La Inteligencia Artificial Agéntica comienza a instalarse en la agenda empresarial como una nueva vía para automatizar tareas, apoyar decisiones y elevar la productividad. Sin embargo, entre el entusiasmo que genera y su adopción efectiva todavía existe una distancia importante. No todas las organizaciones cuentan con procesos claros, datos preparados, capacidades técnicas o una estructura de gobernanza que les permita avanzar más allá de una prueba de concepto. Sobre el avance de esta tecnología, según Carlos Álvarez, CEO de Technologies, la IA Agéntica todavía conserva algo de promesa. En pocos años, el mercado pasó de hablar de asistentes a agentes con herramientas y, más recientemente, a orquestadores capaces de coordinar distintos componentes. No obstante, el verdadero desafío aparece cuando se intenta escalar.
“Cerca de un 30% de las empresas declara contar con alguna solución puntual, como un agente conversacional o una herramienta integrada a WhatsApp. Sin embargo, cuando hablamos de escalar realmente la IA a nivel empresarial, la cifra baja a alrededor de un 3,6%. Es ahí donde aparecen desafíos como la gobernanza, la observabilidad, la seguridad, la integración con los datos y procesos de la compañía y, especialmente, la falta de talento preparado para llevar estas soluciones a producción”, añade.
La cifra refleja una brecha que atravesó de manera transversal la conversación: muchas compañías declaran utilizar IA, pero gran parte de esas experiencias sigue concentrada en asistentes conversacionales o soluciones puntuales. Convertirlas en capacidades empresariales exige conectarlas con datos, aplicaciones, procesos y reglas de negocio, además de monitorear su funcionamiento en el tiempo.
Primero el problema, después la tecnología
La primera condición para avanzar es evitar que la IA se transforme en una respuesta antes de haber formulado correctamente la pregunta. Leonardo Aquino, co-founder de Ocostech, plantea que la IA Agéntica debe entenderse como una herramienta más al servicio del negocio. “No hay que perder el foco de por qué aplicamos finalmente la tecnología en la empresa: para hacerla más eficiente. No todo es IA Agéntica, no todo es IA”, enfatiza. Muchas veces descomponemos un problema, agrega, y puede ocurrir que la mejor respuesta sea una automatización tradicional, un árbol de decisión, una integración o una mejora del proceso.
Al respecto, Patricio Fernández, Fundador y CEO de WiTi, coincide en que la tecnología es un habilitador, pero su adopción debe partir por el valor esperado. Antes de implementar, propone responder preguntas concretas: cómo se medirá el éxito, cuál será el retorno de la inversión y si el proceso escogido realmente genera impacto para el negocio. “Con esas preguntas, uno orienta hacia dónde tiene que ir la solución y por qué está tratando de implementar algo”, sostiene.
Desde Practia Global, Boris Bustos, Regional Data & AI Specialist, observa que muchos clientes llegan solicitando agentes como si fueran una herramienta capaz de resolver cualquier problema. El trabajo consultivo, explica, consiste en determinar si existen las bases mínimas: gestión de riesgos, control del uso, trazabilidad, información confiable, roles especializados y un ecosistema tecnológico preparado. “Hay procesos que se resuelven con automatización clásica, con la incorporación de un sistema o con RPA; pensar que todo se puede resolver con IA Agéntica no es el camino”, advierte.
Esta mirada también obliga a revisar cómo fueron construidos los procesos. Andrea Naranjo, Subgerente Comercial | Negocios & Producto de Prosys Ingeniería, recalca que muchos siguen diseñados exclusivamente para personas y que sumar tecnología sin comprenderlos puede amplificar sus fallas. A su juicio, el cambio debe involucrar desde el inicio a los equipos: “Las personas son importantes en todos los cambios y esa parte se nos está olvidando”. Su participación resulta clave tanto para detectar los verdaderos dolores como para evitar inversiones motivadas solo por el temor a quedar atrás.
En este escenario, la asesoría cumple un papel fundamental para orientar a las organizaciones antes de incorporar tecnología. “Debemos conocer las necesidades, los problemas y los dolores de cada empresa, y evaluar si realmente un agente es la solución”, señala Cristian Bustos, Subgerente de Tecnología de Prosys Ingeniería. A su juicio, también es necesario abordar realidades opuestas: compañías que solicitan agentes sin tener claro qué quieren mejorar y otras que podrían beneficiarse de ellos, pero temen perder el control o reemplazar puestos de trabajo. Por eso, agrega, es importante explicar que existen distintos niveles de autonomía y que un agente puede ayudar a priorizar o ejecutar tareas sin asumir necesariamente la decisión final.
