo de prompt, modelo o herramienta. Esta práctica, que en 2024 era minoritaria, se generalizó durante 2025 porque es la única forma de evitar regresiones silenciosas cuando el sistema evoluciona.
La inversión inicial es considerable (el conjunto de evaluación bien hecho requiere semanas de trabajo) pero el retorno aparece pronto. Sin ese conjunto, cualquier cambio es acto de fe; con él, el equipo sabe si un ajuste mejora, empeora o no cambia el rendimiento. Es la diferencia entre ingeniería y artesanía.
Cuándo compensa
Para un equipo que evalúa en 2026 si poner un agente en producción, el filtro práctico queda claro después del año anterior. Compensa cuando la tarea tiene estructura reconocible, el contexto necesario está documentado, el coste de error pequeño es absorbible, y el equipo tiene capacidad para operar evaluación continua más allá del despliegue. Si alguno de los cuatro falla, el agente va a dar problemas.
El aprendizaje transversal de 2025 es que los agentes son menos distintos del resto de software de lo que el marketing sugiere. Se benefician de las mismas prácticas que hacen bueno cualquier sistema productivo: observabilidad seria, evaluación continua, arquitectura con estado explícito, puntos de confirmación en lugares críticos, y humildad sobre lo que aún no se sabe resolver bien. Los equipos que tratan a los agentes como ingeniería aburrida en vez de milagro conversacional son los que acaban con sistemas que funcionan. Los que esperaron magia tuvieron el ciclo de decepción habitual.
