El 40% de los proyectos de IA agéntica podría fracasar antes de 2027
La inteligencia artificial (IA) agéntica dejó de ser una promesa reservada a los laboratorios y empezó a ocupar un lugar central en la agenda de las compañías. Esta tecnología ya no se limita a responder instrucciones, redactar textos o asistir en tareas repetitivas. Su diferencial está en la creación de flujos de trabajo autónomos, con agentes digitales capaces de coordinar acciones, razonar sobre información disponible y tomar decisiones dentro de reglas definidas.
El entusiasmo, sin embargo, convive con una advertencia fuerte para los líderes de tecnología y de negocio. Un informe de Harvard Business Review Analytic Services, impulsado por la empresa Deloitte, señala que hasta el 40% de los proyectos de IA agéntica podría cancelarse antes de 2027. La razón principal no sería la falta de software, sino la distancia entre la ambición de las empresas y su preparación real para cambiar procesos, datos, sistemas y formas de gestión.
El debate, entonces, excede la adopción de una nueva herramienta. La pregunta relevante es cómo las organizaciones pueden pasar de pilotos aislados a operaciones inteligentes, sostenibles y controladas. En ese recorrido aparecen desafíos técnicos, culturales, económicos y de gobierno que marcarán la diferencia entre proyectos con impacto concreto y ensayos que nunca pasan de la etapa inicial.
Del bot que asiste al agente que coordina procesos
Durante años, buena parte de las compañías invirtió en automatización robótica de procesos para resolver tareas simples, repetitivas y de bajo valor agregado. El objetivo era reducir cargas operativas como copiar datos entre sistemas, validar campos o generar respuestas predeterminadas. La inteligencia artificial agéntica propone otro salto: no actúa sobre una tarea aislada, sino sobre una secuencia completa de trabajo.
El caso de la incorporación de personal permite ver esa diferencia. Un bot tradicional puede leer un contrato y extraer datos básicos, como nombre, fecha de ingreso o área de destino. Un esquema con agentes puede activar pasos posteriores, cruzar información entre áreas y ejecutar acciones conectadas.
Fernanda Velázquez, socia líder de Operate de Deloitte Cono Sur, lo sintetizó así ante iProfesional: "La IA agéntica permite pasar de automatizar tareas sueltas a rediseñar procesos completos. En vez de que un agente solo extraiga datos de un formulario, un sistema agéntico dispara automáticamente los flujos siguientes, con agentes que se coordinan entre sí y se pasan la posta".
En ese ejemplo, un agente puede registrar al nuevo empleado en recursos humanos, otro puede coordinar con tecnologías de la información (TI) la entrega de equipos y un tercero puede preparar la información para liquidación de haberes.
La diferencia reside en la velocidad y en la forma de pensar el proceso. Velazquez planteó el punto central: "La clave es rediseñar el flujo alrededor del 'momento que importa' para el usuario, no de los límites departamentales". Esa mirada obliga a revisar cómo se conectan áreas que, muchas veces, trabajan con prioridades y sistemas separados.
El error de mirar la IA solo como ahorro de costos
Una parte del riesgo nace de una lectura reducida del fenómeno. Si la IA agéntica se implementa únicamente para recortar presupuestos o reemplazar puestos, el proyecto queda atado a una lógica vieja. Esa aproximación suele pasar por alto el trabajo previo que requiere cualquier operación autónoma: ordenar procesos, depurar datos, documentar sistemas, revisar responsabilidades y preparar a los equipos.
El informe advierte que las organizaciones con mejores chances serán aquellas que tomen esta tecnología como un cambio de fondo en el modelo operativo, con inversión sostenida y disciplina de ejecución. Velazquez alertó sobre el desvío más frecuente: "Las empresas que solo buscan reducir costos tratan la IA agéntica como si fuera ‘outsourcing’ tradicional, sin encarar la 'deuda' de procesos, datos, sistemas ‘legacy’ (legados) y resistencia cultural que hay que resolver antes de escalar".
El punto es sensible para el mercado local, donde muchas compañías todavía arrastran sistemas antiguos, bases de datos inconexas y procesos que dependen de conocimiento informal. Si esas condiciones no se corrigen, los agentes no multiplican valor: amplifican errores, exponen inconsistencias y generan resultados difíciles de auditar.
Datos desordenados y sistemas antiguos
La adopción de inteligencia artificial agéntica se encuentra con tres frentes que suelen definir el resultado de los proyectos. El primero es la deuda de procesos. Muchas rutinas corporativas fueron pensadas para personas que resuelven excepciones con criterio propio, completan vacíos con experiencia y corrigen fallas sobre la marcha. Un agente necesita reglas, datos y límites de acción mucho más precisos.