De asistir a ejecutar: Una diferencia clave
Uno de los temas abordados durante la conversación fue la diferencia entre asistentes y agentes de IA. Para algunos se trata de conceptos muy cercanos, mientras otros reconocen diferencias más claras en sus capacidades. En términos prácticos, un asistente responde a una instrucción del usuario, mientras que un agente incorpora herramientas y capacidades para planificar, consultar información, ejecutar acciones y avanzar hacia un objetivo. La IA Agéntica agrega, además, una capa de orquestación: distintos pasos, evaluaciones o agentes pueden coordinarse dentro de un flujo y corregirse hasta completar una tarea.
Para Christopher Chávez, Chief Product Officer de Muze AI, “muchas veces las empresas no necesitan un agente, sino conectar información que hoy permanece aislada”. Según explica, la adopción de soluciones SaaS dejó numerosos silos dentro de las organizaciones, por lo que automatizar o integrar esos sistemas puede aportar más valor que aplicar IA de manera forzada. En los proyectos que desarrolla su compañía, explica, se privilegia un enfoque “human in the loop”, en el que una persona conserva la decisión final.
La automatización de procesos repetitivos no es nueva, según explica Hugo De Fomis, Gerente Comercial de Sisua Digital. Desde hace años, las compañías utilizan robots basados en reglas para ejecutar determinadas tareas. Los modelos de lenguaje ampliaron estas posibilidades al permitir la interacción en lenguaje natural, mientras que los agentes incorporaron la capacidad de ejecutar acciones. Aun así, el punto de partida sigue siendo comprender a las personas, la empresa y sus procesos. “Uno como consultor tiene que ser ese traductor. Esto implica convertir una necesidad de negocio en una solución cuantificable y determinar si requiere automatización, IA o una combinación de ambas”, afirma.
La velocidad del cambio plantea otro desafío. Como advierte el profesional de Technologies, las herramientas evolucionan en semanas, mientras las organizaciones necesitan soluciones confiables y sostenibles. A diferencia del software tradicional, los modelos de IA no son completamente deterministas y pueden entregar respuestas distintas o erróneas. Por eso, una prueba de concepto exitosa con unas pocas consultas no garantiza que el sistema mantendrá su desempeño al enfrentarse a cientos de preguntas, excepciones y datos reales.
Casos concretos y resultados medibles
Aunque la adopción aún es desigual, ya existen aplicaciones capaces de demostrar valor. Matías Pérez, Co-Founder & Chief AI Officer de Vambe, relata experiencias en las industrias automotriz, salud y belleza, retail y comercio electrónico, especialmente en ventas, soporte y postventa. En estos casos, los agentes atienden conversaciones, recopilan antecedentes, califican oportunidades y preparan cotizaciones antes de transferir la interacción a una persona. “La promesa depende del caso de uso. Si se promete que el agente nunca ‘alucinará’ o que ningún humano tendrá que intervenir, eso no es realista: tiene que haber una persona involucrada. Pero sí puedo prometer retorno de inversión o el cumplimiento de algún KPI específico”, explica.
La medición permite distinguir una experiencia atractiva de una implementación productiva. En atención comercial, el impacto puede observarse al comparar ventas, tiempos de respuesta o conversiones antes y después del agente. En este sentido, el profesional de Practia Global menciona el caso de una empresa que inició conversaciones por WhatsApp y derivó la atención al equipo humano cuando el agente ya no podía avanzar. La rapidez del primer contacto permitió mejorar cerca de un 30% la prospección y conversión de potenciales clientes.
Como otro ejemplo, describe la automatización de los cambios y la republicación de numerosas piezas de marketing en distintas plataformas, una tarea que anteriormente demandaba una alta carga operativa cada vez que se modificaba una promoción o un precio.
En el ámbito de las industrias reguladas, el ejecutivo de Muze AI relata cómo en el sector acuícola los agentes pueden revisar informes de laboratorio para apoyar el seguimiento de la salud de los peces, permitiendo que los veterinarios se concentren en su especialidad. En el ámbito comercial, la IA también puede procesar documentos con formatos diversos y contrastar órdenes de compra o facturas con los registros internos. A ello se suma su aplicación en la industria frutícola, donde puede apoyar la generación de notas de venta a partir de la información obtenida en el proceso comercial. Son tareas acotadas, intensivas en información y cuyos resultados pueden ser supervisados.
Según relata su CEO, Technologies ha incorporado capacidades de IA en módulos de su ERP para retail, entre ellas la creación de campañas, la atención por WhatsApp y los procesos relacionados con créditos. Este tipo de aplicación también ha permitido desarrollar casos como la asistencia a vendedores de automóviles en terreno, facilitando la generación de cotizaciones y la consulta de antecedentes crediticios. Esta integración progresiva, a su juicio, será un factor de diferenciación para este tipo de plataformas, porque la ventaja no estará en disponer de un modelo aislado, sino en conectarlo con información y operaciones reales.
