# AI Traces: la capa que convierte agentes en sistemas auditables

> Los agentes no se gobiernan mirando solo input y output. La traza muestra herramientas, retrieval, errores, coste y decisiones intermedias.

- Author: Viktor Berthelius (BRTHLS)
- Published: 2026-06-24
- Category: automation aiops
- Tags: ai-traces, observability, agentic-ai, automation-aiops
- Language: es
- Canonical: https://www.brthls.com/magazine/ai-traces-capa-convierte-agentes-sistemas-auditables-es
- Source: BRTHLS Magazine — https://www.brthls.com

---

## Problema

Una aplicacion tradicional falla y normalmente puedes seguir el rastro: request, servicio, base de datos, error, log, alerta. Un agente falla de otra manera. Puede recuperar contexto incorrecto, elegir una herramienta mala, repetir una llamada, ignorar una instruccion, gastar tokens sin producir resultado o declarar exito cuando no paso nada real.

Si solo miras input y output, el sistema parece una caja negra. Ves la pregunta y la respuesta, pero no sabes que camino tomo.

Eso no basta para operacion enterprise. Un agente que actua sin traza no es autonomia; es opacidad automatizada.

## Tesis

`AI Traces` sera una capa obligatoria para cualquier sistema agentico serio.

No porque todos los equipos necesiten dashboards sofisticados desde el dia uno, sino porque sin trazas no hay debugging, evaluacion, compliance, optimizacion de coste ni aprendizaje.

La traza convierte un run en evidencia: que modelo se llamo, que prompt se uso, que contexto entro, que tool calls ocurrieron, que fallos aparecieron, que decision se tomo y cuanto costo.

## Framework

Una traza util debe capturar cinco niveles:

- **Modelo:** proveedor, modelo, parametros, tokens, latencia y respuesta.
- **Contexto:** documentos recuperados, fuente, ranking, permisos y freshness.
- **Herramientas:** tool call, argumentos, resultado, error, retry y side effect.
- **Decision:** por que el agente eligio una ruta y no otra.
- **Outcome:** que cambio en el sistema externo y si fue verificado.

Mini-caso: un agente de operaciones dice que ha actualizado un CRM. Sin traza, solo ves una respuesta convincente. Con traza, ves que recupero el contacto correcto, llamo la API con el ID correcto, recibio 200, escribio el campo esperado y luego verifico el estado. Esa diferencia separa demo de operacion.

**Senal medible:** porcentaje de runs criticos que pueden reproducirse o auditarse desde una traza completa.

**Postura:** un agente sin trace no deberia tocar sistemas de produccion.

## Por que importa ahora

OpenTelemetry ya mantiene convenciones semanticas para sistemas generativos, incluyendo señales para spans de modelo, agente, framework, eventos, excepciones y metricas. LangSmith documenta observabilidad para agentes con tracing de llamadas, pasos y decisiones. OpenAI, en su guia practica de agentes, trata guardrails, tool safeguards y output validation como componentes de produccion, no como extras.

La direccion del mercado es clara: la observabilidad de IA deja de ser "guardar prompts" y empieza a parecerse a tracing distribuido con semantica de agentes.

Eso tiene implicaciones profundas. Si cada proveedor guarda trazas en su propio formato, el equipo queda atado a herramientas. Si las trazas usan convenciones compartidas, la empresa puede comparar, migrar y auditar.

## Anti-ejemplo

"Guardamos todos los prompts y respuestas en una tabla."

Es un buen comienzo, pero no es una traza. Falta la cadena causal: retrieval, herramientas, errores, retries, permisos, coste y efectos externos. El log textual cuenta que el agente dijo algo. La traza cuenta que hizo algo.

## Protocolo (3 pasos)

1. **Traza primero los workflows con side effects.** Si modifica datos, envia mensajes o ejecuta acciones, debe dejar rastro.
2. **Une trace y outcome.** Una ejecucion exitosa solo cuenta si el sistema externo confirma el cambio esperado.
3. **Etiqueta fallos por capa.** Modelo, contexto, tool, permiso, red, criterio o verificacion. Sin taxonomia, cada incidente vuelve a empezar.

| Capa | Que captura | Para que sirve |
| --- | --- | --- |
| modelo | tokens, latencia, respuesta | coste y rendimiento |
| contexto | fuentes y permisos | confianza y compliance |
| tool | argumentos y resultado | debugging |
| decision | ruta elegida | evaluacion |
| outcome | efecto verificado | ROI real |

## Relacionado

- [Agent Memory from Trace: la memoria util no vive en el chat, vive en la operacion](/magazine/agent-memory-from-trace-memoria-util-vive-operacion-es)
- [Token-to-Outcome: el KPI que separa IA usada de IA rentable](/magazine/token-to-outcome-kpi-ia-rentable-es)
- [Agent Reliability Score: como saber si un agente merece autonomia](/magazine/agent-reliability-score-como-saber-si-un-agente-merece-autonomia-es)

## Fuentes consultadas

- [OpenTelemetry: Semantic conventions for generative AI systems](https://opentelemetry.io/docs/specs/semconv/gen-ai/)
- [LangSmith Observability](https://docs.langchain.com/oss/python/langchain/observability)
- [OpenAI: A practical guide to building agents](https://cdn.openai.com/business-guides-and-resources/a-practical-guide-to-building-agents.pdf)

## Proximo paso

Elige un agente que ya produzca valor. No empieces mejorando prompts. Empieza instrumentando una traza completa de un run real y busca donde se pierde evidencia.

---

_Cite as: Berthelius, V. (2026). "AI Traces: la capa que convierte agentes en sistemas auditables". BRTHLS Magazine. https://www.brthls.com/magazine/ai-traces-capa-convierte-agentes-sistemas-auditables-es_