Las empresas del percentil superior en adopción de IA generan 8,3 veces más tokens de salida por usuario activo que la media —en enero la brecha era de 2,6 veces, según los datos de Enterprise Signals de OpenAI. La métrica no mide cuánto invierten en modelos, sino cuánto trabajo real delegan a los agentes. Esa distinción es el núcleo de lo que signifca ser una empresa nativa de IA: no se trata de tener la mejor herramienta, sino de que la organización opere sobre unidades de trabajo ejecutado, no de acceso a software.
Ese cambio de unidad de valor tiene un nombre en la literatura reciente: Agent-as-a-Service. Un working paper independiente sobre la economía de los modelos nativos de IA argumenta que el SaaS monetizaba el acceso a la herramienta y que el nuevo modelo monetiza el trabajo completado. El software pasa por tres roles económicos: acceso, aumentación y ejecución. Los dos primeros se cobran por asiento; el tercero, por tarea o por resultado. Y con esa diferencia cambian también los costos: inferencia, revisión humana, integración y pérdidas esperadas por errores dejan de ser marginales y se vuelven centrales en la cuenta de resultados.
El patrón operativo ya se observa en empresas concretas. Los ejemplos que documenta OpenAI muestran tres niveles de profundidad. Basis, que construye agentes para firmas contables, redujo el onboarding de empleados de dos horas a 30 minutos al convertir el proceso en una skill reutilizable que Codex ejecuta: da la bienvenida, explica conceptos de la empresa y completa la configuración en segundo plano.
Clay, dedicada a equipos de ventas, dota a cada cuenta de un subagente con contexto persistente que actualiza la carpeta de la cuenta durante la noche; cada mañana, un agente coordinador convierte esas actualizaciones en una lista de prijoridades, lo que ahorra cerca de una hora diaria de triaje de bandeja de entrada. Exa Labs, que construye infraestructura de búsqueda para agentes, convirtió la detección de oportunida des de integración en un flujo de trabajo de Codex con prijorida des claras: el agente monitorea repositorios, crea pull requests, ejecuta tests y prepara resúmenes semanales para revisión humana antes de publicar.
Otro nivel: integrar todo el ciclo de negocio. El caso de estudio académico de THIRD POLE AI —un sistema operativo nativo de IA para agencias, consultoras y organizaciones de desarróllo— conecta oportunida des, estrategia, redacción de propuestas, producción creativa, gestión de clientes, eventos y entrega de proyectos en un mismo espacio de trabajo inteligente. Su piloto interno muestra reducciones materiales en tiempo de preparación y ciclos de revisión, con mejoras en cumplimiento y trazabilidad de fuentes, manteniendo a humanos responsables de compromisos y afirmaciones públicas. Ese último punto —revisión humana y gobernanza— no es un freno, es lo que permite escalar sin perder control.
Esta transición no es uniforme, y el marco económico explica por qué. La proporción óptima entre agentes y personas sube cuando sube el salario, cuando el agente es más productivo y cuando baja el costo total de ejecución. Ese costo se descompone en cuatro partidas: inferencia, revisión humana, integración y pérdidas esperadas por errores. Para un ejecutivo latinoamericano, la lectura es directa: en mercados donde el costo laboral es menor, la ecuación rentable de agentización se corre. No todos los procesos deben automatizarse; los que sí, deben tener evidencia trazable y un umbral de error definido antes de escalar.
Además, el contexto regional exige no repetir el error de la transformación digital clásica. Un estudio de BCG citado en análisis recientes sobre empresas nativas de IA señala que el 70 % de esas iniciativas no cumplió sus objetivos por limitarse a optimizar procesos existentes. Las cifras del Foro Económico Mundial presionan en la misma dirección: 86 % de las empresas será transformado por IA para 2030, con 170 millones de empleos nuevos y 92 millones que desaparen. La pregunta no es si la organización adoptará agentes, sino si lo hará con la disciplina de un proceso bien definido.
Según los casos documentados, el camino práctico tiene pasos repetibles: auditar un proceso estable y medible, convertirlo en una skill con disparador claro, pasos conocidos, acceso a herramintas y una definición explícita de "terminado"; darle contexto persistente para que el agente actualice el trabajo a medida que cambia; y agregar tests y puntos de revisión que hagan visile el trabajo del agente antes de que se publique. Eso es lo que separa a las empresas del percentil superiór de las que usan IA como un copiloto decorativo.
Mientras la brecha de tokens siga triplicándose, la distancia operativa entre la frontera y la media se vuelve estructural. La pregunta que debería quedar sobre la mesa de cada comité ejecutivo latinoamericano es simple: ¿su organización sabe cuántos de sus procesos podrían convertirse hoy en trabajo ejecutado por un agente, con revisión humana y evidencia trazable? Las que respondan con un plan concreto —no con un pilotaje aislado— serán las que definan el siguiente ciclo de crecimiento en la región.
