Los asistentes de IA sugieren; los agentes ejecutan. Esa es la frontera que las empresas comenzaron a cruzar en 2026: un software que no se limita a redactar o resumir, sino que consulta sistemas, rellena formularios, lanza procesos y cierra incidencias. El salto tiene un costo, y empieza a verse en los datos. Una encuesta a 300 ejecutivos de datos, IA y tecnología difundida por MIT Technology Review encontró que solo un tercio (34%) de los proyectos de agentes llega a producción.
El reporte identifica la causa principal: los agentes padecen falta de conocimiento, no de datos. El conocimiento es lo que los datos significan dentro de una organización concreta: qué reglas aplican, qué decisiones se tomaron antes, qué procedimientos hay que seguir. Sin ese contexto, los agentes razonan mal y toman decisiones poco fiables. La investigación descompone el problema en tres tipos de conocimiento: semántico (el significado de los términos y relaciones del negocio), memoria episódica (el historial de casos y decisiones) y conocimiento procedimental (cómo se hacen las tareas). Los ejecutivos consultados señalan como puntos de falla los sistemas legados, la seguridad y privacidad, y justamente esa falta de conocimiento y contexto. Incluso las empresas de tecnología, dice el informe, tropiezan con lo mismo.
Dos miradas convergen: el conocimiento es el cuello de botella
La evidencia académica refuerza el hallazgo. Una revisión sistemática de literatura publicada en el International Journal of Advances in Data and Information Systems, firmada por investigadores de la Universitas Indonesia, analizó 28 estudios publicados entre 2020 y 2025 en seis bases de datos, entre ellas Scopus, IEEE Xplore y Science Direct. A partir de ese corpus, los autores identifican cinco capacidades que definen a los agentes en el contexto organizacional: interacción centrada en el usuario, extracción y recuperación de conocimiento semántico, razonamiento y apoyo a decisiones, automatización y gestión de flujos de trabajo, y explicabilidad y trazabilidad. Las tecnologías habilitadoras son las esperables: modelos de lenguaje, aprendizaje automático, procesamiento de lenguaje natural, grafos de conocimiento y ontologías.
Los desafíos que la revisión documenta coinciden con la encuesta de MIT Technology Review: calidad de datos y alineación semántica, interoperabilidad entre sistemas, confianza y adopción, y preocupaciones éticas. La conclusión de los autores es matizada: los agentes tienen potencial para mejorar los procesos de conocimiento, pero requieren integración estratégica, gobierno de datos y diseño centrado en el ser humano.
El contexto de mercado explica la urgencia. El mercado de sistemas de gestión de conocimiento basados en IA está proyectado a pasar de USD 9.600 millones en 2025 a USD 251.200 millones en 2034, con un crecimiento exponencial del 43,7%. Una encuesta de APQC citada en el estudio señala que el 41% de los expertos en gestión de conocimiento considera la combinación de IA y tecnologías inteligentes como prioridad máxima; el 44% cree que la IA generativa es esencial para crear nuevo conocimiento, y el 39% la considera clave para recomendar contenidos. Detrás de ese interés hay un problema concreto que la revisión recupera de un informe de McKinsey de 2012, todavía vigente: buscar información interna correcta consume hasta el 20% del tiempo de los empleados. El trabajo híbrido y remoto —que creció 167% en roles híbridos y 30% en roles totalmente remotos según estudios de tendencias de 2025— vuelve el problema más agudo.
Cuando el agente actúa, el control lo es todo
La otra cara del problema aparece cuando el agente deja de recomendar y empieza a actuar. El Confidencial Digital lo plantea con precisión: la línea divisoria es la acción. Mientras un asistente propone, un agente dispone, y para disponer necesita acceso: al CRM, al histórico de clientes, a herramientas de pago. Ese permiso cambia la naturaleza del riesgo: ya no se trata solo de qué información entra en el modelo, sino de qué es capaz de hacer ese modelo dentro de la empresa. Las preguntas incómodas se acumulan: qué pasa si el agente ejecuta una acción indebida, quién asume la responsabilidad si procesa datos personales sin respaldo normativo, cómo se reconstruye semanas después qué hizo exactamente y por qué.
La respuesta que está emergiendo en la industria tiene cuatro componentes, y aparecen tanto en el artículo español como en la guía de adopción de agentes de IA de Microsoft dentro de su marco Cloud Adoption Framework. Primero, guardarraíles a medida: límites explícitos de lo que el agente puede y no puede hacer, con enmascarado de datos personales, detección de manipulación por inyección de prompts y moderación de contenido. Segundo, control de acceso por usuario, equipo y proyecto, para que cada agente alcance solo lo que le corresponde. Tercero, trazabilidad y auditoría de cada petición y cada acción. Cuarto, aislamiento y soberanía del cómputo: saber dónde se procesan los datos, en especial los más sensibles.
En España, el artículo menciona el caso de TodoEnCloud, que construyó una plataforma de IA gobernada con endpoint dedicado que aplica justo esa capa: guardarraíles, permisos por equipo, auditoría y cómputo aislado sobre infraestructura soberana en España. El modelo es relevante para América Latina.
La lectura para América Latina
Para las empresas latinoamericanas, la evidencia se traduce en tres tareas concretas. La primera es sanear el conocimiento antes de escalar agentes: si los datos están dispersos en sistemas legados y los procesos no están documentados, la falta de contexto semántico y procedimental va a reproducir en la región el 34% de tasa de producción que muestra la encuesta global. La segunda es tratar la soberanía de datos como un requisito de diseño, no como un trámite: el avance de marcos regulatorios de protección de datos en la región hace que saber dónde se procesa la información y quién responde por las acciones del agente sea condición para operar. La tercera es presupuestar la capa de gobierno con el mismo peso que la capa de modelo: conectores, monitoreo y auditoría no son opcionales cuando el software tiene permisos de escritura sobre sistemas productivos.
Los agentes de IA tienen el potencial de automatizar trabajo real de punta a punta, y en mercados con equipos distribuidos como los latinoamericanos, ese potencial pesa más. Pero la ventaja competitiva no la decidirá el algoritmo, sino la combinación de contexto organizacional y supervisión. Si el agente no entiende qué significa cada dato en su empresa y nadie puede auditar qué hizo con los permisos, la promesa de productividad se convierte en un pasivo.
