Optiver, la empresa de trading propietario con sede en Ámsterdam y una importante presencia de ingeniería en EE.UU., ha reestructurado su ciclo de vida de desarrollo de software en torno a agentes de IA. Su primera prueba de estrés en producción en código de conectividad con exchanges entregó 75% de reducción en tiempo de comercialización, 85% de reducción en esfuerzo de ingeniería y 90% del output llegando listo para revisión. Goldman Sachs Research proyecta que el consumo global de tokens se multiplicará 24x para 2030, alcanzando 120 cuatrillones de tokens por mes, a medida que los agentes de nivel empresarial desplazan cargas de trabajo de chatbot.
Optiver probó agentes en gestión de sesiones—el componente que cada nuevo venue de trading requiere: inicio de sesión, heartbeats y comunicación de protocolo. El trabajo es repetitivo pero implacable. Un único error en Knight Capital desencadenó una pérdida de $440M. Un agente de codificación genérico llegó a mitad de camino: no pudo entender el componente, no pudo impulsar herramientas de prueba, no pudo inspeccionar internals críticos del sistema y rellenó brechas con soluciones improvisadas.
Optiver destilaron cuatro restricciones de la depuración de esos fallos. Los golden paths deben ser engineered, no esperados. El contexto debe cubrir sistema, dominio y enfoque—el contexto de dominio fue el más difícil porque la documentación de venue lista mensajes pero no sus efectos. Optiver lo resolvió equipando agentes para sondear sistemas en vivo y capturar tráfego real. Tercero, la contrapresión importa; los errores de agentes se componen sin control sin ella. Cuarto, las herramientas deben ser amigables con agentes por diseño. Optiver ahora trata "Claude puede usar esto sin ayuda" como un requisito hard.
Pat Cooney, Head of Global Platform Engineering, dijo a reporteros en mayo de 2026: "La IA agéntica es cada vez más simplemente la forma en que las personas construyen sistemas." Optiver está rediseñando su SDLC desde principios fundamentales con agentes como contribuidores primarios, no acelerando un proceso existente dirigido por humanos. Su framework de orquestración ejecuta agentes a través de fases definidas con gates de verificación entre cada una. Los agentes tienen libertad en decisiones creativas—interpretación de protocolo, opciones de implementación, manejo de casos extremos—y cero libertad en gates determinísticos: ¿se compiló?, ¿pasaron las pruebas?, ¿el escenario tuvo éxito contra tráfico en producción?
Cooney: "Nuestros usuarios son humanos, pero también son agentes. Eso significa que las interfaces que exponemos, la documentación, el contexto que damos a los agentes se vuelven cada vez más importantes." Los bots que realizan cambios de entorno mediante lenguaje natural se ejecutan en producción. Cooney rechaza la suposición de que los agentes aumentan el riesgo neto: "No es asimétrico. La IA es una herramienta que puedes usar en cualquier lugar, incluso para gestionar y reducir riesgos."
Goldman Sachs proyecta que solo 12% de los trabajadores del conocimiento ejecutarán cargas de trabajo agénticas para 2030, subiendo a 37% para 2040. La cola empresarial es larga debido a integración, pruebas, cumplimiento normativo y fricción regulatoria. Los agentes empresariales también consumen más tokens que las versiones de consumidor—monitoreo, recuperación de contexto, razonamiento de anomalías, validación de output e informes se suman a un declive anual del 60–70% en costos de inferencia por token.
El cuello de botella en deployments agénticos no es la capacidad del modelo. Es la infraestructura circundante: specs, herramientas, gates de verificación, packaging de contexto y observabilidad deben reconstruirse con un agente como usuario principal antes de que los números de productividad se muevan.