La expansión de los agentes de inteligencia artificial está introduciendo una nueva variable en las cuentas tecnológicas de las empresas: sistemas capaces de ejecutar tareas de forma autónoma cuyo consumo, comportamiento y resultados resultan más difíciles de anticipar que los de las aplicaciones tradicionales.
El 55% de las organizaciones consultadas reconoce que no puede controlar con precisión sus costes de IA, según el Splunk State of Observability 2026 , un problema que está convirtiendo la observabilidad de agentes de IA en una pieza cada vez más vinculada a la gestión financiera, además de a las operaciones tecnológicas.
El estudio de Splunk, compañía propiedad de Cisco, recoge las respuestas de 2.050 profesionales de operaciones de TI e ingeniería de diez países y 16 sectores. La investigación fue realizada por Oxford Economics entre febrero y marzo de 2026. España no forma parte de la muestra, que incluye Australia, Francia, Alemania, India, Japón, Nueva Zelanda, Singapur, Arabia Saudí, Reino Unido y Estados Unidos, una limitación que impide trasladar directamente sus porcentajes al mercado español.
Los resultados muestran, aun así, un problema operativo que acompaña al despliegue empresarial de la IA agéntica. Un 87% de los participantes considera prioritaria la supervisión de las cargas de trabajo de inteligencia artificial, pero el 54% todavía no dispone de resultados de negocio claramente asociados a esa vigilancia. Más de la mitad, el 56%, tampoco puede medir adecuadamente indicadores como la calidad de las respuestas de los grandes modelos de lenguaje.
Esta distancia entre adopción y capacidad de control adquiere más importancia a medida que los agentes dejan de limitarse a generar contenido y pasan a intervenir en procesos de desarrollo de software, atención al cliente u operaciones tecnológicas. Un fallo puede propagarse a otros sistemas o provocar acciones incorrectas sin que exista una intervención humana en cada paso.
Medir el comportamiento del agente, además de la infraestructura
La observabilidad tradicional se ha apoyado durante años en métricas, registros y trazas para conocer el estado de aplicaciones e infraestructuras. Los agentes de IA añaden otra capa porque su comportamiento puede variar incluso ante tareas similares y sus decisiones dependen del modelo utilizado, el contexto recibido, las herramientas a las que tienen acceso y las instrucciones que encadenan durante una ejecución.
Eso obliga a incorporar indicadores que hasta ahora tenían menor presencia en las operaciones de TI: calidad de las respuestas, uso de modelos, consumo, privacidad, decisiones adoptadas por los agentes o aparición de alucinaciones. El 85% de los encuestados considera importante disponer de visibilidad sobre estas últimas, aunque solo el 58% afirma ser eficaz al detectarlas.
La preocupación se extiende al comportamiento general de estos sistemas. Un 83% teme posibles consecuencias no previstas de los agentes de IA. El dato ayuda a explicar por qué la observabilidad está ampliando su función desde la detección de problemas de rendimiento hacia mecanismos de gobernanza que permitan saber qué ha hecho un agente, con qué recursos, qué coste ha generado y qué efecto ha tenido su actuación.
Para las empresas, esa trazabilidad resulta especialmente relevante cuando los agentes disponen de permisos para interactuar con aplicaciones corporativas, datos o servicios de terceros. La autonomía que permite automatizar tareas también multiplica las variables que deben supervisarse.
Los picos de gasto complican la planificación de la IA
El coste aparece como uno de los principales puntos débiles. Además del 55% que asegura no poder controlarlo adecuadamente, el 60% de los participantes considera que los incrementos inesperados de facturación generan una presión operativa mayor que mantener un coste base elevado pero estable.
La diferencia afecta directamente a la planificación presupuestaria. El consumo de un agente puede depender del número de ejecuciones, de las llamadas realizadas a modelos y herramientas, de la cantidad de tokens procesados o de la complejidad de cada tarea. Cuando una organización combina distintos modelos y múltiples agentes, atribuir el gasto a un servicio, departamento o proceso empresarial se vuelve más complejo.
A ello se suma el propio coste de observar esos sistemas. El 57% de los encuestados afirma que su gasto en telemetría llegó a superar el coste de la infraestructura que estaba monitorizando. La acumulación de registros es parte del problema: Cisco señala que solo un 6% identifica la infraestructura de IA como su principal fuente de costes de observabilidad, mientras que los registros excesivamente detallados aparecen como el factor más citado.
La cuestión, por tanto, se desplaza desde cuánto cuesta almacenar datos hacia qué información merece conservarse y durante cuánto tiempo. Dos tercios de los participantes, el 67%, trabajan ya con una única plataforma de observabilidad, una arquitectura destinada a reunir señales y facilitar la identificación del origen del gasto.
Observabilidad y seguridad comparten cada vez más datos
La llegada de agentes con acceso a diferentes capas de la infraestructura también está modificando la relación entre los departamentos de operaciones y ciberseguridad. El 81% asegura que la supervisión de cargas de IA ha incrementado la colaboración entre ambos equipos.
El intercambio de información muestra una evolución similar. La proporción de organizaciones en las que observabilidad y seguridad comparten datos ha pasado del 74% al 84% en un año, mientras que el porcentaje de equipos que solucionan conjuntamente problemas ha aumentado del 62% en 2025 al 77% en 2026. Además, un 73% asegura poder relacionar correctamente problemas de rendimiento con causas de seguridad, frente al 65% registrado el año anterior.
La convergencia responde a una característica de los agentes: un comportamiento anómalo puede tener un origen operativo, derivar de una instrucción incorrecta o estar relacionado con una incidencia de seguridad. Separar estas señales en herramientas y procesos independientes dificulta determinar qué ocurrió y establecer responsabilidades.
«Gestionar agentes a gran escala requiere replantearse tanto la seguridad como la observabilidad», sostiene Jeetu Patel, presidente y director de Producto de Cisco. La compañía plantea las plataformas comunes de datos como una forma de detectar y responder a problemas en tiempo real cuando la actividad de los agentes atraviesa diferentes sistemas corporativos.
La observabilidad de agentes de IA llega a la gestión financiera
El estudio diferencia un grupo de organizaciones que denomina «líderes» por el grado de madurez de sus prácticas de observabilidad. Conviene interpretar la categoría dentro de la propia metodología de Splunk, aunque la comparación permite observar qué capacidades aparecen asociadas a una mayor trazabilidad económica.
El 91% de este grupo afirma poder atribuir correctamente los costes de IA a agentes, modelos y cargas de trabajo concretos, frente al 69% del resto. Un 76% asegura controlar con precisión esos costes. También utilizan con mayor frecuencia los agentes para prevenir y corregir incidencias y supervisan de forma conjunta variables como calidad, consumo, seguridad y privacidad.
La diferencia relevante para los departamentos de tecnología está en la conexión entre señales técnicas y decisiones empresariales. Una infraestructura capaz de identificar qué agente ha consumido recursos, para qué proceso y con qué resultado permite asignar costes a unidades de negocio y comparar el gasto con el valor obtenido.
Ese vínculo será más importante conforme las compañías aumenten el número de agentes y estos ejecuten tareas con menor intervención humana. La observabilidad deja así de limitarse al diagnóstico de caídas o problemas de rendimiento y empieza a funcionar también como mecanismo de control presupuestario y de gobernanza. Para las empresas que lleven la IA agéntica a producción, conocer el coste, el comportamiento y el resultado de cada carga de trabajo será una condición cada vez más ligada a la capacidad de escalarla sin perder previsibilidad.
