De RPA Tradicional a Computer Use: Arquitectura de Agentes Visuales para Sistemas Legacy

Una proporción crítica de las operaciones corporativas en México depende de plataformas que nunca fueron diseñadas para interoperar de forma programática. Desde implementaciones legacy de SAP GUI y terminales bancarias AS400, hasta portales gubernamentales como el SAT o VUCEM, la ausencia de un ecosistema de APIs maduro ha obligado a las empresas a recurrir a parches de integración en la capa de la interfaz de usuario. Durante años, la respuesta estándar de la industria fue grabar rutinas sobre la pantalla, un modelo que resolvió la urgencia operativa inicial pero introdujo un nivel inmanejable de vulnerabilidad a largo plazo.

El paso de selectores estáticos hacia modelos de lenguaje multimodales con capacidad de acción visual —conocidos como Computer-Using Agents (CUA)— marca una evolución profunda en la ingeniería de sistemas. Al implementar un bucle dinámico de percepción y planificación guiado por visión artificial, las organizaciones logran reducir de forma drástica la deuda técnica de mantenimiento, operando plataformas de terceros con una resiliencia cognitiva similar a la de un usuario humano.

De la fragilidad de scripts a la resiliencia visual: Computer use, IA y automatización RPA

El paradigma clásico de integración sobre interfaces gráficas y la automatización RPA tradicional dependían de la precisión posicional y el código fuente inmutable. Los sistemas operaban buscando atributos específicos, como una ruta XPath, un ID estático en el DOM del navegador o coordenadas absolutas de píxeles en el monitor. Cualquier actualización mínima en la plataforma destino —un botón reubicado, una ventana emergente imprevista o un ajuste de estilos— rompía la ejecución del script inmediatamente y detenía los procesos críticos de la empresa.

Este diseño arquitectónico probó ser económicamente insostenible a escala. Aunque la meta inicial era erradicar el trabajo manual repetitivo, en la práctica el presupuesto simplemente se trasladó hacia otro rubro: el cuello de botella no radicaba en las licencias del software corporativo adquirido, sino en las horas-hombre invertidas en extensos equipos de ingeniería cuya única función era reactivar y reparar los flujos cada vez que la interfaz de un proveedor introducía un cambio visual (Citi, 2026).

Al analizar la convergencia entre computer use, IA y automatización RPA, el contraste técnico más evidente es la comprensión semántica. La verdadera ventaja competitiva de los agentes visuales es su capacidad de adaptación contextual; al procesar la información de la pantalla gráficamente, si una actualización mueve la columna de "Montos" o cambia el diseño del botón de "Facturar", la red neuronal sigue identificando el objetivo interactuable, desplomando así los costos ocultos asociados al mantenimiento correctivo (Naxia Global, 2026).

Arquitectura de ejecución: El pipeline Perceive-Plan-Act-Verify (PPAV)

Para que un modelo base adquiera agencia sobre un entorno de escritorio, la infraestructura subyacente debe orquestar un ciclo de retroalimentación estricto y continuo. Este pipeline, formalmente conocido como Perceive-Plan-Act-Verify, actúa como el motor transaccional entre el motor de razonamiento y las primitivas del sistema operativo huésped.

En la fase de percepción, el pipeline de extracción de estado no se limita a procesar una imagen estática. La captura de frames a través de servidores virtuales o protocolos de escritorio remoto suele enriquecerse inyectando metadatos estructurados en el contexto, típicamente utilizando el DOM del navegador o el accessibility tree nativo del sistema operativo. Para apuntar a los elementos correctos, diversas soluciones de mercado aplican técnicas de grounding visual mediante cuadrículas de coordenadas normalizadas, mapeando milimétricamente el espacio de visualización (Simular).

Durante la planificación, el modelo evalúa la trayectoria del cursor y los comandos de teclado necesarios para avanzar hacia el estado deseado. A nivel fundamental, el entrenamiento que capacitó a estas arquitecturas para navegar por pantallas requirió que la inteligencia artificial aprendiera a contar píxeles horizontal y verticalmente con precisión absoluta. Esta capacidad matemática para determinar desplazamientos fue esencial y permitió a los investigadores escalar desde operar calculadoras simples hasta dominar flujos de trabajo intrincados (Anthropic, 2024).

Finalmente, el bucle ejecuta la acción y verifica el nuevo estado. El agente despacha la señal al sistema e inmediatamente revisa el resultado gráfico. Esta latencia de verificación le otorga la capacidad de auto-corregirse frente a tiempos de carga lentos o fallos transitorios de red, una tolerancia a fallos imposible de programar de forma estática.

Optimización de infraestructura: Latencia y control de tokens

Sustentar el control de una interfaz gráfica mediante modelos de lenguaje masivos introduce una sobrecarga computacional importante. En servidores de producción, la latencia inherente a la inferencia de imágenes y el costo del tráfico de red ralentizan la operación, demandando arquitecturas con un estricto control de recursos.

Para mantener la viabilidad financiera, los ingenieros emplean técnicas agresivas de compresión del contexto. Estrategias como el sub-muestreo inteligente de imágenes y la técnica de crop & zoom dinámico reducen la cantidad de información enviada a las APIs de IA, enviando solo un recorte visual enfocado del área interactiva en lugar del escritorio completo. Adicionalmente, rutinas algorítmicas locales asumen el control de los micro-movimientos repetitivos, ahorrando miles de tokens en el proceso.

