Malla agéntica: el futuro de la colaboración de IA escalable
Los debates teóricos en torno a los agentes de IA dominan el mercado, pero las implementaciones en producción van por detrás. McKinsey introdujo la malla agéntica para resolver esta brecha; sin embargo, las implementaciones en el mundo real aún chocan con graves cuellos de botella en integración, aislamiento de agentes y fiabilidad operativa.1
A continuación, analizamos estos puntos de fallo en vivo y demostramos cómo una arquitectura de malla basada en eventos permite un escalado controlado a nivel empresarial.
Desafíos en los sistemas agénticos
A medida que los equipos pasan de probar y experimentar con agentes de IA a desplegar casos de uso escalables en el mundo real, surgen varios desafíos:
- Brechas de integración: Durante la experimentación, los equipos utilizan soluciones prediseñadas que aceleran el desarrollo, pero a menudo estas soluciones carecen de un enfoque coherente al escalar. Como resultado, surgen problemas de integración y coordinación, lo que genera brechas en la cobertura. Por ejemplo, hemos visto que cuando se intenta escalar chatbots impulsados por IA, los distintos sistemas de datos de clientes e interacciones no logran sincronizarse.
- Aislamiento de los agentes: La mayoría de los agentes hoy trabajan de forma independiente con información local. Por ejemplo, un agente Planner, Retriever y Executor conectados mediante APIs pueden carecer de un contexto unificado. A medida que las organizaciones escalan a ecosistemas multiagente, la ausencia de memoria compartida y coordinación se convierte en un desafío clave.
- Limitaciones operativas: Las aplicaciones de agentes de IA pueden generar salidas impredecibles y comportamientos no deterministas, produciendo respuestas inconsistentes o fallando a la hora de ofrecer soluciones precisas.
Introducción a la arquitectura de malla agéntica
La malla de IA prevé una “Internet para agentes”, donde múltiples agentes pueden razonar, colaborar y actuar de forma autónoma a través de una red distribuida de sistemas y herramientas.
A diferencia de los pipelines de RAG o las APIs de microservicios, crea un sistema de registro del comportamiento de los agentes: cada invocación de herramientas, error y resultado se distribuye a través de la malla de eventos y es preservado por la capa de coordinación.
Este historial compartido se acumula en una base de conocimiento más rica, lo que permite a los agentes alinearse en torno a un contexto común y colaborar de forma más eficaz.
¿Cómo funciona una malla agéntica?
1. Componibilidad:
Cualquier agente, herramienta o modelo (por ejemplo, un nuevo LLM) puede conectarse a la malla sin necesidad de modificar otros componentes.
Este diseño modular favorece el escalado al permitir a las organizaciones añadir o reemplazar capacidades de forma incremental, sin interrumpir los flujos de trabajo existentes.
2. Razonamiento paralelo de agentes:
La malla permite distribuir el razonamiento entre múltiples agentes. Esto aumenta la complejidad, pero permite que agentes especializados se encarguen de partes de una tarea mayor en lugar de depender de un único LLM.
Esta división del trabajo facilita el escalado de los sistemas de IA, ya que las cargas de trabajo pueden distribuirse entre agentes que se ejecutan en paralelo.
3. Desacoplamiento por capas:
La malla separa funciones clave (p. ej., lógica, memoria, orquestación e interfaces) en capas diferenciadas. Esto significa que el razonamiento de un agente puede operar de forma independiente de su almacenamiento de datos o de su interfaz de usuario.
4. Neutralidad de proveedor:
La malla no está vinculada a ningún proveedor o plataforma en particular. Los componentes pueden sustituirse o actualizarse de forma independiente, con preferencia por estándares abiertos como el Model Context Protocol (MCP) y Agent2Agent (A2A) frente a las APIs propietarias.
Por ejemplo, el A2A de Google define un formato de mensaje común y un mecanismo de descubrimiento para la colaboración entre frameworks, mientras que el MCP de Anthropic proporciona una forma universal para que los agentes obtengan datos. De forma similar a USB, estos estándares permiten la interoperabilidad, de modo que los equipos pueden combinar herramientas y modelos de distintos proveedores sin trabajo de integración adicional.
5. Autonomía gobernada:
Los agentes de la malla actúan por su cuenta, pero dentro de barreras de protección, políticas integradas y otras restricciones. En otras palabras, cada acción autónoma está pregobernada por reglas.
