Llevo más de 25 años en el sector tecnológico, lo que significa que rara vez me sorprenden las nuevas tecnologías; suelo verlas de cerca antes que el público general. Como líder de TI, nunca evalúo una nueva capacidad de forma aislada; siempre la pondero frente a casos de uso empresariales reales y frente a los riesgos que conlleva. En estos días, le digo a la gente que ser CIO en la era de la IA significa desempeñar dos trabajos a la vez: el del ingeniero que refuerza la presa y el del operador que tiene que abrir las compuertas de todos modos.
Esta semana, MongoDB anunció la vista previa pública de Atlas Agent Engine, y no podría estar más emocionado por lo que promete a los clientes. Atlas Agent Engine ofrece una manera segura de crear, implementar y gobernar agentes de IA en producción. Como cuenta con una funcionalidad incorporada de memoria y recuperación, Atlas Agent Engine indexa los datos de las empresas donde residen y ofrece un contexto preciso en tiempo real, lo que mejora la precisión y reduce los costos de tokens. También es abierto y flexible por diseño, lo que significa que los equipos pueden trabajar con el LLM y la infraestructura de su elección (y pronto en cualquier entorno de su elección).
Los clientes ya están entusiasmados con la promesa que Atlas Agent Engine tiene para sus negocios. Por ejemplo, Paysafe utiliza MongoDB Atlas para alimentar un sistema agéntico para realizar queries SQL en lenguaje natural sobre datos transaccionales, el primero de una serie de pipelines de trabajo reutilizables que Paysafe planea construir como plantillas para futuros casos de uso.
En la actualidad, la configuración de MCP de Snowflake de la empresa ofrece a los clientes de la API únicamente una comprensión limitada del esquema de datos subyacente. La flexible arquitectura de documentos de MongoDB Atlas y la escala confiable permiten que un agente reemplace esa configuración con un pipeline más capaz y reutilizable que los clientes de la API pueden consultar directamente en lenguaje natural.
"Investigar una actividad inusual en nuestra red de pagos hoy significa que nuestros analistas tienen que unir manualmente datos de múltiples sistemas, a menudo bajo presión de tiempo", dijo Jana Janarthanan, vicepresidenta sénior de Ingeniería de Pagos de Paysafe. “Estamos emocionados por el potencial de un agente inteligente, creado en Atlas Agent Engine de MongoDB, para reducir el tiempo entre el momento en el que surge un problema y nuestro equipo actúa al respecto, dando a nuestros analistas más tiempo para centrarse en los juicios que más importan”.
Cuando el equipo de MongoDB me mostró por primera vez Atlas Agent Engine, la expresión "seguro y gobernado por diseño" llamó mi atención inmediata. Porque si algo no me deja dormir por la noche, es la idea de agentes que se vuelven locos en los sistemas de MongoDB (o los de nuestros clientes).
La gobernanza de los agentes no es solo mi preocupación. Está en las noticias y es algo con lo que los CIO de toda la industria están lidiando. Cada conversación que tengo con mis colegas refuerza lo mismo: la demanda de agentes en toda la empresa sigue creciendo, pero los líderes de TI necesitan una forma de implementarlos de manera segura y protegida, no solo rápida.
En esencia, se trata de una historia de centralización versus descentralización. Los desarrolladores desean la autonomía para entregar agentes rápidamente y con una fricción mínima; los líderes de TI desean control centralizado, visibilidad y palancas de optimización de costos sobre cómo se comportan los agentes a escala. Las organizaciones que lo hagan correctamente construirán una arquitectura que brinde ambas cosas.
El software es cada vez más headless y está orientado a agentes, y los CIO necesitan opciones ahora. Dicho de otro modo, el futuro está aquí y nuestra tarea es darle forma de manera responsable.
Cliente cero: nuestra estrategia de IA interna en acción
Una de las formas en que lo hacemos en MongoDB es actuando como el "cliente cero" de nuestros productos. El sector tiene muchos nombres diferentes para esta práctica —"dogfooding" y "beber tu propio champán" son dos—, pero el significado es el mismo. Antes de lanzar un producto, actuamos como nuestro propio cliente para probar el software en producción, utilizando casos de uso y situaciones del mundo real.
Por ejemplo, cuando la empresa lanzó MongoDB 8.0 en 2024, mi colega Jim Scharf escribió una entrada de blog sobre cuánto mejoró la versión 8.0 el rendimiento del equipo.
Con Atlas Agent Engine, nuestro dogfooding tomó la forma de Holly: un espacio de trabajo agéntico unificado que ofrece a los vendedores de MongoDB una parada para todo lo que necesitan, en lugar de siete. Antes de Holly, preparar una sola cuenta implicaba alternar entre siete herramientas desconectadas sin que ninguna compartiera contexto con las demás; de 4 a 6 horas por cuenta, por ciclo de negociación, desperdiciadas únicamente en la fricción entre herramientas. Holly pone fin a eso. Siete herramientas se convierten en una sola experiencia basada en agentes, y los representantes recuperan ese tiempo para dedicarlo a lo que verdaderamente importa: los clientes.
Holly: Reducir horas de trabajo a minutos
Los equipos de GTM de MongoDB siguen una metodología paso a paso estandarizada para comprender el estado actual de un cliente, sus objetivos y lo que se necesitará para conseguirlos. Los representantes lo llaman "radio" y no es rápido; Jack Bunkenburg, ejecutivo de cuentas estratégicas de MongoDB, afirma que los radios consumen uno o dos días de su semana, cada semana.
