Un agente de IA lee el contexto, elige una herramienta, actúa y verifica el resultado antes de decidir el siguiente paso. Ese bucle es lo que separa a un agente de un chatbot.
Los agentes trabajan como copilotos: investigan, redactan y ejecutan, y una persona aprueba cualquier acción consecuente. La diferencia no es semántica; es la frontera entre una herramienta que responde y un sistema que resuelve.
Las 15 plataformas que analizamos a continuación cubren cuatro categorías: agentes de codificación, plataformas empresariales de agentes, agentes de atención al cliente y frameworks de desarrollo y automatización.
Cada una tiene su lugar, sus fortalezas y sus limitaciones. Elegir la correcta no depende de cuál es “mejor”, sino de qué problema necesitas resolver.
Agentes de codificación: cuándo la IA escribe, prueba e itera por ti
Claude Code es el agente de terminal de Anthropic. Lee un repositorio, edita archivos, ejecuta pruebas e itera sobre los fallos.
Su función de revisión de código despacha agentes paralelos a través de una pull request, verifica hallazgos para filtrar falsos positivos y publica comentarios en línea clasificados por severidad sin aprobar la PR. Su limitación: el estatus de contratación federal de Anthropic aún no está resuelto.
OpenAI Codex está disponible a través de CLI, aplicación de escritorio, integraciones IDE y ChatGPT. La CLI es de código abierto, se conecta a servidores MCP y puede importar configuraciones y sesiones pasadas de Claude Code y Cursor. Su limitación: el modelo predeterminado cambia con frecuencia, por lo que los benchmarks quedan obsoletos rápidamente.
Cursor es un editor de código de IA construido sobre VS Code que ejecuta agentes locales y en la nube en paralelo.
Incluye sus propios modelos Composer junto a los de terceros, además de plugins, servidores MCP, hooks, skills y control remoto iOS para agentes en la nube. Su limitación: la propiedad pasó a SpaceX en agosto de 2026.
GitHub Copilot es un entorno de desarrollo multiagente que abarca CLI, VS Code e IDEs de JetBrains. Su CLI delega en cuatro agentes especializados que se ejecutan en paralelo —Explore, Task, Plan y Code-review— y comprime automáticamente el historial de conversación al 95% del límite de tokens.
Su limitación: la profundidad por agente queda por detrás de las herramientas dedicadas.
Kiro (AWS) es un IDE y CLI basado en especificaciones que invierte el orden habitual del trabajo.
Una solicitud en lenguaje natural se convierte en una especificación estructurada, un documento de diseño y tareas secuenciadas antes de escribir una sola línea de código, con hooks y subagentes personalizados ejecutándose contra ese plan. Su limitación: llega como una migración forzada desde Amazon Q Developer.
Plataformas empresariales: gobernanza, identidad y control
OpenAI Frontier es una plataforma integral para construir y gestionar agentes, incluidos los construidos fuera de OpenAI. Cada agente recibe su propia identidad limitada al acceso que requiere una tarea, con monitorización y registros detallados, y una capa de contexto compartida que conecta CRMs, almacenes de datos y aplicaciones internas. Su limitación: no tiene registro público de autoservicio.
Microsoft Agent 365 es un plano de control que gobierna agentes independientemente de si fueron construidos en Copilot Studio, comprados a un proveedor o instalados en el dispositivo de un usuario.
Extiende los controles de red de Microsoft Entra a esos agentes, restringiendo los destinos a los que pueden llegar y filtrando el movimiento de archivos de riesgo. Su limitación: requiere una licencia base de Microsoft cualificada.
Gemini Enterprise Agent Platform es el sucesor de Google de Vertex AI, que cubre selección de modelos, construcción de agentes, orquestación y gobernanza en una sola consola.
Más de 200 modelos están disponibles a través de Model Garden, junto con servidores MCP gestionados con Apigee conectando APIs existentes a agentes. Su limitación: el cambio de nombre conlleva calendarios de deprecación activos.
IBM watsonx Orchestrate es una capa de orquestación dirigida a industrias reguladas. Su Agentic Control Plane añade un panel de gobernanza, un centro de control de seguridad y trazas de observabilidad que muestran cómo cambia el contexto a medida que el trabajo avanza por un flujo de trabajo. Su limitación: implementación más larga y compromiso con el ecosistema.
