27 de julio de 2026Actualizado el Fathy Shalaby16 min de lectura
Productos listos para agentes: el modelo de dos usuarios para PMs
Tu producto ya tiene un segundo lector: un agente de IA que actúa en nombre de una persona. El modelo de dos usuarios y cuatro preguntas de auditoría muestran dónde tu producto solo funciona porque hay un humano mirando.
Un producto listo para agentes funciona de forma tan fiable para un agente de IA que actúa en nombre de una persona como para la propia persona. En la práctica, eso significa cuatro cosas: una vía legible por máquinas junto a la pantalla, salvaguardas que aplica el sistema en lugar de depender de que alguien se dé cuenta, la misma forma de respuesta cada vez y un responsable con nombre cuando un agente actúa a partir de un resultado ambiguo. El modelo de dos usuarios audita cada funcionalidad frente a ambos lectores.
Ideas clave
El software ya es el lector mayoritario de la web. En 2024, el tráfico automatizado superó al humano por primera vez en una década, con el 51 % de todo el tráfico web (Imperva, 2025).
Los agentes son un hábito minoritario, pero real. En la encuesta de Stack Overflow de 2025, el 30,9 % de los encuestados usaba agentes de IA en el trabajo al menos ocasionalmente y el 14,1 % lo hacía a diario (Stack Overflow, 2025).
Los productos pensados para humanos fallan en silencio con los agentes. El agente hace exactamente lo que le dijo una interfaz ambigua, a velocidad de máquina.
Los estándares existen. MCP (de código abierto desde noviembre de 2024 por Anthropic), llms.txt (propuesto en septiembre de 2024), los formatos de error de la RFC 9457 y las claves de idempotencia responden cada uno a una de las cuatro preguntas de auditoría.
Empieza por un flujo de trabajo, el más repetitivo y basado en reglas, aquel en el que una persona actúa en nombre de otra.
¿Quién es el segundo usuario de tu producto?
Durante veinte años, «¿quién es el usuario?» tuvo una única respuesta: una persona mirando una pantalla y tomando una decisión. Esa suposición se está resquebrajando. Una parte cada vez mayor de la lectura, los clics y el rellenado de formularios en el software la hace un agente: un modelo con herramientas que actúa por un humano, llama a tu API, lee tu documentación y rellena tus formularios.
Las cifras muestran la dirección, todavía no el destino:
Tráfico: las solicitudes automatizadas supusieron el 51 % del tráfico web en 2024, y solo los bots maliciosos el 37 % (). Gran parte son rastreadores y atacantes, no agentes útiles, pero significa que buena parte de lo que lee tu producto ya es software.
Desarrolladores: de las 31.877 personas que respondieron a la pregunta sobre agentes, el 14,1 % usa agentes de IA en el trabajo a diario, el 9 % cada semana y el 7,8 % una vez al mes o menos; el 37,9 % no tiene planes de hacerlo (Stack Overflow, 2025).
Software empresarial: Gartner prevé que el 33 % de las aplicaciones de software empresarial incluyan IA agéntica en 2028, frente a menos del 1 % en 2024, y que al menos el 15 % de las decisiones laborales del día a día se tomen de forma autónoma (W.Media on Gartner, 2025).
El mismo comunicado de Gartner trae el contrapeso: más del 40 % de los proyectos de IA agéntica se cancelarán a finales de 2027 (Gartner, 2025), y solo unos 130 de los miles de proveedores que venden «IA agéntica» ofrecen realmente algo así. El cambio es real y ruidoso. Ninguno de los dos hechos justifica ignorarlo.
La idea ya tiene nombre. En enero de 2025, Mathias Biilmann, de Netlify, propuso la experiencia de agente (AX), la experiencia que tiene un agente de IA como usuario de un producto, a continuación de la experiencia de usuario (Don Norman, 1993) y la experiencia de desarrollador (Jeremiah Lee, 2011) (Biilmann, 2025).
¿Por qué fallan en silencio los productos pensados para humanos cuando los usan agentes?
Este cambio no se manifiesta como una caída del servicio. Se manifiesta como una pérdida lenta de confianza en lo que produce tu producto. Una funcionalidad construida para el criterio humano depende de cosas que los agentes interpretan mal: textos que a una persona le resultan claros pero no tienen una única interpretación correcta, estado que solo vive en el diseño visual y confirmaciones que asumen que alguien notará cuando una cifra parece incorrecta. Un agente que actúa sobre esa misma superficie no se detiene a comprobar si algo tiene sentido. Hace exactamente lo que la interfaz le dijo, a la velocidad que pueda, tanto si la interfaz era clara como si no.
