El año pasado casi toda empresa mediana probó agentes de IA en algún proceso. Los números de la etapa siguiente empiezan a conocerse.
Gartner proyecta que más del 40% de los proyectos de IA agéntica se cancelará hacia finales de 2027, por costos que se disparan, valor de negocio difuso y controles de riesgo insuficientes. McKinsey, en su State of AI 2026, suma una señal sobre el conjunto de la IA, no solo los agentes: el 80% de los ejecutivos encuestados dice que mejoró su productividad individual, pero solo el 37% ve un aporte real al resultado operativo (EBIT), y esa cifra no se movió en un año.
Esas cifras marcan una brecha entre adoptar IA y convertirla en resultados. Para nosotros, esa brecha se cierra en la arquitectura y el gobierno del proceso. La tecnología para construir agentes ya funciona; lo que falla es la distancia entre un piloto que impresiona en una demo y un proceso que opera todos los días con reglas, permisos y responsables. Cerrar esa distancia es, sobre todo, un trabajo de diseño.
Por qué se estancan los pilotos
La barrera suele estar en la integración con el proceso real: las herramientas genéricas no aprenden del flujo de trabajo ni se adaptan a él. Resuelven una consulta aislada y se detienen donde empieza la operación real, con sus sistemas, sus datos y sus excepciones. El piloto luce bien en la reunión y se cae cuando hay que conectarlo al negocio.
¿Cómo se automatiza un proceso comercial con un equipo de agentes?
Tomemos una operación comercial básica: entra un lead hay que identificarlo, reunir información, validar datos, contrastarlo con criterios, actualizar registros, definir la acción siguiente y, en ciertos casos, derivarlo a una persona. Son tareas distintas, con información distinta y con niveles de riesgo distintos.
Un agente generalista puede intentar todo el recorrido. Un equipo de agentes especializados reparte esas tareas y las coordina, con un responsable por cada parte y puntos de control donde el riesgo lo pide. Cómo se reparte y se gobierna ese trabajo es una decisión de arquitectura, y pesa de forma decisiva en que el proyecto llegue a producción. En el ejemplo del lead: un agente reúne y normaliza la información, otro la valida contra las reglas comerciales, otro actualiza los registros y propone la acción siguiente, y el ejecutivo aprueba antes de contactar.
La autonomía se gobierna por nivel de riesgo
Un agente que consulta información tiene un riesgo acotado. Uno que modifica registros, envía comunicaciones o ejecuta transacciones necesita reglas precisas antes de operar. Antes de activarlo hay que definir qué información puede consultar, qué sistemas puede usar, qué acciones tiene permitidas, qué debe escalar, cuándo requiere autorización humana y cómo queda registrado todo. Son decisiones de negocio, no solo del área de tecnología.
Eso vive en la Infraestructura de IA Agéntica: la capa de permisos, reglas, orquestación y trazabilidad sobre la que corren los agentes. Si un agente tomó una decisión, debería poder reconstruirse qué datos usó, qué regla aplicó y qué ocurrió después. Sin esa capa, la autonomía es justamente el riesgo que Gartner señala.
Qué pasa cuando algo falla
Un sistema está listo para operar cuando sabe qué hacer ante el error, no solo cuando funciona en el caso ideal. Antes de activarlo se prueba con casos reales y con sus excepciones, se fijan criterios mínimos de calidad y se deja todo monitoreado. Si un agente se equivoca o un sistema conectado se cae, el proceso tiene que poder detenerse, reintentar o derivar a una persona, con registro de lo ocurrido. Esa capacidad de frenar y derivar es parte del diseño, igual que los permisos y las aprobaciones.
¿Cómo se lleva un equipo de agentes a producción?
Un equipo de agentes que llega a producción sigue una ruta ordenada. En GoCode la trabajamos en cinco etapas:
Diagnóstico del proceso. Elegir una tarea con volumen, reglas claras y un resultado medible. Mapear qué pasa hoy, qué decisiones se toman y dónde aparecen las excepciones.
Datos y permisos. Definir qué información necesita cada agente, de qué fuentes y con qué permisos mínimos.
Diseño del equipo. Repartir el proceso en roles de agente, con sus límites y sus puntos de coordinación.
Gobernanza y control humano. Fijar qué resuelve el agente solo, qué aprueba una persona y cómo queda registrado, antes de activar nada.
Producción y ROI. Poner en marcha contra una línea base y medir con indicadores de negocio: tiempo, cobertura, costo o capacidad liberada.
