La arquitectura de los agentes de inteligencia artificial está bifurcándose en dos caminos estratégicos. Mientras Google prioriza el control centralizado y la gobernanza, Amazon Web Services (AWS) apuesta por la velocidad de despliegue. Esta divergencia fundamental en cómo orquestar sistemas multi-agente complejos marca un punto de inflexión crítico para las empresas que buscan implementar estas tecnologías en entornos de producción.
Google ha consolidado su propuesta de agentes de IA bajo el paraguas de Gemini Enterprise, rebautizando su anterior plataforma Vertex AI con un enfoque renovado en gobernanza empresarial. La estrategia de Google implementa un plano de control estilo Kubernetes que permite a las organizaciones gestionar identidad, hacer cumplir políticas y supervisar el comportamiento de agentes de larga duración. Por su parte, AWS ha reforzado Bedrock AgentCore con un nuevo “harness” de agentes administrados, que sustituye la construcción manual por configuraciones predefinidas. Este harness, impulsado por el framework open source Strands Agents, permite que los equipos definan qué hace el agente, qué modelo utiliza y qué herramientas invoca, dejando que la plataforma orqueste la ejecución. Anthropic y OpenAI también han intensificado sus ofertas: Claude Managed Agents abstrae gran parte del trabajo backend, mientras que el Agents SDK de OpenAI incluye ahora soporte para sandboxes y harnesses preconfigurados.
La razón fundamental detrás de esta divergencia radica en un problema de ingeniería que está ganando visibilidad conforme los agentes evolucionan de tareas fugaces a flujos de trabajo autónomos de larga duración: la deriva de estado. A medida que los agentes continúan operando, acumulan memoria, contexto y respuestas previas que eventualmente se desactualizan. Las fuentes de datos cambian, las herramientas pueden devolver respuestas conflictivas, y el agente se vuelve más vulnerable a inconsistencias y pérdida de precisión. Lo que antes era un problema de optimización de prompts ahora se convierte en un problema de sistemas que requiere visibilidad, monitoreo y control. Empresas como Google reconocen que gestionar esta deriva no es solo cuestión de ejecutar más rápido, sino de comprender y controlar el comportamiento del agente en tiempo real.
Para el contexto latinoamericano, esta divergencia tiene implicaciones inmediatas en sistemas críticos como ERP. Plataformas como SAP, Oracle NetSuite y Odoo están comenzando a integrar capacidades de agentes de IA para automatizar procesos transversales: gestión de inventarios, reconciliación de cuentas por cobrar, planificación de demanda y soporte al cliente. Una empresa manufacturera en México que dependa de un agente de IA integrado en su instancia de SAP para optimizar la cadena de suministro necesitará el enfoque de control centralizado de Google para asegurar que decisiones críticas de compra no se vean comprometidas por deriva de estado. Simultáneamente, una startup de logística en Colombia que busque desplegar rápidamente agentes de IA para clasificación de envíos podría beneficiarse del enfoque de velocidad de AWS. La clave para las organizaciones latinoamericanas es reconocer que no se trata de elegir entre “construir” y “comprar”, sino de gestionar el riesgo. Como señalan expertos de la industria, si un agente de IA no impacta directamente los ingresos (por ejemplo, un asistente de soporte al cliente), el despliegue acelerado mediante plataformas como AWS es viable. Pero para procesos críticos integrados en ERPs—donde errores pueden afectar la contabilidad, el cumplimiento normativo o la operación—la gobernanza centralizada de Google es la opción de prudencia empresarial.
Para empresarios e inversores, el mensaje es claro: la madurez del ecosistema de agentes de IA requiere una conversación seria sobre arquitectura y riesgo. Las organizaciones que buscan implementar agentes no deben quedarse atrapadas en sistemas diseñados para un único modelo de ejecución. La mejor estrategia es asegurar flexibilidad arquitectónica: seleccionar plataformas que permitan iteración rápida durante fases experimentales (aprovechando la agilidad de soluciones como AWS o Anthropic), pero que también proporcionen capas robustas de control, auditoría y gobernanza cuando los agentes transiten a operaciones críticas. Para empresas latinoamericanas con sistemas SAP u Odoo en producción, esto significa evaluar cuidadosamente cómo las nuevas capacidades de agentes de IA se integran sin comprometer la integridad operativa. El costo de la deriva de estado en un proceso financiero crítico supera ampliamente cualquier ganancia en velocidad de despliegue. La ventana de oportunidad está abierta para organizaciones que comprendan esta dualidad y adopten una postura de “control progresivo”—comenzar con velocidad, escalar con gobernanza.
