# OCDE: Primeras lecciones de las organizaciones que usan agentes de IA > La OCDE analiza cómo 25 organizaciones utilizan agentes de IA y qué lecciones ofrecen sobre autonomía, supervisión y gestión de riesgos > Por Alfredo Collosa · Agentes de IA · 2026-11-06 La inteligencia artificial agéntica empieza a incorporarse a los flujos de trabajo reales de empresas y organismos públicos, aunque con límites a su autonomía y supervisión humana en las decisiones críticas. Así lo recoge un documento de la Organización para la Cooperación y el Desarrollo Económicos (OCDE) y la Asociación Global sobre IA (GPAI), basado en entrevistas con 25 organizaciones de once países, entre ellas desarrolladores de tecnología de frontera, empresas usuarias y organismos públicos. Ninguna de las organizaciones entrevistadas declaró utilizar sistemas con autonomía irrestricta. Las acciones de alto impacto o irreversibles, como realizar pagos o borrar datos, requieren aprobación humana. Las primeras experiencias concentran su uso en tareas estructuradas, con resultados verificables y un coste del error acotado o reversible. Los sistemas de IA dejan de limitarse a responder preguntas y, cada vez más, actúan. Los llamados agentes de IA y los sistemas de IA agéntica perciben su entorno, utilizan herramientas, descomponen tareas y persiguen objetivos con un grado creciente de autonomía. Esa capacidad amplifica problemas conocidos de los modelos de lenguaje, porque sus resultados pueden desencadenar acciones. ## Del desarrollo de software a la administración pública Las organizaciones entrevistadas describen aplicaciones en gestión del conocimiento, resumen de reuniones, redacción de propuestas y apoyo a técnicos de campo. En atención al cliente, los agentes analizan consultas y preparan borradores que una persona revisa antes de enviarlos. El desarrollo de software y la ciberseguridad figuran también entre los ámbitos más citados, con tareas que van desde escribir y depurar código hasta detectar vulnerabilidades. En infraestructura y cadena de suministro, los usos incluyen la gestión de capacidad en redes de telecomunicaciones, la optimización industrial y la coordinación entre empresas. En ciencia se emplean para el descubrimiento de fármacos y materiales, mientras que en la administración pública apoyan trámites cuya decisión final permanece en manos de funcionarios. Las motivaciones coinciden en mejorar la eficiencia, reducir costes, compensar la escasez de mano de obra —especialmente en Japón— y crear nuevas formas de valor, como ampliar el acceso a servicios mediante interfaces multilingües. Entre los participantes existe un amplio acuerdo en que el potencial a largo plazo reside en aumentar las capacidades humanas, no en sustituirlas. ## Empezar por tareas verificables y probar internamente Las entrevistas identifican varias pautas que se repiten entre quienes ya utilizan estos sistemas. La primera es comenzar por tareas suficientemente claras para poder planificarlas, comprobar sus resultados y limitar las consecuencias de un error. Varias empresas siguen, además, un enfoque de «cliente cero»: despliegan las soluciones internamente antes de ofrecerlas a terceros. La autonomía se mantiene acotada y las actuaciones de mayor impacto quedan sujetas a aprobación humana. La flexibilidad tecnológica es otro criterio relevante. Las organizaciones favorecen el uso de distintos modelos según la tarea, bajo la idea de una «inteligencia mínima viable», así como protocolos abiertos como MCP o A2A y modelos de pesos abiertos para evitar la dependencia de un único proveedor. La seguridad y la gobernanza de los datos también condicionan la arquitectura. La elección entre servicios en la nube y alojamiento propio depende, sobre todo, de las exigencias de confidencialidad de los clientes. Los participantes subrayan que importa tanto el resultado como el procedimiento seguido para obtenerlo. En las entrevistas se citaron casos en los que un agente alcanzó el objetivo, pero intentó eludir controles de acceso o inventó datos para conseguirlo. ## Errores que pueden convertirse en acciones Muchos de los problemas detectados proceden de limitaciones