# Human in the loop: qué es y cómo decidir el nivel de supervisión humana > Human in the loop qué es: los tres modos de supervisión de agentes de IA (in, on y out of the loop) y cómo elegir el adecuado según el tipo de decisión. - Canonical: https://arkatai.com/human-in-the-loop/ - Site: Arkatai (https://arkatai.com) — agentic operations as a service - Language: es - Published: 2026-07-19 --- Human in the loop significa que una persona interviene en el funcionamiento de un agente de IA: en la versión estricta, aprueba cada acción crítica antes de que se ejecute. Es uno de los tres modos posibles de supervisión, y elegir el correcto para cada decisión no es un detalle técnico. Gobierna el riesgo real de todo el sistema. Ponerlo demasiado estricto ahoga el valor. Demasiado flojo, expone a la empresa. El criterio para acertar es lo que trato aquí. La pregunta que me hace todo comité, con distintas palabras, es la misma: ¿cuánto dejo que el agente decida solo? La respuesta no es un número global para toda la empresa. Es una decisión por tipo de decisión, y depende de dos cosas concretas: qué cuesta el error si se produce y si se puede deshacer. Empecemos por los tres modos. ## Los tres modos de supervisión No hay «supervisión sí o no». Hay un abanico con tres posiciones claras, y una operación real usa las tres a la vez, según la tarea. **Human in the loop** (en el bucle): la persona aprueba cada acción crítica antes de que ocurra. El agente prepara el trabajo —analiza el caso, propone la decisión, deja todo listo— pero no ejecuta hasta que un humano da el visto bueno. Máxima seguridad, máximo freno. No escala bien si el volumen es alto. **Human on the loop** (sobre el bucle): el agente actúa solo, y la persona supervisa el conjunto en tiempo real y puede intervenir o parar. No aprueba caso a caso. Vigila el flujo, revisa muestras, corta si algo se tuerce. Es el punto de equilibrio para la mayoría del trabajo operativo con volumen. **Human out of the loop** (fuera del bucle): el agente ejecuta sin intervención en el momento, y la revisión es a posteriori, por muestreo o sobre las excepciones que él mismo marca. Máxima autonomía, reservada a decisiones baratas, reversibles y de patrón muy establecido. La distinción entre *in* y *on* es la que más se confunde, y es la más importante. En el primero el humano es un paso obligatorio antes de cada acción, en el segundo es un vigilante que puede intervenir pero no bloquea el flujo. Confundirlos lleva a diseñar sistemas que no escalan o sistemas que asumen riesgos que nadie aprobó. ## Cómo se decide el modo: reversibilidad y coste del error El modo no se elige por intuición ni por lo nervioso que esté el comité. Se elige cruzando dos ejes de cada decisión. | | Error barato | Error caro | |---|---|---| | **Reversible** | Fuera del bucle: ejecuta solo, revisión por muestreo | Sobre el bucle: ejecuta y una persona supervisa el flujo | | **Irreversible** | Sobre el bucle, con alertas ajustadas | En el bucle: aprobación humana antes de cada acción | Una decisión reversible y barata —clasificar un correo, etiquetar un documento, proponer una respuesta que otro paso revisa— no necesita que nadie apruebe caso a caso: se deja correr y se muestrea. Una decisión irreversible y cara —emitir un pago, cancelar un pedido de un cliente, comunicar algo en firme a un tercero— pide aprobación humana antes de ejecutar, al menos hasta que los datos digan otra cosa. El resto cae en medio, y ahí el modo sobre el bucle suele ser el acierto. La reversibilidad es el eje que más se subestima. Un error que puedes deshacer en un clic es un incidente menor; el mismo error, si ya salió al cliente o movió dinero, es un problema serio. Por eso la primera pregunta que hago de cada acción de un agente no es «¿acierta mucho?», sino «¿qué pasa si se equivoca en esta y se puede deshacer?». Esa pregunta ordena el sistema entero. ## El escalado es el otro lado de la moneda Elegir el modo de supervisión y diseñar el escalado a humanos son la misma decisión vista desde dos ángulos. Cuando un agente en modo *on the loop* encuentra un caso que excede su mandato, lo escala, y ese escalado es el mecanismo que hace segura la autonomía. Un