Agentes de IA Gemini: el trabajo continúa aunque te desconectes

Ahora puedes encargar a uno de los agentes de IA Gemini una tarea de varios pasos, desconectarte y dejar que el trabajo continúe en los servidores de Google sin perder el código, los archivos, los paquetes instalados ni las conexiones con herramientas remotas. La actualización de julio de 2026 de Managed Agents incorpora las cuatro piezas que vuelven práctico este modelo: ejecución en segundo plano, conexiones directas con servidores MCP remotos, llamadas a funciones personalizadas y renovación de credenciales sin reconstruir el entorno de trabajo.

Eso obliga a cambiar el marco mental. Se parece menos a mantener abierta la pestaña de un chatbot y más a entregar una orden de trabajo a un operador en la nube para revisar el resultado cuando esté listo.

Qué son en realidad los agentes de IA Gemini

Los Gemini Managed Agents son trabajadores temporales en la nube, cada uno con su propio entorno Linux. Una sola llamada mediante la Interactions API de Google puede aprovisionar ese espacio, permitir que el agente razone sobre una tarea, ejecute Bash, Python o Node.js, instale paquetes, administre archivos, busque en la web y repita el ciclo hasta alcanzar un resultado.

El trabajador predeterminado es el agente Antigravity de Google, identificado actualmente como antigravity-preview-05-2026 y basado en Gemini 3.5 Flash. La propia Interactions API alcanzó la disponibilidad general en junio de 2026, aunque Managed Agents y sus entornos siguen en vista previa pública.

Dos identificadores conservan dos tipos distintos de memoria:

• previous_interaction_id funciona como la carpeta del encargo: conserva la conversación, el recorrido de razonamiento y el historial de herramientas.
• environment_id es la llave del taller: vuelve a abrir el mismo sistema de archivos, los paquetes instalados y el estado del repositorio.

Es posible conservar uno sin el otro. Si se reutiliza solo el ID del entorno, comienza una conversación nueva dentro del mismo espacio de trabajo; si se envían ambos ID, continúa el mismo encargo en el mismo lugar. La compactación automática del contexto empieza alrededor de los 135,000 tokens, lo que permite aligerar detalles antiguos de una sesión larga sin alcanzar de inmediato el límite de contexto.

El resultado ocupa un punto intermedio entre los agentes de IA de consumo que la mayoría de los equipos ya conoce y la infraestructura que normalmente habría que montar desde cero. Google opera el bucle del modelo y el sandbox. La lógica del producto, los permisos, las reglas de aprobación, el monitoreo y la experiencia de usuario siguen siendo responsabilidad de quien desarrolla la aplicación.

Cómo funciona el flujo de trabajo, sin jerga

El nuevo flujo tiene seis componentes:

1. Crear o reabrir un espacio de trabajo. Usa environment: "remote" para iniciar un sandbox nuevo, reutiliza el ID de un entorno existente o proporciona una configuración completa que incluya repositorios de origen y reglas de red.
2. Darle únicamente las herramientas necesarias. Dentro de su entorno, el agente dispone de ejecución de código, Google Search, lectura de URL y acceso al sistema de archivos. Un servidor MCP remoto es un conector estándar que expone herramientas externas. Necesita un nombre en minúsculas, una URL y transporte Streamable HTTP. También se puede limitar qué herramientas de ese servidor puede invocar el agente.
3. Enviar el encargo a segundo plano. Configura background: true. La API devuelve de inmediato un ID de interacción, sin obligar a que una conexión HTTP frágil sobreviva durante toda la tarea. Los trabajos en segundo plano requieren store: true, que es el valor predeterminado.
4. Supervisarlo sin mantener abierta la conexión. Consulta periódicamente la interacción o sigue sus eventos por streaming. Si el streaming se interrumpe, vuelve a conectarte con el último event_id y continúa desde ahí. Un trabajo puede estar en curso, a la espera de una acción, completado, fallido o cancelado.
5. Resolver las acciones empresariales sensibles en su aplicación. Las herramientas integradas del sandbox se ejecutan en Google. Una función personalizada pausa la interacción en requires_action, para que la aplicación valide la solicitud, pida aprobación humana, ejecute la lógica empresarial local y devuelva el resultado.
6. Continuar después de completar el trabajo. Una tarea de seguimiento puede utilizar el ID de la interacción completada junto con su ID de entorno. Si caduca un token de acceso, envía ese mismo ID de entorno con una configuración de red nueva. Las reglas nuevas sustituyen a las anteriores, pero se conservan los archivos, los paquetes y los repositorios clonados.

