En tres años puse un agente de IA en producción y después lo saqué del aire con mis propias manos. Conversaba bien. Respondía con precisión. Y no le resolvía el problema a nadie.
Esa es la parte que casi nunca se cuenta. El mercado está lleno de relatos de lanzamiento y vacío de relatos de apagado — y el segundo enseña más.
Este artículo tiene dos mitades. En la primera, mi inventario honesto: qué está corriendo, qué todavía está en prueba, qué murió, y por qué lo que más aumentó mi entrega no fue inteligencia artificial. En la segunda, los números del mercado que explican por qué esta historia importa a quien trabaja con tecnología hoy — incluyendo por qué las vacantes de Scrum Master cayeron 62% mientras 85% de las vacantes de Product Manager pasaron a pedir IA.
Quién está hablando
Empecé en diseño gráfico. Migré a TI, pasé años en WordPress y desarrollo web — más de dos décadas metido en sitios, servidores y cosas rotas en producción. Hoy trabajo con MarTech: la capa donde marketing, sistema y dinero se encuentran.
No soy investigador de IA. Soy el que contesta el teléfono cuando el checkout deja de procesar un viernes por la noche. Mis clientes son empresas reales que, sumadas, facturan más de un millón de reales por mes, y lo que me compran no es tecnología — es previsibilidad.
Eso cambia lo que llamo éxito. Un modelo que impresiona en una demo y falla en el borde del flujo real no vale nada para quien me paga. Esa vara explica todas las decisiones que vienen a continuación.
Por qué me quedé callado
Fundé Evolutiva en 2022 y publiqué poco desde entonces. No fue estrategia de contenido. Fue falta de tiempo y, siendo franco, cierto recelo de hablar antes de tener algo que mostrar.
Tres años después lo tengo. Incluso lo que no funcionó.
El agente de IA que entró en producción y yo saqué del aire
Funcionaba. Y aun así fue un error mantenerlo en el aire.
Un cliente recibía decenas de llamadas por día con las mismas preguntas: situación del contrato, duplicado de factura, cambio de titularidad. La información existía — dispersa en miles de documentos, exportaciones y planillas acumuladas a lo largo de años.
Construí un agente RAG (Retrieval-Augmented Generation, o generación aumentada por recuperación — en palabras simples: la IA busca la respuesta en la base real del cliente antes de responder, en vez de inventarla). Entró en producción en alianza con otra empresa de tecnología.
El agente entendía la pregunta. Encontraba el documento correcto. Formulaba la respuesta con claridad. En cualquier métrica conversacional, aprobaba.
Y yo lo saqué del aire.
Por qué apagué algo que funcionaba
Porque atender bien no es lo mismo que resolver.
El sistema del cliente no exponía puntos de integración. El agente lograba decir «su factura venció el 12 de marzo», pero no lograba generar el duplicado. Sabía que una transferencia era posible, pero no lograba iniciar el proceso.
Era un empleado brillante encerrado en una sala sin teléfono.
El cliente que llamaba no quería información. Quería el problema resuelto. El agente entregaba la mitad del camino — y medio camino, en atención al cliente, a veces es peor que nada, porque crea expectativa y devuelve al cliente a la cola.
La falla no fue del modelo. Fue de la infraestructura debajo de él. Y mantener en el aire un sistema que da buena impresión sin entregar resultado es deuda técnica disfrazada de vitrina.
Esa fue la lección más cara que aprendí, y se convirtió en mi regla: IA sin capacidad de acción es demostración, no producto.
Por qué un sistema legado se volvió SaaS antes de entrar en producción
Otro cliente operaba en un sistema legado que ya no soportaba el volumen: cobro recurrente, conciliación manual, planillas intercambiadas por correo. Empecé la reconstrucción — migración de base de datos, contenedores, pipeline de datos, cobro automatizado.
A mitad del camino noté algo que cambió el proyecto: el problema no era de aquel cliente. Era de todo el sector.
Todo negocio de aquel mercado tenía el mismo dolor, el mismo proceso manual, la misma planilla. Construir una solución a medida para un cliente resolvería un caso. Construir una plataforma multiinquilino — un SaaS donde cada empresa tiene su ambiente aislado sobre la misma base — resolvería el mercado.
Rehice la arquitectura para SaaS.
