Descubrimiento de agentes de IA: la capa invisible que hará escalable la IA en producción
Durante los últimos meses, gran parte de la conversación sobre inteligencia artificial se ha centrado en una misma pregunta: ¿cómo construimos agentes?
Se habla de agentes capaces de responder correos, analizar documentos, generar código, consultar bases de datos, crear tickets, automatizar tareas internas o asistir a equipos técnicos. Pero hay una pregunta menos visible y probablemente más importante para las empresas: cuando esos agentes empiecen a multiplicarse, ¿Cómo se van a encontrar entre sí?.
Ese es el problema del descubrimiento de agentes de IA.
No suena tan atractivo como hablar de modelos, prompts o automatización, pero puede convertirse en una de las capas más importantes de la IA en producción.
Porque una cosa es tener un agente funcionando en una demo. Otra muy distinta es tener decenas o cientos de agentes operando dentro de una organización, conectados a herramientas, datos, permisos, APIs, workflows y otros agentes.
Ahí ya no basta con que el agente sepa razonar. También necesita saber qué capacidades existen a su alrededor, cuáles puede usar, bajo qué condiciones y con qué nivel de confianza.
De agentes aislados a ecosistemas de agentes
Al principio, muchas empresas han empezado con casos de uso simples: un asistente interno, un copiloto para soporte, un bot conectado a documentación o una herramienta que ayuda a desarrolladores a escribir código.
Pero la evolución natural de estos sistemas apunta hacia algo más complejo: ecosistemas de agentes especializados.
Un agente puede encargarse de analizar costes cloud. Otro puede consultar métricas de rendimiento. Otro puede revisar políticas de seguridad. Otro puede abrir incidencias. Otro puede interactuar con herramientas financieras. Y otro puede coordinar todo el proceso para responder a una petición del usuario.
El problema aparece cuando esos agentes tienen que colaborar.
Imaginemos que una persona pregunta: “¿Por qué ha subido el coste de infraestructura esta semana y qué podemos hacer para reducirlo sin afectar el rendimiento?”
Para responder bien, un solo agente quizás no sea suficiente. Haría falta consultar datos de billing, métricas de observabilidad, cambios recientes en despliegues, información de Kubernetes, políticas de ahorro, compromisos con proveedores cloud y quizá recomendaciones de FinOps.
En un sistema más avanzado, el agente principal no haría todo por sí mismo. Tendría que descubrir qué otros agentes o herramientas existen, identificar cuál es el más adecuado para cada parte de la tarea, pedir información, recibir respuestas y construir una conclusión accionable.
Eso es agent discovery: la capacidad de encontrar, entender y seleccionar capacidades disponibles en un entorno de agentes.
Qué significa realmente “Agent Discovery”
Descubrir un agente no significa simplemente saber que existe.
Significa poder responder varias preguntas:
¿Quién eres?
¿Qué haces?
¿Qué tipo de tareas puedes resolver?
¿Qué datos o herramientas puedes usar?
¿Qué formatos aceptas?
¿Qué permisos necesitas?
¿Quién te provee?
¿Eres confiable?
¿Estás disponible?
¿Qué coste puede tener usarte?
¿Qué límites tienes?
¿Cómo puedo auditar lo que haces?
En el mundo cloud ya hemos visto problemas parecidos. Las arquitecturas modernas tuvieron que resolver cómo descubrir servicios, cómo documentar APIs, cómo gestionar permisos, cómo enrutar tráfico, cómo observar sistemas distribuidos y cómo gobernar entornos cada vez más complejos.
Con los agentes de IA ocurre algo similar, pero con una diferencia importante: los agentes no solo devuelven datos. También interpretan, deciden, delegan y actúan.
Por eso, el descubrimiento de agentes no puede verse solo como un catálogo. Tiene que incluir identidad, autorización, contexto, trazabilidad, seguridad y gobierno.
MCP y A2A: dos piezas que empiezan a ordenar el ecosistema
En esta conversación aparecen dos conceptos importantes: MCP y A2A.
MCP, o Model Context Protocol, busca estandarizar la forma en la que las aplicaciones de IA se conectan a herramientas, datos y sistemas externos. En lugar de crear una integración distinta para cada herramienta, MCP propone una forma común de exponer capacidades a los modelos y agentes.
Dicho de forma simple: MCP ayuda a que un agente pueda usar herramientas.
A2A, o Agent2Agent, apunta a otro problema: cómo se comunican los agentes entre sí. Si MCP conecta agentes con herramientas, A2A busca facilitar la colaboración entre agentes, incluso si fueron construidos con frameworks distintos o por proveedores diferentes.
Dicho de forma simple: A2A ayuda a que un agente pueda hablar con otro agente.
Una de las ideas más relevantes dentro de A2A es la Agent Card. Se puede entender como una tarjeta de presentación digital de un agente. En ella se describen datos como su nombre, descripción, capacidades, endpoints, métodos de autenticación y skills disponibles.
Esto parece un detalle técnico, pero no lo es. Es una pieza clave para que los agentes puedan ser descubiertos, entendidos y utilizados por otros sistemas de forma más ordenada.
De la misma manera que una API necesita documentación para que un desarrollador pueda usarla, un agente necesita una descripción clara y legible por máquinas para que otro agente pueda entender cuándo y cómo invocarlo.
Por qué las empresas deberían prestar atención a los Agentes IA
El desconocimiento sobre este tema es normal. Muchas organizaciones todavía están intentando entender qué es un agente de IA y cómo llevarlo a producción. Pero precisamente por eso es importante hablar de discovery desde ahora.