El espacio de trabajo es persistente, pero no permanente. Se detiene y crea una instantánea después de 15 minutos de inactividad, puede reanudarse durante siete días desde la última actividad y luego se elimina. Cada entorno ofrece actualmente cuatro núcleos de CPU y 16 GB de memoria.

Los siete casos de uso con un beneficio más claro

El orden responde a cuánto reduce cada capacidad un cuello de botella operativo costoso.

1. Equipos de software que revisan pull requests generados por IA

Un equipo de producto que recibe un flujo constante de código escrito por máquinas podría iniciar un trabajo en segundo plano por cada pull request. El agente abriría el repositorio, inspeccionaría el diff, instalaría el proyecto, ejecutaría las pruebas, rastrearía un fallo entre varios archivos y prepararía una revisión con registros y un parche propuesto. La conexión con GitHub o GitLab puede llegar mediante MCP remoto, mientras que el comentario final o el cambio de código queda protegido por una función de aprobación personalizada.

El beneficio no es otro comentario genérico de revisión, sino una primera evaluación respaldada por evidencia de ejecución y lista antes de que un ingeniero sénior abra el pull request. Es relevante ahora que la programación asíncrona se vuelve una dinámica habitual, un cambio que ya se aprecia en los agentes de programación móviles y en segundo plano.

2. Equipos financieros y de datos que elaboran informes operativos recurrentes

Un analista de operaciones podría lanzar un trabajador cuando lleguen las últimas exportaciones CSV, conectarlo a un almacén de datos mediante MCP y dejar que limpie los datos, ejecute análisis con Python, cree gráficos y guarde los archivos de trabajo en un mismo entorno. Si caduca un token de corta duración del almacén, la aplicación puede proporcionar otro sin que el agente tenga que reinstalar sus herramientas ni recrear los archivos intermedios.

El valor está en la continuidad. El analista revisa un informe ya ensamblado y sus archivos de respaldo, en vez de mover datos una y otra vez entre un notebook, una hoja de cálculo, una herramienta de gráficos y una ventana de chat.

3. Equipos de confiabilidad que investigan incidentes

Un ingeniero de guardia podría dar al agente acceso a un servidor MCP de observabilidad y a un conector de control de versiones, y pedirle que relacione un pico de latencia con despliegues, registros y commits recientes. El análisis seguiría en segundo plano mientras el ingeniero atiende el incidente activo. En su espacio de trabajo, el agente puede generar una cronología, posibles causas y scripts de diagnóstico.

El beneficio es reunir evidencia con más rapidez bajo presión. La corrección de un entorno de producción debe permanecer detrás de una aprobación humana explícita. Un trabajador capaz de invocar herramientas resulta útil durante un incidente; uno sin supervisión y con credenciales amplias de producción es el próximo incidente esperando ocurrir.

4. Equipos de seguridad que reúnen evidencia para auditorías

Una persona responsable de cumplimiento que prepara una revisión de accesos podría restringir el sandbox a dominios aprobados, inyectar credenciales de solo lectura mediante el proxy de salida de Google y permitir que un agente recopile políticas, configuraciones de repositorios e historiales de cambios. Como las credenciales se incorporan en el perímetro de red, no se guardan en archivos del sandbox ni en variables de entorno.

El resultado es un paquete de evidencia repetible, no una semana de capturas de pantalla y copiar y pegar. La aplicación aún necesita su propio registro de auditoría y un proceso de aprobación, porque Managed Agents no es un producto de cumplimiento terminado.

5. Equipos de inversión y compras que realizan debida diligencia

Un equipo pequeño de inversión podría asignar a un trabajador en segundo plano un encargo de investigación acotado: mapear un mercado, comparar afirmaciones de proveedores, inspeccionar un repositorio, ejecutar cálculos y preparar un informe con enlaces a las fuentes. Los archivos y scripts quedan disponibles para preguntas de seguimiento, de modo que la segunda revisión puede cuestionar supuestos en lugar de reconstruir todo el entorno de investigación.

