Inicio / Blog / Agent Experience
AGENT EXPERIENCE / AI NATIVE

Tu negocio.
También para
agentes.

Agent Experience (AX): cómo preparar productos y equipos para un mundo Agent First. Qué ha cambiado, qué piezas necesitas y cómo medir si funciona.

POR SKOA~16 MIN
AX conecta la intención humana con un agente y un resultado verificable: acceso, contexto, herramientas y orquestación.
01 / UN OBJETIVO HUMANO. UN RESULTADO VERIFICABLE.

La idea central: un agente necesita entender, actuar y comprobar. Una empresa AI Native necesita un entorno donde ese trabajo sea útil, medible y esté bajo control.

01 / Tu próximo usuario puede llegar acompañado de un agente

Imagina que un cliente pide a su asistente: «Encuentra una factura duplicada, comprueba si puedo reclamarla y prepara la devolución». El agente encuentra tu empresa, entiende la documentación y localiza la factura. Pero no sabe qué permiso necesita, confunde una solicitud con una devolución ejecutada y termina diciendo que todo está resuelto. La conversación parece buena. El trabajo sigue pendiente.

Agent Experience (AX) es la calidad de la experiencia que ofreces a un agente para que pueda cumplir un objetivo humano dentro de tu producto o sistema. Incluye descubrir capacidades, conseguir acceso, interpretar información, actuar y comprobar qué ocurrió. La definición de agentexperience.ax sitúa precisamente el acceso, la comprensión y la operación al servicio de los objetivos del usuario.

La pregunta útil para una empresa es concreta: ¿puede un agente completar las tareas que nuestros clientes y empleados nos delegan, con los permisos adecuados y un resultado comprobable? Esa pregunta sirve tanto para un SaaS como para una consultora, una tienda o un equipo interno de ingeniería.

Cuatro disciplinas que se complementan
DisciplinaPregunta que ayuda a responderEvidencia útil
UX¿Puede la persona entender, decidir y mantener el control?Pruebas de uso, accesibilidad y comprensión.
DX¿Puede un desarrollador integrar y mantener el sistema?Tiempo hasta la primera integración funcional.
GEO / AEO¿Aparece información correcta sobre nosotros en respuestas de IA?Presencia, atribución y exactitud de las respuestas.
AX¿Puede un agente utilizar el sistema por encargo del usuario?Tareas completadas, límites respetados y recuperación.

Estar presente en una respuesta no demuestra que un agente pueda contratarte, integrar tu API o resolver una incidencia. Y una herramienta fácil de invocar tampoco garantiza una buena experiencia humana: quien delega necesita saber qué se hizo, qué quedó pendiente y cómo corregirlo.

Agent First y AI Native: definiciones de trabajo

En esta guía usamos Agent First para describir un producto que contempla el uso delegado desde el diseño: capacidades explícitas, permisos, estados y resultados legibles por máquinas. Una interfaz humana cuidada sigue siendo esencial. AI Native describe una organización o producto cuyos procesos incorporan IA desde su estructura: datos accesibles, evaluación, responsabilidades y aprendizaje continuo. Son expresiones con usos variables en la industria, no certificaciones.

Una empresa puede tener una excelente API para agentes y seguir trabajando internamente de forma manual. También puede desarrollar software con agentes y vender un producto imposible de usar desde uno. AX conecta esos dos frentes: el producto que otros agentes usan y el entorno donde trabajan los tuyos.

02 / Dónde seguir AX y a quién leer

agentexperience.ax es el mejor punto de partida de estas referencias: organiza conceptos, artículos y exploraciones de la comunidad. Netlify impulsó la iniciativa y el sitio reconoce su participación. Conviene leerlo como un centro de recursos abierto, no como una autoridad que certifique una norma universal de AX.

Para entender el origen, empieza por Introducing AX, de Mathias Biilmann, publicado en enero de 2025. Para pasar de la idea al trabajo, sigue a Sean Roberts, que conecta AX con plataforma, contexto y medición. Para la organización del equipo, lee a Clifton Cunningham. Su perspectiva complementa la de los proveedores: interesa tanto cómo trabaja la empresa como qué interfaz ofrece.

Una ruta de lectura eficiente: el portal para orientarte; los autores para entender sus argumentos; las especificaciones para comprobar capacidades; y tus propias pruebas para decidir una inversión. Los anuncios de producto prueban que una función se ofrece. Sus resultados comerciales o de rendimiento necesitan una lectura más exigente.