Si las empresas no diseñan una capa de descubrimiento y gobierno, corren el riesgo de crear un nuevo tipo de caos tecnológico.
Podríamos ver agentes duplicados, agentes sin dueño claro, herramientas conectadas sin control, permisos excesivos, integraciones frágiles, decisiones difíciles de auditar y workflows que nadie entiende del todo.
Es el mismo patrón que ya ocurrió con SaaS, APIs, microservicios y automatizaciones internas. Primero aparece la innovación. Después aparece la fragmentación. Y finalmente aparece la necesidad de gobierno.
Con los agentes de IA, ese ciclo puede ocurrir mucho más rápido.
El problema no es solo técnico, también es de confianza
Cuando un agente descubre otro agente, no basta con saber qué dice que puede hacer. También hay que saber si se puede confiar en él.
Aquí aparecen preguntas críticas:
¿Cómo sé que este agente pertenece realmente a la organización que dice representarlo?
¿Cómo evito que un agente malicioso se presente como una herramienta legítima?
¿Cómo limito qué puede hacer un agente en nombre de un usuario?
¿Cómo audito una cadena de delegaciones entre varios agentes?
¿Cómo sé qué datos fueron compartidos y por qué?
¿Cómo aplico el principio de mínimo privilegio?
En un entorno empresarial, estas preguntas no son opcionales. Son necesarias para cumplir con seguridad, privacidad, compliance y gobierno interno.
Por eso, el futuro de los agentes de IA no dependerá solo de mejores modelos. También dependerá de infraestructura: identidad, permisos, catálogos, registros, observabilidad, trazabilidad y políticas.
El paralelismo con cloud y platform engineering
Para los equipos cloud y platform, este tema debería resultar familiar.
Durante años, las empresas han trabajado en construir plataformas internas para que los equipos puedan desplegar software de forma más rápida y segura. Han aparecido prácticas como service discovery, API gateways, developer portals, observabilidad, IAM, policy as code, service mesh y catálogos internos.
Ahora, muchas de esas ideas tendrán que adaptarse al mundo de los agentes.
Podríamos imaginar un futuro cercano donde una empresa tenga un catálogo interno de agentes aprobados. Cada agente tendría una ficha con sus capacidades, propietario, permisos, costes asociados, logs, versiones, dependencias y nivel de riesgo.
Los equipos no tendrían que preguntarse “¿quién hizo este bot?” o “¿qué puede tocar este agente?”. Esa información estaría registrada, visible y gobernada.
En ese escenario, platform engineering podría jugar un rol clave: crear la infraestructura común para que los agentes puedan ser descubiertos, conectados y operados de forma segura.
Recibe nuestra Newsletter de Cloud semanal
El reto de los costes de los Agentes IA
También hay un ángulo importante para FinOps.
Cuando un workflow involucra varios agentes, modelos, herramientas y llamadas a APIs, el coste se vuelve más difícil de entender. Ya no se trata solo de medir tokens o consumo cloud de forma aislada.
Hay que entender cuánto cuesta una tarea completa ejecutada por un sistema multiagente.
Si un agente principal delega en otros tres agentes, consulta varias herramientas, ejecuta queries, llama a modelos distintos y genera acciones sobre infraestructura, ¿cómo se atribuye ese coste? ¿A qué equipo? ¿A qué producto? ¿A qué usuario? ¿A qué workflow?
El descubrimiento de agentes también puede ayudar aquí, porque permite asociar cada agente con metadatos: propietario, propósito, entorno, permisos, coste estimado, criticidad y políticas de uso.
Sin esa capa de visibilidad, será muy difícil gobernar el gasto de IA a medida que los agentes se integren en procesos empresariales.
Qué debería incluir una buena estrategia de agent discovery
Una estrategia sólida de descubrimiento de agentes debería considerar al menos cinco elementos.
- Una forma estándar de describir capacidades. Los agentes necesitan expresar qué hacen de manera clara, estructurada y entendible por otros sistemas.
- Un registro o catálogo. Las organizaciones necesitarán saber qué agentes existen, quién los mantiene, qué versiones están activas y para qué casos de uso están aprobados.
- Identidad y autenticación. Un agente no debería poder actuar dentro de una empresa sin una identidad verificable.
- Autorización granular. No todos los agentes deberían poder acceder a todos los datos ni ejecutar todas las acciones. El acceso debería depender del usuario, del contexto y de la tarea.
- Observabilidad y auditoría. Si un agente toma una decisión, llama a otro agente o ejecuta una acción, debería quedar trazabilidad suficiente para entender qué pasó.
La pregunta de fondo
La gran pregunta no es si las empresas van a usar agentes de IA. Todo apunta a que sí.
La pregunta es si esos agentes van a crecer de forma ordenada o descontrolada.
El descubrimiento de agentes de IA será una de las capas que marque esa diferencia. Permitirá pasar de agentes aislados a ecosistemas interoperables. De integraciones manuales a capacidades reutilizables. De automatizaciones opacas a workflows gobernados. De demos atractivas a sistemas confiables en producción.
Quizá hoy suene como un tema muy técnico o demasiado temprano. Pero es precisamente ahora cuando merece la pena hablar de ello.
Porque la IA en producción no solo necesita modelos más potentes. Necesita infraestructura para que los agentes puedan encontrarse, entenderse, confiar unos en otros y actuar bajo control.
Esa será una de las grandes conversaciones de la próxima etapa de la IA empresarial.