El LMOS de Deutsche Telekom: lo que los equipos de IA empresarial realmente quieren de una plataforma

Arun Joseph en InfoQ describe una capa de cómputo agentico real y en producción: agentes efímeros, un ADL y un catálogo central de capacidades.

En términos sencillos. Arun Joseph, presentando en InfoQ, describió la plataforma de IA empresarial de Deutsche Telekom (LMOS): una capa que reemplaza la "proliferación de herramientas" con un conjunto de abstracciones centrales e introduce un Lenguaje de Definición de Agentes (ADL) con agentes efímeros. El marco: la computación agentica es la capa faltante que ningún proveedor de nube incluye listo para usar.

El hecho

InfoQ publica el 3 de agosto de 2026 la presentación de Arun Joseph sobre LMOS en Deutsche Telekom. Tres tesis: (1) las empresas sufren una proliferación de herramientas LLM/agentes mal estructuradas ("tool sprawl"); (2) lo que necesitan es una capa de "computación agentica" con abstracciones comunes; (3) LMOS propone un Lenguaje de Definición de Agentes (ADL) y agentes efímeros en lugar de servicios persistentes.

Nuestra lectura

La tesis de Joseph no es nueva: QCon AI Boston (publicación #1211) y Cloudflare Agents Week (publicación #1766) cuentan variantes de la misma historia, pero su interés radica en abordarla desde un operador de telecomunicaciones que debe mantener décadas de código empresarial. LMOS es un caso de experiencia en producción, no una charla de proveedor.

Lo que este patrón implica para tu arquitectura

• Efímero en lugar de persistente. Un agente no tiene estado entre sesiones; el estado reside en el plano de datos (base vectorial, DB empresarial, registro de eventos). Esto evita el problema de "conversaciones de larga duración que pierden contexto" y facilita el escalado horizontal. El costo cognitivo: pensar cada llamada a un agente como una llamada a una función pura, no como un objeto vivo.
• ADL como contrato. Describir un agente por lo que consume y produce, no por el prompt que se le pasa. Dos equipos diferentes pueden entonces escribir agentes interoperables. Esta es la verdadera promesa de MCP aplicada internamente, con un tipado más fuerte.
• Plataforma central vs. proliferación de herramientas. En lugar de que cada equipo conecte sus herramientas con LangChain por un lado y LlamaIndex por otro, un catálogo centralizado de capacidades compartidas, con observabilidad y políticas compartidas. Es un trabajo de plataforma, no de aplicación.

Bajo el capó

LMOS aún no es público. El paralelo de código abierto más cercano es lo que emerge alrededor de MCP + registros (Anthropic MCP hub, Cloudflare AI Gateway, Portkey). La diferencia estructural: Deutsche Telekom tiene el control del plano de datos (telefonía, facturación, CRM interno), un caso de uso que un proveedor de nube estadounidense no puede externalizar, y por lo tanto, la internalización de la plataforma es estructural.

Entonces, ¿qué?

Para los arquitectos que evalúan entre "framework agentico del mes" y una verdadera plataforma: la prueba es la siguiente. Si tu capa de agentes no te permite definir un agente sin escribir código Python y desplegarlo sin redeployar un servicio, no es una plataforma, es un SDK. LMOS sugiere que las verdaderas plataformas en producción se parecen más a Airflow que a LangChain.

A vigilar

Posible apertura de LMOS o un componente (ADL) en código abierto; publicación de métricas operativas (número de agentes en producción, latencia, costo por tarea); adopción en otros operadores europeos bajo DMA/soberanía de datos.