Cuatro preguntas para revisar cualquier producto

En One Year of AX (28 de enero de 2026), Biilmann propone cuatro áreas: acceso, contexto, herramientas y orquestación. Esta es nuestra traducción práctica a una auditoría:

Acceso

¿El agente sabe cómo autenticarse, a quién representa y cuándo debe devolver el control?

Contexto

¿Encuentra información vigente, con versiones, restricciones y ejemplos que puede ejecutar?

Herramientas

¿Las operaciones tienen entradas claras, efectos explícitos y errores que permiten actuar?

Orquestación

¿Puede continuar una tarea larga, consultar su estado, recuperarse o escalarla?

Elige una tarea real y recorre las cuatro preguntas. «Tenemos MCP» contesta solo una parte. «Tenemos un chatbot» todavía no responde ninguna por sí sola.

03 / Qué ha avanzado: de documentos a operaciones

El cambio de 2025 a 2026 se aprecia en piezas concretas: formatos de contexto, protocolos de herramientas, delegación entre agentes, interfaces del navegador y pruebas de experiencia. No forman un único estándar ni necesitas instalarlas todas. Estado contrastado el 16 de noviembre de 2026:

Qué aporta cada pieza y qué queda fuera de su alcance
PiezaPara qué sirveMadurez y límite
llms.txtOfrecer un punto de entrada al contenido útil del sitio.Propuesta abierta, con revisión v2 en 2026. No concede acceso ni garantiza aparecer en respuestas.
AGENTS.mdDar a agentes de programación instrucciones del repositorio.Formato abierto con soporte en distintos clientes. Las instrucciones no son un control de permisos.
Agent SkillsEmpaquetar procedimientos, referencias y scripts alrededor de SKILL.md.Formato abierto; carga bajo demanda en clientes compatibles. Revisar su código sigue siendo necesario.
MCPConectar aplicaciones de IA con herramientas, recursos y contexto.Protocolo abierto con implementaciones. No decide tus reglas de negocio ni demuestra que una tarea terminó bien.
A2AComunicar aplicaciones de agentes y delegar tareas.El proyecto publica especificación v1.0 y SDKs. Hace falta probar las versiones y capacidades de ambos extremos.
WebMCPExponer herramientas estructuradas desde una página web.Propuesta de estándar en origin trial de Chrome desde la versión 149. No es soporte universal de navegadores.
Tres capas: contexto con documentos y skills; acción con API, CLI, MCP o WebMCP; coordinación con A2A cuando hace falta. Los permisos y la verificación atraviesan todas.
02 / ELIGE LA CAPA QUE RESUELVE TU PROBLEMA. LOS PERMISOS Y LA VERIFICACIÓN SON TRANSVERSALES.

Abrir imagen a tamaño completo ↗

Una API o una CLI bien documentada puede ser suficiente para tu primer caso. Una skill describe cómo hacer un trabajo; MCP facilita acceso a herramientas; A2A permite relacionar agentes. WebMCP introduce una vía dentro del navegador y su documentación lo enfoca principalmente a flujos locales con participación humana. Las alternativas se pueden complementar, pero añadir protocolos no elimina la necesidad de un buen contrato de operación.

Tres señales prácticas de 2026

  • Contenido más fácil de consumir. Cloudflare Markdown for Agents convierte HTML a Markdown en zonas habilitadas cuando el cliente lo solicita con Accept: text/markdown. Reduce trabajo de extracción; no convierte el contenido en verdadero ni en confiable.
  • Una entrada específica para agentes. Netlify lanzó netlify.ai el 22 de abril para orientar a los agentes en acceso, contexto y despliegue. Es un ejemplo concreto de rediseñar el comienzo del recorrido, no solo añadir documentación a una API.
  • AX medida con escenarios. Netlify presentó AXIS el 24 de junio: herramientas abiertas que ejecutan escenarios y producen informes inspeccionables. Su puntuación pertenece a ese marco y a sus pruebas; no es una certificación independiente del sector.

La oportunidad empresarial está en reducir una fricción que ya puedes observar. Si nadie puede consultar el estado de una tarea, empieza por ahí. Si todos los intentos fallan por permisos, una documentación más larga no resolverá el problema.

04 / La lección de Value Pairs: diseña el entorno

En Value Pairs, one year on (13 de noviembre de 2026), Cunningham revisa su propuesta de equipos pequeños asistidos por IA. Destaca el entorno: modelo operativo, activos reutilizables y plataforma. Su reflexión sigue el ciclo descubrimiento, entrega y validación; el texto se presenta como borrador y sus ejemplos son observaciones del autor, no un estudio controlado de productividad.