Aclaración honesta: ese sistema todavía no entró en producción. Está en fase de piloto. Yo podría escribir «plataforma SaaS para el sector» y dejar que usted suponga que hay decenas de clientes corriendo en ella. No los hay. Hay una arquitectura lista, un piloto en marcha y una decisión de producto que defiendo — pero producción es una palabra que solo se usa después de que un usuario real depende del sistema para trabajar.
Por qué la mesa de cambio sigue en pruebas (y seguirá hasta estar correcta)
Construí una mesa de operación digital de cambio de divisas: cotización, contrato, documentación de compliance, todo en tiempo real. Ahí, un agente de IA actúa como interfaz del sistema — el operador conversa, y el agente ejecuta dentro del flujo real.
Ese es exactamente lo opuesto del primer caso: aquí la IA tiene manos.
Y es justamente por eso que sigue en pruebas.
El sistema mueve dinero real, de clientes reales, en países distintos. La operación necesita ser rápida, porque el cambio de divisas tiene ventana de cotización. Necesita ser a prueba de error, porque un número cambiado no es un bug — es la pérdida de alguien. Y necesita ser auditable, porque hay regulación involucrada.
Cuando el costo del error es financiero y transfronterizo, «parece estar funcionando» no es criterio de liberación. Apurarse aquí no es agilidad: es irresponsabilidad.
Lo que aprendí gastando más de R$ 25 mil en IA
Invertí más de R$ 25 mil en herramientas de inteligencia artificial en los últimos años — ChatGPT, Gemini, Claude, Perplexity, OpenRouter, OpenCode, en prácticamente toda combinación de suscripción y modelo que existió en el período.
No fue un curso. Fue uso diario, en trabajo que tenía que salir.
El aprendizaje más incómodo: lo que yo sabía cambiaba casi todas las semanas. El modelo que era el mejor para una tarea en enero no lo era en marzo. El truco de prompt que funcionaba dejaba de ser necesario cuando el modelo mejoraba. Una herramienta que parecía esencial se volvía superflua con un lanzamiento.
Quien trató la IA como algo que se aprende una vez quedó con un conocimiento vencido. Lo que se acumula no es el atajo — es el criterio: saber cuándo un modelo es suficientemente bueno, cuándo el problema no es el modelo, y cuándo la respuesta correcta es no usar IA en absoluto.
Lo que conecta los agentes a los sistemas: MCP
Lo que amarra todo esto hoy es el MCP — Model Context Protocol, un estándar adoptado por Anthropic, Google y Microsoft para darles «manos» a los modelos de lenguaje.
En la práctica: con MCP, el modelo no solo conversa. Consulta bases de datos, dispara procesos, registra información y devuelve resultados dentro del sistema.
¿Recuerda al agente encerrado en la sala sin teléfono? MCP es el teléfono. Si hubiera existido con la madurez actual en la época de aquel proyecto, probablemente no habría apagado nada.
Lo que realmente duplicó mi entrega — y no fue IA
Fue proceso.
Eso suele decepcionar a quien espera oír el nombre de una herramienta, pero es la respuesta honesta. La IA aumentó mi velocidad de ejecución. El proceso aumentó mi constancia — y la constancia es lo que el cliente compra.
Trabajo solo la mayor parte del tiempo. Scrum, como está en el manual, presupone equipo: daily con varias personas, roles separados, ceremonia de alineación. Solo, eso se vuelve teatro — reunión conmigo mismo.
Lo adapté. Mantuve lo que resuelve un problema real de quien trabaja solo:
| Práctica de Scrum | Cómo la adapté a una operación solo |
|---|---|
| Sprint | Ciclo semanal cerrado, con alcance congelado al inicio |
| Backlog priorizado | Cola única por impacto en el cliente, no por el antojo del día |
| Daily | Revisión corta en la mañana: qué se trabó y qué sale hoy |
| Definition of Done | Criterio escrito antes de empezar — sin eso, «casi listo» se vuelve eterno |
| Velocity | Tarjetas cerradas por semana — la única métrica que sigo |
| Retrospectiva | Media hora el viernes: qué se atrasó y por qué |
La ganancia no vino de ninguna práctica aislada. Vino de dejar de decidir prioridades todos los días. El alcance abierto y la cola movediza consumen una energía que nadie contabiliza — y trabajando solo, esa energía es el recurso más escaso que existe.
Resultado: vengo cerrando cerca del doble de tarjetas por semana. No porque trabaje más horas. Porque me detengo menos, rehago menos y termino lo que empiezo.
