Autoevaluación: ¿Su empresa es amigable con los agentes (Agent)?

Autor: Zhang Feng

I. Tendencias: En la era de la IA, la integración empresarial es imparable

En los últimos años, la industria tecnológica global ha experimentado una transferencia de paradigma silenciosa pero profunda. Si los diez años anteriores fueron la era dorada del “Internet+”, entonces los próximos diez años serán un futuro definido por el “IA+”. Desde la ola de modelos grandes impulsada por ChatGPT, hasta la rápida implementación de agentes inteligentes en diversas industrias, una realidad indiscutible está emergiendo: la IA ya no es solo una herramienta decorativa, sino que se está convirtiendo en la infraestructura fundamental para la supervivencia y el desarrollo empresarial.

Detrás de esta tendencia, hay la acción conjunta de tres fuerzas.

Primero, un salto geométrico en eficiencia de costos. En los procesos empresariales tradicionales, la gestión manual de información, la coordinación de recursos y la toma de decisiones no solo son costosos, sino que también están limitados por los límites fisiológicos humanos. Los agentes inteligentes de IA pueden trabajar 7×24 horas, con una velocidad de procesamiento cientos o miles de veces superior a la humana, y su tasa de error disminuye con el entrenamiento continuo. Por ejemplo, en atención al cliente, un agente inteligente bien entrenado puede manejar miles de conversaciones simultáneamente, con un costo por servicio que es solo una centésima o menos del costo humano. Cuando un competidor realiza la misma tarea a una décima parte del costo y diez veces más rápido, una empresa que no adopte IA estará literalmente corriendo con las piernas atadas en una carrera.

En segundo lugar, la liberación profunda del valor de los datos. Las empresas acumulan enormes volúmenes de datos comerciales, pero estos datos a menudo permanecen inactivos en diferentes sistemas, sin convertirse en activos reales. Una de las capacidades centrales de los agentes inteligentes de IA es extraer insights de datos no estructurados y desordenados, formando soporte para decisiones. Lo que antes requería una semana de análisis por parte de analistas, ahora puede ser realizado en minutos por IA, que además puede descubrir correlaciones y tendencias que los humanos no perciben. Esta capacidad transforma los datos de “registro posterior” en un motor clave para “decisiones en tiempo real”.

Tercero, el efecto de presión competitiva del mercado. Los pioneros están utilizando IA para construir nuevas barreras competitivas. En retail, la fijación dinámica de precios y los sistemas de recomendación personalizados están redefiniendo la experiencia del consumidor; en manufactura, la optimización de la planificación de producción y el mantenimiento predictivo mejoran significativamente la eficiencia de los equipos; en finanzas, la gestión de riesgos y la asesoría inteligente están redefiniendo los límites del servicio. Cuando los innovadores en la industria ya están reestructurando sus procesos con IA, los rezagados enfrentan no solo la decisión de “hacer o no hacer”, sino la brecha de cuánto se han quedado atrás.

Esta revolución de IA difiere fundamentalmente de las transformaciones tecnológicas anteriores. Internet cambió la forma en que se distribuye la información, la Internet móvil cambió la forma en que nos conectamos, y la IA cambia la forma en que “pensamos” y “actuamos”. Los agentes ya no son solo herramientas pasivas que ejecutan instrucciones, sino entidades autónomas capaces de entender objetivos, planificar rutas, llamar a herramientas y formar ciclos cerrados. Esto significa que la integración de la empresa con IA no puede limitarse a “instalar un software” o “implementar un sistema”, sino que debe profundizar en la lógica empresarial, los procesos de gestión y la estructura organizacional en su nivel más fundamental.

II. Integración: Comprender las cuatro dimensiones de la “integración con IA”

Para evaluar si una empresa está preparada para integrar IA, primero hay que entender qué implica “integrar”. Esto no es solo una acción puntual, sino un proyecto de sistema que involucra tanto elementos internos como externos, atravesando múltiples niveles. En concreto, al menos incluye cuatro dimensiones.

(1) Integración en la gestión interna

La integración en la gestión interna es la base para la incorporación de IA en la empresa, y consiste en incorporar agentes inteligentes en todos los aspectos de la gestión operativa interna. Esto incluye, pero no se limita a:

Gestión de recursos humanos: Uso de IA para filtrar currículums, coordinar entrevistas, crear perfiles de empleados, recomendar capacitaciones, analizar el rendimiento. Los agentes pueden procesar rápidamente grandes volúmenes de información de candidatos, identificar los perfiles más adecuados e incluso evaluar registros de entrevistas mediante procesamiento de lenguaje natural.

