Michael Gerstenhaber, vicepresidente de producto en Google Cloud y responsable de Vertex AI, explica cómo las empresas están empezando a usar la llamada IA ‘agente’ y qué falta todavía para que despegue a gran escala. Según él, los modelos actuales se mueven en tres grandes fronteras simultáneas:

1) **Inteligencia bruta**: modelos como Gemini Pro se optimizan para ofrecer la mejor respuesta posible, por ejemplo al generar código, aunque tarden más tiempo, porque la prioridad es la calidad del resultado final.

2) **Latencia (velocidad de respuesta)**: en usos como la atención al cliente, no sirve de nada tener la respuesta más inteligente si llega demasiado tarde. Ahí cuenta el modelo más capaz que pueda responder dentro del tiempo que el usuario está dispuesto a esperar.

3) **Coste y escalabilidad**: para tareas masivas como moderar contenidos en redes sociales, el límite ya no es solo la inteligencia, sino cuánto cuesta procesar un volumen imprevisible de solicitudes sin disparar el presupuesto. Empresas como Reddit o Meta necesitan modelos suficientemente buenos, pero sobre todo baratos y escalables.

Gerstenhaber sostiene que la tecnología de agentes de IA es muy reciente —básicamente de los últimos dos años— y que su adopción se frena porque todavía faltan piezas clave de infraestructura: mejores sistemas para auditar qué hacen los agentes, controlar qué datos pueden usar y definir patrones seguros para ponerlos en producción. Pone como ejemplo el desarrollo de software, donde la IA ha avanzado más rápido porque ya existen procesos maduros (entornos de desarrollo, pruebas, revisiones humanas obligatorias) que reducen el riesgo. El reto ahora es crear patrones similares en otros sectores profesionales para que los agentes de IA puedan desplegarse con la misma seguridad y confianza.