Creatio AI Studio es la capa de agentes de la plataforma CRM y de flujos de trabajo de Creatio, ejecutándose junto a Business Studio para aplicaciones sin código y AI Twin para agentes personales construidos por usuarios finales.
Ofrece dos diseñadores: un Prompt Agent Designer para agentes en lenguaje natural y un Workflow Agent Designer para procesos deterministas de múltiples pasos. Su limitación: está atado a Creatio como capa de proceso.
Atención al cliente y agentes conversacionales
Salesforce Agentforce ejecuta agentes de servicio al cliente y ventas directamente contra registros de Salesforce, abarcando Agentforce Sales, Agentforce Service y Agentforce Analytics en una plataforma compartida.
Salesforce mide la producción en Agentic Work Units, tareas completadas por un agente, en lugar de asientos o sesiones. Su limitación: asume Salesforce como sistema de registro.
OpenAI Presence es un producto de agente de voz y chat donde cada despliegue está limitado a un solo trabajo, como resolver un problema de facturación o una solicitud de servicio de TI.
La empresa establece las políticas, acciones aprobadas y reglas de escalado; Codex luego propone actualizaciones desde sesiones de producción que los equipos prueban contra la versión en vivo antes del despliegue. Su limitación: no es autoservicio; se despliega a través de ingenieros de OpenAI.
Tidio Lyro es un agente de chat para pymes construido sobre Claude. Responde a partir de contenido proporcionado por el operador, como entradas de FAQ, artículos de ayuda y páginas del sitio web, en lugar de generación abierta, y enruta las preguntas que no puede resolver a un agente humano. Su limitación: los resultados dependen de la calidad del contenido de ayuda; no tiene canal de voz.
Frameworks de desarrollo y automatización
LangGraph es un runtime de orquestación de bajo nivel que modela flujos de trabajo de agentes como grafos con un esquema de estado explícito. Con un checkpoint configurado, una ejecución puede guardarse y reanudarse en cualquier punto, lo que hace prácticos los procesos de aprobación de varios días y los trabajos en segundo plano.
Su limitación: es un runtime, no un producto; los equipos construyen las herramientas a su alrededor.
CrewAI es un framework de Python donde cada agente adopta un rol, un objetivo y una historia, y luego colabora a través de un orquestador de equipo.
Soporta MCP para acceso a herramientas, A2A para delegación entre agentes y checkpointing que reproduce o bifurca una ejecución desde un paso elegido. Su limitación: prioriza Python; las cifras de adopción de proveedores son inconsistentes.
n8n es una plataforma de automatización de flujos de trabajo con nodos dedicados de agentes de IA.
Sus nodos cliente y servidor MCP permiten que un flujo de trabajo tanto llame a herramientas externas como actúe como una herramienta que otros agentes llaman, y la Community Edition se autoaloja sin límite de ejecuciones. Su limitación: es de código disponible, no de código abierto OSI; la lógica compleja requiere código.
¿Cómo elegir las cinco preguntas que debes hacerte antes de comprar?
La primera decisión es cuánto debe extenderse la independencia. Los agentes copiloto como Cursor y Claude Code mantienen a una persona en el punto de decisión. Investigan y ejecutan, luego esperan aprobación antes de tomar cualquier acción irreversible.
Las plataformas de flujo de trabajo como n8n siguen caminos predefinidos con toma de decisiones limitada en tiempo real. La autonomía total crea más problemas de los que resuelve sin barandillas extensas implementadas primero.
La segunda es la fiabilidad frente a la precisión. Un equipo de Princeton midió cuatro dimensiones en 15 modelos sobre GAIA y τ-bench, cubriendo lanzamientos de modelos desde principios de 2024 hasta mediados de 2026 y ejecutando cada tarea repetidamente en lugar de una sola vez.
Su hallazgo principal: aproximadamente 24 meses de ganancias en precisión produjeron mejoras mínimas en fiabilidad. La precisión subió constantemente; la fiabilidad se quedó muy atrás. La consistencia de resultados se mantiene baja en todos los modelos probados. Un agente que puede resolver una tarea con frecuencia falla al resolverla en cada ejecución.
