Qué lanzó realmente Decagon
Decagon anunció el gateway en su evento Dialogues 2026 como uno de cuatro lanzamientos, junto a Decagon Voice 3, Agent Modules y Duet Apprentice.
El post de lanzamiento, escrito por los cofundadores Jesse Zhang y Ashwin Sreenivas, abre con el motivo: en un solo mes, Meta lanzó Muse, OpenAI presentó dots e Instinct empezó a hacer llamadas telefónicas para sus usuarios.
Esos son agentes personales. Trabajan para un consumidor, no para una empresa, y "reservan, compran, cancelan y negocian" en nombre de su dueño. Cuando llegan a una cola de soporte, suelen toparse con el propio agente de IA para atención al cliente de la marca. Así que ahora hay un agente en ambos extremos de la conversación. Y ya ocurre en líneas telefónicas reales:
"This week, Muse called customer service on my behalf. It navigated the phone tree, waited on hold, spoke with a human rep, and resolved the issue (worked great!)."
El gateway son dos funciones y un protocolo:
| Pieza | Qué hace | Para quién es |
|---|---|---|
| Detección de agentes personales | Marca a los probables agentes personales en chat en vivo y voz | Agentes que no dicen que son agentes |
| Canal de agentes personales | Un canal dedicado junto a chat, correo y voz, con sus propios Agent Operating Procedures (AOPs) | Agentes que se identifican |
| PACT (Personal Agent Consent & Trust) | Un protocolo para que un agente demuestre a quién representa y qué le permitieron | Proveedores de agentes personales y empresas |
Construyo integraciones para ganarme la vida en eesel, y mi primera impresión fue que esto es sobre todo un producto de autorización con disfraz de detección. Es un cumplido. La detección se lleva los titulares, pero los scopes son lo que de verdad se pondría en producción.
Por qué los agentes personales rompen las políticas de soporte
Esta es la frase del post de Decagon a la que no dejo de volver. Una persona a la que se le niega un reembolso "might ask once more and let it go". Un agente personal "might ask for a refund once, or keep trying different approaches to maximize the concession."
Ese es todo el problema en dos frases. La mayoría de las políticas de reembolso y excepciones se apoyan en silencio en la paciencia humana. El cliente que necesitaría cuatro intentos para conseguir una excepción suele parar en dos. Un agente no se cansa, no siente vergüenza y no tiene otro sitio donde estar. La opinión más compartida sobre esto en X expresó la economía sin rodeos:
"AI agents reduce the cost of complaints/requests to ~ zero. Anything free is consumed at much higher rates, so we should expect the total volume of this category to explode."
Veo el mismo patrón desde el otro lado en las colas de eesel con las que trabajo. Un administrador de soporte de eesel dedicó una sesión a enseñar al agente de Zendesk de eesel una sola regla, y la expresó mejor de lo que yo podría:
"I have a rule in CS where we do not address a cancel or refund request when there is an issue attached to it."
A digital-media support admin encoding a "troubleshoot before you cancel" policy into a Zendesk AI agent
Esa regla funciona con una persona porque una persona acepta la resolución de problemas. Un agente personal al que se le indica "consígueme un reembolso" intentará rodearla. Si tu agente de soporte con IA se deja convencer de saltarse una regla al quinto intento, nunca tuvo la regla. Por eso la IA para solicitudes de reembolso se gana o se pierde en lo que el agente puede hacer, no en lo amable que sea al decir que no.
Hay un segundo problema que señala Decagon: el permiso. "Permission to check a balance doesn't necessarily mean permission to move money." Hoy, si el agente de alguien llama con los datos de cuenta correctos, la mayoría de los stacks de soporte no pueden saber qué aprobó realmente el cliente.
Cómo funciona el Personal Agent Gateway
Decagon plantea el diseño en torno a cuatro cosas que una empresa necesita hacer bien: identificación, acceso, autorización y resolución. Así se corresponde cada una con el producto.
Identificación: detección más autoidentificación
La mayoría de los agentes hoy llaman o abren un chat como cualquier otro. Decagon dice que la detección combina señales de la empresa, como huellas de dispositivo e historial de la cuenta, con señales de la plataforma de soporte, como patrones de conversación y ritmo de las solicitudes. La marca funciona en chat en vivo y voz. Lo que pase después depende de la empresa.