La ventaja es ganar profundidad sin bloquear la sesión del navegador de un analista. También importa la limitación: Antigravity acepta actualmente entradas de texto e imagen, pero no de audio, video ni documentos; los flujos centrados en documentos necesitan un paso externo de extracción.

6. Agencias que ejecutan auditorías repetibles para sus clientes

Una agencia de analítica o desarrollo podría crear un entorno separado para cada auditoría, conectar solo los sistemas aprobados de ese cliente y poner en cola comprobaciones largas de forma independiente. Un espacio de trabajo podría contener un sitio clonado y scripts de rendimiento; otro, la exportación de una campaña y el código para generar informes.

El beneficio es el aislamiento y la repetibilidad. Durante la ventana de siete días, los equipos pueden conservar el estado exacto del trabajo para darle seguimiento sin mezclar los archivos ni las credenciales de distintos clientes.

7. Equipos administrativos que resuelven casos complejos

Una operación de seguros, logística o soporte podría utilizar un trabajador gestionado para recopilar el historial de un caso desde varios sistemas, revisar las reglas de las pólizas, calcular opciones y preparar la siguiente acción. Las herramientas MCP remotas proporcionan acceso de lectura, mientras que las funciones personalizadas reservan los reembolsos, los cambios de cuenta o las decisiones sobre reclamaciones para una lógica de aplicación validada y una aprobación humana.

El beneficio es mantener un solo espacio de trabajo continuo para cada caso, aunque la información provenga de muchos sistemas. Resulta especialmente útil cuando investigar un expediente lleva varios minutos y no puede reducirse a una automatización sencilla de activador y acción.

Tres productos que vale la pena crear

La capacidad de base es amplia. Los productos que se pueden vender son estrechos, medibles y están rodeados de controles de confianza.

1. La apuesta más sólida: un cuidador de repositorios que demuestre cada hallazgo

Crea una aplicación para GitHub o GitLab destinada a equipos que necesitan más que comentarios sobre un diff. Por cada pull request, ejecuta el proyecto en un espacio aislado, reproduce los problemas sospechosos, adjunta registros, redacta una corrección y espera la intervención humana antes de modificar el código.

La demanda es concreta. DataForSEO estima unas 1,300 búsquedas mensuales en Estados Unidos para “AI code review”, con un CPC de $46.65. “AI code review tools” suma cerca de 590 búsquedas mensuales y registra un crecimiento interanual del 85% en el conjunto de palabras clave actual. Los compradores ya pagan: CodeRabbit ofrece planes de $24 a $48 por usuario al mes con facturación anual, mientras que Greptile cobra $30 por puesto al mes.

La versión mínima que se puede vender necesita una integración con un sistema de control de versiones, un archivo de instrucciones para el repositorio, un ejecutor de pruebas en segundo plano, una página de resultados con la evidencia en bruto y una acción de aprobación para publicar una revisión o abrir un parche. No conviene empezar con compatibilidad para todos los lenguajes. Elige un ecosistema donde las pruebas sean habituales y la configuración del entorno de ejecución sea predecible.

El obstáculo es un mercado saturado y un problema de confianza. Entre las preguntas reales de búsqueda aparecen “How does AI code review work?” y “Is the AI code safe?”. La ventaja competitiva no vendrá del acceso a Gemini, sino de un conjunto de evaluaciones que crece con el tiempo, reglas específicas para cada repositorio, una tasa baja de falsos positivos y evidencia que permita inspeccionar cada hallazgo.

2. Un agente recurrente de cierre de datos para un equipo operativo

Crea un trabajador que convierta los datos semanales o mensuales de una empresa en un informe conciliado y conserve el código de análisis y los archivos intermedios junto al resultado. Los equipos de operaciones, ingresos y finanzas pagan porque la tarea se repite y los errores quedan a la vista.

DataForSEO estima 3,600 búsquedas mensuales en Estados Unidos para “AI for data analysis”, una consulta comercial con un CPC de $41.92. La búsqueda más específica “AI agent for data analysis” recibe cerca de 320 consultas al mes y presenta una dificultad de palabra clave de 2 en el conjunto de datos actual. Eso apunta a una vía de captación abierta, aunque el mercado más amplio sea competitivo.

