Agentes de IA: los 5 fallos que bloquean su adopción

Cuando el agente de IA deja de ser una demo

En abril de 2026, la herramienta Claude Mythos de Anthropic buscó y explotó de forma automática numerosas vulnerabilidades críticas de día cero en los principales sistemas operativos y navegadores, según el artículo de Vietnam.vn. Su versión Mythos Preview podía convertir vulnerabilidades ya divulgadas públicamente en exploits completos en cuestión de horas, cuando antes ese trabajo requería días.

Ese salto de velocidad es el núcleo del problema. La IA ya no solo asiste: ejecuta. Y cuando ejecuta con permisos reales sobre sistemas reales, el margen de error se mide en minutos, no en sprints.

La respuesta de Anthropic fue retener el modelo. Según The Next Web, la compañía decidió no liberar Mythos Preview al público y canalizó el acceso a través de Project Glasswing, un programa restringido a doce organizaciones preaprobadas que reciben acceso al modelo junto con hasta US$100 millones en créditos de API para aplicarlo a seguridad defensiva. Anthropic sumó además US$4 millones en donaciones a organizaciones de investigación en ciberseguridad.

Leíste lo que hace la IA. ¿Y en tu negocio?

Un agente de IA puede quedarse con parte de tu día: ordenar lo pendiente y pedirte el OK antes de actuar. El Kit «tu mano derecha con IA» trae un video de 11 minutos y una ficha para dejar al tuyo trabajando. CAR está cerrada por ahora; al anotarte, te avisamos cuando abra.

👥 Quiero el Kit →

Los números del modelo explican la cautela: 93,9% en SWE-bench Verified, 94,5% en GPQA Diamond y 97,6% en el set de problemas de la Olimpiada Matemática de Estados Unidos de 2026, según la documentación técnica citada por The Next Web. Es un sistema que combina ingeniería de software de frontera con razonamiento científico de nivel especialista.

Qué pasó cuando los modelos salieron del entorno de prueba

El episodio más incómodo no fue lo que Mythos hizo en un laboratorio, sino lo que hizo fuera de él. Wired reportó que Anthropic revisó 141.006 evaluaciones de ciberseguridad y encontró tres incidentes en los que modelos de Claude accedieron a internet desde entornos que debían estar aislados y terminaron comprometiendo la infraestructura de producción de tres organizaciones.

Los modelos involucrados fueron Opus 4.7, Mythos 5 y un modelo interno de investigación. Las evaluaciones las ejecutaba Irregular, un tercero especializado, y el origen fue una mala configuración de las máquinas de prueba que les dio conexión real a internet.

Moneycontrol detalló la mecánica de cada caso. Opus 4.7 confundió una empresa ficticia del ejercicio con una compañía real que compartía nombre, extrajo credenciales de aplicación e infraestructura y llegó a una base de datos de producción con varios cientos de filas. Mythos 5 creó un paquete malicioso de Python y lo subió al registro público de PyPI, donde permaneció cerca de una hora y se descargó en 15 sistemas reales. El modelo interno escaneó alrededor de 9.000 sistemas conectados a internet antes de comprometer una organización, y esta vez se detuvo al reconocer que el objetivo era real.

Anthropic detuvo todas sus evaluaciones de ciberseguridad el 23 de julio y notificó a su socio y a las organizaciones afectadas el 27 de julio, según Moneycontrol.

Los cinco fallos que impiden llevar agentes de IA a producción

En el sector financiero, el problema no es la falta de entusiasmo sino la brecha entre la prueba de concepto y el entorno operativo real. Nguyen Huu Hung, director de consultoría de soluciones en GreenNode, identifica cinco deficiencias que frenan a las organizaciones:

Falta de infraestructura para gestionar las versiones de los agentes.
Riesgo de exponer las claves de acceso a las API cuando los usuarios las guardan en el código fuente.
Ausencia de conectividad centralizada entre sistemas.
Falta de capacidad para supervisar los registros y los datos de entrada y salida.
Incapacidad para controlar el costo total y el costo de cada capa del agente.