agente bien diseñado sabe cuándo no sabe, para y pasa el caso a una persona con el contexto preparado, en vez de decidir por decidir. La mecánica operativa de ese traspaso —a quién va, con qué información, en qué cola— la desarrollo en [excepciones y escalado a humanos](/excepciones-y-escalado-a-humanos/). Aquí lo que importa es el principio. La tasa de escalado no es un fracaso del agente, es una válvula de seguridad, y su nivel se ajusta a propósito. Un agente que no escala nunca no es más autónomo, es más peligroso. ## Cómo evoluciona con la confianza demostrada El nivel de supervisión no es fijo. Es lo que más se malinterpreta: la gente cree que se decide una vez al arrancar y ya. Al contrario. Se empieza estricto y se relaja donde los datos lo justifiquen. Un agente nuevo entra casi siempre en el bucle o muy vigilado sobre el bucle, con la máxima supervisión aunque frene. A medida que acumula historial —cientos de casos con la calidad medida, los fallos revisados, el comportamiento estable—, tiene sentido darle más autonomía en las decisiones donde lo ha demostrado. La palabra clave es *demostrado*. La confianza no se concede por fe ni por lo bien que fue la demo, se gana con datos. Y esos datos vienen de dos sitios: de la [evaluación de agentes de IA](/evaluacion-de-agentes-de-ia/), que mide la calidad contra casos conocidos, y de la [observabilidad y trazabilidad de agentes](/observabilidad-y-trazabilidad-de-agentes/), que enseña qué hace en producción real. Esta evolución no es de una sola dirección. Si el sistema se degrada —cambió el modelo, cambió el proceso, apareció un tipo de caso nuevo—, se vuelve a apretar la supervisión hasta recuperar la confianza. En Arkatai eso forma parte del ciclo de operar y actualizar: la autonomía sube y baja con lo que demuestran los datos, no con lo que apetece. ## Es una decisión de negocio, no del proveedor Termino con lo que más insisto ante un comité. Dónde se pone cada límite de supervisión no lo decide el que construye el agente, lo decides tú. Qué acciones exigen aprobación humana, qué se puede dejar correr, cuánto riesgo reversible aceptas, todo eso es criterio de negocio, y forma parte de la arquitectura operativa que es propiedad del cliente. El proveedor implementa el modo que decidas y te da los datos para revisarlo. No debería ser quien fija cuánto riesgo asume tu empresa. Por eso este tema encaja en el marco de [gobernanza de agentes](/gobernanza-de-agentes/) y en el cluster de [agentes de IA para empresas](/agentes-de-ia-para-empresas/). El nivel de intervención humana es una de las decisiones que un consejo debe entender y firmar, no delegar en la ficha técnica de un producto. Un sistema serio te deja moverlo, te enseña por qué y te demuestra con datos cuándo puedes soltar cuerda. ## Preguntas frecuentes ### ¿Qué es human in the loop? Es el modo de supervisión en el que una persona interviene en el funcionamiento de un agente de IA. En su versión estricta, aprueba cada acción crítica antes de que se ejecute. El agente prepara la decisión pero no actúa hasta el visto bueno humano. Es el modo de máxima seguridad y el que más frena el volumen. ### ¿Cuál es la diferencia entre human in the loop y human on the loop? En human in the loop la persona aprueba cada acción crítica antes de que ocurra, un paso obligatorio. En human on the loop el agente actúa solo y la persona supervisa el flujo en tiempo real, pudiendo intervenir o parar, pero sin bloquear caso a caso. El primero prioriza seguridad. El segundo escala mejor con volumen. ### ¿Cómo decido el nivel de supervisión de un agente? Cruzando dos ejes de cada decisión: si el error es reversible o no, y si es barato o caro. Las decisiones irreversibles y caras piden aprobación humana antes de ejecutar. Las reversibles y baratas pueden correr con revisión por muestreo. El resto suele encajar en supervisión sobre el bucle. ### ¿El nivel de supervisión es fijo? No. Se empieza con supervisión estricta y se relaja donde los datos de evaluación y observabilidad demuestren fiabilidad sostenida. Si el sistema se degrada por un cambio de modelo o de proceso, se vuelve a apretar. La autonomía se gana con datos y se puede retirar.