La combinación que funciona es esta: IA para ejecutar más rápido, proceso para ejecutar la cosa correcta. Solo la primera mitad produce mucho trabajo descartable a alta velocidad.
El análisis honesto de las vacantes: lo que subió, lo que se desplomó
Mientras yo construía esto, el mercado se reorganizó de un modo que casi nadie previó. Fui tras los números — y algunos son incómodos.
Qué pasó con las vacantes de Agile y Producto
Pase el mouse sobre las barras para ver la fuente de cada número.
Vacantes permanentes de Scrum Master en el Reino Unido, en ventanas de 6 meses. La función dedicada se redujo 62% en dos años.
Lo que no cayó: la práctica. Scrum sigue en 87% de los equipos. Las empresas absorbieron el método dentro de la ingeniería y cortaron el cargo separado.
El mercado de Product Manager se recuperó — pero la recuperación tiene dueño: la IA.
La distancia entre la tercera y la cuarta barra es la vacante abierta del mercado: 30% de las vacantes piden IA, menos de 5% de los profesionales ya entregaron algo con IA de verdad.
Quien tiene la competencia cobra más por ella — y el premio se duplicó en un año.
Aclaración honesta: los datos de vacantes son mayoritariamente del Reino Unido y de Estados Unidos. La dirección se transfiere a Brasil; la magnitud exacta, no. Úselos como orden de magnitud.
Fuentes: IT Jobs Watch (ene/2026) · Dexity, 654 vacantes (jul/2026) · PwC (2025) · Lenny’s Newsletter · LinkedIn Workforce Insights · Humanizing Work
Por qué se desplomaron las vacantes de Scrum Master
Porque la práctica fue absorbida y el cargo separado dejó de justificarse.
En enero de 2023, Capital One eliminó más de mil posiciones de Scrum Master, agile coach y delivery lead en una sola decisión. Royal London despidió al 90% de sus agile coaches pocos meses después. En el Reino Unido, las vacantes permanentes de Scrum Master cayeron de 79 a 30 en dos años — caída de 62%.
La justificación del propio Capital One es la parte que interesa: el papel fue «crítico en las fases iniciales de la transformación», pero con la madurez de la organización el paso natural fue «integrar los procesos de entrega ágil directamente en la ingeniería».
Traduciendo: el método ganó, el cargo perdió. Scrum sigue corriendo en 87% de los equipos. Lo que desapareció fue la persona contratada exclusivamente para facilitar ceremonias.
Hay un segundo factor, y es más duro. Existen más de 4 millones de certificados ágiles emitidos en el mundo. En Scrum.org, menos de 1% de los certificados alcanzó el nivel más alto. Cuando la oferta de credenciales crece mucho más rápido que la de competencia comprobada, el mercado deja de poder distinguir entre las dos — y pasa a tratar a todos como intercambiables.
¿Y el Product Manager? Ahí la historia es otra
El mercado de producto se recuperó — es el mayor volumen de vacantes desde 2022, con más de 7.300 posiciones abiertas globalmente. Pero la recuperación tiene dueño.
En un análisis de 654 descripciones de vacantes reales de Product Manager, 85% ya mencionan IA o machine learning y **32% exigen experiencia con *evals*** — las pruebas que miden si un sistema de IA realmente funciona, en vez de solo parecer funcionar.
Y aquí está el dato que más me llamó la atención: cerca de 30% de las vacantes de PM abiertas son de AI PM, pero menos de 5% de los PM sénior ya pusieron un agente de IA en funcionamiento.
Esa distancia es la oportunidad entera resumida en una línea.
Qué significa esto en la práctica
El premio salarial por competencias de IA saltó de 25% a 56% en un año — más que se duplicó. La demanda por esas competencias creció 142% en doce meses, según datos del propio LinkedIn.
Para quien está en Brasil, el efecto es directo: profesionales de producto contratados por empresas internacionales han recibido en el rango de US$ 4 mil a US$ 12 mil por mes, típicamente de 2 a 4 veces el equivalente local. Las vacantes de Payments Engineer con IA pagan entre US$ 5 mil y US$ 9,5 mil mensuales.
Aclaración que necesito hacer: estos levantamientos son mayoritariamente del Reino Unido y Estados Unidos. La dirección se transfiere a Brasil, la magnitud exacta no. Trátelo como orden de magnitud, nunca como piso salarial garantizado.
La lectura que hago de esto
No es «Scrum murió» ni «producto se acabó». Es otra cosa, y más específica:
El mercado dejó de pagar por proceso aislado y pasó a pagar por proceso aplicado a un sistema que funciona.