Capacidades operativas: ¿cómo funciona la malla en la práctica?
Cada una de estas capacidades abarca toda la malla (no está vinculada a una única plataforma) y a menudo guarda paralelismo con conceptos de entornos de nube o de microservicios, como los registros de servicios o los registros de auditoría.
A continuación, describimos cada capacidad y cómo funciona en la práctica:
Descubrimiento de agentes y flujos de trabajo:
La malla mantiene un directorio central de todos los agentes y flujos de trabajo disponibles. Esto garantiza que los equipos puedan encontrar, reutilizar e integrar fácilmente las capacidades existentes en lugar de reconstruirlas desde cero. Los agentes también pueden publicar “tarjetas de capacidad” estandarizadas que describen lo que pueden hacer, y que pueden ser consultadas por otros agentes u operadores humanos.
Al aplicar una taxonomía común y estándares de metadatos, las organizaciones también pueden aplicar políticas de gobernanza, como restringir determinadas tareas sensibles a agentes certificados.
Registro de activos de IA:
El registro de activos proporciona un repositorio para todos los activos de IA críticos que determinan el comportamiento de los agentes. Esto incluye prompts, definiciones de herramientas, configuraciones de modelos, datasets y políticas. Todo lo que hay en el repositorio está versionado, es auditable y está sujeto a gobernanza.
Los activos esenciales suelen incluir:
- Prompts e instrucciones probados frente a jailbreaks o sesgos.
- Configuraciones de agentes que especifican qué herramientas, APIs y modelos están permitidos.
- Ajustes de LLM que definen los modelos y parámetros disponibles.
- Definiciones de herramientas y servidores MCP con controles de acceso integrados.
- Ejemplos dorados de entrada/salida que forman referencias confiables para el aprendizaje y la evaluación.
Gestión de la retroalimentación:
Los bucles de retroalimentación están integrados en la malla para que cada ejecución de flujo de trabajo se convierta en una fuente de aprendizaje. Métricas como la latencia, la precisión, las tasas de error o incluso las valoraciones humanas se recopilan y se reintroducen en el sistema.
Gestión de cumplimiento y riesgos:
Todos los flujos de trabajo agénticos deben operar dentro de reglas y restricciones definidas. Las herramientas de gestión de cumplimiento y riesgos están integradas directamente en la malla para garantizarlo.
Por ejemplo,
- Los agentes de cumplimiento pueden auditar las acciones conforme a los estándares organizativos o regulatorios antes de que se finalicen los resultados.
- Las políticas pueden exigir que las tareas sensibles incluyan comprobaciones de agentes de privacidad o seguridad, mientras que los registros de auditoría registran cada acción para su revisión posterior.
Sistemas de evaluación:
Los pipelines de evaluación funcionan como pruebas de integración para los flujos de trabajo agénticos. Su objetivo es garantizar que los flujos de trabajo sigan siendo robustos incluso cuando cambian los LLMs subyacentes o cambian las condiciones externas.
Cada vez que se produce una actualización de despliegue o de modelo, ejecutan suites de pruebas estructuradas para validar la corrección.
Suelen incluir:
- Pruebas a nivel de paso (p. ej., ¿se invocó la API/herramienta correcta?).
- Pruebas a nivel de flujo de trabajo (p. ej., ¿el proceso general produjo el resultado esperado?).
- Pruebas adversariales (p. ej., inyección de prompts, uso indebido, denegación de servicio).
Observabilidad:
En una malla agéntica, la observabilidad garantiza que cada interacción de agentes y flujo de trabajo pueda rastrearse, registrarse y analizarse. Esta capacidad proporciona visibilidad de extremo a extremo sobre cómo colaboran los agentes, qué herramientas se invocan y qué recursos se consumen.
Al centralizar las métricas y los registros de eventos, las organizaciones pueden detectar anomalías, controlar los costes y verificar que los resultados se mantienen dentro de las políticas de gobernanza.
Estándares emergentes como OpenTelemetry para agentes están ayudando a que la observabilidad sea interoperable en distintos entornos de ejecución.