ya conocidas de los modelos de lenguaje, pero adquieren mayor alcance cuando los sistemas pueden actuar. Las organizaciones describen comportamientos impredecibles y poco fiables, con resultados que cambian de una ejecución a otra. Entre los ejemplos aparecen llamadas a herramientas inexistentes, uso de datos incorrectos y borrados no deseados, a veces difíciles de detectar a tiempo. Cuando interactúan varios agentes o participan distintas organizaciones, los errores pueden propagarse y resulta más complicado rastrear los fallos. En ciberseguridad, los riesgos incluyen la inyección de instrucciones maliciosas, el secuestro de agentes, el robo de credenciales y ataques a una escala y velocidad superiores a las humanas. La trazabilidad y la evaluación constituyen otra dificultad. Las herramientas para evaluar agentes están mucho menos maduras que las destinadas a modelos aislados y todavía no existe un estándar compartido. También hay problemas de identidad y privacidad. Los sistemas de acceso actuales se diseñaron para personas, mientras que los empleados pueden utilizar agentes sin aprobación formal, dando lugar a los llamados «agentes en la sombra». ## La dependencia humana, el idioma y los costes La sobredependencia de estos sistemas preocupa a las organizaciones entrevistadas. El sesgo de automatización puede erosionar la pericia de los trabajadores y una de las entidades recomendó realizar periódicamente parte de las tareas sin IA. El idioma sigue siendo otra barrera. El rendimiento fuera del inglés presenta dificultades y algunos participantes hablan de un «impuesto de tokenización». A ello se suma el riesgo de que los costes de cómputo se disparen. Las organizaciones abordan estos retos principalmente dentro de los marcos de gobernanza de IA existentes, como los Principios de IA de la OCDE, el marco de gestión de riesgos del NIST, la norma ISO 42001 y, cuando procede, el Reglamento de IA de la Unión Europea. Entre las prácticas que empiezan a converger figura una supervisión humana calibrada, con puntos de control en las decisiones críticas y una ampliación gradual de la autonomía a medida que el sistema demuestra fiabilidad. Las salvaguardas técnicas se superponen mediante entornos aislados o \*sandbox\*, mínimo privilegio, «confianza cero», autenticación de agentes y capas de reglas externas, una fórmula descrita como «IA dentro, reglas alrededor». También se establecen límites rígidos de recursos y registros de agentes aprobados. ## Agentes especializados que vigilan a otros agentes Para observar el funcionamiento de los sistemas, se utilizan paneles que registran acciones y decisiones, e incluso agentes especializados que vigilan a otros agentes. La evaluación específica incorpora métricas como la resolución de la intención, la precisión al llamar herramientas y la adherencia a la tarea, junto con indicadores de negocio. Los participantes también destacan la participación de especialistas en el diseño, el desarrollo de capacidades en lenguas locales, la inversión en modelos nacionales y unas compras públicas preparadas para sistemas agénticos. El [estudio](https://www.oecd.org/content/dam/oecd/en/publications/reports/2026/09/agentic-ai-in-organisations_1f17d235/1257a26f-en.pdf) concluye que las respuestas de gobernanza empiezan a tomar forma, aunque persisten brechas importantes. La evaluación y el aseguramiento son inmaduros, la rendición de cuentas entre organizaciones y agentes está poco definida y los marcos de identidad y datos no se han adaptado a sistemas autónomos que operan de manera continua. Muchos participantes defienden pasar de controles estáticos a formas de supervisión más dinámicas y distribuidas, que acompañen todo el ciclo de vida del sistema. Los hallazgos deben interpretarse con cautela. El documento es un análisis cualitativo, con cobertura geográfica y sectorial limitada, basado en organizaciones que ya trabajan con agentes. Recoge sus percepciones, no impactos medidos. Aun con esas limitaciones, ofrece una imagen de un campo que avanza con rapidez y sitúa el reto en conseguir que la IA actúe de forma fiable, trazable y bajo una responsabilidad humana clara.