Un Scrum Master que solo facilita ceremonias se volvió costo. Un Product Owner que solo escribe historias de usuario y prioriza la cola se volvió costo. Lo que sigue valiendo — y valiendo más caro — es quien tiene método y entiende el sistema que se está construyendo.
Fue exactamente por eso que la sección anterior de este artículo importa. Yo no uso Scrum porque me gusten los frameworks. Lo uso porque, sin proceso, la IA me haría producir más basura en menos tiempo. Y no vendo IA porque esté de moda. La vendo porque sé lo que se rompe debajo de ella.
La combinación rara no es saber de IA ni saber de proceso. Es saber de las dos y tener la cicatriz de haberlo hecho en producción.
Para quién sirve este artículo
Si usted tiene una operación que necesita infraestructura de pagos, automatización o agentes de IA que funcionen en producción — y ya se cansó de demostraciones bonitas que no sobreviven al flujo real — la conversación es directa.
Si usted arma equipos de tecnología y busca a alguien que ya construyó, ya rompió, ya apagó su propio proyecto y sabe explicar por qué, también.
Prefiero decir «esto todavía está en prueba» antes que vender una certeza que no tengo. En sistemas que manejan dinero, esa es la diferencia entre un proveedor y un problema.
Preguntas frecuentes
¿Qué es un agente de IA en producción, en la práctica?
Es un sistema de IA del cual alguien depende para trabajar — no una demostración. La diferencia no está en el modelo, sino en la capacidad de actuar: consultar datos reales, ejecutar operaciones en el sistema, manejar errores y dejar rastro auditable. Un agente que solo conversa es un prototipo, aunque esté publicado en una dirección pública.
¿Por qué fallan los proyectos de IA en las empresas?
La mayoría de las veces, por la infraestructura, no por el modelo. Datos desorganizados, sistemas legados sin puntos de integración, autenticación inexistente y procesos no mapeados tumban a cualquier agente, por mejor que sea. Fue exactamente así que falló mi primer agente en producción: la IA estaba correcta, la base debajo de ella no estaba lista.
¿Qué es MCP (Model Context Protocol)?
Es un protocolo abierto que permite a los modelos de lenguaje ejecutar acciones en sistemas externos, y no solo generar texto. Con MCP, un agente consulta bases de datos, dispara procesos y registra información dentro de los sistemas de la empresa. Es el estándar que viene siendo adoptado por Anthropic, Google y Microsoft para conectar la IA a herramientas reales.
¿Vale la pena usar Scrum trabajando solo?
Vale, siempre que esté adaptado — aplicar el manual sin equipo se vuelve ceremonia vacía. Lo que sostiene la ganancia en una operación solo es el ciclo semanal con alcance cerrado, la cola única priorizada por impacto y el criterio de listo definido antes de empezar. Lo que se descarta son las ceremonias que existen para alinear a varias personas.
¿Se están acabando las vacantes de Scrum Master?
Las vacantes dedicadas se redujeron mucho, pero la práctica no. En el Reino Unido, las posiciones permanentes de Scrum Master cayeron 62% en dos años, y empresas como Capital One y Royal London eliminaron cientos de roles ágiles de una sola vez. Al mismo tiempo, Scrum sigue corriendo en cerca de 87% de los equipos: las organizaciones absorbieron el método dentro de la ingeniería en vez de mantener el cargo separado. El mercado dejó de pagar por facilitación aislada y pasó a pagar por método aplicado a un sistema.
¿Un Product Manager necesita saber de IA en 2026?
En la práctica, sí. En un análisis de 654 vacantes reales de Product Manager, 85% mencionan IA o machine learning y 32% exigen experiencia con evals. Cerca de 30% de las vacantes de PM abiertas son específicamente de AI PM, mientras menos de 5% de los PM sénior ya entregaron un agente de IA en funcionamiento — y es justamente esa distancia la que sostiene el premio salarial de 56% para quien tiene la competencia.
¿Cuánto tiempo lleva poner un agente de IA en producción?
Depende casi por completo del estado de los sistemas que va a operar, no del agente. En una base con integraciones listas y datos organizados, semanas. En un sistema legado sin puntos de integración, el trabajo real es la fundación — y suele llevar meses. Cualquier plazo dado antes de auditar la infraestructura es una adivinanza.
¿Quiere conversar sobre su caso? Hable conmigo por WhatsApp o por [email protected].