A medida que la inteligencia artificial evoluciona desde simples chatbots hasta “agentes” autónomos capaces de ejecutar flujos de trabajo complejos, ha surgido un debate arquitectónico fundamental. Para las empresas, el desafío ya no es sólo cómo crear un agente, sino cómo gestionarlo, gobernarlo y escalarlo.
Actualmente, la industria está presenciando una división estratégica en cómo se construye la “pila” de IA. Google está creando una capa de gestión centralizada centrada en la gobernanza, mientras que Amazon Web Services (AWS) se centra en un enfoque basado en la ejecución diseñado para la velocidad.
Dos filosofías de gestión
La divergencia entre estos dos gigantes tecnológicos ilustra cómo diferentes organizaciones priorizan su implementación de IA:
1. Google: el enfoque de la gobernanza primero
Google está posicionando su suite Gemini Enterprise como un “plano de control” centralizado. Al integrar sus ofertas bajo un solo paraguas, Google está tratando a los agentes de IA de manera muy similar a la infraestructura de software moderna (como Kubernetes).
– Estructura: Google proporciona una plataforma unificada donde la seguridad, la identidad y el cumplimiento de políticas están integrados en el sistema.
– Objetivo: Proporcionar una “puerta de entrada” para las empresas, garantizando que a medida que los agentes se vuelven más autónomos, permanezcan dentro de estrictas barreras corporativas.
– Enfoque: Estabilidad a largo plazo y supervisión centralizada.
2. AWS: el enfoque de velocidad primero
AWS, a través de Bedrock AgentCore, está tomando una ruta diferente al optimizar la capa de ejecución. En lugar de una capa de gestión pesada, AWS proporciona “arneses”.
– Estructura: Utilizando un punto de partida basado en configuración (impulsado por el marco de código abierto Strands Agents), los desarrolladores pueden definir rápidamente las tareas, modelos y herramientas de un agente.
– Objetivo: Reducir el tiempo que lleva pasar a un agente de un concepto a un producto vivo.
– Enfoque: Implementación rápida y facilidad de integración.
El desafío emergente: la “deriva estatal”
Esta división arquitectónica está impulsada por un fenómeno técnico conocido como deriva del estado.
En los primeros días de la IA, las interacciones eran “sin estado”: hacías una pregunta y la IA respondía. Sin embargo, los agentes modernos tienen “estado”; Poseen memoria, contexto y objetivos en evolución. A medida que estos agentes funcionan durante períodos más largos, su “estado” interno puede desconectarse de la realidad. Las fuentes de datos cambian, las herramientas devuelven información contradictoria y el contexto del agente queda obsoleto.
Esto hace que la confiabilidad del agente sea un problema de ingeniería de sistemas y no simplemente lingüístico. Si un agente pierde la noción de su contexto, se vuelve menos veraz y más propenso a cometer errores. El modelo de gobernanza de Google busca evitar esto mediante la supervisión, mientras que el modelo de aprovechamiento de AWS busca gestionarlo mediante una ejecución eficiente.
Gestión de riesgos: construir versus comprar
La elección entre estos dos enfoques se reduce en última instancia al apetito de riesgo de una empresa. Actualmente, el mercado se está bifurcando en dos capas distintas de la pila de IA:
- La capa de implementación rápida: Lideradas por AWS, Anthropic y OpenAI, estas herramientas tienen como objetivo reducir la barrera de entrada. Son ideales para tareas o procesos experimentales que no impactan directamente las fuentes de ingresos principales.
- La capa de gobernanza: Liderado por Google, este enfoque está diseñado para procesos comerciales críticos y de alto riesgo donde los errores podrían tener consecuencias significativas.
“Si bien la cuestión del aprovechamiento del agente versus el tiempo de ejecución a menudo se percibe como construcción versus compra, se trata principalmente de una cuestión de gestión de riesgos”, señala Rafael Sarim Oezdemir de EZContacts.
Conclusión
El panorama de la IA se está alejando de las “cadenas rápidas” fragmentadas hacia sistemas sofisticados y autónomos. Para las empresas, la decisión estratégica ya no se trata sólo de qué modelo es más inteligente, sino de si necesitan un sistema diseñado para una experimentación rápida o uno diseñado para un control riguroso.