Ese es el modo de fallo para el que hay que prepararse: no «el agente se rompe», sino «el agente hace justo lo que le dijo un producto ambiguo, y nadie lo nota hasta que el resultado es erróneo a gran escala».
OWASP lo incluye entre los principales riesgos de las aplicaciones con LLM. Excessive Agency (LLM06:2025) es la vulnerabilidad que permite que se produzcan acciones dañinas en respuesta a salidas del modelo inesperadas, ambiguas o manipuladas, y sus causas de raíz son el exceso de funcionalidad, el exceso de permisos y el exceso de autonomía (OWASP, 2025). La ambigüedad de tu producto es una de las entradas.
Los usuarios intensivos de IA ya lo notan. En la misma encuesta de Stack Overflow, el 66 % de los desarrolladores dijo que su mayor frustración eran las respuestas de IA casi correctas, pero no del todo, y más personas desconfiaban de la precisión de la IA (46 %) que confiaban en ella (33 %) (Stack Overflow, 2025). Un agente que trabaja contra un producto ambiguo genera exactamente ese tipo de resultado casi correcto.
Un ejemplo cotidiano: la pantalla de aprobación de gastos
Un aprobador humano echa un vistazo al total, nota que parece alto para ese proveedor y se detiene a comprobarlo. Un agente que aprueba con los mismos criterios no tiene una entrada de «parece inusualmente alto». Tiene el campo que tu interfaz expone como umbral de aprobación. Si ese umbral vive en un tooltip que una persona leería pero que la integración del agente nunca toca, el agente no está funcionando mal. Está siguiendo una especificación que nadie escribió, porque siempre se dio por hecho que el lector sería un humano.
Cada flujo de trabajo en el que una persona aporta un criterio que la interfaz nunca codifica es un lugar donde esto saldrá a la luz: en silencio, un caso límite tras otro.
¿Qué es el modelo de dos usuarios?
Trata cada funcionalidad como si tuviera dos posibles usuarios que leen la misma superficie y audítala frente a ambos antes de lanzarla.
1. El decisor humano necesita entender el porqué, no solo el qué. Lee para obtener contexto, ponderar alternativas y ganar la confianza para actuar. Tu trabajo aquí no ha cambiado: claridad, jerarquía, el detalle adecuado en el momento adecuado.
2. El operador agente es un sistema que actúa en nombre de ese humano y ejecuta una tarea sin que nadie revise cada paso. No lee en busca de matices. Necesita que la interfaz sea inequívoca, estructurada y estable: la misma entrada debería producir de forma fiable el mismo tipo de salida.
Necesidad
Decisor humano
Operador agente
Lee
Páginas renderizadas, gráficos, tooltips
Respuestas de API, esquemas, documentación, Markdown
Detecta errores
Notando que algo no cuadra
Con errores de validación estrictos y un motivo
Tolera la inconsistencia
Sí, se adapta sin darse cuenta
No, cada variación rompe una integración
Quiere las explicaciones como
Prosa y contexto
Campos estructurados más el mismo razonamiento
Opción segura para acciones de riesgo
Un cuadro de confirmación
Estado de borrador o propuesto, con aprobación humana
La guía de Anthropic para construir agentes dice lo mismo desde el lado de quien los construye: conviene «invertir tanto esfuerzo en crear buenas interfaces agente-ordenador (ACI)» como en las interfaces persona-ordenador. En su agente para SWE-bench, el equipo dedicó más tiempo a mejorar las herramientas que al prompt general (Anthropic, 2024).
¿Cómo auditas una funcionalidad para ver si está lista para agentes?
Hazle cuatro preguntas a una funcionalidad. Cada una tiene una respuesta «buena» concreta.
1. ¿Hay una vía legible por máquinas junto a la legible por humanos?
Si la única forma de sacar información de tu producto es una página renderizada, un agente que actúa por esa persona no tiene un modo fiable de entrar. Una API documentada, una exportación estructurada o una forma de datos predecible son ahora la segunda puerta de entrada.
Un ajuste de permisos que solo existe como casilla en una página de configuración, sin campo en la respuesta de la API, es invisible para cualquier agente que trabaje a través de esa API. Deja de aplicarse en silencio en cuanto un humano delega la tarea.