Es indispensable comprender que la eficiencia mecánica de un modelo imitando a un operador humano jamás igualará el rendimiento de una comunicación de red máquina a máquina. Debido a la lentitud intrínseca y al alto consumo de recursos de este enfoque de visión computacional, el patrón de diseño manda que solo debe aplicarse en procesos bloqueados por falta de interfaces programables, y nunca debe utilizarse si el aplicativo cuenta con una API moderna y funcional (Naxia Global).

Sandboxing y gobernanza Zero Trust en entornos críticos

Conceder a una inteligencia artificial el control físico virtual sobre un teclado y un ratón expande radicalmente la superficie de ataque del corporativo. Desde el diseño base, estas arquitecturas no cuentan con un entorno de confinamiento natural frente a las aplicaciones del escritorio; el agente absorbe y procesa todo dato expuesto en la pantalla activa, delegando la responsabilidad de la contención directamente sobre los permisos del sistema operativo subyacente (Numberline Security).

Uno de los vectores de amenaza más severos es la inyección de instrucciones indirectas o prompt injection visual. Si el modelo analiza una factura de proveedor maliciosa o navega un foro que incrusta comandos ocultos en la imagen, el texto inyectado podría manipular la meta del agente, forzándolo a extraer datos confidenciales o a emitir comandos destructivos bajo el paraguas de confianza del usuario corporativo.

Asegurar esta infraestructura requiere un apego absoluto a los principios de Zero Trust. Todo modelo con privilegios de acción debe instanciarse en entornos de sandboxing efímeros —como contenedores sin estado o máquinas virtuales desechables— y operar a través de cuentas de servicio estrictamente no humanas. Desvincular identidades garantiza que los equipos de ciberseguridad puedan levantar telemetría forense aislada e invalidar sesiones ante el menor desvío del patrón de tráfico esperado.

Impacto corporativo en México: Interfaces Legacy y conciliaciones

El ecosistema de negocios en México exhibe una topología ideal para maximizar el retorno de inversión en agentes visuales. Múltiples corporativos nacionales mantienen operaciones estratégicas que deben enlazarse a diario con portales institucionales altamente inestables. Sistemas de cumplimiento como el portal del SAT o la plataforma VUCEM para comercio exterior se caracterizan por modificar arbitrariamente su estructura de formularios y carecer de APIs abiertas, siendo los responsables de paralizar miles de iniciativas de automatización convencionales cada trimestre.

A nivel de back-office interno, el desafío es equivalente. Las conciliaciones de tesorería contra intranets bancarias antiguas o la extracción de registros en implementaciones legacy de SAP GUI dependen de la habilidad de interpretar menús anidados y leer ventanas de alerta no estructuradas. La capacidad multimodal soluciona la incompatibilidad histórica que mantenía a equipos enteros dedicados al trabajo de transcripción manual.

Los parámetros de madurez de la industria revelan que esta tecnología ya cruzó el umbral de viabilidad comercial. En evaluaciones controladas realizadas a inicios de 2026 frente a operadores humanos, los agentes autónomos líderes ya rebasaban la marca del 72% de éxito en la resolución integral de tareas complejas de escritorio (Naxia Global). Esta tasa de certidumbre posiciona al computer use como un componente viable para operaciones escalables, siempre bajo arquitecturas con márgenes de tolerancia de errores.

Recomendaciones para el deployment en producción

Transicionar desde rutinas de selectores estáticos hacia ecosistemas de agentes visuales requiere replantear la gobernanza del software corporativo. Para orquestar estas herramientas con resiliencia y mitigar los riesgos de escalamiento de privilegios, se deben adoptar las siguientes medidas críticas:

• Agotar siempre la vía programática: Efectúe una auditoría exhaustiva de la aplicación destino. Si el proveedor expone un endpoint REST o SOAP, desestime el uso del agente visual; esta tecnología debe aislarse como una capa de abstracción exclusiva para los sistemas verdaderamente cerrados.
• Implementar flujos Human-in-the-Loop (HITL): Evite la autonomía total en transacciones financieras o legales. Estructure el pipeline para que el modelo consolide datos, navegue los sistemas legacy y complete los formularios, pero obligue una detención condicional que requiera un clic de autorización humana antes de inyectar el evento de envío o confirmación final.
• Diseñar infraestructura efímera por defecto: Nunca opere modelos de computer use directamente en estaciones de trabajo de empleados ni en servidores compartidos de largo plazo. Utilice plataformas de orquestación que construyan el entorno gráfico en el momento de la ejecución y lo purguen por completo al finalizar, erradicando cualquier persistencia de datos sensibles en el sandboxing.
• Exigir observabilidad profunda del bucle: Debido al comportamiento probabilístico inherente de las redes neuronales, el registro de la actividad no puede limitarse a eventos del sistema. Configure un esquema de logs que almacene los comandos de interacción en sincronía con los pantallazos evaluados en cada paso, proporcionando trazabilidad forense inmediata para auditorías o depuración de errores lógicos.