Autenticación y autorización:
En una malla agéntica, cada llamada entre agentes o entre agente y servicio debe autenticarse y autorizarse. Piense en ello como en la emisión de tarjetas de identificación de seguridad temporales: los agentes obtienen exactamente los permisos que necesitan, y estos expiran rápidamente.
El uso de estándares como OAuth 2.0, JWT y el acceso con privilegios mínimos mantiene seguras las interacciones y limita el impacto si un componente se ve comprometido.
¿Por qué es importante?
En conjunto, estas capacidades convierten a los agentes poco conectados en una malla coherente y bien gobernada. Los flujos de trabajo pasan a estar supervisados, auditados y adaptados, al tiempo que mantienen la flexibilidad para integrar nuevos agentes, herramientas o modelos según sea necesario.
Por ejemplo, un agente creado por Atlassian podría descubrir e invocar sin fricciones a un agente especialista de Salesforce a través de la malla, con flujos de identidad y datos gestionados por protocolos compartidos.
Esto es lo que diferencia a una malla agéntica de los sistemas tradicionales de gestión de flujos de trabajo. Los orquestadores convencionales pueden conectar APIs y tareas, pero normalmente carecen de los mecanismos integrados de gobernanza, retroalimentación continua y cumplimiento que proporciona la malla.
Casos de uso de la malla agéntica
Los conceptos de malla agéntica están ganando tracción, pero las implementaciones reales y de grado de producción siguen siendo limitadas. La mayoría de los ejemplos actuales son despliegues tempranos o pruebas de concepto. Dicho esto, varios proveedores están empezando a mostrar casos de uso prácticos:
Kubernetes y control de ingress
En lugar de depender únicamente de controladores de ingress estáticos, en un sistema de malla agéntica, los agentes de IA pueden ampliar los entornos nativos de Kubernetes al permitir que los agentes gestionen el tráfico, refuercen la seguridad y optimicen las cargas de trabajo en las APIs y los flujos de eventos.
Áreas de aplicación:
- Control de ingress: Los agentes aplican autenticación, terminación TLS y reglas de políticas para proteger las APIs del acceso no autorizado.
- Orquestación consciente del clúster: Los agentes escalan las cargas de trabajo hacia arriba o hacia abajo y ajustan las estrategias de enrutamiento en función de la disponibilidad de recursos.
Ejemplo real:
Optimización de los sistemas backend
Una malla agéntica puede ayudar a optimizar los sistemas backend al permitir que los agentes gestionen el tráfico, apliquen políticas y equilibren las cargas de trabajo en tiempo real.
Áreas de aplicación:
- Gestión del tráfico: Aplique límites de velocidad detallados, cuotas y controles de picos para evitar la sobrecarga.
- Equilibrio de carga: Distribuya las llamadas API entrantes y el tráfico de flujos de eventos entre servidores para mantener servicios con buena capacidad de respuesta.
- Prevención de cuellos de botella: Detecte y limite las solicitudes excesivas de API o de flujos de datos para garantizar un rendimiento constante.
- Optimización de la resiliencia y del tiempo de actividad: Mejore la tolerancia a fallos redirigiendo las solicitudes fallidas de API/eventos.
Ejemplo real:
La empresa ferroviaria Eurostar utiliza una malla agéntica para optimizar los sistemas backend. Gestiona el acceso de los clientes a las APIs de forma granular para lograr un control del tráfico y una distribución de la carga más seguros.5
Gestión centralizada de API
Una malla agéntica ayuda a las organizaciones a centralizar las APIs, los flujos de eventos y los agentes de IA en una plataforma unificada.
Áreas de aplicación:
- Soporte de múltiples gateways: Integre APIs de varias plataformas como AWS, Azure y Apigee.
- Autenticación de nivel empresarial: Garantice un control de acceso adecuado para gestionar quién puede interactuar con las APIs y los agentes.
Ejemplo real:
SKF, una empresa manufacturera, utiliza una plataforma de malla agéntica para centralizar y gestionar sus APIs. 5
Gestión y exposición de datos y flujos de eventos en tiempo real
Una malla agéntica ayuda a las organizaciones a gestionar y proteger el acceso a los datos y flujos de eventos en tiempo real, proporcionando integración y control sin fricciones. Piense en ello como un hub centralizado donde distintos sistemas, como las APIs y los brokers de eventos, pueden comunicarse y compartir datos de forma eficiente.