Cómo es lo bueno: cada dato de la pantalla está también disponible como campo, y cada acción tiene un equivalente en API o herramienta MCP con un esquema de salida declarado. Las herramientas MCP pueden declarar un outputSchema y devolver structuredContent que se ajuste a él (especificación de MCP).
2. ¿La interfaz da por hecho que un humano detectará un error?
Los cuadros de confirmación, los avisos de «¿seguro?» y las advertencias en rojo dependen de que una persona note que algo no va bien. Un agente no se detendrá a menos que la comprobación sea estructural: un error de validación estricto, no una señal visual. Si tu única salvaguarda ante una acción destructiva es un modal con un botón rojo, esa salvaguarda no existe para nada que llame directamente a tu API.
Cómo es lo bueno: errores que una máquina pueda aprovechar. La RFC 9457 (julio de 2023) define un formato estándar de «problem details» porque «los consumidores no humanos de las API HTTP tienen dificultades» para leer páginas de error en HTML (IETF, 2023). MCP separa los errores de protocolo de los errores de ejecución de herramientas, que llegan con isError: true y un mensaje que el modelo puede usar para corregirse y reintentar. Para acciones de gran impacto, OWASP recomienda aprobación humana antes de ejecutarlas.
3. ¿Se garantiza que la misma acción produzca el mismo tipo de resultado?
Las personas toleran una funcionalidad que se comporta de forma ligeramente distinta según el estado de la cuenta, la carga o un caso límite. Se adaptan sin darse cuenta. Un agente que hace la misma llamada mil veces necesita que la respuesta mantenga la misma forma aunque cambien los valores: los mismos campos y el mismo formato de error cada vez. Si no, cada integración se rompe de un modo ligeramente distinto, según el caso límite con el que se topara primero.
Cómo es lo bueno: esquemas estables, cambios versionados y reintentos seguros. Las claves de idempotencia de Stripe permiten que un cliente repita una solicitud tras un error de conexión sin que la operación se ejecute dos veces; las claves pueden tener hasta 255 caracteres, y las de v1 pueden eliminarse cuando tienen al menos 24 horas (Stripe). MCP ofrece cuatro indicaciones de herramienta (readOnlyHint, destructiveHint, idempotentHint, openWorldHint), pero el esquema aclara que son indicaciones, no garantías (esquema de MCP). Haz cumplir el comportamiento en el servidor.
4. ¿Quién responde cuando el agente se equivoca?
Esta es la pregunta que se saltan la mayoría de las hojas de ruta. Si un agente actúa por una persona basándose en lo que produce tu producto y eso era ambiguo, el fallo se remonta a una decisión de producto, no a un error del usuario. Es una categoría nueva de riesgo de producto. Merece el rigor de cualquier incidente en producción: un responsable con nombre, una forma de reproducir lo ocurrido y una corrección que cierre la brecha real y no solo el caso concreto que se detectó.
Cómo es lo bueno: un registro de auditoría de qué agente hizo qué, bajo la autoridad de quién y a partir de qué entrada. La especificación de MCP dice que los hosts deben obtener el consentimiento explícito del usuario antes de invocar cualquier herramienta (especificación de MCP) y que siempre debería haber un humano en el circuito que pueda denegar una llamada a una herramienta (herramientas de MCP). Para decidir qué acciones puede realizar una IA por sí sola, consulta el contrato de traspaso a la IA: preguntar, actuar o parar.
¿Qué estándares hacen que un producto esté listo para agentes en 2026?
Ninguno es obligatorio y ninguno basta por sí solo. Cada uno responde a una pregunta de auditoría concreta.
