Glosario de AI Operations

Reetiquetar como «agente de IA» un producto que no lo es: asistentes, RPA o chatbots vendidos con nombre nuevo y sin capacidad real de planificar, actuar y adaptarse. El término es de Gartner, que en junio de 2025 estimó que solo unos 130 de los miles de proveedores que se anuncian como agénticos lo son de verdad.

Agente de IA cuyo único trabajo es revisar lo que hace otro agente antes de que la acción salga: comprueba la salida contra la política de la empresa, marca lo que falta y decide si pasa, se bloquea o escala a una persona.

AgenticOps es un termino que popularizo Cisco para operaciones en las que los agentes de IA razonan y actuan a velocidad de maquina, un paso mas alla del AIOps clasico que se queda en alertas y recomendaciones. La idea: el agente no solo avisa del problema, lo resuelve dentro de unos limites.

Término emergente para la práctica de operar agentes de IA en producción — desplegarlos, monitorizarlos, evaluarlos y gobernarlos. En la práctica converge con AI Operations en su vertiente técnica.

La disciplina de hacer que una organizacion adopte y use la IA de verdad: formacion, playbooks internos, coordinacion con gobierno y medicion del uso real. Responde al problema de que la herramienta se compra pero nadie la usa: el freno no suele ser el modelo, es la adopcion.

La disciplina de poner IA y agentes a trabajar en las operaciones de una empresa y mantenerlos funcionando de forma fiable en producción: identificar casos, rediseñar workflows, construir e integrar agentes, evaluarlos, gobernarlos y medir su ROI.

Un modelo en el que un proveedor externo asume la operación de la IA de una empresa —identificar casos, construir, gobernar y mantener agentes— como servicio gestionado, en lugar de que la empresa monte todo el equipo internamente.

La persona responsable de un proceso de negocio operado con IA: decide qué se automatiza, valida la calidad, gobierna los agentes de ese proceso y responde por su resultado.

AIOps (Artificial Intelligence for IT Operations) es el uso de IA y machine learning para automatizar y mejorar las operaciones de TI: detección de anomalías, correlación de eventos, análisis de causa raíz y respuesta a incidentes. Es un término legacy centrado en la infraestructura, no en agentes de negocio.

Dos significados que el mercado mezcla por compartir nombre. AIOps (y su extension, Agentic AIOps) es operar la infraestructura de IT con IA: monitorizar, detectar y resolver incidentes de sistemas. AI Operations es operar la funcion de IA del negocio: orquestar, supervisar, evaluar, gobernar y escalar los agentes e IA que hacen trabajo de negocio.

Verificación independiente de que un sistema de IA hace lo que dice que hace, y que deja evidencia suficiente para defenderlo ante un tercero: auditor, regulador, cliente o tribunal.

Controles que se ejecutan en tiempo real sobre lo que entra al agente, lo que sale y lo que puede tocar: bloquean, redactan o detienen la acción antes de que llegue al usuario o al sistema.

Todo el software de terceros que tu agente carga para poder trabajar: skills, plug-ins, servidores MCP, add-ons y conectores. No lo escribiste tú, no lo firmó nadie, y se ejecuta con los permisos de tu agente.

Conjunto de componentes de terceros que un agente carga en tiempo de ejecución —skills, servidores MCP, herramientas, plantillas de instrucciones— y la cadena de confianza que los respalda. Instalar una skill no es instalar un archivo de texto: es dar a código ajeno los permisos del agente que lo carga.

Equipo central que concentra criterio, estándares y reutilización de IA para el resto de la organización; acelera cuando desatasca y frena cuando se convierte en la ventanilla por la que hay que pasar.

El salto de una prueba de concepto de IA que funciona en demo a un sistema que la empresa opera de forma fiable, gobernada y medible en el día a día.

Cuerpo emergente de reglas y criterios sobre cómo el derecho alcanza a un agente de IA que actúa por su cuenta: quién responde de lo que hace, qué autoridad puede tener y qué evidencia debe dejar.

