Gemini API amplía sus Managed Agents con ejecución en segundo plano y MCP remoto
Google DeepMind anuncia nuevas capacidades para los Managed Agents de la Gemini API, incluyendo ejecución asíncrona en segundo plano, integración con servidores MCP remotos, llamadas a funciones personalizadas y renovación de credenciales de red. Estas actualizaciones responden directamente al feedback de desarrolladores y apuntan a facilitar la construcción de agentes de IA robustos y listos para producción.
Puntos clave
- La nueva funcionalidad de ejecución en segundo plano (background execution) permite lanzar interacciones asíncronas pasando el parámetro background: true, de modo que la API devuelve inmediatamente un identificador que las aplicaciones cliente pueden usar para consultar el estado, transmitir el progreso o reconectarse más tarde mientras el agente termina su tarea de forma remota.
- La integración con servidores MCP remotos (Model Context Protocol) elimina la necesidad de escribir middleware proxy personalizado para acceder a bases de datos privadas o APIs internas, permitiendo conectar directamente los agentes gestionados a estos servidores y combinarlos con herramientas integradas como Google Search o ejecución de código.
- La llamada a funciones personalizadas (custom function calling) coexiste con las herramientas nativas del sandbox mediante un sistema de coincidencia de pasos (step matching): las herramientas integradas se ejecutan automáticamente en el servidor, mientras que las funciones personalizadas transfieren la interacción a un estado requires_action para que el cliente ejecute la lógica de negocio local.
- La renovación de credenciales de red (network credential refresh) permite actualizar tokens de acceso o claves de API de corta duración pasando el environment_id existente con una nueva configuración de red, sin perder el estado del sistema de archivos, los paquetes instalados ni los repositorios clonados en el sandbox.
- Con un único endpoint, Gemini gestiona el razonamiento, la ejecución de código, la instalación de paquetes, la gestión de archivos y la búsqueda de información en la web, todo dentro de un sandbox en la nube aislado y seguro.
- Las actualizaciones están disponibles con ejemplos en el SDK de JavaScript de Google GenAI, así como en Python y cURL a través de la documentación del agente Antigravity, lo que amplía el acceso a distintos perfiles de desarrollador.
Análisis
La ejecución en segundo plano representa un cambio de paradigma significativo en la arquitectura de los agentes de IA. Hasta ahora, mantener una conexión HTTP abierta para tareas de larga duración era frágil e ineficiente, un cuello de botella que limitaba la escalabilidad de los agentes en entornos de producción. Con esta novedad, los desarrolladores pueden desacoplar el inicio de una tarea de su seguimiento, lo que abre la puerta a flujos de trabajo mucho más complejos y a integraciones con sistemas externos que requieren tiempo de procesamiento variable.
La integración nativa con servidores MCP remotos es una respuesta directa a una demanda creciente del ecosistema de desarrollo de agentes: la capacidad de conectar la lógica del agente con fuentes de datos privadas o APIs corporativas sin comprometer la seguridad ni aumentar la complejidad del código. Al permitir mezclar herramientas MCP remotas con capacidades nativas del sandbox, Google facilita la construcción de agentes híbridos que pueden operar tanto sobre información pública como sobre datos sensibles de empresa, lo cual es especialmente relevante para agencias y responsables de marketing que gestionan plataformas de datos propias.
El modelo de step matching para la ejecución de funciones personalizadas introduce una separación clara de responsabilidades entre el servidor y el cliente. Las herramientas nativas se resuelven de forma transparente en la nube, mientras que la lógica de negocio específica de cada organización permanece bajo el control del cliente, lo que garantiza tanto la flexibilidad como la privacidad. Para los equipos de marketing, esto significa que pueden integrar reglas de negocio propias (como segmentación de audiencias o lógica de precios) dentro de flujos de agentes sin exponer esa lógica a terceros.
La renovación de credenciales sin pérdida de estado del sandbox es un detalle técnico con grandes implicaciones operativas. En entornos de producción, la caducidad de tokens es una fuente habitual de interrupciones en los flujos automatizados. Al permitir rotar credenciales manteniendo el contexto del agente (archivos, paquetes, repositorios), Google elimina una de las principales causas de fragilidad en los pipelines de automatización basados en IA, reduciendo el tiempo de mantenimiento y aumentando la fiabilidad de los agentes desplegados.
En conjunto, estas actualizaciones posicionan a los Managed Agents de Gemini como una infraestructura viable para agentes autónomos en entornos empresariales reales, no solo como herramientas de prototipado. Esto tiene implicaciones directas para la visibilidad en entornos de búsqueda generativa: los agentes más capaces y fiables pueden actuar como intermediarios en la recuperación y síntesis de información, lo que refuerza la importancia de optimizar los contenidos y las APIs corporativas para ser consumibles por estos sistemas de forma precisa y estructurada.
Qué hacer
- Evaluar la adopción de la ejecución en segundo plano para cualquier flujo de automatización de marketing que implique tareas de larga duración, como la generación masiva de contenidos, el análisis de grandes volúmenes de datos o la monitorización continua de campañas, ya que esto eliminará cuellos de botella y aumentará la fiabilidad del sistema.
- Explorar la integración de servidores MCP remotos para conectar los agentes de Gemini con las plataformas de datos propias de la agencia (CRM, herramientas de analítica, bases de datos de contenido), aprovechando la posibilidad de combinar datos internos con búsqueda web en tiempo real sin necesidad de middleware adicional.
- Diseñar una arquitectura de funciones personalizadas que separe claramente la lógica de negocio sensible (reglas de segmentación, datos de clientes, lógica de precios) de las herramientas nativas del sandbox, aprovechando el modelo de step matching para mantener el control sobre los datos confidenciales mientras se delega en el servidor el procesamiento genérico.
- Implementar desde el inicio una estrategia de gestión de credenciales que aproveche la funcionalidad de renovación sin pérdida de estado, definiendo políticas claras de rotación de tokens y claves de API para garantizar la continuidad operativa de los agentes en producción.
- Revisar y estructurar los contenidos, APIs y fuentes de datos de la agencia para que sean fácilmente consumibles por agentes de IA, incluyendo metadatos claros, formatos estandarizados y documentación accesible, ya que la creciente adopción de agentes generativos en flujos de búsqueda hace que la legibilidad por parte de estos sistemas sea un factor de visibilidad cada vez más relevante.
- Formar a los equipos técnicos y de producto en el uso del SDK de JavaScript y Python de Gemini API para que puedan prototipar y desplegar agentes personalizados de forma autónoma, reduciendo la dependencia de terceros y acelerando la capacidad de respuesta ante nuevas oportunidades de automatización basadas en IA generativa.
La consolidación de agentes autónomos más fiables y capaces de ejecutarse de forma asíncrona puede influir en cómo los sistemas de IA indexan, procesan y responden a consultas de usuario, lo que hace más relevante que nunca optimizar los contenidos y las integraciones técnicas pensando en entornos de agentes generativos. Las agencias que desarrollen flujos basados en estos agentes podrán ofrecer experiencias más dinámicas y mejor posicionadas en entornos de búsqueda impulsados por IA.