Los primeros en apostar por agentes son ahora los primeros en ajustar las expectativas
De 'reemplazarán a los empleados' a 'optimizamos precio/performance': el mercado corrige
La IA no está fallando. Está siendo medida. Durante dos años el mercado operó con métricas de aspiración: «¿qué podría hacer esto?» y «¿hasta dónde podría llegar?». La semana del 29 de junio al 6 de julio acumuló tres señales distintas —de un análisis académico, del CEO de Meta, y del CEO de Vercel— que marcan el inicio de una transición a métricas de producción: «¿qué hace esto hoy?» y «¿cuánto cuesta que lo haga?». El ajuste no es fracaso. Es madurez. Y para los que calibraban cuándo invertir, es la señal más útil que ha dado el mercado en meses.
La evidencia que se acumuló en ocho días
El 29 de junio, un análisis en MIT Technology Review planteó lo que muchos practitioners venían diciendo en privado: los agentes de IA no son «compañeros de trabajo». Son herramientas con características propias —sin memoria persistente real, sin comprensión del contexto organizacional, sin la capacidad de detectar cuándo el proceso que siguen está mal planteado desde el origen. La metáfora del «colega digital» distorsiona las expectativas de quien los adopta, y las decepciones que genera son previsibles.
El 2 de julio, Mark Zuckerberg admitió en una reunión interna que el desarrollo de agentes en Meta no avanzaba tan rápido como esperaba. No es un detalle menor: Meta es una de las tres organizaciones del mundo con más capacidad computacional y de datos para desarrollar agentes. Si los agentes no progresan a la velocidad que esperaba Zuckerberg, el problema no es de recursos. Es de la tecnología subyacente.
El 6 de julio, Guillermo Rauch, CEO de Vercel, describió con precisión el estado del mercado de producción: «cuando optimizás para producción, empezás a mirar el precio/performance». La frase resume el desplazamiento: de elegir modelos por su capacidad máxima a elegirlos por su ecuación costo-efectividad en casos de uso concretos.
La lente que importa: el ajuste viene de los creyentes, no de los escépticos
El ajuste no viene de críticos ni de académicos que nunca creyeron en la tecnología. Viene exactamente de quienes más apostaron: el CEO de la plataforma más usada por developers para desplegar aplicaciones de IA, el CEO de la empresa con más usuarios activos de asistentes de IA del mundo. Cuando los creyentes calibran a la baja, no es cinismo: es que tienen la data de producción real, no la demo.
Esto es crítico para entender el patrón. Los primeros en adoptar una tecnología son también los primeros en acumular suficiente evidencia real como para saber dónde falla. La señal que mandan cuando ajustan sus expectativas es más confiable que cualquier benchmark público: ellos tienen el contexto, el incentivo de que funcione, y ya invirtieron suficiente como para saber qué es real y qué no.
El análisis de MIT Technology Review añade la capa conceptual: la metáfora equivocada genera expectativas equivocadas. Llamar «colaborador» a un sistema que no tiene continuidad, no tiene agencia real, y no puede razonar sobre sus propios límites no es solo imprecisión —es un error de diseño de expectativa que cobra su precio cuando el sistema falla de formas que un colaborador real no fallaría.
Quién gana y quién pierde en el ajuste
El ajuste crea un split en el mercado. Los que pierden en el corto plazo son los que vendieron sobre la promesa aspiracional: consultoras que ofrecieron implementaciones de agentes «llave en mano» en 90 días, vendors de plataformas agénticas que proyectaron automatizaciones del 80% sin pilotos reales, y startups cuya tesis entera dependía de un nivel de autonomía que los agentes todavía no alcanzan de manera consistente en producción.
Los que ganan son los que separan dos capas que el mercado confundió. Por un lado, los modelos de lenguaje —cada vez más baratos, más capaces en tareas concretas, más fáciles de integrar. Por otro, la capa agéntica —la coordinación de múltiples modelos, herramientas, y flujos de trabajo— que todavía requiere mucha ingeniería humana para funcionar en producción. No es casual que el negocio de monitorear y auditar agentes ya esté superando en valor a los propios agentes en ciertas categorías. Rauch lo llama «the fight to split off models from agents»: los que construyan buenas herramientas de orquestación de esa capa serán más valiosos que los que venden el modelo en sí.
También ganan los builders que ajustaron sus propuestas antes del ajuste del mercado: los que nunca vendieron el mito de que la IA reemplaza al equipo sino «automatizaremos este proceso específico con estas condiciones de éxito medibles» están en posición más sólida que sus competidores que sobreprometieron.
La tesis falsable: 12 meses para ver el split estructural
La predicción concreta: en el segundo trimestre de 2027, los vendors de plataformas agénticas «todo-en-uno» que prometieron autonomía amplia habrán perdido al menos el 30% de su valoración respecto al pico de 2026, mientras los proveedores de infraestructura de orquestación modular —modelos con precio/performance competitivo más herramientas de workflow granulares— habrán crecido en revenue. El split que Rauch describe se vuelve estructural.
El dato que testea la tesis antes de esa fecha: el churn de empresas en contratos enterprise de plataformas agénticas de primer año. Si las renovaciones caen por debajo del 70%, el ajuste de expectativas se está convirtiendo en ajuste de mercado.
Para un decisor en LATAM evaluando inversión en agentes: el momento actual es el mejor para negociar. Los vendors que sobreprometieron necesitan casos de éxito reales y están dispuestos a conceder en precio y condiciones contractuales. La ventana de 12 a 18 meses en que el mercado calibra es también la ventana para pilotear a costo bajo y con máxima atención del proveedor —antes de que los que sobrevivan al ajuste endurezcan sus términos.