La pregunta sobre IA cambió: ya no es qué le pregunto, es qué lo dejo hacer

Durante dos años la pregunta sobre inteligencia artificial en las empresas fue "¿qué le puedo preguntar?". Entre el 1 y el 3 de septiembre pasaron cuatro cosas que, juntas, la cambian por otra: "¿qué le puedo dejar hacer, y con qué controles?".

Ninguna de las cuatro es un producto para salir a comprar. Las cuatro son señales de lo mismo: la IA dejó de ser una herramienta que cada empleado adopta por su cuenta y empezó a ser una capa de infraestructura. Y una capa de infraestructura se aprovisiona, se limita, se audita y tiene un responsable, como lo tienen el correo, la VPN o el acceso al sistema de gestión.

Las repasamos con el foco puesto en lo que importa para una empresa que factura, compra, produce y atiende clientes todos los días.

1. Los agentes ya se administran como se administra cualquier otro sistema

Esta semana Anthropic publicó la versión 2.1.259 de Claude Code, su herramienta de agentes, con dos capacidades que parecen técnicas y son profundamente organizacionales.

La primera son los servidores MCP gestionados. MCP es el protocolo por el que un agente de IA se conecta a un sistema externo: tu ERP, la mesa de ayuda, el repositorio de documentos. Hasta ahora cada persona armaba esas conexiones en su propia máquina, con sus propias credenciales. Ahora la empresa puede definirlas de forma centralizada y bajarlas a todo el equipo.

La segunda es un modo de ejecución desatendida: el agente corre sin nadie mirando —de noche, en un servidor— y cualquier acción que normalmente pediría una aprobación humana se deniega sola, en lugar de quedar esperando a que alguien apriete "sí".

El detalle que importa no es técnico. Es que la decisión de a qué sistemas entra la IA dejó de ser de cada empleado y pasó a ser de la empresa. Es exactamente lo que en su momento pasó con el correo web, con las carpetas compartidas y con el acceso remoto: primero cada uno se las arregla, después alguien lo ordena.

Si hoy en tu empresa hay gente usando IA con cuentas propias, pegando datos de clientes en un chat que nadie configuró y sin ninguna política escrita, esta es la novedad que te avisa que la versión ordenada ya existe.

2. SAP puso el tema sobre la mesa en Buenos Aires

El 2 de septiembre SAP hizo su NOW AI Tour en La Rural, con alrededor de 1.600 ejecutivos de 25 industrias, y presentó su visión de empresa autónoma: datos, procesos y agentes conectados, capaces de anticipar, recomendar y ejecutar circuitos completos según parámetros que define la organización. La pieza nueva es Joule Studio 2.0, el entorno donde la propia empresa arma sus agentes describiendo lo que quiere en lenguaje común.

El dato local que dejó el evento es más elocuente que la presentación: Mercado Libre tiene 41 agentes y habilidades de IA en producción, unas 550 instrucciones repartidas en 16 procesos y 845 usuarios internos trabajando con eso. No es un piloto ni una prueba de concepto.

Pero la palabra que se repitió durante el día no fue "funcionalidad". Fue gobernanza: contexto del negocio, control sobre los datos privados y trazabilidad de lo que el agente hizo.

Lo señalamos porque marca el estándar de la conversación. Cuando un gerente de administración o de sistemas evalúe agentes sobre su ERP este trimestre, va a preguntar por permisos, por dónde viven los datos y por quién responde si el agente se equivoca. Esas preguntas son las correctas, y del otro lado del escritorio hay que poder contestarlas.

3. El costo de sostener un agente bajó de forma significativa

El 1 de septiembre Anthropic publicó una nueva generación de modelos, Claude Fable 5.1 y Mythos 5.1, con un millón de tokens de contexto. Un token es la unidad en la que estos sistemas cuentan el texto; un millón de tokens son, muy a ojo, unas 750.000 palabras: el equivalente a varios años de correos de un circuito de compras.

El número que mueve la aguja, sin embargo, es otro. Cuando un agente trabaja sobre un proceso largo, vuelve a leer una y otra vez el mismo contexto —el historial del cliente, el estado del pedido, las reglas del circuito—. La caché es lo que evita pagar ese texto entero cada vez que lo relee, y leer de la caché bajó un 75%, de un dólar a veinticinco centavos por millón de tokens. Anthropic mide alrededor de un 25% menos de costo en trabajos típicos y hasta un 45% en los que son intensivos en contexto, que son justamente los agénticos.

Traducido: el patrón más caro de la IA aplicada al negocio acaba de volverse cuatro veces más barato de sostener. Y ese patrón —un agente con memoria de un proceso largo que la consulta permanentemente— es exactamente el que separa un piloto simpático de un proceso productivo.

