Los agentes de IA necesitan supervisión humana estructurada

Los agentes que clasifican tickets, sugieren descuentos, procesan reembolsos o actualizan registros están en producción en muchas empresas. Son sistemas probabilísticos: una tasa de error pequeña, multiplicada por un volumen alto, produce fallos reales en silencio.

La pregunta operativa no es "¿el agente es útil?" — es ¿quién autoriza la acción cuando el impacto es irreversible o supera un umbral? Esta autorización debe ser rápida, contextual, auditable y escalable. La aprobación humana dejó de ser un formulario esporádico y pasó a ser la interfaz entre el agente y la organización.

Qué hacen los agentes hoy (ejemplos típicos)

Casos recurrentes en producción:

• Triaje de reembolsos por correo electrónico con autoaprobación por debajo de un valor.
• Identificación de oportunidades estancadas en el CRM con sugerencia de descuento.
• Respuesta automática a tickets simples; escalamiento de los complejos.
• Previsión de cláusulas en contratos antes del envío al cliente.
• Clasificación de documentos fiscales y activación de flujos contables.

En todos ellos, una fracción de las acciones debería detenerse antes de ejecutarse —por valor, ambigüedad, cliente sensible o política interna.

Por qué "full auto + revisión posterior" no escala

1. La auditoría reactiva llega tarde. Descubrir reembolsos indebidos tres meses después no deshace el daño ni demuestra gobernanza sistémica ante el cliente o el regulador.

2. La supervisión pasiva de logs no funciona. Los humanos no revisan la transcripción completa del agente con atención consistente; la supervisión eficaz exige una solicitud puntual en el momento de la decisión.

3. La regulación y los contratos exigen revisión humana en decisiones automatizadas relevantes (AI Act, LGPD art. 20, cláusulas en contratos enterprise). "El agente decidió solo" es una posición cada vez más difícil de defender en contextos críticos.

El patrón que emerge:

Acciones reversibles o de bajo impacto: el agente continúa. Acciones irreversibles o por encima del umbral: solicitud de aprobación humana con contexto, plazo y trazabilidad.

Cómo se implementa

Flujo consolidado:

1. El agente procesa hasta un criterio (valor, confianza, tipo de operación).
2. En lugar de ejecutar, llama a la API de aprobación con título, descripción y configuración de pasos.
3. El humano recibe notificación en el canal preferido (Slack, correo electrónico, WhatsApp, …).
4. El humano aprueba o rechaza (comentario opcional).
5. El agente recibe el resultado mediante webhook o polling y continúa o aborta.

Cada decisión queda vinculada al workflow_id: qué se propuso, quién decidió, cuándo y por qué canal.

El cuello de botella suele ser la latencia y el volumen de la capa de aprobación —decenas de solicitudes por hora mal formateadas o sin escalación bloquean al agente. Por eso la aprobación se convierte en infraestructura, no en un webhook ad hoc.

Apruvly en la stack de agentes

Apruvly ofrece la misma API REST para flujos activados por personas o por software, con:

• Multicanal y escalación automática.
• Challenge UUID por aprobador (idempotencia cuando el agente reenvía).
• Webhook del integrador en la API key (Starter+) o acciones on.workflow_*.
• Consulta de estado: GET /api/v1/workflow/:id.

Para agentes compatibles con MCP (Model Context Protocol), el plan Growth ($59/mes) y superiores habilitan:

Scopes en la API key: mcp:workflow:read, mcp:workflow:write, mcp:workflow:cancel.

Ejemplo de flujo MCP:

1. El agente llama a create_approval_request con object.title describiendo la acción propuesta y los pasos para el gestor.
2. El gestor recibe notificación y decide.
3. El agente usa get_approval_status o recibe POST en notify_url / callback_url con event: workflow_approved.
4. El agente ejecuta o desiste de la acción en el sistema de origen.

La trazabilidad es la misma que la de un reembolso enviado por un colaborador humano —útil para compliance y para depurar el comportamiento del agente.

Qué aún no es producto (evitar confusión)

• Aprobación cruzada entre agentes (agente A pide que agente B apruebe hasta límite X): no es una función disponible hoy; sería un diseño personalizado en su capa.
• Mercado tercerizado de aprobación humana con SLA comercial: tendencia posible en el sector, no oferta de Apruvly.

Tendencias (especulativo, 12–24 meses)

El volumen de solicitudes human-in-the-loop tiende a aumentar con más agentes en producción. La UX de aprobación puede ramificarse por dominio (deploy vs descuento vs reembolso), pero la capa de entrega, escalación y auditoría permanece común. Los equipos que invierten pronto en esta capa evitan reimplementar bajo presión después del primer incidente.

Por dónde empezar

Ejercicio útil incluso sin agente en producción:

1. Liste tres operaciones que delegaría parcialmente a un agente en los próximos seis meses.
2. Para cada una, marque el punto de no retorno donde un humano debe revisar antes de ejecutar.
3. Defina canal, contexto mínimo, timeout y escalación para cada punto.

Esto se convierte en la especificación de la capa de aprobación —implementable mediante API REST o MCP.

Próximo paso

• Free (180 créditos/mes): validar flujo single-step e integración REST.
• Growth+: MCP y multinivel para agentes en volumen.

Cuenta en apruvly.io. Documentación de la API en /documentation tras el inicio de sesión o en la página pública equivalente.