Los equipos de IA empresarial parecen estar tomando una decisión estratégica sobre dónde se ejecutarán sus sistemas de agentes: cada vez más, en las plataformas de los principales proveedores de modelos. Pero un nuevo conjunto de encuestas de VentureBeat Pulse Research sostiene que el problema más difícil ya no es elegir una plataforma. Es lograr que los despliegues reales de agentes, los controles y la disciplina operativa alcancen la ambición.

A lo largo de cuatro oleadas de encuestas en junio de 2026 publicadas por VentureBeat AI, los encuestados describieron un mercado que se está estandarizando en torno a pilas nativas del proveedor de empresas como Anthropic, OpenAI, Microsoft y Google, mientras sigue luchando con los fundamentos que hacen utilizable el software autónomo en producción. Esas debilidades aparecen en la orquestación, la recuperación, la evaluación y la seguridad.

La conclusión más contundente proviene de la encuesta sobre orquestación: el 71 % de las empresas dijo que una cuarta parte o menos de sus “agentes” desplegados son en realidad flujos de trabajo orquestados de varios pasos, en lugar de simples envoltorios de chatbot. Eso importa porque los mismos encuestados dijeron que juzgan el éxito de la orquestación por la finalización fiable de tareas y la gestión de flujos de trabajo de varios pasos, no por la experiencia de usuario del chatbot. En otras palabras, muchos equipos están comprando y planificando sistemas agénticos antes de que la mayor parte de lo que tienen en producción califique plenamente como agente.

Tomadas en conjunto, las cuatro encuestas sugieren un patrón empresarial amplio. Los equipos se sienten cómodos adoptando los controles e infraestructuras empaquetados que vienen con las plataformas de modelos de frontera, pero siguen siendo mucho menos maduros en identidad, gobernanza del contexto, evaluación en el mundo real y aplicación de costes. Para creadores y compradores, la implicación es clara: la próxima ventaja competitiva puede venir menos de otro marco de orquestación y más de demostrar que los agentes pueden ser confiables, medidos y contenidos.

Una sola historia en cuatro capas de la pila

El informe sobre orquestación cubrió a 101 empresas con más de 100 empleados y descubrió que Claude de Anthropic era la plataforma principal de orquestación para el 40 % de los encuestados, por delante de Microsoft con el 18 % y OpenAI con el 13 %. VentureBeat advirtió explícitamente que estas cifras no son cuota de mercado y deben leerse como una instantánea direccional de una muestra autoseleccionada, no como un censo sectorial ponderado por gasto.

Incluso con esa salvedad, el patrón coincide con las otras tres encuestas. En la infraestructura de recuperación y contexto, la búsqueda de archivos de OpenAI y Google Vertex AI Search lideraron el uso en producción por delante de las bases de datos vectoriales especializadas. En seguridad, los guardrails y controles de OpenAI de Google y Microsoft dominaron los despliegues actuales. En evaluación, las evaluaciones nativas y trazas de OpenAI lideraron el campo, empatadas con los encuestados que dijeron no usar ninguna herramienta de evaluación dedicada en absoluto.

Esa coherencia importa. Sugiere que los equipos empresariales están optando por defecto por las herramientas más cercanas al modelo subyacente y a la pila en la nube que ya usan. VentureBeat describió esto como “gravedad del modelo” en la orquestación y un valor predeterminado nativo del proveedor en las otras capas. La lectura práctica es más simple: los compradores quieren menos piezas móviles, un despliegue más rápido y una integración más estrecha, al menos para los primeros sistemas de producción.

Pero esos mismos equipos no están señalando una lealtad profunda a largo plazo. Las encuestas encontraron que el 68 % planea adoptar, añadir o reemplazar una plataforma de orquestación dentro de un año, el 57 % planea cambiar o añadir proveedores de recuperación, el 64 % espera cambios en las herramientas de evaluación y el 59 % planea cambios en las herramientas de seguridad de agentes. La estandarización está ocurriendo, pero la pila sigue siendo fluida.

La etiqueta de chatbot está superando a la realidad del software

Los datos de orquestación proporcionan el ejemplo más claro de la brecha entre el lenguaje de marketing y la realidad operativa. Según la encuesta, solo el 10 % de las empresas dijo que más de la mitad de sus “agentes” desplegados son verdaderos flujos de trabajo orquestados de varios pasos. La mayoría admitió que la cartera sigue dominada por asistentes de un solo prompt.