Gestión financiera: Auditoría automática de reembolsos, extracción y entrada automática de datos de facturas, monitoreo en tiempo real del cumplimiento presupuestario, alertas inteligentes para transacciones anómalas. Agentes financieros maduros pueden realizar conciliaciones automáticas, detectar duplicados y facturas no conformes.

Gestión administrativa: Coordinación inteligente de reuniones, recomendaciones automáticas de viajes, asignación dinámica de recursos de oficina. Los agentes pueden, según las preferencias de los asistentes y la información de tráfico en tiempo real, encontrar automáticamente el horario y lugar más adecuados para reuniones.

Aprobaciones de procesos: Automatización de procesos de aprobación con reglas fijas, y clasificación inteligente de casos anómalos para su gestión. Los agentes aprenden patrones de decisiones pasadas, aprueban automáticamente asuntos rutinarios y marcan y transfieren a revisión humana los casos complejos.

(2) Integración en negocios externos

La integración en negocios externos es la capa de valor central para la incorporación de IA, y se refiere a aplicar agentes inteligentes en las interacciones con clientes, proveedores y socios.

Marketing y adquisición: Análisis de comportamiento del usuario impulsado por IA, recomendaciones personalizadas, optimización de publicidad, puntuación de clientes potenciales. Los agentes analizan en tiempo real las trayectorias de navegación en sitios web y apps, predicen intenciones de compra y envían en el momento oportuno las ofertas más relevantes.

Ventas y conversión: Asistentes de ventas inteligentes que ofrecen perfiles de clientes, sugerencias de comunicación, comparación de productos y estrategias de precios. Además, los chatbots comerciales automáticos pueden gestionar todo el proceso desde consulta hasta pedido.

Atención al cliente: Actualmente, uno de los escenarios más amplios para agentes inteligentes. Los chatbots pueden resolver la mayoría de las consultas frecuentes, detectar emociones del usuario y transferir sin problemas a un agente humano cuando sea necesario. Los sistemas de llamadas automáticas pueden realizar llamadas de seguimiento, encuestas de satisfacción y recordatorios de pagos pendientes.

Cadena de suministro y compras: Evaluación automática y inteligente de proveedores, predicción de necesidades de compra, seguimiento de pedidos, optimización de rutas logísticas. Los agentes integran datos internos y externos para predecir tendencias de precios de materias primas y apoyar decisiones de compra.

(3) Integración en ecosistemas

Esta es una forma de integración de nivel superior, en la que la empresa participa en un ecosistema comercial más amplio, mediante agentes en diálogo y colaboración con otros agentes.

Automatización de procesos interorganizaciones: En logística, los agentes de compra pueden interactuar automáticamente con los agentes de los proveedores para solicitar cotizaciones, comparar precios, realizar pedidos, confirmaciones, conciliaciones y pagos, sin intervención humana.

Compartición y colaboración de datos sectoriales: En industrias como logística, finanzas y salud, múltiples actores pueden compartir datos desensibilizados bajo estándares y protocolos comunes, para modelar y optimizar en conjunto.

Mercado de agentes en plataformas: Algunas plataformas grandes están creando “tiendas de agentes”, donde las empresas publican sus agentes para que otros los utilicen, o suscriben agentes especializados de terceros. Por ejemplo, un agente de vendedor en un e-commerce puede colaborar con agentes de logística, pagos y marketing.

Ejecución de contratos inteligentes en cadenas de bloques: En colaboraciones multi-partes basadas en blockchain, los agentes pueden monitorear condiciones predefinidas y activar automáticamente contratos inteligentes, logrando una colaboración altamente confiable y automatizada.

(4) Integración en gobernanza y cumplimiento

Este es un nivel de protección que no se puede ignorar, y se refiere a que la capacidad de IA de la empresa debe cumplir con leyes, regulaciones y normas sociales.

Cumplimiento de datos: La recolección, procesamiento, almacenamiento y transmisión de datos por parte de los agentes deben ajustarse a leyes como la Ley de Protección de Datos Personales, GDPR, etc. Esto incluye obtener autorización del usuario, anonimizar o desidentificar datos, y soportar derechos de eliminación de datos.

Transparencia y explicabilidad de algoritmos: Cuando las decisiones de IA afectan derechos de los usuarios (como aprobación de créditos, selección de personal, tarifas de seguros), la empresa debe poder explicar los fundamentos clave. Los modelos de caja negra enfrentan una regulación cada vez más estricta en escenarios de alto riesgo.