Áreas de aplicación:
- Seguridad centralizada: Garantice que todos los datos y APIs sean seguros y cumplan los estándares organizativos.
- Mediación de protocolos: Convierta distintos tipos de flujos de datos (p. ej., Kafka, MQTT) en formatos comunes y fáciles de usar como REST o WebSocket.
- Descubrimiento de API y eventos: Proporcione un portal único para que los desarrolladores encuentren y utilicen datos y APIs.
- Gestión unificada: Gestione todos los tipos de APIs y flujos de datos, incluidos REST y WebSocket, en un solo lugar.
Añadir como fuente preferidaEl futuro de la malla agéntica: ¿otra exageración?
La malla agéntica promete una forma transformadora para que los agentes de IA autónomos colaboren dentro de un ecosistema estructurado. Sin embargo, existe el riesgo de que se convierta en otro framework técnico, dominado por soluciones de infraestructura como las mallas de servicios y los tejidos de integración:
- Un patrón similar surgió con el concepto de data mesh. Cuando Zhamak Dehghani lo introdujo, la idea revolucionó la gestión de datos al centrarse en la propiedad, la gobernanza y en tratar los datos como un producto. Sin embargo, los proveedores rápidamente rebautizaron soluciones existentes como Data Mesh.6
- La misma tendencia es ahora visible con la malla agéntica. Aunque la conversación se centra en aspectos técnicos como la comunicación/orquestación segura, estos son principalmente componentes de infraestructura.
Para evitar reducirlo a otra malla de servicios 2.0 o data fabric 2.0 con IA, la oportunidad real reside en centrarse en la creación de valor, no en la infraestructura subyacente.
Es esencial garantizar que los dominios de negocio asuman la responsabilidad de sus agentes, y no dependan de proveedores de middleware. Si las organizaciones adoptan la propiedad del dominio, la administración responsable y la gobernanza federada, la malla agéntica puede convertirse en una poderosa herramienta de transformación.
Cita esta investigación
Elige el formato que se ajuste al lugar donde vas a publicar. Pegar la versión con enlace en tu CMS conserva el enlace de retroceso.
@misc{dilmegani2026,
author = {Dilmegani, Cem and Şimşek, Hazal},
title = {{Malla agéntica: el futuro de la colaboración de IA escalable}},
year = {2026},
month = aug,
howpublished = {\url{https://aimultiple.com/agentic-mesh}},
note = {AIMultiple. Recuperado el 12 de agosto de 2026}
}Enlaces de referencia
El trabajo de Cem en AIMultiple ha sido citado por publicaciones líderes mundiales como Business Insider, Forbes, Morning Brew y Washington Post, empresas globales como Deloitte y HPE, ONG como World Economic Forum y organizaciones supranacionales como European Commission. [1], [2], [3], [4], [5]
A lo largo de su carrera, Cem trabajó como consultor tecnológico, comprador de tecnología y emprendedor tecnológico. Asesoró a empresas en sus decisiones tecnológicas en McKinsey & Company y Altman Solon durante más de una década. También publicó un informe de McKinsey sobre digitalización.
Dirigió la estrategia tecnológica y las adquisiciones de una empresa de telecomunicaciones reportando al CEO. También lideró el crecimiento comercial de la empresa de deep tech Hypatos, que alcanzó unos ingresos recurrentes anuales de 7 dígitos y una valoración de 9 dígitos desde 0 en 2 años. El trabajo de Cem en Hypatos fue cubierto por publicaciones tecnológicas líderes como TechCrunch y Business Insider.
Cem participa habitualmente en conferencias internacionales de tecnología. Se graduó en Bogazici University como ingeniero informático y tiene un MBA de Columbia Business School.
Siguiente para leer
Optimización de costes de Kubernetes: 8 pasos y 23 herramientas
Las 30+ mejores herramientas de automatización DevOps por métricas de POC
Cumplimiento de la IA: 6 desafíos principales y fracasos reales
Comparativa de más de 20 plataformas y bibliotecas de IA responsable
Precios de ERP: 5 proveedores, 5 modelos y 6 factores
Opcon Automation: Ventajas, desventajas, funciones y 4 alternativas
Sé el primero en comentar
Tu dirección de correo electrónico no será publicada. Todos los campos son obligatorios. Los comentarios se dejan en su idioma original.