El matiz que merece atención: Decagon no presenta la detección como la puerta principal. Dice que funciona "best alongside an easy way for agents to identify themselves upfront", así que solo tiene que atrapar a los que no lo hacen. La detección es el plan B. El canal es el plan. Mi lectura: es la misma lógica que empujó el checkout hacia un protocolo de comercio agéntico. Una puerta de entrada para agentes escala mejor que adivinar quién es un bot.
Acceso: un canal solo para agentes
Los agentes que se identifican reciben el canal de agentes personales. Está junto a chat, correo y voz, con AOPs separados. Los AOPs son los flujos de trabajo de Decagon para su agente de IA, y los he tratado con más detalle en la reseña de Decagon.
En la práctica, la misma solicitud puede seguir lógicas distintas según quién la hace. Una petición de reembolso de una persona puede ir por un camino; de un agente, por otro. Las solicitudes menos sensibles pueden reutilizar flujos existentes sin configuración extra, lo cual importa, porque nadie quiere mantener dos copias de cada política. El otro punto de Decagon es fácil de pasar por alto: un canal para todos los proveedores de agentes significa que no construyes una integración para Muse, otra para dots y otra para Instinct.
Autorización: scopes dentro de los AOPs
Esta es la parte que leería dos veces. Decagon pone los permisos dentro de los AOPs: una empresa define los scopes que un agente puede solicitar y marca qué secciones necesitan cada uno. Sin el scope, "those sections are never exposed to the agent". Es el modelo OAuth que ya conoces de conectar una app a tu cuenta de Google, aplicado a una conversación de soporte. Si has configurado scopes de la API de Zendesk, la forma te resultará familiar.
El ejemplo de Decagon es una aerolínea:
El viajero concede ver pero no reprogramar. El agente de la aerolínea comparte opciones más tempranas pero no puede hacer el cambio, así que el agente personal vuelve con su dueño para pedir el permiso que falta. Decagon también dice que la concesión "creates a record of what the customer authorized", de modo que la empresa puede demostrarlo después. Para un responsable de soporte que haya tenido que desenredar un cambio disputado, ese registro de auditoría es la verdadera función.
También responde a la preocupación que tienen los consumidores desde su lado. En Reddit, un usuario de Muse preguntó cómo podría funcionar esto cuando su aseguradora y su operadora siempre exigen primero datos personales:
"...for that to all I have to hand those info (social, address, DOB, etc.) directly into Muse memory as plain text without a secure credential layer, or the customer service might just hand off knowing it's an AI calling?"
Los permisos acotados concedidos por el cliente son la "secure credential layer" que pide ese usuario.
Resolución: evitar que dos agentes entren en bucle
"Two agents can loop forever if neither is built to stop." La respuesta de Decagon es que el agente de la empresa mantiene su posición en la política sin dejar de ser útil, y el escalado funciona en ambos sentidos: el agente de la empresa puede necesitar a un humano, y el agente personal puede necesitar a su dueño. Si has ajustado reglas de escalado con IA, es el mismo músculo con una segunda salida. También cambia cómo mides las cosas: la contención y la calidad del escalado ahora incluyen devolver una solicitud al agente de otra persona.
Qué añade PACT sobre A2A
PACT son las siglas de Personal Agent Consent & Trust. Según Decagon, "builds on the Agent2Agent protocol", que gestiona cómo los agentes se encuentran e intercambian mensajes, y añade "delegated authorization built on OAuth 2.0". En cristiano: A2A hace que los dos agentes hablen, y PACT permite que el agente personal demuestre de quién es cliente y qué puede hacer. Es un trabajo distinto al de MCP para soporte al cliente, que conecta una IA con herramientas en lugar de con otro agente.
Esa división tiene sentido cuando lees la especificación de A2A. Los agentes se anuncian con una agent card en /.well-known/agent-card.json, pero la especificación de A2A deja la autorización a criterio de cada implementación. Algo tiene que llenar ese hueco para las solicitudes de consumidor a empresa, y PACT es la apuesta de Decagon. A2A tiene respaldo real: el 27 de agosto de 2026 pasó a ser un proyecto en fase Growth en la Agentic AI Foundation, con más de 150 organizaciones detrás.