Seguridad y alineación de valores: Los agentes que interactúan con el público deben garantizar que su contenido no viole leyes, orden público o valores sociales, y que no difundan información falsa, discursos discriminatorios o contenidos dañinos. Esto requiere mecanismos de seguridad en preentrenamiento, ajuste fino y monitoreo en tiempo real.

Límites de responsabilidad y mecanismos de emergencia: Cuando las acciones de un agente causan daños, ¿quién es responsable? La estructura de gobernanza debe definir claramente los límites de actuación, cuándo intervenir supervisores humanos y cómo actuar ante incidentes.

III. Estado actual: La mayoría de las empresas aún no están preparadas para integrar IA

Si evaluamos con las cuatro dimensiones anteriores, encontramos una realidad incómoda: muchas empresas que dicen “adoptar IA” tienen sistemas y procesos internos en condiciones muy adversas, incluso hostiles, para la integración de agentes inteligentes.

(1) Desde la gestión interna: mares de datos y laberintos de procesos

El mayor obstáculo interno para IA es la calidad de los datos. Los agentes no son magos; dependen de datos de alta calidad, estructurados y semanticamente coherentes. Sin embargo, muchas empresas tienen datos en condiciones deplorables:

Campos iguales en diferentes departamentos (como “Nombre del cliente”, “Modelo del producto”) con reglas de nomenclatura y codificación distintas;

Documentos en papel y electrónicos coexistiendo, con información clave atrapada en escaneos, PDFs o grabaciones de voz, que requieren OCR y reconocimiento de voz antes de que la IA pueda entender;

Datos históricos ausentes, errores de entrada, registros duplicados, con una gestión de datos que sigue siendo solo un lema;

Procesos de negocio sin estandarización, con aprobaciones que en diferentes sucursales o por diferentes responsables siguen caminos completamente distintos.

Cuando la IA intenta integrarse en estos sistemas internos, se enfrenta a un camino lleno de baches, baches y callejones sin salida en un pantano de datos. Por ejemplo, un agente de aprobación de reembolsos que no distingue entre “gastos de viaje” y “gastos de transporte” en diferentes sistemas, ¿cómo puede automatizar la revisión?

(2) Desde la vista de negocios externos: interfaces cerradas y procesos caprichosos

Los sistemas de negocio externos también enfrentan problemas. Muchas empresas diseñaron sus interfaces y sistemas de transacción sin considerar que los agentes de IA serían usuarios.

La falta o mala definición de APIs es el mayor dolor. Un agente de compras que busca comparar productos automáticamente, si el sitio del proveedor no ofrece una API abierta, estándar y con mecanismos de autenticación, tendrá que hacer scraping — método frágil, ineficiente y a menudo en contra de los términos de servicio del sitio. Muchas empresas ven las APIs solo como un problema técnico, no estratégico, y ofrecen documentación desactualizada, métodos de autenticación obsoletos, límites de uso poco claros, dificultando mucho la integración.

El diseño centrado en humanos también es un problema grave. La mayoría de las interfaces están diseñadas para la vista, los tiempos de reacción y la atención humana: menús complejos, opciones que aparecen solo al pasar el cursor, CAPTCHAs dinámicos, ventanas emergentes obligatorias… Estos diseños, aunque solo sean incómodos para humanos, son obstáculos insalvables para los agentes. Un agente que intenta consultar pedidos, por ejemplo, enfrentará menús en varios niveles, selectores de fechas ambiguos y ventanas emergentes de encuestas de satisfacción, convirtiendo su automatización en un monstruo frágil lleno de condiciones y excepciones.

(3) Desde la participación en ecosistemas: fragmentación y falta de estándares

Si los problemas internos y externos pueden abordarse con esfuerzos propios, los desafíos en el ecosistema superan ampliamente el control de una sola empresa.

El primer problema es la heterogeneidad de arquitecturas de sistemas entre empresas. Los ERP de A y los CRM de B tienen modelos de datos completamente diferentes; los códigos de estado de pedidos en una industria no se entienden en otra. Cuando agentes de diferentes empresas intentan colaborar en un proceso completo, lo primero que deben resolver no es la lógica compleja, sino la simple “traducción” entre sistemas, que suele requerir mucho desarrollo a medida, contraviniendo la automatización.

La falta o fragmentación de estándares y protocolos es un problema aún mayor. Aunque algunos organismos sectoriales y alianzas tecnológicas promueven estándares B2B (como versiones de EDI, RosettaNet, OASIS), estos son a menudo obsoletos, costosos de implementar, o solo aplicables en ciertos sectores o etapas. Aún no existe un estándar abierto y universal que cubra toda la cadena: “descubrimiento de agentes, negociación de capacidades, intercambio de datos, sincronización de estados, manejo de excepciones y liquidaciones”.

