De asistentes a agentes autónomos: el salto cognitivo que redefine la empresa
La inteligencia artificial generativa fue la tecnología de consumo de adopción más rápida de la historia: ChatGPT alcanzó 100 millones de usuarios en dos meses, según estimaciones de UBS. Pero la curva de adopción empresarial muestra un patrón distinto. Lo que empezó como copiloto para redactar, resumir o analizar datos —lo que investigadores del MIT cuantificaron en ganancias de productividad de hasta el 40 % en tareas de conocimiento— está mutando hacia agentes de IA capaces de actuar, decidir y encadenar flujos de trabajo completos sin intervención humana constante.
Esta distinción no es semántica. Un chatbot responde; un agente ejecuta. Puede navegar entre sistemas, consultar bases de datos, disparar acciones en ERPs o CRMs, y coordinarse con otros agentes. En palabras de Esteve Almirall, profesor de Esade, "en nuestros equipos no solo habrá personas, también habrá agentes" Lo que los agentes de IA significan para las empresas. Ese tránsito —de herramienta complementaria a componente estructural del modelo operativo— es donde se juega la diferencia entre paridad competitiva y ventaja sostenible.
Impacto asimétrico: automatización de tareas vs. aumento de capacidades por rol
Según la evidencia económica, la IA no elimina empleos de forma uniforme; reorganiza las tareas dentro de las profesiones y, al hacerlo, mueve los umbrales de experiencia necesaria para entrar en ellas. Antonio Cabrales, en su análisis para Funcas, resume el mecanismo central: dado que los trabajadores expertos pueden hacer las tareas de los no expertos pero no al revés, la tarea no automatizada que exige mayor experiencia fija la barrera de entrada El impacto de la IA generativa en el trabajo y la educación.
Si la IA elimina tareas que requerían experiencia (por ejemplo, redacción de cláusulas estándar en un contrato), la barrera baja: entra talento menos experimentado, crece la competencia y presiona los salarios. Si elimina tareas rutinarias de bajo nivel y deja un residuo de alta especialización (revisión de cláusulas complejas, estrategia contractual), la barrera sube: menos gente califica, los salarios suben y el empleo en ese rol se contrae. Es el "canal de redundancia de la experiencia" que describen Autor y Thompson (2025).
Los datos históricos lo confirman: entre 1977 y 2018, dos tercios de las tareas eliminadas eran rutinarias, mientras que tres cuartas partes de las añadidas eran abstractas. La IA generativa acelera ese patrón, pero con una bifurcación clave: las tareas rutinarias no son uniformemente poco cualificadas. En algunas ocupaciones implican alta especialización (procedimientos normados en ingeniería, auditoría, diagnóstico médico); en otras son soporte administrativo. La automatización, por tanto, no produce un "upskilling" generalizado, sino una polarización de umbrales que ya se observa en ofertas de empleo y estructuras salariales.
Nueva arquitectura organizativa: equipos híbridos humano-agente y flujos de trabajo
Cuando los agentes dejan de ser herramientas individuales y pasan a formar equipos híbridos, la arquitectura organizativa tradicional —jerárquica, departamental, basada en coordinación humana— pierde eficiencia. Los agentes pueden comunicarse entre sí, analizar volúmenes masivos de datos en paralelo y ejecutar decisiones rutinarias a velocidad de máquina.
Iberdrola ilustra la transición a escala: la energética opera ya cerca de 500 agentes de IA desplegados en redes (predicción de incidencias y reposición de suministro en minutos), generación (planificación de mantenimiento y acceso a conocimiento técnico), clientes (voicebots y chatbots para consultas y reclamaciones) y áreas corporativas (administrativas, financieras, jurídicas, IT) Economía.- Iberdrola impulsa su productividad con 500 agentes de IA. La compañía lo enmarca como "combinación de experiencia humana e inteligencia artificial" y subraya que "el control y la responsabilidad de las decisiones" permanece en las personas.
Ese diseño —humano en el bucle para validación, auditoría y juicio; agente en el bucle para ejecución, patrón y escala— define la nueva unidad productiva. Reduce la necesidad de capas intermedias de coordinación, acorta ciclos de decisión y obliga a repensar la gestión del desempeño: ¿cómo se evalúa a un empleado que supervisa una flota de agentes? ¿Cómo se asigna responsabilidad cuando un agente comete un error en cadena?
Brecha de competencias: alfabetización agente, supervisión y diseño de prompts complejos
Esa reorganización de umbrales de experiencia golpea con especial dureza el acceso temprano a la carrera profesional. Hosseini y Lichtinger (2025), citados por Cabrales, detectan un "cambio técnico sesgado hacia la antigüedad": las empresas adoptan IA generativa mediante puestos de "integrador de GenAI" y, al automatizar tareas que antes hacían los juniors (redacción de borradores, análisis preliminar, investigación de base), reducen la demanda de prácticas y posiciones de entrada.
El efecto es doble. Por un lado, sube el listón para el primer empleo: se exige ya capacidad de supervisar agentes, diseñar prompts complejos, validar salidas y gestionar excepciones. Por otro, se erosionan las "rutinas de aprendizaje" que convertían a un junior en senior: si el agente hace el trabajo repetitivo, ¿dónde practica el novato el juicio que luego necesitará?