Un agente que concilia comprobantes, que hace seguimiento de un circuito de compras o que prepara las primeras respuestas de soporte necesita releer contexto todo el tiempo. Cuando ese costo cae, casos de uso que hace seis meses no cerraban por números, hoy cierran. Vale la pena revisar la carpeta de proyectos que se descartaron el año pasado: puede que alguno haya cambiado de lado.

4. Comercio conversacional: el plano, con guardarraíles incluidos

También el 2 de septiembre, Anthropic publicó como código abierto —licencia Apache 2.0, gratis y libre de usar— una arquitectura de referencia para construir agentes de comercio. Trae dos agentes que funcionan: uno de compra, de cara al cliente, que busca, compara y arma el carrito, y otro de operación, para el equipo interno, que analiza ventas y prepara publicaciones, precios y campañas para que una persona las apruebe. Incluye ejemplos en retail, turismo, telecomunicaciones y venta de entradas.

Una aclaración honesta antes de entusiasmarse: la propia Anthropic dice que no lo va a mantener como producto ni acepta contribuciones externas, y que cada comercio tiene que conectar su catálogo, su carrito y su checkout. Es un plano, no un proveedor.

Lo que más nos interesa está en la letra chica: guardarraíles que limitan al agente a precios y productos que existen realmente en el catálogo. El riesgo verdadero de un agente de ventas no es que conteste mal. Es que invente una condición comercial que la empresa después tiene que honrar, o discutir con el cliente.

Un agente que puede leer todo y escribir cualquier cosa no es un proyecto: es un incidente esperando fecha.

La foto de arriba es de una panificadora, no de una empresa de software, y explica la idea mejor que cualquier diagrama: los robots trabajan solos, a toda velocidad, y están adentro de una jaula. Nadie discute que la jaula les quita potencia. La jaula es lo que hace que se los pueda dejar trabajando.

Según Anthropic, los comercios que ya operan agentes de compra sobre esta tecnología reportan carritos hasta un 35% más grandes y compradores un 60% más propensos a completar la compra. Son cifras del proveedor y conviene leerlas como tales, pero la dirección es clara.

Y una advertencia que conviene no pasar por alto

En la misma semana, OpenAI clasificó a su modelo Astra como "crítico" en capacidad de ciberseguridad: el escalón más alto de su propio marco de riesgo, y el primer modelo que lo alcanza. En las pruebas internas encontró y usó dos vulnerabilidades día cero —fallas que nadie conocía y para las que no existe parche— y armó cadenas de ataque completas contra sistemas endurecidos.

OpenAI decidió restringir esas capacidades ofensivas a un grupo chico de organizaciones verificadas. Es una buena noticia en cuanto a responsabilidad del proveedor. Y es un recordatorio incómodo para todos los demás: las mismas capacidades que hacen útil a un agente lo hacen peligroso si están del otro lado.

El piso de exigencia se movió esta semana. Si venías postergando la revisión de qué tenés publicado a internet, si los backups nunca se probaron y si nadie sabe con certeza quiénes tienen permisos de administrador, ese es el trabajo de este mes. Empezar por probar que el backup restaura de verdad no es glamoroso y es lo que cambia el resultado el día del incidente.

Qué hacemos con todo esto

Cuatro cosas concretas, en orden de dificultad:

• Definir una política de IA antes de necesitarla. Quién puede usar qué, sobre qué sistemas y con qué datos. La diferencia con hace un año es que ahora existen las herramientas técnicas para hacerla cumplir, no solo para escribirla en un documento que nadie lee.
• Elegir un proceso, no una herramienta. Un circuito acotado, repetitivo y medible: conciliación de comprobantes, seguimiento de pedidos, primera respuesta de soporte. Se automatiza ahí, se mide contra cómo se hacía antes, y recién después se escala. Es la diferencia entre los proyectos que sobreviven y los que se apagan al año sin que nadie los dé por muertos.
• Exigir guardarraíles desde el día uno. Qué puede leer, qué puede escribir, qué tiene que pedir por escrito. Si el proveedor no puede contestar eso en la primera reunión, no está vendiendo un agente.
• Ordenar los datos antes que el modelo. Un agente sobre un ERP con maestros duplicados y circuitos que en la práctica se resuelven por WhatsApp va a automatizar el desorden. Modernizar no es comprar software nuevo, y con IA eso se nota más rápido.

Lo que muestra la semana

Cuatro anuncios en 72 horas, de cuatro actores distintos, apuntando todos al mismo lugar: el problema ya no es si la IA puede hacer el trabajo. Es bajo qué reglas la dejamos hacerlo.

En Tecnicanet venimos trabajando estos temas sobre implementaciones reales de Odoo en Argentina, Chile y Paraguay: integración de agentes a procesos de negocio, control de accesos y automatización de circuitos administrativos. Usamos varias de estas herramientas todos los días —incluidas las de Anthropic—, y lo decimos para que esta nota se lea con el filtro que corresponde. Los datos de arriba son públicos y están en las fuentes del pie.

No creemos en la IA como demo. Creemos en procesos que funcionan el lunes a la mañana.