El crecimiento acelerado de la IA está llevando a que cada vez más aplicaciones empresariales incorporen capacidades agénticas dentro de sus soluciones. Gartner estima que esta adopción crecerá de forma importante en los próximos años. Sin embargo, más del 40% de los proyectos agénticos actuales podrían cancelarse antes de 2027 debido a costos crecientes, valor de negocio poco claro y controles de riesgo insuficientes.
Todas estas causas, de una u otra forma, terminan siendo problemas de calidad. Y eso convierte a QA en uno de los factores que separará a las organizaciones capaces de escalar agentes de IA con éxito de aquellas que terminarán abandonando sus iniciativas.
En Latinoamérica, el sector financiero es uno de los primeros que necesita alinearse a esta realidad. Casos de uso como detección de fraude, gestión de riesgo y automatización de operaciones ya están incorporando capacidades agénticas, pero también introducen un nuevo desafío: sistemas cuyo comportamiento puede cambiar dinámicamente y generar impactos directos sobre el negocio y el cliente si no existen mecanismos adecuados de control y gobernanza.
Por qué el QA tradicional no alcanza
En las pruebas tradicionales, QA trabaja sobre una premisa determinística: ante el mismo input, el sistema debe producir siempre el mismo output. Los tests validan precisamente esa consistencia.
Los agentes de IA funcionan de manera distinta. Su comportamiento es probabilístico y contextual. Interpretan intención, consultan herramientas, encadenan acciones y pueden responder de forma diferente ante solicitudes similares dependiendo del contexto, del estado de los sistemas conectados o incluso de variaciones del modelo subyacente. Esa variación no necesariamente implica un error; en muchos casos hace parte natural del comportamiento esperado.
El 80% de las organizaciones que ya tienen agentes en producción reportaron haber encontrado comportamientos riesgosos, y solo el 21% cuenta actualmente con modelos de gobernanza maduros para gestionarlos. Eso evidencia que el reto ya no es únicamente funcional. También es de trazabilidad, observabilidad, monitoreo y control operativo. Ahí es donde QA empieza a asumir un rol diferente: ayudar a construir mecanismos de gobernanza que permitan operar sistemas agénticos con mayor seguridad y confianza.
¿Qué aporta QA en esta nueva era?
El reporte DORA 2025, basado en respuestas de miles de profesionales de tecnología, analizó cómo las prácticas de ingeniería, despliegue, calidad y adopción de IA impactan indicadores como estabilidad, velocidad de entrega y desempeño organizacional. Uno de sus hallazgos más relevantes es que los equipos con prácticas maduras de calidad son los que más valor logran extraer de la IA.
Un equipo con QA sólido puede aumentar velocidad y estabilidad al mismo tiempo, que es precisamente una de las combinaciones más difíciles de lograr en iniciativas tecnológicas complejas.
Por eso, el equipo de QA que más aporta en un proyecto agéntico no espera a que el sistema esté construido para empezar a pensar cómo validarlo. Participa desde las conversaciones de arquitectura, ayudando a definir qué significa que el agente funciona correctamente en su contexto específico y cómo medirlo antes de que aparezcan problemas en producción.
Esa definición, que parece operativa, termina siendo una decisión estratégica.
QA como habilitador de confianza
La era agéntica le está dando al QA un rol que pocas veces había tenido con tanta relevancia: convertirse en un habilitador de confianza para la adopción de IA dentro de las organizaciones.
Las empresas que entiendan esto primero no solo van a reducir riesgos. También van a poder avanzar más rápido en la implementación de sistemas agénticos, con la certeza de que lo que despliegan es observable, gobernable y sostenible en el tiempo.
En Sofka llevamos la calidad a cada etapa del desarrollo de software, incluyendo entornos complejos basados en IA. Si tu equipo está construyendo o evaluando sistemas agénticos y quiere entender cómo estructurar una práctica de QA que acompañe ese proceso, conversemos.