La tercera es la profundidad de integración. Dos estándares abiertos ahora sustentan la mayoría de los despliegues de agentes. MCP conecta un agente a herramientas. Anthropic donó el Model Context Protocol a la Agentic AI Foundation de la Linux Foundation en diciembre de 2025. MCP envió su mayor revisión el 28 de julio de 2026, retirando el handshake de inicialización y el encabezado de sesión, convirtiendo MCP de un protocolo bidireccional con estado a uno sin estado de solicitud/respuesta. A2A conecta agentes entre sí. Google lanzó el protocolo Agent2Agent en abril de 2025 y lo donó a la Linux Foundation dos meses después.
La cuarta es la seguridad, identidad y cumplimiento. OWASP publicó el Top 10 para Aplicaciones Agénticas el 9 de diciembre de 2025, con identificadores ASI01 a ASI10.
La lista trata a un agente como un principal con objetivos, herramientas, memoria y protocolos entre agentes, cada uno una superficie de ataque distinta. El secuestro de objetivos ocupa el primer lugar: un atacante planta instrucciones en un documento, un correo electrónico o una invitación de calendario que el agente luego lee como contexto y ejecuta.
La lista de verificación para un agente en producción es corta: una identidad distinta, permisos limitados a un solo trabajo, una pista de auditoría y un interruptor de apagado que detenga la ejecución a mitad de camino.
La quinta es el coste y el modelo de precios. Los costes directos cubren llamadas a la API del modelo, ejecución de herramientas e infraestructura para sistemas autoalojados.
Los costes ocultos son menos visibles: el uso de la ventana de contexto se acumula a lo largo de sesiones de múltiples turnos, los intentos fallidos se facturan, la depuración y el refinamiento de prompts consumen tiempo de ingeniería, la gobernanza y la infraestructura de seguridad conllevan sus propias partidas, y los equipos necesitan formación para trabajar con agentes.
La estructura de precios está cambiando junto con el nivel de precios. Un modelo híbrido, una tarifa base de plataforma más un nivel de uso o resultado, se ha convertido en la estructura común.
Lo que funciona hoy y lo que aún no
Funciona hoy: la asistencia de codificación con un revisor humano. Un patrón común empareja un agente IDE rápido con un agente de razonamiento más lento: el primero para iteración, el segundo para decisiones arquitectónicas. El agente ejecuta pruebas e itera sobre los fallos.
Una persona revisa antes del merge. También funciona la atención al cliente repetitiva de alto volumen, la síntesis de investigación con citas y los inventarios de agentes gobernados.
No funciona todavía: el despliegue autónomo en producción. Los agentes que envían código o mueven dinero sin aprobación siguen siendo demasiado arriesgados para la mayoría de las organizaciones.
La investigación sobre fiabilidad explica por qué: la consistencia apenas ha mejorado en dos años de ganancias de capacidad. Las situaciones complejas de clientes, las decisiones con múltiples partes interesadas, la estrategia novedosa y la contención de fallos multiagente siguen siendo territorios inexplorados.
El problema de gobernanza que nadie ha resuelto
La gobernanza de agentes es el desafío más urgente y menos resuelto de la industria. Varias soluciones concretas han llegado al mercado: Cisco AI Agent Monitor para Splunk Observability Cloud con seguimiento en tiempo real de la calidad del flujo de trabajo del agente, coste por ejecución y anomalías de comportamiento.
OpenAI Frontier asigna a cada agente una identidad definida con permisos explícitos. La Agentic AI Foundation, cofundada por OpenAI, Anthropic y Block en diciembre de 2025, busca establecer estándares de gobernanza abiertos y neutrales para la IA agéntica.
Pero el problema fundamental persiste: ¿cómo garantizamos que los agentes hagan lo que queremos que hagan, cuando queremos que lo hagan, sin que causen daño? La respuesta, por ahora, es que no lo garantizamos.
Implementamos barandillas, monitorizamos, auditamos y rezamos para que nada se rompa. La gobernanza de agentes está en su infancia, y la brecha entre lo que podemos construir y lo que podemos controlar sigue creciendo.
La elección de una herramienta de agentes de IA no es una decisión técnica. Es una decisión sobre qué tipo de organización quieres ser, cuánto riesgo estás dispuesto a asumir y cuánta autonomía estás dispuesto a ceder.
Las 15 plataformas de esta guía ofrecen un abanico de respuestas. La tuya depende de ti.
Descubre más desde CIBERED
Suscríbete y recibe las últimas entradas en tu correo electrónico.