Dos cosas que conviene tener claras antes de buscar documentación:
- El nombre PACT ya está ocupado dos veces. Cloudflare anunció otro PACT, Private Access Control Tokens, con Mozilla, Google, Microsoft y Shopify en junio de 2026. Trata de demostrar que hay una persona en la web, no de consentimiento en soporte.
- La especificación no es fácil de encontrar. El resumen de Dialogues de Decagon dice "the specification is available today", pero a 6 de octubre ninguno de los dos posts de lanzamiento enlaza a ella y no pude encontrar una copia pública. Así que no puedo darte nombres de campos, endpoints ni cómo se almacenan los registros de concesión. Decagon dice que está "working with personal agent providers" para darle forma.
Decagon no está solo en este carril. El 30 de septiembre, Mastercard anunció una puntuación de la probabilidad de que un pago lo haya iniciado un agente de IA, en pruebas en EE. UU. Eso es detección en la capa de pagos. Decagon es el primero que veo que apunta la misma idea a la propia conversación de soporte. Rivales como Sierra no han anunciado nada comparable en el momento de escribir esto, lo que marca una diferencia real en la comparativa Decagon vs Sierra.
Lo que aún no se sabe
Decagon es claro en el diseño y callado en los detalles que preguntaría un comprador. Este es el estado real a 6 de octubre de 2026:
| Pregunta | Qué ha publicado Decagon |
|---|---|
| Precio | Nada. La página /pricing de Decagon da 404 y todo pasa por una demo |
| Disponibilidad | Sin etiqueta de GA, beta o plan. La llamada a la acción es "Talk to our team" |
| Canales de detección | Chat en vivo y voz |
| Correo | El canal de agentes está junto al correo, pero la detección solo se describe para chat y voz |
| Especificación | Descrita como disponible, sin enlace público |
| Proveedores de agentes inscritos | Ninguno citado como adoptante de PACT. Instinct, Muse y dots se citan como ejemplos de agentes que ya contactan con soporte |
| Precisión de la detección | Sin cifras. Decagon dice que la detección "will keep improving as personal agents evolve" |
Nada de eso es raro en el lanzamiento de una función de un proveedor enterprise, y la historia de los precios de Decagon siempre ha sido de venta directa. Pero sí significa que el gateway es una dirección, no un producto que puedas dimensionar hoy, y enlaza directamente con la pregunta más grande de si Decagon vale la pena. El canal para agentes que se identifican, en particular, solo rinde cuando los fabricantes de agentes adopten el protocolo, y ninguno ha dicho públicamente que lo hará.
Qué dice la gente
La reacción pública al gateway en sí es escasa por ahora, lo cual tiene sentido cinco días después del lanzamiento. El debate más amplio en el que entra, en cambio, es ruidoso. En Hacker News, el hilo de lanzamiento de OpenAI dots se convirtió en una discusión justo sobre esto:
"All this outsourcing of human interaction to agents is going to get locked down. Customer service relies on people not overabusing it, and that trust is getting abused by agents."
Y la respuesta que explica por qué los consumidores enviarán agentes de todos modos:
"The solution for both sides is for the companies to implement support bots that have more power to address my problem than the humans they replaced were ever given. I have a feeling it's not going to work out that way, though."
Bloquear es el otro instinto, y tiene un coste. Como dijo Ryan Sarver tras el bloqueo de Muse por parte de Amazon en su tienda, "Nobody asked the person whose agent stopped working" (Ryan Sarver, X).
Esos comentarios juntos son todo el encargo de diseño del gateway. Las empresas necesitan frenar el abuso, los clientes quieren que su agente consiga cosas de verdad, y los permisos acotados son la única versión en la que ambas partes ganan algo. Si el agente de la empresa puede decir que sí a más cosas, de forma segura, el agente del cliente tiene menos motivos para insistir.
