---

La primera ola de la IA empresarial fue reactiva: chatbots que respondían preguntas. Copilotos que hacían sugerencias. Asistentes que trabajaban por instrucciones. La segunda ola es fundamentalmente distinta: agentes de IA que actúan de forma autónoma.   La IA agéntica planifica tareas multietapa, accede a herramientas, toma decisiones intermedias y entrega resultados, sin que una persona valide cada paso. El potencial es enorme: procesos que hoy llevan horas se completan en minutos. Pero la pregunta que todo directivo debe responder es incómoda: ¿cuánta autonomía le damos a una máquina?  

De copiloto a agente: el salto cualitativo

La diferencia entre un copiloto y un agente no es gradual, sino fundamental. Un copiloto complementa las decisiones humanas. Un agente reemplaza etapas de decisión humanas. En concreto: un copiloto sugiere una respuesta de correo electrónico que la persona valida y envía. Un agente lee el correo, evalúa la solicitud, busca información relevante en el CRM, elabora una propuesta de solución, envía la respuesta y solo escala cuando se superan determinados umbrales. Las ganancias en eficiencia son notables. Las primeras implementaciones en Servicenow, Klarna y Mercado Libre muestran incrementos de productividad de entre el 30 y el 60 por ciento en procesos claramente definidos. Pero también evidencian los riesgos: cuando los agentes cometen errores, lo hacen rápido y a gran escala.  

El panorama de agentes empresariales en 2025

Cada gran proveedor tecnológico ha lanzado en 2025 una plataforma de agentes: Microsoft Copilot Studio permite construir agentes que operan a través de Microsoft 365, Dynamics 365 y los servicios de Azure. La integración en la infraestructura existente de Microsoft es su mayor ventaja. Salesforce Agentforce se centra en la interacción con clientes: agentes de ventas, de servicio y de marketing que operan de forma autónoma dentro del CRM. SAP Joule lleva los agentes al mundo ERP: agentes de aprovisionamiento, financieros y de RRHH que automatizan procesos de negocio estándar. Google Vertex AI Agent Builder ofrece la mayor flexibilidad para agentes personalizados, aunque requiere mayor competencia técnica. La pregunta estratégica para los CIOs es: ¿best-of-suite (un único proveedor para todos los agentes) o best-of-breed (agentes especializados por caso de uso)? La respuesta depende del entorno de TI existente y del grado de flexibilidad deseado.  

Gobernanza: la pregunta central incómoda

La implementación técnica de los agentes es resoluble. La cuestión de gobernanza, en cambio, a menudo no lo es, porque toca principios fundamentales de la gestión empresarial. ¿Qué decisiones puede tomar un agente de forma autónoma? ¿Hasta qué importe puede un agente de aprovisionamiento lanzar pedidos? ¿Puede un agente de servicio conceder un abono a un cliente? ¿Puede un agente de reclutamiento rechazar candidatos? La mejor práctica es un modelo escalonado de autonomía: – Nivel 1: el agente investiga y recomienda, la persona decide. – Nivel 2: el agente decide dentro de parámetros definidos, la persona supervisa. – Nivel 3: el agente decide de forma autónoma, la persona solo interviene ante excepciones. El avance del nivel 1 al nivel 3 debe basarse en datos: solo cuando un agente demuestra durante semanas tomar decisiones mejores o equivalentes a las humanas se aumenta su grado de autonomía.  

Introducción: Tres casos de uso para los primeros 90 días

En lugar de ambiciosos programas de transformación, se recomienda una entrada enfocada con tres casos de uso consolidados: 1. Agente de helpdesk TI: Gestión de tickets de nivel 1 — restablecimientos de contraseñas, instalaciones de software, problemas de VPN. Proceso claramente definido, bajo riesgo, alta frecuencia. Tasa de automatización típica: 60 a 80 por ciento. 2. Agente de adquisiciones: Automatización de pedidos rutinarios por debajo de un umbral definido. El agente verifica el inventario, compara proveedores, genera pedidos y los documenta en el ERP. Ahorro: 70 por ciento del tiempo de ciclo. 3. Agente de análisis de documentos: Procesamiento de contratos entrantes, facturas o documentos de cumplimiento. El agente extrae información relevante, la verifica frente a marcos normativos y crea resúmenes estructurados. Especialmente eficaz en Legal, Finance y Procurement. Patrón común: los tres casos de uso tienen entradas claras, procesos definidos y resultados medibles. Eso los convierte en ideales para empezar — y aportan los datos necesarios para sustentar el business case de iniciativas de agentes más amplias.  

Preguntas frecuentes

¿Qué diferencia a la Agentic AI de la automatización convencional?

La automatización convencional (RPA, flujos de trabajo) sigue reglas fijas. La Agentic AI puede planificar, improvisar y reaccionar ante situaciones inesperadas. El agente decide por sí mismo qué herramientas utiliza y en qué orden ejecuta los pasos. Eso hace a los agentes más flexibles, pero también más difíciles de controlar.

¿Qué tan seguros son los agentes de IA?

La seguridad depende de la implementación. Medidas críticas: permisos mínimos (los agentes solo acceden a lo que necesitan), registros de auditoría de todas las acciones del agente, escalado automático ante anomalías y pruebas periódicas de red team. Los agentes nunca deben tener más derechos que el empleado humano al que asisten.

¿Perderán los empleados su trabajo por la Agentic AI?

A corto plazo, la Agentic AI transforma roles más que elimina puestos. Los empleados que antes tomaban decisiones rutinarias se convierten en supervisores de agentes que gestionan excepciones y garantizan la calidad. A largo plazo, el impacto en el empleo depende de si las empresas utilizan las ganancias de productividad para crecer o para reducir costes.

¿Cómo mido el ROI de un agente de IA?

Cuatro métricas clave: incremento del rendimiento (operaciones por unidad de tiempo), reducción del tiempo de ciclo, tasa de error en comparación con el procesamiento humano y coste por operación. El punto de equilibrio en agentes bien implementados se sitúa típicamente entre tres y seis meses.

¿Necesito LLMs propios para la Agentic AI?

En la mayoría de los casos, no. Las plataformas de agentes empresariales utilizan los LLMs de los grandes proveedores (GPT-4, Claude, Gemini) a través de APIs. Los modelos propios solo son rentables ante requisitos extremos de privacidad de datos o dominios altamente especializados. Para empezar, las plataformas disponibles son más que suficientes.

 

Fuente de la imagen de portada: Unsplash / Possessed Photography

[/vc_column_text][/vc_column][/vc_row]