Durante años, el debate sobre inteligencia artificial se ha centrado en la capacidad de los modelos. Más parámetros, más datos, más precisión. Sin embargo, a medida que la IA abandona el terreno experimental y empieza a integrarse de forma persistente en los procesos empresariales, emerge un problema distinto, menos visible y más difícil de resolver: cómo operar sistemas que ya no esperan instrucciones humanas para funcionar.
En Cisco Live EMEA 2026, ese desplazamiento del foco se hace explícito. La IA deja de entenderse como una colección de aplicaciones avanzadas y pasa a concebirse como un conjunto de sistemas activos, continuos y autónomos. En ese contexto, la operación se convierte en el verdadero cuello de botella. No por falta de tecnología, sino por la imposibilidad práctica de escalar la supervisión humana al mismo ritmo que crecen los entornos de IA.
De la automatización clásica a los entornos dominados por agentes
La diferencia entre automatizar y operar sistemas agénticos no es semántica. La automatización tradicional se apoya en reglas, procesos definidos y escenarios relativamente estables. Los agentes, en cambio, toman decisiones, interactúan con otros sistemas, generan tráfico dinámico y modifican su comportamiento en función del contexto.
Este cambio altera por completo la carga operativa. Ya no se trata de reaccionar ante incidencias puntuales, sino de supervisar ecosistemas en los que miles de procesos autónomos actúan de forma simultánea. El modelo clásico de operación, basado en alertas, tickets y diagnósticos manuales, empieza a mostrar sus límites.
La presión no procede solo del volumen, sino de la velocidad. Cuando los agentes operan en tiempo real, cualquier degradación se propaga con rapidez. Identificar si un problema es de red, de seguridad, de configuración o de comportamiento de la aplicación deja de ser un ejercicio lineal. El sistema falla como un todo, y exige una lectura transversal.
Complejidad como estado permanente
Uno de los mensajes que atraviesa el evento es que la complejidad ya no es un efecto colateral del crecimiento, sino una condición estructural del nuevo modelo de IA. A más agentes, más interacciones. A más automatización, más dependencia entre sistemas. A más distribución, menos visibilidad directa.
En este escenario, la escasez de talento técnico deja de ser un problema coyuntural para convertirse en una limitación sistémica. No hay suficientes perfiles capaces de operar manualmente infraestructuras que cambian en tiempo real y que combinan red, seguridad, aplicaciones y datos. La alternativa no pasa por ampliar equipos de forma indefinida, sino por redefinir cómo se opera.
Es en este punto donde aparece AgenticOps como propuesta operativa. No como una capa adicional de automatización, sino como un cambio de modelo: sistemas diseñados para ser operados por agentes, con supervisión humana, en lugar de sistemas operados directamente por personas.
AgenticOps como modelo operativo
El planteamiento de AgenticOps parte de una idea sencilla: si los sistemas se comportan como agentes, la operación también debe hacerlo, apoyándose en observabilidad avanzada y en entornos de trabajo diseñados para la colaboración entre humanos y sistemas autónomos.
En lugar de herramientas aisladas que monitorizan dominios concretos, el enfoque se apoya en agentes capaces de analizar telemetría cruzada, correlacionar eventos y proponer acciones en función del estado global del entorno. La clave no está en la ejecución automática, sino en la capacidad de razonamiento a escala de máquina.
Los agentes pueden evaluar de forma continua miles de variables de red, seguridad y rendimiento, detectar patrones anómalos y anticipar degradaciones antes de que se conviertan en incidencias visibles. En este modelo, el operador humano deja de ser un resolutor reactivo y pasa a desempeñar un papel de supervisión, validación y control.
De la visibilidad fragmentada a la lectura transversal
Uno de los límites históricos de la operación IT ha sido la fragmentación. Redes, seguridad, aplicaciones y observabilidad han evolucionado como silos, con métricas y herramientas propias. En entornos dominados por agentes, esa fragmentación se vuelve especialmente costosa.
AgenticOps se apoya en una visibilidad transversal que combina telemetría de múltiples dominios para ofrecer una lectura coherente del estado del sistema. Un problema de rendimiento ya no se analiza como un fallo aislado, sino como un fenómeno que atraviesa capas técnicas y organizativas.
Esta lectura transversal se apoya de forma explícita en capacidades de observabilidad diseñadas para entornos de AI. En este punto, la integración de Splunk adquiere un papel operativo central. Más allá del análisis tradicional de logs o métricas, la observabilidad se extiende al comportamiento de modelos, agentes y flujos de trabajo, permitiendo correlacionar rendimiento, coste y anomalías en tiempo casi real. En entornos donde los agentes interactúan de forma continua con aplicaciones y datos, esta visibilidad resulta clave para entender no solo cuándo algo falla, sino por qué y con qué impacto operativo.
Campus, centros de datos y seguridad: un mismo plano operativo
La propuesta de AgenticOps no se limita a un entorno concreto. En campus y sucursales, se traduce en capacidades de diagnóstico autónomo, optimización continua de radiofrecuencia y validación previa de cambios. En centros de datos, permite correlacionar eventos de red con el comportamiento de cargas de trabajo, tanto tradicionales como de inteligencia artificial.
En el ámbito de la seguridad, los agentes analizan tráfico, configuración y capacidad para proponer ajustes alineados con políticas definidas, evitando tanto la sobreprotección como la exposición innecesaria. La operación deja de basarse en reglas estáticas y pasa a adaptarse al contexto.
Este enfoque integrado responde a una realidad operativa evidente: los problemas ya no respetan fronteras organizativas ni tecnológicas. Operar por dominios es más sencillo, pero cada vez menos eficaz en sistemas distribuidos y dinámicos.
El papel del humano no desaparece, cambia
Uno de los aspectos más cuidados del planteamiento es el papel del operador humano. Lejos de plantear una automatización ciega, el modelo se apoya en mecanismos explícitos de supervisión, aprobación y reversión. Los agentes proponen, ejecutan bajo autorización y permiten deshacer acciones cuando el contexto cambia.
En este equilibrio entre autonomía y control se encuadra AI Canvas, concebido como un espacio de trabajo compartido entre humanos y agentes. En lugar de dashboards estáticos o flujos de tickets, el enfoque propone un entorno dinámico donde los agentes aportan análisis, hipótesis y recomendaciones, y los operadores pueden explorar escenarios, validar decisiones y coordinar acciones complejas. La interfaz no sustituye al criterio humano, pero lo amplifica al concentrar contexto técnico, histórico y operativo en un único plano de trabajo.
El objetivo no es sustituir talento, sino ampliar su alcance. En un entorno donde la demanda de perfiles especializados supera ampliamente la oferta, la operación asistida por agentes se presenta como una forma de sostener el crecimiento sin perder control.
Operar la IA como sistema industrial
A medida que la IA se consolida como infraestructura crítica, su operación empieza a parecerse más a la de un sistema industrial que a la de una aplicación informática. Sistemas siempre activos, tolerancia mínima al error y dependencia directa del rendimiento operativo.
En ese marco, AgenticOps no aparece como una innovación puntual, sino como una respuesta a un cambio estructural. La cuestión ya no es si los sistemas pueden operar de forma autónoma, sino si las organizaciones están preparadas para gobernarlos sin perder visibilidad ni capacidad de intervención.
Cisco Live EMEA 2026 sitúa esta discusión en el centro del debate. No como una promesa futura, sino como una necesidad inmediata para quienes quieran llevar la inteligencia artificial más allá de los pilotos y convertirla en una capacidad operativa sostenida.