No es solo "formar en IA" la respuesta. Requiere rediseñar la formación profesional y universitaria para enseñar arquitectura de flujos de trabajo agente-humano, evaluación de incertidumbre, gobernanza de datos y ética operativa. Y exige a las empresas crear "andamiaje" deliberado: rotaciones, tutorías, entornos de simulación donde el talento junior ejerza supervisión real antes de asumir riesgo en producción.
Implicaciones macro: productividad, salarios y redistribución del valor creado
A nivel agregado, el Barómetro Global de Impacto de la IA en el Empleo 2026 de PwC —que analiza millones de ofertas de empleo en múltiples países y sectores— confirma que la exposición a IA no correlaciona linealmente con destrucción de empleo. Los sectores más expuestos (servicios financieros, TIC, servicios profesionales) muestran simultáneamente crecimiento de productividad, prima salarial en roles de alta especialización y contracción en roles de soporte estandarizado Barómetro global del impacto de la IA en el empleo 2026 de PwC.
El caso paradigmático es la consultoría. Su modelo tradicional —facturación por horas— choca con la compresión de tiempos que logran los agentes en análisis documental, due diligence, modelado financiero o redacción de entregables. Firmas pioneras ensayan facturación por resultado (*outcome-based*), desplazando el valor de la hora-hombre a la calidad del entregable y la velocidad. Quien no migre el modelo verá erosionar su margen aunque gane productividad.
En I+D, la frontera es aún más radical. Almirall describe agentes con "su propio laboratorio biológico" que generan hipótesis, diseñan experimentos, los ejecutan *in silico* y evalúan resultados sin intervención humana, acortando ciclos de años a meses en biotecnología, fármacos y materiales. Si el coste marginal de explorar una hipótesis cae drásticamente, la frontera de la innovación se expande —pero también se democratiza el acceso a capacidad de I+D de primer nivel, reduciendo la barrera de entrada para nuevos competidores.
Riesgos sistémicos: alineación, seguridad, dependencia tecnológica y gobernanza
Esa viabilidad técnica no garantiza adopción ni resultados seguros. Shao et al. (2025), en la base de datos WORKBank (844 tareas, 104 ocupaciones), encuentran que los trabajadores prefieren mayor control humano del que los expertos consideran técnicamente necesario (acuerdo trabajador-experto ~27 %). Esa brecha frena la automatización en tareas de alto riesgo (sanidad, finanzas reguladas, infraestructuras críticas) y abre espacio a diseños human-in-the-loop que preservan responsabilidad y confianza.
Pero la gobernanza no se resuelve con un comité de ética. Requiere infraestructura de observabilidad: trazabilidad de decisiones del agente, auditoría de drift en modelos, gestión de versiones de prompts y tools, protocolos de fallback humano y métricas de alineación con objetivos de negocio. Iberdrola lo explicitaba: adopción "progresiva y responsable, manteniendo siempre el control y la responsabilidad de las decisiones en las personas".
Un riesgo estructural adicional es la concentración de capacidades agente en pocos proveedores de modelos fundacionales e infraestructura cloud. La dependencia de black boxes opacas, con cambios de comportamiento no anunciados y cláusulas de uso de datos ambiguas, crea un single point of failure estratégico. La diversificación técnica (modelos abiertos, fine-tuning propio, orchestration multi-proveedor) se vuelve requisito de resiliencia, no opción técnica.
Hoja de ruta estratégica: de la experimentación a la ventaja competitiva sostenible
Esa síntesis de las fuentes dibuja tres horizontes de madurez:
1. Experimentación dispersa —Uso individual de chatbots, prompts ad hoc, ganancias de productividad marginales. Estado mayoritario hoy; genera paridad, no ventaja. 2. Operacionalización por procesos —Agentes integrados en flujos críticos (atención al cliente, compliance, mantenimiento, cierre contable), con gobernanza, métricas y supervisión humana diseñada. Donde Iberdrola y Klarna (agentes equivalentes a cientos de operadores) ya compiten. 3. Reinvención del modelo de negocio —Rediseño de la propuesta de valor, la estructura de costes y la captura de valor alrededor de la capacidad agente. Consultoría outcome-based, I+D autónoma, servicios energéticos predictivos, banca conversacional end-to-end.
El salto del 1 al 2 exige arquitectura de datos, *platform engineering* y cultura de *product ownership* sobre agentes. El del 2 al 3 exige valentía estratégica: canibalizar el modelo actual antes de que lo haga un competidor nativo en agentes. Como resume Almirall, "al final de cualquier disrupción generalizada… solo quedan dos tipos de organizaciones: las que adoptan y las que desaparecen".
Esa tesis que emerge es clara: los agentes de IA no son una capa más de software; son una nueva factoría de trabajo cognitivo. Su impacto no se mide en headcount reducido, sino en cómo se reconfiguran los umbrales de experiencia, la arquitectura organizativa, la formación del talento y la economía de la propuesta de valor. Quien los trate como herramienta de productividad obtendrá eficiencia transitoria. Quien los integre como compañeros autónomos en el núcleo operativo definirá las reglas del juego en la próxima década.