El desafío de construir la solución adecuada
El desarrollo de software aparece como otro campo de alto impacto. Para Cristian Bustos, las empresas del sector que no incorporen agentes a sus procesos podrían perder competitividad en plazos y costos, especialmente frente a proyectos que hoy pueden completarse en una fracción del tiempo que requerían anteriormente.
Esta transformación también comienza a extender las capacidades de desarrollo hacia otras áreas de las organizaciones, acercándose al modelo de “citizen developer”. Patricio Fernández relata que en WiTi están impulsando que personas de reclutamiento y gestión puedan crear o ampliar sus propias herramientas sobre una base controlada, disminuyendo su dependencia del área técnica. El objetivo, explica, no es simplemente realizar el mismo trabajo en menos tiempo, sino aprovechar esa capacidad para rediseñar los procesos y hacerlos más eficientes.
Al mismo tiempo, contar con modelos cada vez más avanzados no significa que siempre sea necesario utilizar la alternativa más potente. El ejecutivo de Ocostech recuerda el caso de un cliente dispuesto a invertir cerca de US$200 mil en licencias cuando, tras analizar su necesidad, se concluyó que requería una solución mucho más sencilla para consultar documentos. “No siempre necesitas tanto; muchas veces, menos es más”, enfatiza.
Gran parte del desafío actual tampoco pasa necesariamente por desarrollar modelos más inteligentes. “Con la inteligencia que tenemos hoy, esto es un problema de ingeniería”, sostiene el profesional de Vambe. Por eso, seleccionar el modelo de acuerdo con el caso de uso, optimizar su consumo, administrar el contexto y diseñar correctamente la arquitectura puede resultar más relevante que perseguir la herramienta más potente.
Escalar exige gobierno, talento y responsabilidad
Llevar una prueba de concepto a una solución que funcione realmente dentro de una empresa exige bastante más que resolver los aspectos técnicos. También requiere definir cómo se utilizará y supervisará la IA, proteger la información, trabajar con datos confiables, controlar los costos y establecer quién será responsable de cada decisión. A esto se suma la necesidad de determinar en qué momentos debe intervenir una persona y cómo se revisarán o corregirán las acciones del sistema.
Las expectativas del cliente también pueden determinar el éxito o fracaso de un proyecto. Según advierte Leonardo Aquino, una empresa puede delegar parte de la operación, pero no la responsabilidad sobre el proceso. “La ética dentro del desarrollo de la Inteligencia Artificial es un factor que no podemos dejar fuera”, afirma. Por eso, ofrecer soluciones que prometen operar sin intervención humana o resolver la totalidad del trabajo puede generar expectativas difíciles de cumplir y terminar frenando su implementación a mayor escala.
Boris Bustos plantea que antes de avanzar es necesario definir cómo ayudará la IA, dónde aportará valor, cuánto costará, qué decisiones podrá tomar y cuáles deberán permanecer bajo responsabilidad humana. También advierte sobre usos que ya se producen de manera informal dentro de las organizaciones: al recurrir a estas herramientas para elaborar informes o agilizar tareas, los colaboradores pueden exponer información estratégica, confidencial o sensible sin advertirlo.
La regulación tampoco puede dejarse para el final. Por eso, Andrea Naranjo llama a prepararse para las nuevas exigencias de protección de datos y a evaluar si los equipos cuentan con los conocimientos necesarios para trabajar con procesos automatizados. Esto también está transformando algunos roles: el desarrollador ya no se concentra únicamente en escribir código, sino que comienza a asumir funciones de supervisión y revisión. Acompañar a las personas durante este cambio, capacitarlas y entregarles claridad sobre sus nuevas responsabilidades será tan importante como incorporar la tecnología.
Al respecto, Hugo De Fomis coincide en que este proceso debe abordar en conjunto la automatización, la gobernanza, las personas y la regulación. Las empresas necesitan conocer el origen de sus datos, asegurar su trazabilidad y definir cómo se coordinarán trabajadores, robots y agentes dentro de sus procesos. De esa forma, la automatización podrá sostenerse en el tiempo y no convertirse en una suma de soluciones aisladas.
La IA Agéntica ya puede elevar la productividad, reducir tiempos y ampliar las capacidades de los equipos. Su avance dependerá de elegir bien los casos de uso, medir sus resultados y gestionar los riesgos. El desafío es integrar tecnología y personas con objetivos realistas, datos confiables y responsabilidades claras.