El problema era la herramienta, no el proceso. Los representantes necesitaban una única herramienta que entendiera todo el corpus de datos del que provienen y que trasladara la memoria a través de sistemas que nunca antes se habían comunicado entre sí.
Sin eso, gestionar una cuenta en siete herramientas diferentes es un poco como consultar a siete especialistas para una sola afección —y que ninguno de ellos pueda ver lo que descubrieron los demás. Cada visita empieza de cero: vuelve a explicar los síntomas, el historial y lo que el médico anterior ya descubrió. Puede que cada especialista sea excelente. Pero el sistema sigue fallando, porque el contexto nunca viaja. Solo usted lo hace.
Antes de crear cualquier cosa, el equipo observó cómo se realizaba realmente el trabajo, y la realidad sobre el terreno era, en palabras de Bunkenburg, "bastante más caótica" que el proceso sobre el papel. Solo la investigación de cuentas implicaba hacer malabares con múltiples herramientas de IA (ChatGPT, Claude, Gemini) que no comparten contexto entre sí ni con los sistemas de MongoDB, y que devuelven respuestas genéricas y universales. Encontrar puntos de prueba era igual de manual. Y también lo era filtrar los resultados para centrarse en lo que realmente importaba.
Holly es la solución: el contexto compartido que las otras herramientas nunca tuvieron. Una sola interfaz, sin necesidad de cambiar de herramienta, que reúne todo lo que un vendedor necesita para investigar, preparar y ejecutar. Debajo, el Motor de agente de Atlas se encarga del trabajo pesado (entorno de ejecución, seguridad, identidad, orquestación, estado, observabilidad y gestión del ciclo de vida), para que los agentes de Holly se ejecuten en producción, no solo en una demostración.
Figura 1. Arquitectura del agente Holly.
En la práctica, esto significa que Holly organiza y resume transcripciones de reuniones, elabora informes, identifica preguntas que un representante aún no ha respondido y ayuda a redactar las comunicaciones de acercamiento. El resultado: los representantes que utilizan Holly han reducido el tiempo necesario para investigar y crear una lista de prospección saliente en aproximadamente un 95 %, y la preparación que solía llevar horas ahora toma minutos. Esto significa que los representantes llegan a cada conversación mejor preparados, no solo más rápido.
“Antes de Holly, utilizaba una docena de herramientas diferentes para tareas de investigación y prospección, por lo que tener todo en una única interfaz ha sido un verdadero valor añadido”, comentó Bunkenburg. “Muchas herramientas no comprenden el negocio de MongoDB ni exactamente qué intentamos lograr con esas herramientas, pero Holly sí”
La plataforma de datos inteligente para la era de la IA
En el futuro, la visión es que Holly se convierta en una capa de inteligencia totalmente integrada que comprenda en profundidad MongoDB, nuestros clientes y las cuentas individuales, ayudando a toda la organización de GTM a ejecutar flujos de trabajo de principio a fin de manera más eficaz.
La parte que más me entusiasma es lo que está debajo de la propia Holly. Holly funciona hoy con cerca de 30 agentes, todos construidos sobre la misma arquitectura de Atlas Agent Engine. Esa arquitectura no se vuelve más inestable a medida que se añaden agentes; se diseñó para resistir, tanto si se ejecutan 30 como 3,000. No solo creamos una herramienta para nuestro equipo de GTM. Demostramos un modelo: uno que se escala de forma segura con cada nuevo agente que añade una organización, en lugar de acumular riesgos con cada uno.
Ese es el cambio que representa Atlas Agent Engine: ir más allá de los agentes únicos hacia una plataforma gobernada y reutilizable que no esté vinculada a una sola nube, infraestructura o marco. Es la diferencia entre esperar que sus agentes se comporten y saber que lo harán, sin importar cuántos esté ejecutando.
El lanzamiento de Atlas Agent Engine es uno de los tres anuncios principales que MongoDB realizó esta semana, junto con MongoDB 9.0 y Atlas Infinite. Los lanzamientos se complementan entre sí: MongoDB 9.0 fortalece la base sobre la que ya opera cada cliente de MongoDB, Atlas Infinite remueve los límites de escalabilidad de esa base y Atlas Agent Engine pone a trabajar a los agentes de IA sobre ambos, gobernados y fundamentados en datos en tiempo real.
Los desarrolladores siempre han elegido MongoDB porque su modelo orientado a documentos se adapta a la forma natural de los datos de las aplicaciones y a la manera en que los sistemas de IA representan e intercambian información. Esto hace que las aplicaciones sean más rápidas de compilar y más fáciles de adaptar. Cada vez más empresas eligen MongoDB porque combina esa adaptación nativa con datos operativos en tiempo real, escala elástica, la libertad de ejecutar en cualquier lugar —y ahora, una plataforma creada específicamente para la era agéntica—.
Una plataforma. Cualquier número de agentes. Compílelos, impleméntelos y ejecútelos donde residen los datos, con la plataforma de datos inteligente de MongoDB.
Próximos pasos
Para obtener más información sobre cómo Atlas Agent Engine puede ayudarle a compilar, implementar y gobernar agentes en producción, consulte nuestro anuncio oficial o la página de Atlas Agent Engine.
Comience hoy mismo a utilizar estas nuevas capacidades en mongodb.com/atlas. Y para compilar la habilidad de pasar agentes de IA de la fase de prototipo a la de producción, explore las nuevas insignias de habilidad de MongoDB en gobernanza, observabilidad y evaluación de plataformas agénticas.