El MVP requiere un programador externo o un activador al recibir archivos, un conector con el almacén de datos, un destino en una hoja de cálculo, una plantilla fija de informe, un registro de ejecuciones y una pantalla de conciliación. El problema real es la confiabilidad del resultado. Antigravity no admite salidas estructuradas, así que las tablas y los totales importantes deben validarse de forma determinista antes de entregarlos.

3. Un ejecutor vertical de flujos de trabajo con aprobaciones reales

Crea un producto para un solo tipo de caso, como la incorporación de proveedores, la clasificación inicial de reclamaciones o la recopilación de evidencia de seguridad. El producto obtiene contexto mediante dos o tres conexiones MCP, realiza el análisis prolongado en segundo plano y reserva las pocas acciones que deben validarse o aprobarse para funciones personalizadas.

DataForSEO estima 1,000 búsquedas mensuales en Estados Unidos para “AI workflow automation”, una consulta con intención comercial y un CPC de $49.51. “AI workflow automation platform” añade cerca de 260 búsquedas mensuales y muestra un crecimiento interanual del 320% en el conjunto de palabras clave actual. La gente pregunta de forma explícita: “How can I automate my workflows using AI?”.

El MVP consiste en una cola, un flujo de trabajo muy bien definido, dos integraciones, una bandeja de aprobaciones y un registro completo de cada ejecución. La trampa está en intentar construir una plataforma horizontal. Si la primera versión promete automatizar cualquier flujo, el trabajo de conectores y los casos límite acabarán devorando el producto. Primero hay que dominar un proceso costoso.

Lo que esta tecnología no resuelve

La ejecución gestionada elimina trabajo de infraestructura, pero no los riesgos de producto ni de operación.

La renovación de credenciales también exige una interpretación precisa. Google conserva el entorno cuando la aplicación proporciona reglas de red nuevas y un token actualizado. El agente no genera ni rota ese token.

Mi conclusión: conviene usar esta tecnología para trabajos acotados, con criterios claros de finalización, artefactos que se puedan inspeccionar, permisos restringidos y controles de aprobación. No uses un agente en vista previa como administrador de producción con un mandato abierto. La propia recomendación de Google es revisar el código generado, las transformaciones de datos, los cambios de configuración y las acciones externas antes de confiar en ellos.

¿Qué es la automatización de flujos de trabajo con IA?

Es un flujo en el que un modelo interpreta el contexto y decide qué herramientas usar, en lugar de limitarse a una secuencia fija de activadores. Gemini Managed Agents añade un espacio de trabajo alojado y ejecución en segundo plano, pero la aplicación sigue definiendo los permisos, los activadores, la validación y las aprobaciones.

¿Cómo puedo automatizar mis flujos de trabajo con IA?

Empieza por una tarea acotada, con una entrada clara, un resultado verificable y no más de unas pocas conexiones con herramientas. Ejecuta el análisis en segundo plano, restringe el acceso de lectura y coloca cada acción irreversible detrás de una función personalizada o una aprobación humana.

¿Cuál es un ejemplo de flujo de trabajo automatizado con IA?

Un cuidador de pull requests es un buen ejemplo: recibe un pull request nuevo, abre el repositorio en un sandbox, instala las dependencias, ejecuta las pruebas, inspecciona los fallos, redacta una revisión y espera aprobación antes de publicar o modificar el código.

¿Cómo funciona la revisión de código con IA?

El revisor analiza un cambio de código con el contexto del repositorio, busca defectos o incumplimientos de políticas y propone hallazgos. Un agente gestionado puede ir más lejos: ejecutar el proyecto y adjuntar registros o resultados de pruebas. Aun así, una persona debe decidir si cada hallazgo encaja con la intención real del producto.

¿Es seguro el código generado por IA?

No de forma predeterminada. Un sandbox limita dónde se ejecuta el código, pero la seguridad también depende del propio código, los permisos de las herramientas, las reglas de red, las credenciales, las pruebas y la revisión humana. Trata el resultado del agente como una contribución no confiable hasta que supere las comprobaciones habituales.

Si necesita diseñar uno de estos trabajadores en torno a sus sistemas, permisos y reglas de aprobación, consulte el servicio de desarrollo de agentes de IA.