Ese hallazgo aparece en un momento en que “agentes de IA” se ha convertido en la etiqueta predeterminada para una amplia gama de productos. Los datos de VentureBeat implican que muchos despliegues empresariales se describen mejor como chatbots avanzados con conectores empresariales que como sistemas autónomos que coordinan herramientas, memoria y políticas a lo largo de múltiples pasos.

Esta distinción no es una cuestión semántica menor. Afecta a la arquitectura, las pruebas, la seguridad y el presupuesto. Un envoltorio de chatbot puede necesitar buenos prompts, grounding y un pulido de UX. Un agente real de varios pasos necesita permisos de tiempo de ejecución, rutas de rollback, trazabilidad, controles de gasto, estado persistente, una evaluación alineada con los resultados de la tarea y, a menudo, una capa de control híbrida que se sitúe por encima de cualquier proveedor de modelos concreto.

Los encuestados parecen entender esa brecha. Para finales de 2026, el 51 % dijo que espera una capa de control híbrida, que combine sistemas nativos del proveedor con orquestación externa. Solo el 6 % esperaba depender por completo de un servicio gestionado por el proveedor. La razón principal, según la encuesta, fue el bloqueo del proveedor, que el 35 % señaló como el mayor riesgo si el control vive dentro de la plataforma de un proveedor de modelos.

Por eso la historia no es simplemente “los proveedores están ganando”. Están ganando el valor predeterminado de despliegue actual, pero las empresas están construyendo simultáneamente salidas de escape.

La seguridad, el contexto y la evaluación siguen por detrás del despliegue

Las tres encuestas complementarias sugieren que la brecha de orquestación es solo una pieza de un problema más amplio de madurez en el despliegue.

En seguridad, la encuesta de VentureBeat a 107 empresas encontró que el 54 % informó de un incidente de seguridad de agentes de IA confirmado o de un casi incidente. Solo el 32 % dijo que cada agente tiene su propia identidad acotada, mientras que el 69 % informó de credenciales compartidas en alguna parte de la flota. Apenas el 30 % aísla sus agentes de mayor riesgo en entornos sandbox. La publicación señaló que la asociación entre identidades acotadas y tasas más bajas de incidentes es sugestiva, pero no prueba causalidad, especialmente dado el tamaño modesto y autoseleccionado de la muestra.

En infraestructura de contexto, una encuesta aparte a 101 empresas encontró que el 57 % había visto a agentes producir respuestas seguras pero incorrectas atribuidas a contexto empresarial faltante o inconsistente. La generación aumentada por recuperación fue la principal fuente de contexto para el 38 % de los encuestados, y las herramientas nativas del proveedor lideraron el uso real. Al mismo tiempo, el 58 % dijo que ya ejecuta o está construyendo una capa semántica gobernada, lo que implica que muchas organizaciones ahora consideran insuficiente la recuperación bruta sin una capa más fuerte de definición empresarial.

En evaluación, las señales de advertencia fueron igualmente directas. La mitad de las 157 empresas encuestadas dijo que había lanzado una función de agente o LLM que pasó evaluaciones internas y luego falló ante un cliente. Solo el 5 % dijo confiar plenamente en la evaluación automatizada hoy. Sin embargo, el 66 % ya permite o está construyendo hacia el despliegue sin intervención humana para agentes de bajo riesgo.

Esa combinación es probablemente la señal más importante del conjunto. Las empresas no están esperando una garantía perfecta antes de automatizar más decisiones. Están aumentando la autonomía mientras admiten que los controles destinados a certificar esa autonomía están incompletos.

Qué demuestra y qué no demuestra la evidencia

Los cuatro elementos de origen proceden del propio programa Pulse Research de VentureBeat AI, no de informes corporativos, documentación de productos ni amplios conjuntos de datos de mercado independientes. Eso hace que el conjunto sea útil como indicador direccional del comportamiento actual de los compradores, pero no como medición definitiva del mercado.

La propia VentureBeat señala repetidamente las limitaciones: las muestras fueron autoseleccionadas, sesgadas hacia organizaciones de tamaño medio en varias encuestas y extraídas de una sola ola de junio de 2026 en lugar de paneles longitudinales agregados. En la encuesta de orquestación, además, se pidió a los encuestados una única plataforma principal, lo que produce una instantánea de la preferencia actual más que una visión completa del uso o del gasto en varias capas.