Obligación europea de que una persona sepa, desde la primera interacción, que está hablando con un sistema de IA y no con un humano. Se aplica expresamente a agentes de IA y avatares. La excepción —«salvo que sea evidente»— existe, pero se interpreta de forma restrictiva.

Un agente al que la empresa trata como a alguien en nómina: tiene rol, permisos, responsable humano, expediente y evaluación de desempeño. No es una metáfora de marketing, es un cambio de cómo se gobierna.

La medición sistemática de la calidad de un agente antes y durante producción: si acierta, con qué fiabilidad, dónde falla y si mejora o empeora al cambiar algo.

Las evaluaciones de agentes (evals) son pruebas sistematicas y repetibles que miden si un agente hace bien su trabajo: precision, seguridad, coste y comportamiento ante casos dificiles. Son a un agente lo que los tests son a un software: sin ellas no sabes si un cambio lo mejoro o lo rompio.

La disciplina de asignar, controlar y optimizar lo que cuesta ejecutar agentes —tokens, llamadas a herramientas, reintentos, contexto— con el mismo rigor con el que se controla el gasto en cloud.

Perfil técnico que se incrusta dentro del equipo del cliente para llevar un caso de uso de IA desde la demo hasta un sistema funcionando en producción. No es consultor ni desarrollador interno: es el puente entre el modelo que ya funciona y la operación que todavía no lo usa.

El conjunto de agentes de IA que una organización despliega para ejecutar trabajo, gestionados como una plantilla: con roles, responsabilidades, supervisión y métricas de desempeño.

El conjunto de políticas, permisos y controles que definen qué puede y qué no puede hacer un agente: identidad, alcance de acciones, guardrails, aprobaciones y auditoría.

La gobernanza de agentes de IA es el conjunto de políticas, controles y responsabilidades que aseguran que los agentes autónomos actúan dentro de límites definidos: permisos, trazabilidad (audit trail), aprobaciones humanas, evaluación continua y rendición de cuentas. Responde a quién responde cuando un agente se equivoca.

Un patrón de diseño en el que una persona revisa, aprueba o corrige las acciones del agente en puntos definidos, en lugar de dejarlo actuar de forma totalmente autónoma.

Uso de herramientas de IA por parte de empleados fuera de los canales aprobados por la empresa: sin inventario, sin contrato de tratamiento de datos y sin trazabilidad. Es la versión IA del shadow IT, y suele aparecer no por rebeldía sino porque la vía oficial es más lenta que la oficiosa.

Identidad criptográfica y verificable que se asigna a un agente de IA (no a una persona) para que otros sistemas sepan quién es, qué puede hacer y durante cuánto tiempo, sin claves incrustadas.

La práctica de decidir qué información entra en la ventana de contexto de un modelo en cada paso: instrucciones de sistema, datos recuperados, definiciones de herramientas, historial y memoria. Si el prompt engineering trabaja la frase, la ingeniería de contexto trabaja todo el material que rodea a esa frase.

Disciplina que traduce texto normativo y criterio jurídico a lógica que un sistema de IA puede ejecutar y comprobar, para que la norma deje de vivir en un documento y pase a estar dentro del agente.

El registro vivo de qué sistemas de IA y qué agentes funcionan en la empresa: para qué proceso, sobre qué datos, con qué permisos, quién los usa y quién responde de cada uno.

Estándar abierto para conectar aplicaciones de IA con sistemas externos —datos, herramientas y servicios— mediante una interfaz común, en lugar de una integración a medida por cada par modelo-sistema. Anthropic lo presentó en noviembre de 2024 y lo donó en diciembre de 2025 a la Agentic AI Foundation, dentro de la Linux Foundation.

La forma en que una organización se estructura para operar la IA: roles y equipos, procesos de decisión, gobierno, presupuesto y cómo se reparte la responsabilidad entre negocio y tecnología.

La capacidad de ver qué hace un agente en producción: sus pasos, herramientas invocadas, coste, latencia, errores y decisiones, para poder depurar, auditar y mejorar.

La coordinación de varios agentes de IA (y sus herramientas) para completar un flujo de trabajo: quién hace qué, en qué orden, con qué estado y con qué control de errores.