Estándar
Qué es
Origen
Responde a
Model Context Protocol (MCP)
Protocolo abierto para conectar aplicaciones de IA con herramientas y datos, sobre JSON-RPC 2.0
Publicado como código abierto por Anthropic el 25 nov. 2024; especificación actual 2026-07-28
P1, P2, P4
llms.txt
Un archivo Markdown en la raíz de tu sitio que da a los agentes contexto conciso y enlaces a páginas Markdown limpias
Propuesto por Jeremy Howard el 3 sept. 2024; v2 en agosto de 2026
P1
Descripción OpenAPI
Descripción legible por máquinas de tu API REST
Estándar del sector
P1, P3
RFC 9457 problem details
Formato JSON estándar de errores para APIs HTTP
IETF, julio de 2023 (sustituye a la RFC 7807)
P2, P3
Claves de idempotencia
Clave aportada por el cliente que hace seguros los reintentos
Práctica habitual en APIs (p. ej., Stripe)
P3
MCP cuenta ya con el respaldo de asistentes como Claude y ChatGPT y de herramientas como VS Code y Cursor (MCP). Los servidores exponen tres tipos de funciones: recursos (contexto y datos), prompts (plantillas) y herramientas (funciones que el modelo puede llamar) (especificación de MCP). La propuesta de llms.txt afirma que miles de sitios publican ya el archivo y que Lighthouse, de Chrome, busca uno en sus auditorías de navegación agéntica (llms.txt). Si lo que te importa es cómo describen tu producto los asistentes de IA, y no cómo lo operan los agentes, ese es otro problema, tratado en visibilidad en la búsqueda con IA.
¿Cómo es una auditoría de preparación para agentes? Un ejemplo trabajado
Ejemplo ilustrativo. Supongamos que una empresa de 40 personas tramita 600 solicitudes de gastos al mes en tu producto y su responsable de finanzas quiere que un agente apruebe las rutinarias. Puntúa cada pregunta de auditoría con 0 (falla), 1 (en parte) o 2 (cumple).
Pregunta
Hallazgo
Puntos
1. Vía legible por máquinas
Las solicitudes y los totales están en la API; el umbral de 2.000 € por proveedor solo vive en un tooltip
1
2. Salvaguardas estructurales
Las aprobaciones por encima del umbral abren un modal; la API las acepta en silencio
0
3. Resultados consistentes
La aprobación devuelve una carga distinta para solicitudes multidivisa; no hay clave de idempotencia, así que un reintento tras un tiempo de espera agotado puede aprobar dos veces
0
4. Responsabilidad
El registro de auditoría anota al usuario, no al agente ni la regla que aplicó
1
Total
2 / 8
Las correcciones son pequeñas: exponer el umbral como campo, rechazar en la API las aprobaciones por encima del umbral con un error de problem details, devolver una única forma de carga y aceptar una clave de idempotencia, y registrar al agente que actúa junto al usuario que delega. Reevaluada tras esos cambios, la funcionalidad llega a 8/8 sin tocar la pantalla para humanos.
Considera una puntuación inferior a 6 como motivo para mantener a los agentes en modo solo borrador en ese flujo de trabajo. Ese umbral es un punto de partida, no una referencia.
Lista de comprobación de preparación para agentes (cópiala)
Cada valor que se muestra en pantalla está disponible como campo con nombre en la API o en la exportación.
Cada acción tiene un endpoint de API o una herramienta MCP con esquema de entrada y de salida declarados.
Las reglas de negocio (límites, umbrales, permisos) se aplican en el servidor, no en la interfaz.
Los errores devuelven un motivo legible por máquinas (RFC 9457 o un formato estable equivalente).
Las operaciones de escritura aceptan una clave de idempotencia o se pueden reintentar sin riesgo.
Las respuestas mantienen la misma forma en todos los estados de cuenta, divisas y casos límite.
Las acciones destructivas o de gran impacto requieren aprobación humana o empiezan como borradores.
Los registros anotan el agente, el usuario que delega y la entrada que hay detrás de cada acción.
Existe documentación en Markdown limpio, con un archivo llms.txt que apunta a ella.
Cada flujo de trabajo tiene un responsable con nombre para los incidentes con agentes.
Lo que esto no significa
No es un argumento para reconstruir tu producto como plataforma API-first de la noche a la mañana ni para abandonar la interfaz humana. La mayoría de los productos seguirán teniendo a una persona como público principal durante años; el cambio es aditivo. Tampoco es una razón para perseguir cada framework de agentes que aparece en una página de lanzamiento. La lección es más acotada: revisa tu superficie actual en busca de supuestos que solo funcionan si lee un humano.
¿Qué errores cometen los equipos al diseñar para agentes de IA?
Dos fuentes de verdad. El panel dice «3 elementos pendientes de revisión» mientras la API devuelve 4. Los productos que gestionan bien a los agentes generan la explicación para el humano y los datos para la máquina desde la misma fuente, de modo que ninguno de los dos lectores trabaja con una imagen parcial.
