Inteligencia artificial con agentes en Red Hat OpenShift: lo que las empresas están haciendo ahora mismo

Análisis de una mesa redonda con clientes en Red Hat Summit 2026

Líderes de operaciones e ingeniería de plataformas de diversos sectores —como aerolíneas, servicios públicos, servicios financieros, educación superior y gobierno— se reunieron para conversar con franqueza sobre la inteligencia artificial con agentes en Red Hat Summit 2026. Queríamos descubrir qué funciona realmente, dónde están los riesgos y cómo los equipos encuentran valor hoy en día.

De la gestión de plataformas a la colaboración con inteligencia artificial

La pregunta que sustentaba cada conversación en nuestra mesa redonda era una variante de esta: ¿Cómo es el escenario cuando una plataforma deja de ser algo que tú gestionas y empieza a ser algo que piensa junto con tu equipo?

Los equipos gestionan entornos complejos multiclúster con el mismo personal que tenían hace 2 años. El trabajo manual de diagnosticar incidentes, correlacionar alertas y ejecutar correcciones consume una capacidad que debería dirigirse al desarrollo principal. Un participante expresó su objetivo claramente: duplicar la cantidad de clústeres gestionados sin contratar a ninguna persona adicional.

La necesidad va más allá de la eficiencia. La verdadera pregunta es: ¿en qué trabaja tu mejor personal cuando el trabajo rutinario se resuelve solo? Los clientes de nuestra mesa redonda ya están viendo indicios de ello. Los agentes de un equipo detectaron que un controlador de almacenamiento fallaba silenciosamente cada 15 minutos, algo invisible para los registros y las alertas actuales. El agente presentó el problema con un resumen de diagnóstico completo y se bloqueó hasta que un humano autorizó el siguiente paso. Esa acción ofrece una resolución más rápida, sin duda, pero también una relación fundamentalmente distinta entre una plataforma y las personas que la ejecutan.

Retorno de la inversión sorprendente más allá de TI

Algunas de las ideas más interesantes surgieron cuando los participantes describieron agentes de inteligencia artificial que resolvían problemas fuera del dominio tradicional de la infraestructura.

Un equipo universitario implementó agentes para ayudar a su grupo de servicios financieros estudiantiles a identificar a los estudiantes desatendidos que cumplían los requisitos para recibir fondos federales, pero que las consultas de las bases de datos existentes habían pasado por alto. El sistema identificó rápidamente a más de 100 estudiantes y entre 60000 y 70000 USD en ayudas federales no reclamadas. Unas semanas antes, el equipo no se había dado cuenta de que este caso de uso fuera posible.

Otro ejemplo fue cuando un organismo gubernamental describió su visión a largo plazo: proporcionar una interfaz de inteligencia artificial con agentes para ayudar a los ciudadanos a navegar por normativas legales complejas. El sistema coordinaría automáticamente los servicios públicos adecuados en función de eventos vitales, como tener un hijo o iniciar un negocio, ofreciendo una única interfaz inteligente en lugar de decenas de portales desconectados.

Las organizaciones que están ganando más terreno son aquellas que amplían sus casos de uso y desafían sus nociones preconcebidas sobre lo que puede significar la inteligencia artificial para las operaciones.

La supervisión humana no es negociable

El consenso de la mesa redonda fue claro: la autonomía total no es una opción. Debido a que la inteligencia artificial no es determinista, el desafío principal no es si confiar en los agentes, sino cómo estructurar los flujos de trabajo para que estos agilicen las tareas rutinarias de forma segura mientras los humanos mantienen el control de las acciones críticas. Las soluciones con agentes necesitan un modelo de gobernanza de flujos de trabajo claro y estándar que sea nativo de la plataforma.

El modelo que más resonó fue tratar a los agentes como ingenieros de confiabilidad del sitio: analizan sistemas, generan planes de ejecución y redactan tickets que resumen los hallazgos y las acciones propuestas. Los ingenieros revisan y aprueban, y el agente solo ejecuta lo que se ha autorizado explícitamente.

Un equipo compartió una historia de advertencia sobre las pruebas de arquitecturas de agentes de supervisión, donde el agente supervisor de inteligencia artificial supervisa un conjunto de subagentes especializados. Mencionaron que 3 agentes subordinados se coordinaron para convencer a la inteligencia artificial de supervisión de que aprobara una acción que debería haber rechazado. El equipo lo detectó antes de que ocurriera cualquier daño, pero la lección fue clara: La inteligencia artificial no puede gobernar a otra inteligencia artificial de forma confiable sin intervención humana.

Este ejemplo señala la necesidad de contar con funciones de gobernanza codificables y fáciles de usar, como un «servicio de protección» o «aprobación como servicio», que las organizaciones puedan implementar en todos los entornos desde el día 1.

Seguridad por diseño

Para los equipos de operaciones, el enfoque principal es contener las consecuencias cuando las herramientas autónomas cometen errores. Los riesgos iban desde un agente que intentaba un comando destructivo (como rm -rf) hasta un agente de diagnóstico que ejecutaba repetidamente comandos pesados y bloqueaba accidentalmente el mismo clúster que debía reparar.

Para mitigar estos riesgos, los equipos usan agentes en sandbox en entornos de contenedores con límites de recursos estrictos y un registro de auditoría completo de cada acción. Vincular a los agentes con capas de datos deterministas, como almacenes de documentos validados por esquemas u otros sistemas que limitan estrictamente las entradas aceptables, también ha demostrado ser muy eficaz para mantener el comportamiento de los agentes bajo control.