El punto único por el que pasa todo el tráfico entre tus aplicaciones y los modelos: autentica quién llama, aplica la política, mide lo que se gasta y deja rastro. Es el proxy de la IA.

Capa única desde la que una empresa registra, autoriza, vigila y detiene a sus agentes de IA. No hace el trabajo: decide qué agente puede actuar, sobre qué sistemas y con qué permisos, y deja rastro auditable de cada sesión. Si no puedes apagar un agente desde un solo sitio, no tienes plano de control: tienes agentes sueltos.

La capa técnica por la que pasa todo lo que hace la IA de una empresa: identidad, permisos, políticas, enrutado a modelos y registro de cada llamada. No es un panel para mirar: es la tubería por la que circula la ejecución.

Modelo en el que el proveedor cobra por el trabajo entregado o por el efecto conseguido, no por las horas dedicadas ni por licencias de asiento. Se está convirtiendo en el estándar de los servicios de IA porque el coste del trabajo repetible se desploma.

Agentes que se crean, se despliegan y se conectan a sistemas más rápido de lo que la empresa puede inventariarlos, asignarles dueño, controlar sus permisos y apagarlos cuando dejan de servir.

Registro completo y a prueba de manipulación de lo que hizo un agente de IA y por qué: qué se le pidió, qué datos usó, qué herramientas llamó, qué decidió, quién lo aprobó y cómo terminó.

Cuántos de tus agentes operan de verdad sobre procesos vivos, dividido entre cuántos has construido. Es el número que separa un programa de IA de una carpeta de pilotos.

Inventario vivo de todos los agentes de IA que una organización tiene en producción, con su dueño, el proceso que opera, los sistemas a los que accede, su nivel de autonomía y su fecha de última evaluación. Es una formulación editorial de Implementa: la aplicamos como primer entregable de gobernanza en cualquier despliegue.

La decisión y el trabajo de apagar un agente que ya no aporta: quién lo autoriza, qué se hace con sus permisos, sus datos y el proceso que operaba. Es una formulación editorial de Implementa, no un término establecido del sector.

Entorno acotado donde un agente ejecuta acciones con límites explícitos de sistema de ficheros, red, credenciales y herramientas. No es una promesa en el prompt: es una frontera que el agente no puede cruzar aunque se lo pidan, aunque se equivoque y aunque alguien le haya inyectado instrucciones.

Proteger sistemas que persiguen un objetivo y actúan solos: controles dinámicos, monitorización continua y acceso adaptativo, porque la superficie de ataque ya no es la aplicación sino lo que el agente puede hacer con sus permisos.

Distinción editorial de Implementa. «Servicios agénticos» es lo que se vende: un resultado entregado con agentes. «Operaciones agénticas» es lo que hay que montar dentro para poder entregarlo de forma repetible: registro, permisos, sandbox, medición y dueños. Confundirlos es lo que hace que un piloto brillante no se convierta nunca en negocio.

Una unidad de capacidad empaquetada que se instala en un agente para que sepa hacer algo concreto: instrucciones, acceso a herramientas y a veces código. Se distribuye como se distribuía el plug-in, y se instala con la misma ligereza.

La proporción de un proceso, equipo o base de usuarios que realmente usa la solución de IA desplegada, frente a los que podrían usarla.

Porcentaje de casos que un agente de IA cierra de principio a fin sin que intervenga una persona. Implementa usa esta formulación —adaptada de la práctica de contact center— como métrica de cabecera para saber si un agente está trabajando de verdad o solo está delante de la cola.

Capa unica desde la que una empresa descubre, inventaria, observa, gobierna, asegura y mide toda la IA que tiene desplegada, venga del proveedor que venga. Responde a una sola pregunta: que IA hay corriendo aqui dentro, quien la puso y que esta haciendo.

Un flujo de trabajo en el que uno o varios agentes de IA toman decisiones y ejecutan acciones con herramientas para alcanzar un objetivo, en lugar de seguir pasos fijos predefinidos.