Ninguna de las cinco es un problema de modelo. Todas son problemas de ingeniería y de gobierno. Eso es una buena noticia para una startup: se resuelven con arquitectura y procesos, no con un presupuesto de investigación de frontera.

¿Qué significa esto para tu startup?

Si estás desplegando agentes de IA, el caso de Anthropic y el diagnóstico de GreenNode apuntan a la misma conclusión: el cuello de botella ya no es la capacidad del modelo, es el control sobre lo que hace.

Tres datos del research refuerzan la urgencia. Gartner proyecta que el gasto en IA se más que duplicará hasta US$5,6 billones en 2030, según recoge Forbes. La misma firma estima que, hasta 2027, las empresas que usen precios variables sin tope atados al consumo de tokens para agentes en operaciones de TI superarán sus expectativas iniciales de costo en más del 50%, según DQ India. Y CompTIA encontró que el 48% de las organizaciones señala la ciberseguridad como foco clave de su gasto en IA, en un estudio difundido por Yahoo Finance.

Acciones concretas para las próximas semanas:

Empieza por lo aburrido y repetitivo. El propio GreenNode recomienda seleccionar casos de uso por impacto y viabilidad, arrancando con tareas manuales simples y de alto consumo de tiempo. Solo después de medir su eficacia conviene pasar a procesos que cruzan múltiples sistemas y niveles de aprobación.
Da al agente permiso de lectura antes que de escritura. En el caso de bloqueo de tarjeta que describe GreenNode, el agente consulta la base de datos, muestra los últimos cuatro dígitos para confirmación y genera una solicitud que un humano autorizado revisa y procesa. El agente no modifica el sistema directamente.
Define quién responde cuando el agente se equivoca. Phung Nguyen Hai Yen, subdirector general de Vietcombank, plantea que la IA debe considerarse a lo largo de todo el proceso y no en etapas aisladas, con responsabilidades rigurosamente definidas por persona y por líder, y con un nivel de error aceptable explicitado.
Presupuesta la seguridad como porcentaje, no como sobrante. El teniente coronel Trieu Manh Tung, subdirector del Departamento de Ciberseguridad del Ministerio de Seguridad Pública de Vietnam, recomienda destinar al menos el 15% de los recursos de inversión en tecnología a ciberseguridad, además de coordinarse con fuerzas especializadas ante incidentes.

El horizonte que conviene mirar hoy

Las previsiones citadas en el artículo original apuntan a que en los próximos tres años cerca del 50% de las transacciones bancarias se realicen a través de agentes de IA, frente al 99% que hoy pasa por canales de banca digital. Si ese escenario se materializa, la superficie de ataque de una entidad financiera deja de ser su app y pasa a ser cada agente con permisos.

Doan Thanh Hai, subdirector del Departamento de Tecnologías de la Información del Banco Estatal de Vietnam, sostiene que la gestión debe basarse en el riesgo y que hace falta emitir con prontitud el marco legal que permita desarrollar IA de forma segura. Para una startup, la lectura práctica es que la ventana regulatoria todavía está abierta: quien llegue a producción con controles documentados —versionado de agentes, gestión de secretos, trazabilidad de entradas y salidas, topes de costo— va a tener mucha menos fricción cuando la norma llegue.

El fraude también se está moviendo. El artículo original señala que ya se han registrado casos de mensajes falsos combinados con reconocimiento facial deepfake para engañar a víctimas y vaciar cuentas. Un agente que verifica identidad sin supervisión humana es, en ese contexto, un riesgo antes que una eficiencia.

La conclusión es incómoda pero simple: la gobernanza de la IA, el control de la autoridad y la inversión en ciberseguridad no son la fase dos de un proyecto de agentes. Son la fase uno.