El segundo frente es la deuda de datos. Información duplicada, incompleta o dispersa en distintos repositorios puede volver inviable una operación autónoma a escala. Sobre este punto, Velazquez advirtió: "Los datos fragmentados o inconsistentes impiden que los agentes tomen decisiones confiables. Si la información de base no es sólida, cualquier intento de escalar agentes multiplica errores en lugar de eficiencia".
El tercer obstáculo aparece en los sistemas heredados, conocidos en la industria como legacy. Muchas plataformas corporativas fueron creadas antes de que existiera la necesidad de interoperar con capas modernas de IA. Sin documentación adecuada, integraciones parciales o reglas dispersas, los agentes quedan limitados a tareas de baja complejidad y no pueden completar circuitos de punta a punta.
Gobierno y trazabilidad: el punto crítico para escalar
A medida que los agentes adquieren capacidad para ejecutar acciones complejas, la supervisión deja de ser un tema accesorio. En sectores regulados, como banca, salud, seguros, energía o manufactura, cada decisión debe poder explicarse ante auditorías, clientes, reguladores o directorios. No alcanza con que el sistema funcione: también debe mostrar por qué tomó una decisión y bajo qué reglas lo hizo.
Velazquez afirmó al respecto: "Personalmente considero que sin gobernanza sólida, la ventaja competitiva es efímera: los sistemas autónomos que fallan sin supervisión generan riesgo reputacional, operativo y regulatorio que borra cualquier ganancia de eficiencia". La advertencia vale aún más cuando los agentes interactúan con procesos físicos o financieros, donde un error no siempre admite marcha atrás.
El nuevo costo de operar IA: tokens, uso variable y presupuesto
La inteligencia artificial agéntica también cambia la forma de presupuestar tecnología. Los esquemas clásicos, basados en licencias anuales, servidores o paquetes de horas, resultan insuficientes frente a modelos de consumo variable. Cada consulta, análisis, respuesta o razonamiento puede implicar un gasto medido en tokens.
Para directores financieros y responsables de TI, esta dinámica obliga a construir nuevos mecanismos de control. Un agente que procesa más información, consulta más sistemas o ejecuta más pasos puede aumentar el gasto en poco tiempo. Sin observabilidad, límites y métricas de valor, el costo puede crecer sin una relación proporcional con el beneficio obtenido.
Por qué los proveedores gestionados ganan protagonismo
La escala del desafío explica el crecimiento de una nueva generación de proveedores de servicios gestionados, también llamados MSP. Su rol ya no se limita a soporte técnico o administración de infraestructura. En proyectos de IA agéntica, estos actores pueden integrar conocimiento del negocio, capacidad tecnológica, operación continua y control de desempeño.
La elección del socio adecuado no debería basarse solo en precio o disponibilidad de recursos. El factor decisivo será su capacidad para asumir responsabilidad sobre resultados medibles, sostener la operación en el tiempo y acompañar la convivencia entre procesos tradicionales y flujos autónomos durante meses o años.
Humanos en el circuito: cuándo supervisar y cuándo delegar
El avance de los agentes no elimina la necesidad de criterio humano. Al contrario, la vuelve más relevante. La clave está en definir dónde una persona debe revisar, aprobar o intervenir, y dónde el sistema puede operar con autonomía dentro de límites previamente establecidos.
Velazquez describió así ese camino de implementación: "Se logra con un enfoque de transición por fases y con claridad sobre dónde el juicio humano es innecesario reemplazar... diseñaron el sistema como soporte de decisión, no como reemplazo, con recomendaciones transparentes y explicables". El planteo apunta a evitar un reemplazo automático de capacidades humanas y a ubicar la IA como apoyo para decisiones complejas.
La ventaja estará en la coordinación, no en el agente más sofisticado
La IA agéntica promete cambiar la operación empresarial, pero su adopción exige más que ambición tecnológica. Los proyectos que prosperen serán aquellos que combinen procesos rediseñados, datos confiables, gobierno riguroso, costos controlados, socios adecuados y personas con conocimiento profundo del negocio.
Velazquez resumió el fondo del desafío: "La ventaja competitiva sostenible no viene de tener el agente más sofisticado, sino de la combinación: socios que aportan escala y experiencia cruzada, gobernanza sólida, y talento humano que mantiene el criterio en los puntos críticos". En esa combinación se jugará la diferencia entre empresas que sumen IA con impacto real y organizaciones que acumulen pilotos inconclusos.