La velocidad con la que los proveedores lanzan agentes autónomos —sistemas que deciden, actúan y coordinan tareas sin supervisión constante— ha dejado de ser una promesa de futuro para convertirse en presión de presente. Cada semana aparecen nuevos frameworks, APIs y plataformas que prometen automatizar flujos completos, desde la conciliación financiera hasta la atención al cliente. Pero la infraestructura organizativa necesaria para que esos agentes operen en producción con garantías no evoluciona al mismo ritmo.
Los números son elocuentes. Estudios recientes sitúan entre el 70% y el 87% la proporción de iniciativas de IA que nunca llegan a producción. El tiempo medio desde la aprobación de un piloto hasta su despliegue real supera los 18 meses, el triple de lo planificado. Y apenas uno de cada siete empresas ha logrado escalar un agente más allá del entorno de pruebas. La brecha no es tecnológica: es de gobernanza, datos, costes y controles.
La trampa del piloto exitoso
Un agente funciona en un sandbox con datos curados, reglas claras y un alcance acotado. En producción, ese mismo agente se encuentra con procesos no documentados, excepciones que nadie escribió, sistemas legacy que no exponen APIs y una calidad de dato que varía según el día. La investigación académica más reciente —el marco PARA presentado en IEEE y el modelo de preparación basado en deuda de procesos validado en una universidad alemana con 40 stakeholders— converge en un diagnóstico: las organizaciones ignoran la brecha entre el proceso diseñado y el proceso real. Esa "deuda de proceso" hace que los agentes automaticen ineficiencias en lugar de resolverlas.
El problema se agrava con la naturaleza probabilística de los modelos fundacionales. A diferencia del software tradicional, un agente puede interpretar una instrucción de forma distinta en cada ejecución. Sin observabilidad granular, tolerancia a fallos en cascada, gobernanza de costes por token y criterios de evaluación rigurosos, cada despliegue es una apuesta a ciegas. Los marcos de preparación existentes, diseñados para ML determinista, no contemplan la coordinación multiagente, los bucles de retroalimentación ni la delegación de autoridad decisoria.
El coste oculto de la improvisación
Con la economía de la IA agente aparece una variable nueva: el consumo de tokens como unidad de coste variable e impredecible. El paso de licencias por usuario a modelos basados en consumo —ya anunciado por GitHub Copilot y replicado por otros proveedores— expone a las empresas a facturas que escalan sin correlación lineal con el valor generado. La mayoría de las organizaciones no dispone de herramientas para medir, predecir ni limitar ese gasto. A esto se suma la incertidumbre contractual: los laboratorios de vanguardia ofrecen SLAs que no cubren disponibilidad, precisión ni responsabilidad por decisiones autónomas, dejando al cliente expuesto a riesgos que su seguro de errores y omisiones no contempla.
En Latinoamérica, donde la madurez de datos y la gobernanza de TI suelen rezagarse respecto a los centros de decisión globales, la asimetría es más aguda. Los pilotos se multiplican en áreas de innovación, pero la capa de integración, seguridad y cumplimiento —necesaria para que un agente acceda a sistemas críticos, maneje datos sensibles y rinda cuentas ante reguladores— sigue siendo el cuello de botella real.
Preparación no es madurez: es encaje
Los marcos de evaluación emergentes —PARA con sus cinco dimensiones vinculantes (Observabilidad, Tolerancia a Fallos, Gobernanza de Costes, Madurez de Integración, Rigor Evaluativo) y el enfoque de deuda de procesos con sus cinco perspectivas (actividades, decisiones, operaciones de datos, flujo de control, gestión de recursos)— comparten una tesis: la preparación para IA agente no es un escalón más en una escalera de madurez lineal. Es un encaje entre capacidades técnicas y realidades operativas que debe verificarse proceso a proceso. Una organización puede tener una plataforma de datos de clase mundial y, sin embargo, ser incapaz de desplegar un agente en compras porque el flujo de aprobación real no se parece en nada al diagrama aprobado por compliance.
Para los directivos, la lección es incómoda pero necesaria: invertir en más modelos o más pilotos sin antes auditar la deuda de proceso, instrumentar la observabilidad y definir límites de autonomía y escalada, es comprar lotería disfrazada de estrategia. La ventaja competitiva no la dará quien tenga el agente más listo, sino quien haya construido el andamiaje para que ese agente opere sin incendiar la casa.
En el próximo comité de dirección, la pregunta no debería ser "qué agente compramos", sino "qué proceso estamos dispuestos a rediseñar, documentar y gobernar para que un agente pueda ejecutarlo sin supervisión humana constante". La respuesta definirá si la IA agente se convierte en palanca de productividad o en el capítulo más caro de la historia de shadow IT corporativa.