Fiarse de las indicaciones de herramienta como si fueran controles. Una anotación destructiveHint: false no impide una llamada destructiva. La especificación de MCP indica a los clientes que traten las anotaciones como no fiables, salvo que procedan de un servidor de confianza.
Conceder más de lo que la tarea necesita. Las primeras mitigaciones de OWASP son menos herramientas, funciones más acotadas y el mínimo alcance de OAuth. Una tarea de solo lectura debería recibir un token de solo lectura.
Medir llamadas, no resultados. El tráfico de agentes infla las cifras de uso. Comprueba si las tareas delegadas se completaron bien, no solo cuántas se ejecutaron. El uso intensivo por agentes también tensiona los precios por asiento; consulta cómo fijar precios cuando tus usuarios son agentes de IA.
Elige la funcionalidad en la que una persona hace ahora mismo el trabajo más repetitivo y basado en reglas para otra: aprobar solicitudes, clasificar tickets, conciliar registros. Casi siempre es ahí donde aparece primero un agente, porque es el flujo de trabajo que más compensa automatizar. Hazle las cuatro preguntas antes de que llegue un agente sin invitación, actuando según supuestos que tu interfaz nunca declaró.
Los PMs que se adelantan a esto no son los que construyen agentes. Son los que consiguen que su producto actual diga la verdad con la claridad suficiente para que una máquina que lo lea obtenga la misma respuesta que una persona.
Dónde encaja Specky
La propia superficie para agentes de Specky sigue el modelo de dos usuarios. Los agentes de programación y los asistentes se conectan mediante un servidor MCP con OAuth, cargan el contexto del producto y briefs respaldados por evidencias antes de planificar, y crean PRDs, tickets y decisiones como borradores. Esos borradores llegan a la PM Inbox para que una persona los apruebe, y cada afirmación enlaza con la evidencia de origen en el Product Graph, de modo que el humano y el agente ven el mismo razonamiento. Los detalles están en la página de Specky para agentes.
Preguntas frecuentes
¿Qué es un producto listo para agentes?
Un producto listo para agentes es uno que un agente de IA puede operar en nombre de una persona con la misma fiabilidad que la propia persona. Expone datos y acciones mediante una API o un servidor MCP, aplica las reglas en el servidor, devuelve formas de respuesta consistentes y escrituras que se pueden reintentar sin riesgo, y registra qué agente actuó y bajo la autoridad de quién.
¿Qué es la experiencia de agente (AX)?
La experiencia de agente es la experiencia que tiene un agente de IA como usuario de un producto o una plataforma, por analogía con la experiencia de usuario y la experiencia de desarrollador. Mathias Biilmann, de Netlify, introdujo el término en enero de 2025. Una buena AX significa que un agente puede obtener acceso, entender las capacidades del producto y completar tareas sin que un humano le haga de intérprete.
¿Necesito un servidor MCP para estar listo para agentes?
No. Una API bien documentada, con esquemas estables, errores claros y escrituras idempotentes, ya responde a la mayoría de las cuatro preguntas de auditoría. Un servidor MCP facilita conectar tu producto con asistentes como Claude, ChatGPT, VS Code y Cursor, y añade convenciones de consentimiento y de descripción de herramientas, así que merece la pena añadirlo cuando la API que hay debajo sea sólida.
¿Tener un llms.txt es lo mismo que estar listo para agentes?
No. llms.txt, propuesto por Jeremy Howard en septiembre de 2024, ayuda a los agentes a leer tu sitio web y tu documentación al dirigirlos a Markdown conciso. Responde a la primera pregunta de auditoría en lo que respecta al contenido. No hace nada por las acciones seguras, las respuestas consistentes ni la responsabilidad, que requieren cambios en la API y en el producto.
¿Cómo mantienes a un humano en el circuito cuando actúan los agentes?
Haz que las acciones de riesgo empiecen como borradores o propuestas que una persona aprueba, y hazlo cumplir en el servidor y no en un cuadro de diálogo. La especificación de MCP exige el consentimiento explícito del usuario antes de llamar a herramientas, y OWASP recomienda la aprobación humana para acciones de gran impacto. Registra el agente, el usuario que delega y la entrada de cada acción.
GDPR-aligned. EU workspace data is stored in Frankfurt, Germany. GDPR and EU data Built in Vienna, Austria. A product of influence solutions fm GmbH (FN 675374y). Imprint 14-day trial. Card required, and nothing is charged until day 14. 30-day refund after subscribing. See pricing