Nuestra lectura para SKOA: hacer que una persona produzca código más rápido no elimina las esperas para decidir, probar o aprender. Si una mejora se desarrolla en una tarde pero necesita dos semanas para acceder a datos y seis aprobaciones para probarse, el cuello de botella sigue en la organización.

Esto cambia las preguntas de una iniciativa AI Native. Además de elegir un modelo, necesitas decidir quién responde por el resultado, qué decisiones puede tomar el equipo y qué evidencia permite avanzar. El mismo grupo debe poder hablar con el usuario, construir una variante, comprobarla y observar su uso. Las responsabilidades de producto, diseño, ingeniería y seguridad permanecen aunque su reparto cambie.

El informe DORA 2025 aporta una perspectiva más amplia: relaciona el valor de la IA con la calidad de la plataforma y los procesos, y advierte de problemas de estabilidad. Son asociaciones observadas; no una promesa causal de ahorro para cualquier empresa.

Una prueba sencilla para tu entorno interno

Entrega a un agente un repositorio limpio y una tarea acotada. Observa si puede preparar el entorno, localizar el patrón correcto, ejecutar las comprobaciones y explicar los cambios sin pedir conocimientos que solo tiene una persona. Cada bloqueo revela una dependencia que merece documentarse, automatizarse o simplificarse.

Un buen paquete interno puede contener un mapa corto del proyecto, una implementación de referencia, comandos reproducibles, datos ficticios y una forma de inspeccionar el resultado. Así puedes revisar una diferencia concreta respecto a una base conocida. El aprendizaje queda disponible para todo el equipo, en lugar de perderse en una conversación individual.

05 / Cómo se ve una buena AX en una tarea real

Volvamos a la factura duplicada. Este es un ejemplo de diseño hipotético, no un caso implantado ni una API de SKOA. El objetivo es preparar y, cuando proceda, ejecutar una devolución con trazabilidad.

  1. Identificar. El agente recibe la organización y la factura. Si encuentra dos coincidencias, pregunta; no adivina la cuenta ni amplía su búsqueda a otros clientes.
  2. Consultar. Accede con un permiso de lectura limitado. Obtiene importe, moneda, estado y la política aplicable con su versión.
  3. Preparar. Una operación de previsualización calcula el resultado previsto. Devuelve una propuesta identificada, su caducidad y los motivos de cualquier rechazo.
  4. Autorizar. Cuando la política exige aprobación, la persona revisa destinatario, importe y efecto. El servidor vincula esa aprobación a la propuesta exacta; un texto del agente diciendo «aprobado» no la sustituye.
  5. Ejecutar. El servicio vuelve a validar permisos, política y vigencia. Usa una clave de idempotencia: repetir la misma solicitud no debe crear una segunda devolución.
  6. Comprobar y comunicar. El agente consulta el estado persistido, devuelve un identificador verificable y distingue pendiente, completado y rechazado. Si el resultado es incierto, lo comunica.
Una devolución pasa de consulta a propuesta, autorización, ejecución y comprobante. Ante un timeout, se consulta el estado con la misma identidad de operación antes de reintentar.
03 / EJEMPLO HIPOTÉTICO. UNA RESPUESTA DEL AGENTE NO SUSTITUYE EL ESTADO DEL SISTEMA.

Abrir imagen a tamaño completo ↗

Un contrato ilustrativo podría devolver lo siguiente. Es pseudodiseño; los campos deben adaptarse al sistema real:

{
  "operation_id": "refund_example_42",
  "status": "pending_approval",
  "amount_minor": 12500,
  "currency": "EUR",
  "proposal_version": 3,
  "expires_at": "2026-11-16T16:00:00Z",
  "allowed_next_actions": ["approve", "reject"],
  "trace_id": "trace_example_17"
}

El permiso de aprobación no se obtiene por conocer ese JSON. Lo valida el servidor a partir de la identidad y del alcance concedido. Si la propuesta cambia, la autorización anterior deja de servir. Si la ejecución pierde la conexión, el agente consulta operation_id antes de intentar otra vez.

Anthropic recomienda diseñar herramientas con límites claros, descripciones precisas y respuestas relevantes, y evaluarlas con agentes. En nuestro ejemplo, «preparar devolución» expresa una intención más verificable que exponer decenas de operaciones genéricas sin explicar sus efectos. La interfaz definitiva depende de las tareas y de las pruebas.