Los obstáculos: Aceptación, registros de auditoría y retorno sobre la inversión

Los obstáculos que frenan la adopción son principalmente organizativos, no técnicos.

Lograr la aceptación interna es difícil, especialmente entre los equipos que han vivido iniciativas de automatización con promesas excesivas en el pasado. Los registros de auditoría detallados son esenciales para generar esa confianza y son obligatorios por ley en algunas regiones. Las organizaciones deben poder mostrar a los reguladores y a la dirección exactamente qué hizo un agente, su razonamiento y quién autorizó la acción. Sin esa evidencia, los equipos de gobernanza rechazan por defecto la tecnología.

Demostrar un retorno sobre la inversión claro es igualmente esencial. Todos los equipos de la mesa redonda señalaron la presión por demostrar el valor antes de obtener presupuesto. Los equipos que avanzan más rápido comienzan con pruebas de concepto pequeñas y de gran visibilidad, documentan los resultados y usan esa evidencia para obtener más financiación. Un logro de entre 60000 y 70000 USD en ayuda financiera estudiantil es un argumento presupuestario mucho más convincente que una reducción del ruido de las alertas, aunque ambos aporten valor.

Conclusiones importantes

Las organizaciones de esta mesa redonda se encuentran en diferentes etapas de adopción de la inteligencia artificial con agentes, pero se enfrentan a las mismas preguntas. Algunas prácticas destacan entre los equipos que más progresan:

• Comienza con la observabilidad y la autorregeneración: Aquí es donde el dolor operativo es mayor, el camino hacia el valor es más claro y un alcance limitado hace que el proyecto sea manejable.
• Diseña para la supervisión humana desde el día 1: No añadas la gobernanza después del despliegue. Crea flujos de trabajo de aprobación, estados de bloqueo y registros de auditoría directamente en tu arquitectura.
• Usa entornos de prueba (sandboxes) para tus agentes: Los entornos de ejecución en contenedores no son opcionales: proporcionan las protecciones necesarias para que los agentes operen con seguridad.
• Tómate en serio los costes de la infraestructura de inteligencia artificial: Varios equipos describieron cómo los costes de inferencia en la nube y de las GPU aumentaron más rápido de lo esperado, superando en algunos casos el valor generado. Red Hat OpenShift AI se ha diseñado específicamente para este desafío, ayudando a las empresas a optimizar el uso de las GPU en la infraestructura híbrida para que el coste de ejecutar la inteligencia artificial a escala no impida su crecimiento. En un entorno donde las facturas de inferencia en la nube y el hardware de GPU local representan compromisos de capital importantes, es crucial contar con una plataforma que potencie esa inversión.
• Céntrate en el valor empresarial de alta visibilidad: Los grupos con mayor impulso encuentran casos de uso que aportan valor a toda la organización, no solo al equipo de ingeniería de plataformas. 

Red Hat OpenShift para la era de los agentes

Cada gran ola de software empresarial ha requerido una capa fundamental que hiciera gobernables los sistemas complejos y distribuidos a escala. En la era cliente-servidor, era el middleware como JBoss. En la era de la nube nativa, fue Kubernetes. En la era de la inteligencia artificial con agentes, ese papel corresponde a Red Hat OpenShift y Red Hat OpenShift AI.

Los clientes de esta mesa redonda están creando agentes autónomos que operan en entornos multiclúster, ejecutan decisiones dentro de límites de gobernanza estrictos, se integran con flujos de trabajo empresariales y se ejecutan en infraestructura soberana o híbrida. Esto no se puede construir de forma confiable con herramientas ad hoc. Requiere una base open source coherente y centrada en la seguridad en la que las empresas ya confíen. 

OpenShift es más que un orquestador de contenedores. Es la plataforma en la que los marcos de agentes, los servidores MCP, las bibliotecas de habilidades de los agentes, los flujos de trabajo con intervención humana y las cargas de trabajo de GPU se unifican en una base que las empresas pueden desplegar, gobernar y escalar en entornos multiclúster.

Establecer esa base centrada en la seguridad requiere abordar todo el stack de gobernanza de agentes: controles de políticas y autoridad, gestión de identidades y accesos, gobernanza de aplicaciones y herramientas, seguridad y auditoría en tiempo de ejecución, sandboxing de ejecución, gobernanza de datos y contenidos, y gestión del ciclo de vida con intervención humana. Fundamentalmente, la identidad y la autenticación no pueden ser algo secundario: cada acción del agente debe estar autenticada y ser atribuible a una entidad autorizada específica. 

OpenShift cumple con estos requisitos a través de AgentOps, el enfoque de Red Hat AI independiente del marco para operacionalizar agentes en cualquier modelo, acelerador o nube, con protecciones integradas que abordan cada una de estas capas de gobernanza y seguridad. Estas no son funciones opcionales para añadir más tarde: son la base que hace posible la inteligencia artificial con agentes a escala empresarial. Las organizaciones que entiendan y aborden esto desde el principio avanzarán más rápido, gobernarán con más eficacia y dedicarán menos tiempo a construir esta base, lo que les permitirá avanzar con confianza hacia el futuro de la inteligencia artificial con agentes.

Para ver cómo Red Hat OpenShift se acerca al futuro de la inteligencia artificial con agentes:

• Mira la sesión Product Spotlight de Red Hat Summit 2026. 
• Consulta nuestro blog, «Los modelos no generan ingresos; las aplicaciones sí». 
• Visita la página del producto Red Hat OpenShift AI.