El orden importa. Empezar por la tecnología, antes de definir el proceso, los controles y la medición, compromete la implementación. La ruta que llega a producción empieza por el proceso.\
Contratar a un especialista o construir internamente
MIT lo midió en 2025. Las soluciones compradas a un proveedor especializado o construidas en alianza tuvieron éxito cerca del 67% de las veces, frente a un tercio de esa tasa en los desarrollos internos. Y el mayor retorno no apareció donde va el grueso del presupuesto: más de la mitad se destina a herramientas de ventas y marketing, mientras el retorno más alto está en la automatización de procesos internos.
McKinsey 2026 también muestra la brecha por tamaño: las empresas grandes que ya escalaron agentes en al menos una función pasaron del 27% al 40% en un año, mientras las más pequeñas siguen planas, cerca del 22%. Para una empresa mediana en Chile o LatAm, y para quien lidera la operación, eso no dicta por dónde empezar. Conviene evaluar las oportunidades comerciales y las operativas con los mismos criterios: beneficio esperado, datos disponibles, complejidad, riesgo y capacidad de sostener la solución en el tiempo. Un especialista aporta experiencia y acorta la curva; la decisión depende del proceso elegido y de las capacidades internas.
¿Cuándo conviene un equipo de agentes y cuándo basta la automatización convencional?
No todo proceso justifica un equipo de agentes. El caso se sostiene cuando hay varias etapas, varios sistemas, volumen alto y roles distintos. Algunos ejemplos claros:
Legal: revisión de contratos contra el estándar de la empresa, con un resumen de desviaciones para el abogado.
Finanzas: conciliaciones y preparación del cierre, con alertas sobre umbrales.
Seguros: recepción, clasificación y verificación de siniestros antes del liquidador.
Operaciones y compras: preparación de órdenes y comparación de cotizaciones, con aprobación del responsable.
En todos, los agentes preparan, verifican y documentan, y una persona aprueba lo sensible. Donde el proceso es de un solo paso o de bajo volumen, una tarea acotada se resuelve con un solo agente o con automatización convencional, según su complejidad. Recomendar la arquitectura según el proceso, y no forzar agentes en todo, es parte del diseño.
Criterio Automatización convencional Equipo de agentes de IA Proceso Uno o pocos pasos, estables Varias etapas que cambian según el caso Reglas Fijas y predecibles Con criterio y excepciones frecuentes Sistemas Uno o dos Varios, hay que cruzar información Decisión Determinística Interpreta, compara y prioriza Cuándo elegirla Alto volumen, baja variación Alto volumen con variación y roles distintos
La decisión de fondo pasó a ser operativa: qué parte de la operación funcionaría distinto si algunos de sus roles los ejecutara un equipo de agentes, y cómo queremos que ese equipo trabaje con los sistemas y con las personas. El próximo salto viene de diseñar mejor ese equipo y su gobierno, más que de esperar un modelo más inteligente.
Si quieres ver cómo se aplica en tu operación, conoce el servicio de equipos de agentes de IA para empresas en Chile de GoCode.
Preguntas frecuentes
¿Cuándo conviene un equipo de agentes de IA en lugar de automatización convencional?
Cuando el proceso tiene varias etapas, cruza varios sistemas, maneja excepciones y tiene volumen alto. Si las reglas son estables y los pasos predecibles, la automatización convencional suele bastar. La arquitectura se elige según el proceso, no al revés.
¿Hace falta cambiar los sistemas actuales (CRM, ERP) para usar agentes de IA?
No. Un equipo de agentes se diseña para operar sobre la infraestructura que ya existe: consulta información, cruza datos, actualiza registros y ejecuta acciones con permisos mínimos. Es una capa nueva sobre los sistemas de siempre.
¿Qué pasa si un agente de IA se equivoca o un sistema conectado falla?
El proceso debe poder detenerse, reintentar o derivar a una persona, con registro de lo ocurrido. Esa capacidad de frenar y escalar se define en el diseño, antes de activar nada, junto con los puntos de aprobación humana.
¿Por qué la mayoría de los pilotos de IA no llega a producción?
Porque la distancia entre una demo y la operación real está en la integración, la gobernanza y la medición. El modelo rara vez es el problema.
¿Cómo se empieza a automatizar un proceso con un equipo de agentes?
Por un proceso acotado, con volumen, reglas claras y un resultado medible. Se mapea el proceso actual, se definen datos y permisos, se reparten los roles de agente y los puntos de control humano, y se mide contra una línea base antes de escalar.
¿Qué nivel de autonomía conviene darle a un agente de IA?
El que el riesgo permita. Un agente que solo consulta información tiene riesgo acotado; uno que modifica registros o ejecuta transacciones necesita reglas precisas, aprobaciones y trazabilidad completa. La autonomía se gobierna por nivel de riesgo, decisión por decisión.