06 / Autonomía útil: límites que el sistema hace cumplir

Un agente puede leer un correo, un documento o una página que contenga instrucciones maliciosas. Esos contenidos son datos de la tarea, no una nueva autoridad. Diseñar AX exige separar lo que el agente puede interpretar de lo que el servicio le permite ejecutar.

  • Identidad y alcance. Credenciales limitadas por usuario, organización, operación y tiempo. La revocación debe funcionar fuera del modelo.
  • Políticas ejecutables. Validación de esquema, límites de gasto, aislamiento entre clientes y aprobaciones en código del servidor. Un prompt puede explicar una norma; no la hace cumplir.
  • Errores recuperables. Diferenciar falta de permisos, dato inválido, límite temporal y fallo transitorio. Dar un siguiente paso permitido y un identificador de soporte.
  • Reintentos acotados. Presupuesto, plazos y consulta de estado. Un bucle que insiste sin cambiar nada consume recursos y puede multiplicar efectos.
  • Control humano accesible. Mostrar qué se delegó, permitir cancelar cuando sea posible y explicar los efectos que ya no se pueden revertir. Pedir confirmación donde aporta control, no en cada lectura inocua.

También cuenta la minimización de datos: una herramienta de estado no necesita devolver todas las facturas de un cliente. Las trazas deben permitir investigar una incidencia sin convertirse en un almacén indiscriminado de secretos. La retención y los campos visibles se deciden como parte del diseño.

Para procesos muy predecibles, un flujo determinista puede resolverlo todo. Reserva la decisión del modelo para tareas donde interpretar, elegir entre alternativas o manejar variaciones aporte valor. Esa frontera suele reducir coste y facilita verificar el comportamiento.

07 / Cómo saber si has mejorado

Empieza por tareas representativas, no por el número de herramientas publicadas. Nuestra propuesta para un piloto es reunir 20–30 escenarios iniciales: frecuentes, ambiguos y fallidos. Es un punto de partida operativo, no una muestra suficiente para demostrar fiabilidad universal. Repite ejecuciones y amplía el conjunto según riesgo y variación.

La guía de evaluación de agentes de Anthropic distingue el relato de la ejecución del estado final del entorno. Aplicado aquí: «devolución completada» solo cuenta cuando existe el registro correcto. Un evaluador de lenguaje puede valorar claridad, pero no sustituye esa comprobación.

Un cuadro de mando que conecta AX y negocio
MétricaCómo leerla
Éxito verificadoTareas con estado final correcto / tareas intentadas. Separar resultados por tipo y dificultad.
Intervención no previstaAyudas humanas por tarea. Registrar aparte las aprobaciones obligatorias y las aclaraciones necesarias.
Coste por éxitoCoste total de intentos, fallos, herramientas y revisión / éxitos verificados.
Tiempo de resoluciónMediana y percentil 95. Distinguir ejecución del agente y espera de aprobación.
Recuperación y controlResolución de timeouts, expiración y duplicados; registrar cualquier acción no autorizada como incidente.

Ejemplo numérico ficticio: 100 intentos que cuestan en total 40 € y consiguen 80 resultados correctos dan 0,50 € por éxito. Otra configuración cuesta 30 €, pero solo consigue 50: sale a 0,60 €. El intento más barato puede ser el resultado más caro. Si estos totales no incluyen el trabajo humano, aún no tienes el coste completo.

Compara bajo condiciones equivalentes: misma distribución de tareas, datos, permisos y criterios. Registra modelo, versión de herramientas y contexto. Reserva casos que no uses para ajustar el sistema, y revisa también las trazas de los éxitos: acertar saltándose una regla no es éxito.

Antes de producción, ensaya cancelación, permisos caducados, cambio de política y respuesta perdida tras una escritura. Un piloto acotado puede enseñarte dónde invertir; no autoriza a extrapolar sus resultados a todos los departamentos.

08 / Cómo puede ayudar SKOA

Proponemos trabajar sobre un recorrido con dueño y resultado medible: resolver una incidencia, preparar una oferta, conectar conocimiento interno o entregar una funcionalidad. Los servicios siguientes son una propuesta de trabajo, no resultados ya obtenidos para un cliente.

Producto y herramientas

Diseñar operaciones para agentes, integrar APIs y construir el flujo completo de lectura, acción y comprobación.