Cómo preparar a tu equipo de soporte, con o sin Decagon
La mayoría de los equipos de soporte que leen esto no usan Decagon y no lo harán en el presupuesto de 2026. La buena noticia: la parte difícil del gateway es un ejercicio de permisos que puedes hacer en cualquier stack. Agentes como Instinct y Meta Muse llegarán a tu cola por las mismas líneas de correo, chat y teléfono que usan las personas, hayas comprado algo o no. Si atiendes soporte por WhatsApp o Messenger, Meta Muse para soporte al cliente cubre lo que hacen las propias herramientas de negocio de Meta.
Elige abajo un tipo de solicitud para ver cómo la limitaría.
Aquí tienes la versión corta como lista:
- Haz inventario de tus acciones. Lista cada acción de tu flujo de atención al cliente con IA y clasifica cada una en lectura, escritura reversible, movimiento de dinero o control de la cuenta. La mayoría de los equipos nunca lo han escrito.
- Controla por nivel, no por canal. Un reembolso es un reembolso, venga de una persona, un bot o una llamada. Pon primero las aprobaciones en el nivel de movimiento de dinero. Las guías de acciones avanzadas de IA en Zendesk y acciones de IA en Gorgias muestran qué se puede configurar de forma nativa.
- Escribe políticas que sobrevivan a la repetición. Lee cada regla de excepción y pregúntate: ¿aguantaría a la quinta petición? Si la respuesta honesta es "depende de quién pregunte", endurécela.
- Da dos salidas al escalado. Tu IA debería pasar a una persona sin fricción y decir con claridad qué necesita del cliente cuando a un agente le falta permiso. Para el lado humano, mira las buenas prácticas de traspaso a humanos.
- Prueba con tickets pasados antes de salir en vivo. Reproduce tickets reales de reembolso y cancelación y comprueba dónde cede tu IA. Es más barato que enterarte por un agente que no para.
El cuarto punto lleva una cicatriz para mí. Una vez vi cómo una configuración autónoma de redacción rompía su propio camino de escalado en un cliente de medios digitales: el correo de escalado se cerró automáticamente, así que ninguna persona lo vio. No se escaló nada y nadie lo supo. Dos agentes hablando entre sí encontrarán huecos así más rápido que cualquier cliente, por eso cada despliegue de eesel se simula ahora primero con tickets históricos.
Dónde encaja eesel
Primero, los límites con franqueza. eesel no detecta agentes personales y no implementa Agent2Agent ni PACT. Si hoy necesitas un canal enterprise de agente a agente con scopes concedidos por el cliente, Decagon es el proveedor que lo está construyendo, y la comparativa de alternativas a Decagon cubre quién más está cerca.
Lo que hace eesel es la capa de permisos de debajo, sobre el helpdesk que ya usas. El compañero de IA para helpdesk se une a Zendesk, Freshdesk o Gorgias como una nueva incorporación, junto a o en lugar de Zendesk AI nativo. Cada acción que puede ejecutar, desde añadir una etiqueta hasta emitir un reembolso, se configura como Auto, Requiere aprobación o Desactivada, agrupadas en Lectura y Escritura, según los docs de acciones de eesel.
Es la misma separación entre lectura y escritura que imponen los scopes de Decagon, solo que dirigida a tu propia IA en lugar de a la del cliente. Así que, quien esté al otro lado de un ticket, una persona o su agente, puedes dejar que eesel consulte el pedido por su cuenta y aun así hacerlo esperar a un humano antes de mover dinero. Puedes configurarlo con palabras sencillas, como "consulta cosas por tu cuenta, pero pregúntame antes de cualquier reembolso", y aprobar las acciones retenidas desde el panel, Slack o la CLI de eesel con eesel approvals.
Prueba eesel
Si los agentes personales están a punto de pedir reembolsos a tu cola, lo primero es decidir a qué puede decir que sí tu propia IA. El compañero de IA para helpdesk de eesel se conecta a Zendesk, Freshdesk o Gorgias, aprende de tus tickets pasados y tu centro de ayuda, y mantiene los reembolsos y las cancelaciones tras una aprobación hasta que hayas visto que mantiene la línea. Puedes ejecutarlo antes sobre tus tickets pasados en una simulación, antes de que toque a un cliente.
El plan gratuito incluye 100 créditos y todas las integraciones, y los planes de pago empiezan en $299 al mes por 500 créditos en la página de precios de eesel. Prueba eesel en tu propia cola.