Eso significa que las cifras específicas de plataforma para Claude, OpenAI, Microsoft, Google, Vertex AI Search o LangChain/LangGraph deben manejarse con cautela. Muestran dónde dice esta cohorte que ha colocado su apuesta principal, no la clasificación completa de la industria.

Aun así, los patrones más amplios son más difíciles de descartar porque reaparecen en las cuatro encuestas. Las herramientas nativas del proveedor parecen liderar en orquestación, recuperación, seguridad y evaluaciones. Las empresas informan tasas considerables de incidentes y fallos. Y grandes mayorías planean revisar su pila dentro del año. Los porcentajes individuales pueden moverse con una muestra distinta; la historia estructural parece más sólida.

Qué significa esto para creadores y compradores empresariales

Para los equipos de producto que construyen sistemas de agentes, el conjunto sugiere que la orquestación se está convirtiendo en un problema de plano de control, no solo en una elección de framework. Apostar por Claude, OpenAI o Microsoft puede acelerar el despliegue inicial, pero no elimina la necesidad de contexto gobernado, identidad en tiempo de ejecución, evaluaciones de producción y límites de coste.

Para las startups de infraestructura, la oportunidad puede ser más estrecha que “reemplazar la plataforma”, pero más grande de lo que parece al principio. Las encuestas muestran una penetración actual limitada de los proveedores especializados, pero una fuerte intención de añadir capas que las pilas nativas no resuelven por completo. Eso es especialmente relevante para la identidad no humana, la gobernanza semántica, la supervisión de calidad en vivo y la gestión del gasto.

Para los compradores de IA empresarial, el mensaje es examinar si las carteras internas de “agentes” son realmente flujos de trabajo autónomos o principalmente interfaces de chat asistidas. Si son lo segundo, la siguiente inversión correcta puede no ser otra abstracción de orquestación. Puede ser la disciplina operativa que hace confiable un flujo de trabajo cuando se vuelve verdaderamente autónomo.

Las encuestas también sugieren que muchas organizaciones siguen comprando por conveniencia y luego supervisando la corrección más tarde. Ese orden funciona durante la experimentación. Se vuelve más arriesgado una vez que los agentes pueden actuar en sistemas internos o enviar cambios sin aprobación humana.

Qué vigilar a continuación

La señal de seguimiento más clara es si la dominancia nativa del proveedor se endurece o se estabiliza. Si OpenAI, Anthropic, Microsoft y Google siguen absorbiendo orquestación, recuperación, evaluaciones y seguridad en una sola pila, las empresas pueden aceptar más bloqueo del que dicen querer actualmente.

Una segunda señal es si las capas de control híbridas pasan de la intención declarada a la arquitectura desplegada. Si las capas externas alrededor de LangChain/LangGraph, la orquestación personalizada y los controles de identidad ganan cuota real de producción, eso confirmaría que los compradores quieren a los proveedores para el acceso al modelo, pero no para el control total.

Tercero, conviene vigilar si los presupuestos empresariales se desplazan desde las herramientas de flujo de trabajo hacia las capas menos visibles implicadas por las encuestas: gobernanza semántica, identidades acotadas, supervisión de salidas en tiempo real y aplicación programática de costes. No son funciones de titular, pero son las capacidades más directamente vinculadas a los fallos que reportaron los encuestados.

Por último, la mayor prueba operativa es definitoria. A medida que las empresas trasladan más sistemas a producción, el mercado necesitará una separación más clara entre interfaces de chatbot, asistentes que usan herramientas y agentes de IA totalmente orquestados. Ahora mismo, la etiqueta va por delante de la implementación.

Perspectiva de Creati.ai

La parte más reveladora de esta historia es que no parece que las empresas estén confundidas sobre lo que deberían hacer buenos agentes. Dicen que quieren una ejecución fiable de varios pasos, permisos controlados, contexto preciso y evaluaciones que predigan resultados del mundo real. La brecha es que sus despliegues actuales a menudo no cumplen ese listón, incluso cuando las decisiones de compra y de plataforma avanzan a toda velocidad.

Por eso esto se parece menos a una guerra de plataformas que a un ajuste de cuentas operativo. Los proveedores de modelos están ganando el derecho a ser el punto de partida predeterminado, pero el problema comercial más difícil sigue sin resolverse: convertir flujos de trabajo impulsados por LLM en sistemas de software fiables. Los equipos que cierren esa brecha primero probablemente lo harán con mejores controles y definiciones más claras, no solo con mejores demostraciones.