Contexto y conocimiento

Organizar fuentes, permisos, versiones y ejemplos. Hacer que la información correcta llegue a la tarea adecuada.

Entorno de desarrollo

Preparar proyectos de referencia, pruebas, entornos de revisión y convenciones que el equipo pueda mantener.

Skills reutilizables

Convertir procedimientos repetidos en paquetes revisables, con herramientas y criterios de finalización.

Completamos el trabajo con observabilidad y métricas de negocio y optimización de costes. Primero medimos dónde se atasca el flujo; después decidimos si conviene mejorar contexto, herramientas, lógica o selección de modelo.

Un piloto de cuatro semanas, como propuesta

  1. Semana 1 — Diagnóstico. Elegir una tarea, definir éxito y límites, reunir ejemplos y medir una línea de base. Entregable: mapa del recorrido y lista priorizada de fricciones.
  2. Semana 2 — Integración. Construir un recorrido acotado con datos de prueba, acceso mínimo y estados claros. Entregable: flujo demostrable y contrato de herramientas.
  3. Semana 3 — Evaluación. Probar aciertos, errores y recuperación; comparar contra la línea de base. Entregable: informe con resultados, coste y problemas pendientes.
  4. Semana 4 — Uso controlado. Si cumple los criterios acordados, abrir un piloto limitado con responsables y mecanismo de parada. Entregable: guía de operación y decisión de ampliar, corregir o detener.

El calendario depende de accesos, integraciones y riesgo. El criterio de salida debe acordarse antes de medir. Mejorar el promedio no compensa un fallo crítico de permisos. Tampoco tiene sentido automatizar un proceso que todavía no sabemos explicar.

Elige una tarea que hoy se atasca.

Trae el recorrido, los sistemas implicados y cómo sabes que terminó bien. A partir de ahí podemos diseñar una AX útil para tus clientes, tus agentes y tu equipo.

Hablar con SKOA ↗

09 / Tres vídeos que sí ayudan a profundizar

Selección por relevancia y experiencia de los ponentes, no por visitas. Comprobamos título, canal, fecha, duración y transcripciones. Son conversaciones en inglés; las visiones de sus autores y proveedores deben contrastarse con la documentación actual.

Después de verlos, escribe qué parte de tu recorrido falla y qué evidencia necesitas para mejorarla. Esa respuesta vale más que adoptar un nuevo acrónimo.

10 / Fuentes y criterio editorial

Investigación revisada el 16 de noviembre de 2026. Distinguimos documentación de proyectos, anuncios de proveedores, investigación observacional y opinión de autores. Los ejemplos de devolución, métricas y piloto son elaboración propia de SKOA. Las ilustraciones son originales y no reproducen gráficos de terceros.

  1. Agent ExperiencePortal comunitario impulsado con Netlify.
  2. Mathias Biilmann — Introducing AXEnsayo de origen · enero de 2025.
  3. Mathias Biilmann — One Year of AXMarco de cuatro áreas · 28 enero 2026.
  4. Clifton Cunningham — Value Pairs, one year onReflexión del autor, presentada como borrador · 13 noviembre 2026.
  5. MCP — IntroductionDocumentación del protocolo.
  6. A2A — Project and specificationDocumentación del proyecto · especificación v1.0.
  7. Agent Skills — OverviewDocumentación del formato abierto.
  8. AGENTS.mdSitio del formato de instrucciones para repositorios.
  9. Jeremy Howard — llms.txtPropuesta, revisión v2 · 10 agosto 2026.
  10. Chrome for Developers — WebMCPDocumentación actualizada el 7 octubre 2026; propuesta en origin trial.
  11. Cloudflare — Markdown for AgentsAnuncio de producto y explicación de conversión.
  12. Netlify for AgentsAnuncio de netlify.ai · 22 abril 2026.
  13. Sean Roberts — How we measure Netlify’s Agent ExperienceAXIS y evaluación del proveedor · 24 junio 2026.
  14. Anthropic — Writing effective tools for agentsGuía de ingeniería · 11 septiembre 2025.
  15. Anthropic — Demystifying evals for AI agentsGuía de evaluación · 9 enero 2026.
  16. DORA — 2025 report announcementNathen Harvey y Derek DeBellis · 23 septiembre 2025; investigación observacional.

Una buena AX permite delegar con confianza: el agente entiende qué puede hacer, el sistema limita sus acciones y la persona recibe un resultado que puede comprobar.