Solo el 2% elige la plataforma por el modelo detrás
El 2% de las empresas que usan una plataforma de orquestación de agentes cita el modelo como razón principal para elegirla. El 78% se decide por flexibilidad entre modelos, fiabilidad en producción, facilidad de desarrollo o control sobre la ejecución del agente. Son datos del August VB Pulse de VentureBeat, que encuestó a 166 responsables de IA en organizaciones de 100 empleados o más, publicado el 5 de octubre de 2026.
La cifra contradice la tesis de que los grandes laboratorios (OpenAI, Anthropic, Google) están en posición de arrastrar a las empresas hacia sus propias plataformas gracias a la calidad de sus modelos. Los datos dicen lo contrario: el modelo importa, pero ya no decide.
Qué miran las empresas cuando eligen plataforma de agentes
Un agente de IA necesita un software que le reparta tareas, le dé herramientas y le ponga límites. Eso es una plataforma de orquestación. OpenAI, Anthropic y Google venden la suya atada a su propio modelo; LangChain o similares son agnósticas. Los 162 encuestados que usan alguna plataforma nombraron así el factor decisivo:
Leíste lo que hace la IA. ¿Y en tu negocio?
En CAR, dueños de empresa arman en 7 días su primer sistema funcionando: que ningún cliente se les escape, o que el informe del lunes salga solo. Con otros emprendedores al lado.
👥 Probar 7 días- 22% flexibilidad entre modelos y herramientas
- 20% fiabilidad en producción
- 19% facilidad de desarrollo
- 18% control sobre la ejecución del agente
- 10% seguridad y permisos
- 9% coste total de propiedad
- 2% alineación con un modelo frontera de última generación
- 1% rendimiento bruto (latencia y memoria)
La "gravedad del modelo" —elegir la plataforma de Anthropic solo por usar Claude, por ejemplo— pesa en el 2% de los casos. Cuatro factores operativos juntos mueven el 78% de las decisiones.
El mapa real: OpenAI lidera en uso, Anthropic queda como secundaria
El 45% de los encuestados usa el Agents SDK o la Responses API de OpenAI; el 39% usa Google Enterprise Agent Platform; el 27% usa Claude Platform de Anthropic; el 19% Microsoft AI Foundry o Copilot Studio; el 15% Salesforce Agentforce; el 9% Amazon Bedrock Agents.
Pero la cuota de uso no equivale a cuota de plataforma principal. La primaria es la que sostiene el grueso de los agentes de la empresa; moverlos después implica reconstruir workflows.
| Plataforma | Uso | La nombran primaria |
|---|---|---|
| OpenAI (Agents SDK / Responses API) | 45% | 69% |
| Google Enterprise Agent Platform | 39% | 57% |
| Microsoft AI Foundry / Copilot Studio | 19% | 68% |
| Salesforce Agentforce | 15% | 68% |
| Anthropic Claude Platform | 27% | 38% |
| Amazon Bedrock Agents | 9% | 27% |
El caso más llamativo es el de Anthropic: la usa el 27% de los encuestados, pero solo el 38% de esos usuarios la considera su plataforma principal. El 62% la trata como secundaria. Hay empresas que valoran Claude como modelo pero montan la orquestación encima de otra capa.
Este dato contrasta con la apuesta que Salesforce hizo en Dreamforce 2026 por Claudeforce, que según un informe de TD Cowen ya cuenta con 40 clientes en piloto privado y hasta 1.000 en beta abierta. La adopción existe, pero convive con plataformas de orquestación de terceros.
Multiplataforma: la nueva normalidad
El 59% de los usuarios de plataformas corre una sola, frente al 13% que reportaba la encuesta de julio. En julio, el 87% corría dos o más; en agosto, el 41%. La diferencia es estadísticamente significativa, aunque las muestras son distintas.
Cuando una empresa ya corre dos o más plataformas, la decisión de cambiar se dispara. El 84% de los entornos multiplataforma planea adoptar, añadir o reemplazar una plataforma en los próximos 12 meses, frente al 46% de los entornos con una sola. Entre los decisores finales de compras de IA, el 92% de los entornos multiplataforma piensa hacer un cambio.
En el agregado, el 60% de todos los encuestados planea un cambio de plataforma en 12 meses, y el 28% en tres meses. Los que planifican miran sobre todo a OpenAI (40%), Anthropic (35%) y Google (29%). El 54% de los que consideran Anthropic ni siquiera usa Claude Platform hoy, lo que confirma que el SDK y los servicios gestionados se están convirtiendo en puerta de entrada a la marca.
Dónde vivirá el control plane
El control plane es la capa que decide qué agente corre, a qué datos y herramientas accede y qué se registra. El 67% de los encuestados espera que, a finales de 2026, esa capa viva al menos en parte fuera de un servicio gestionado por el proveedor del modelo. El desglose:
- 33% enfoque híbrido (tooling del proveedor + orquestación externa)
- 27% servicio gestionado por el proveedor
- 22% plataforma de orquestación externa
- 12% control plane propio, desarrollado in-house
- 7% no espera desplegar agentes autónomos a escala
El principal miedo si el control plane vive dentro del proveedor: inflexibilidad entre modelos y herramientas (28%), seguido de límites de seguridad y permisos (22%) y falta de visibilidad (22%). El temido "vendor lock-in" clásico solo preocupa al 16%.
