Las empresas que resuelven esto primero no solo evitan un riesgo; ganan velocidad, porque pueden aprobar más casos de uso de IA con más confianza
Hace apenas unos meses era razonable que una empresa no tuviera agentes de inteligencia artificial en producción. Hoy eso cambió y es común que las herramientas de software empresarial ya ofrezcan la posibilidad de crearlos con las licencias más básicas y, entonces, las áreas de negocio empiezan a contar con varios agentes, sin que nadie en la organización pueda decir con certeza cuántos son, cómo se configuraron, qué datos está “moviendo” cada agente o qué pasaría si uno de ellos empezara a comportarse de forma inesperada.
Esto no es una crítica a la tecnología. Es una descripción del momento que están viviendo la mayoría de las empresas que se subieron, con razón, a la ola de la IA generativa y agéntica.
Este es el escenario: Marketing acaba de recibir un curso de Agentforce y el “champion” de Marketing ya creó un agente para calificar leads. El de Atención a cliente tiene un asistente que responde tickets. Cobranza esta probando uno para conciliar pagos. Es evidente que cada área empezó a crear sus agentes porque les resolvía un dolor real y lo resolvía bastante más rápido de lo normal; sin embargo, nadie coordinó nada entre sí. Y ahí empieza el problema.
La adopción va más rápido que la gobernanza
Activar un agente de IA hoy es tan sencillo como iniciar una prueba gratuita. Eso sin duda acelera la innovación, pero reproduce exactamente un problema que la industria del software se enfrentó hace treinta años, le llamaron “shadow IT”: sistemas corriendo sin que nadie los tenga mapeados, sin controles de acceso, sin bitácora de lo que hicieron.
La diferencia con los agentes de IA es que no solo mueven o almacenan datos: toman decisiones. Responden a un cliente. Aprueban o rechazan una solicitud. Escalan —o no— un problema. Y lo hacen con un grado de autonomía que ningún sistema tradicional había alcanzado antes.
Cuando algo sale mal —una respuesta fuera de tono, una decisión financiera incorrecta, una filtración de información sensible— la primera pregunta que se va a hacer cualquier persona en la Dirección de esa área es: ¿quién aprobó esto y bajo qué reglas estaba operando? Muy pocas empresas hoy pueden responder con evidencia, no con suposiciones.
Lo que dicen los datos
Esta brecha entre la adopción y la operación real no es una percepción: McKinsey la documentó en una encuesta global. El 62% de las organizaciones ya experimenta o prueba activamente con agentes de IA, pero en ninguna función de negocio individual —marketing, finanzas, atención a cliente— más del 10% de las empresas reporta tenerlos operando a escala. La mayoría de las implementaciones siguen siendo pruebas aisladas en una o dos áreas y no un despliegue coordinado. [1, 2]
Voces desde el terreno
Dos perspectivas recientes de la industria ilustran por qué esa brecha persiste.
De la productividad al valor real. El propio informe de McKinsey sobre IA agéntica advierte que conectar agentes a los procesos existentes rinde poco: el valor real aparece cuando una empresa rediseña el flujo de trabajo completo alrededor del agente, en lugar de simplemente añadirlo encima de lo que ya existía. El reporte lo resume con una frase que funciona como llamado a la acción para cualquier consejo directivo: “el tiempo de la exploración está terminando; el tiempo de la transformación es ahora”. [3]
El cuello de botella de la producción. Una consultora que construye agentes para empresas, documentó por qué la mayoría de los pilotos nunca llegan a producción: se salta el diseño de flujos supervisados, se ignora la preparación de los datos y no existe una capa de intervención humana cuando el agente falla. Citan como advertencia un caso real: un agente sin límite de gasto ni condición de paro generó una factura de miles de dólares en once días, sin que nadie lo notara. [4]
De adoptar IA a operar agentes
El SaaS ya pasó por todo esto. Cuando las aplicaciones se volvieron demasiado numerosas y críticas para gestionarlas a mano, nació una disciplina completa —DevOps, después Ingeniería de Confiabilidad del Sitio (SRE)— dedicada exclusivamente a dar visibilidad, control y confiabilidad a algo que antes se manejaba de forma artesanal.
Los agentes de IA necesitan su propia versión de esa disciplina. No se trata de agregar más inteligencia artificial, sino de agregar una capa operativa: un lugar donde una organización pueda ver todos sus agentes —sin importar en qué herramienta viven ni quién los construyó—, entender qué están haciendo, cuál es el flujo de los datos, aplicarles las mismas reglas de negocio y, si algo se sale de control, tomar la decisión correcta de inmediato.
La diferencia estratégica no es menor. Las empresas que resuelven esto primero no solo evitan un riesgo; ganan velocidad, porque pueden aprobar más casos de uso de IA con más confianza, sabiendo que existe una forma consistente de auditarlos, corregirlos y, si hace falta, detenerlos.
Sobre el autor
Eduardo Carbia es fundador y CEO de Ternaria (ternaria.ai), una plataforma de operación de agentes de IA. Antes de fundar Ternaria, fundó Hexagon Data la firma que ayudó a empresas a establecer su práctica de datos para marketing y publicidad. Además, construyó su carrera en ventas y desarrollo de negocio en América Latina, en compañías como LiveRamp y Xandr (Microsoft Advertising) y Oracle. Cuenta con un Executive MBA por Hult International Business School, tiene una maestría en Marketing por el ITESM, y es Ingeniero Electrónico por la Universidad Iberoamericana.
https://www.linkedin.com/in/eduardocarbia/
Te recomendamos
Síguenos en Google News
Gustavo Herrera
gustavo.herreray recibe contenido exclusivo