La presión del mercado apunta en la misma dirección. OpenAI, Red Hat y NVIDIA presentaron el 29 de septiembre de 2026 OpenClaw Enterprise, una capa de control open-source bajo licencia MIT, con la promesa explícita de ser "Kubernetes para agentes": multi-tenant, sandboxing, permisos por defecto deny, auditoría resistente a manipulaciones. El mismo día, OpenAI lanzó Frontier, su versión propietaria. Apuestan a ambos lados. La jugada repite el playbook de Red Hat con Linux y Kubernetes, según su VP de IA, Joe Fernandes.
El agujero de los costos: el 23% no controla nada en tiempo real
Un agente que entra en bucle, reintenta o llama a otros agentes gasta tokens en cada paso, sin que nadie lo frene. El 23% de los usuarios de plataformas dice que solo monitorea el gasto después de ocurrido, sin control en tiempo real dentro del pipeline. El 77% restante se reparte entre:
- 28% controles nativos de la plataforma principal
- 28% gateways o middleware propios, porque la plataforma no tenía controles finos
- 20% enrutamiento de tareas pesadas a modelos más baratos
El número no es teórico. Uber quemó todo su presupuesto anual de IA para ingeniería en cuatro meses hacia abril de 2026, según reportó Bloomberg, y respondió con un tope de US$1.500 por empleado, mes y herramienta. GitHub Copilot pasó a facturación por tokens en junio de 2026 y los desarrolladores vieron cómo su factura mensual podía saltar de US$29 a US$750 o de US$50 a US$3.000. En el top 1% de empresas más intensivas en IA, Ramp's AI Index estima un gasto de unos US$7.500 por empleado al mes, creciendo 14,1% mensual.
El gasto en tokens dejó de ser un detalle técnico y se convirtió en problema de directorio. Un informe de Hyperscience con 409 decisores de IA, realizado por The Harris Poll entre julio y agosto de 2026, encontró que el 80% de las organizaciones se aleja del modelo único y el 52% dice que sus costes de GenAI llegaron por encima de lo presupuestado. El 47% está reevaluando su estrategia por el golpe en la cuenta de resultados.
Qué significa esto para tu startup
Si estás eligiendo plataforma de agentes para tu producto o para tu operación interna, los datos del VB Pulse sugieren tres movimientos:
- Diseña el stack agnóstico al modelo desde el día uno. Si el 78% de las empresas valora más la flexibilidad entre modelos que la calidad de uno solo, construir con un framework como LangChain o un gateway de enrutamiento (el patrón que usa Goldman Sachs para clasificar cada request y mandarla al modelo más barato capaz de resolverla) es lo que te deja cambiar de proveedor sin reescribir los agentes. El lock-in al modelo es cada vez menos defendible: hasta el 67% quiere el control plane fuera del proveedor.
- Mete control de gasto en tiempo real antes de poner el primer agente en producción. No construyas un dashboard a posteriori. Un loop sin freno puede evaporar el runway de un mes en una tarde, exactamente el patrón que describe Unite.ai con Uber y Meta. LaHyperscience estima que el 52% de empresas se pasó de presupuesto en GenAI;controla a un cap por agente, no solo por equipo.
- Piensa en tu control plane como producto, no como herramienta. El 23% de las empresas no tiene forma de parar un agente en tiempo real, y startups como AIR (US$50M en dos rondas semilla según TechCrunch), Noma Security (US$100M Serie B) o Zenity (US$125M Serie C en agosto de 2026) están construyendo exactamente esa categoría. Para un founder técnico, el gap está en el plano del gasto y los permisos, no en el modelo.
La conclusión es incómoda para los modelos frontera: vender una plataforma de orquestación atada a tu modelo ya no es la estrategia ganadora. Las empresas están eligiendo por lo operativo, no por el benchmark.
Fuentes
- Agentic orchestration: Model makers are selling their own AI agent platforms, but only 2% of enterprises say the model was the main reason they chose one — VentureBeat
- OpenAI, Red Hat, and NVIDIA Back an Open-Source Agent Control Plane — Forkast
- Why Token Costs Are Breaking the CFO Budgets in 2026 — Unite.ai
- New Hyperscience Report Finds That Enterprise AI Costs Are Blowing Past Budgets — TMCnet
- AIR raises $50M to help companies vet the skills and add-ons AI agents use — TechCrunch
Leíste lo que hace la IA. ¿Y en tu negocio?
En CAR, dueños de empresa arman en 7 días su primer sistema funcionando: que ningún cliente se les escape, o que el informe del lunes salga solo. Con otros emprendedores al lado.
👥 Probar 7 días