La confianza y la seguridad también son obstáculos. ¿Cómo verifica una empresa la identidad y autorización de los agentes de otra? ¿Cómo garantiza que los datos sensibles no se filtren o sean interceptados? Cuando un agente se comporta mal (por ejemplo, es secuestrado), ¿cómo detectarlo y revocar su acceso rápidamente? Aunque los marcos de seguridad tradicionales (OAuth, API keys, mTLS) ofrecen soluciones parciales, cuando los agentes actúan en diálogo múltiple y decisiones autónomas, los modelos actuales son insuficientes.

(4) Desde la gobernanza y cumplimiento: vacío de responsabilidad y regulación atrasada

El aspecto regulatorio también preocupa. Muchas empresas avanzan en IA sin una estructura de gobernanza adecuada, que quede atrás en la implementación tecnológica.

Responsabilidad en decisiones de IA: Cuando un agente de recursos humanos elimina a un candidato calificado por sesgos, ¿quién es responsable? ¿El ingeniero de algoritmos, el departamento de negocio o la IA misma (si la ley lo permite)? La falta de reglas claras y operativas genera un vacío de responsabilidad.

Falta de mecanismos éticos: ¿Qué escenarios de IA requieren revisión ética? ¿Quién forma el comité? ¿Qué estándares se aplican? La mayoría de las empresas no tienen procedimientos claros, y en consecuencia, aplicaciones con riesgos evidentes de discriminación o privacidad se lanzan sin evaluación previa, y solo se corrigen tras quejas o escándalos.

Regulación y “transposición”: Muchas empresas simplemente trasladan las regulaciones tradicionales a la IA sin entender los nuevos problemas que plantea. Por ejemplo, las leyes de protección de datos exigen que los usuarios puedan entender las decisiones automáticas, pero ¿puede un modelo profundo explicar sus decisiones en lenguaje natural? Las empresas suelen dar explicaciones superficiales (“nuestro modelo usa estas características”) sin abordar la explicabilidad real.

IV. Acción: El camino inevitable de una atención integral

Frente a este escenario complejo, las empresas no pueden simplemente esperar que la tecnología madure o que los estándares se perfeccionen. Deben tomar la iniciativa, promoviendo un avance sistemático en cuatro niveles: estrategia, tecnología, negocio y cumplimiento.

(1) En el nivel estratégico: de “pensamiento de herramientas” a “pensamiento de ecosistema”

La alta dirección debe entender claramente que la IA no es solo un proyecto de software, sino un factor estratégico que afecta modelos de negocio y estructuras organizativas. La integración con IA no es solo tarea del departamento de TI, sino de toda la empresa. Es necesario definir una hoja de ruta clara, que indique qué procesos se automatizarán, qué capacidades se desarrollarán internamente o se comprarán, cómo equilibrar automatización y intervención humana, y cómo responder a cambios en el ecosistema externo.

Más aún, la empresa debe hacer un cambio radical: dejar de ver la IA solo como una herramienta interna de eficiencia, para considerarla como un actor en el ecosistema externo. Esto implica incluir en la estrategia cómo los agentes de la empresa colaborarán con otros agentes, y qué papel quieren jugar en el ecosistema de agentes.

(2) En el nivel tecnológico: construir una arquitectura “amigable con agentes”

El equipo técnico debe revisar y rediseñar la arquitectura actual, pasando de un enfoque “centrado en humanos” a uno “dual centrado en humanos y agentes”. En concreto, se requiere:

API completa: Todos los procesos clave deben exponerse mediante APIs bien diseñadas, documentadas, con control de versiones, optimizadas para llamadas máquina a máquina (por ejemplo, operaciones en lote, callbacks asíncronos, límites de uso y reintentos).

Datos listos: Implementar un marco de gobernanza de datos unificado, que garantice definiciones únicas, claras y legibles por máquina para entidades clave (clientes, productos, pedidos, proveedores). La limpieza y etiquetado de datos históricos debe considerarse una inversión estratégica.

Capacidades embebidas: Separar la lógica de negocio (reglas de aprobación, estrategias de precios, estándares de riesgo) del código, y encapsularla en unidades de capacidad que los agentes puedan llamar. Así, los agentes podrán ensamblar estas capacidades como bloques de construcción, en lugar de repetir implementaciones o saltarse pasos.

Observabilidad: Diseñar logs, monitoreo y trazabilidad adecuados para las acciones de los agentes, permitiendo rastrear quién, cuándo, con qué datos, tomó qué decisión, fundamental para resolver fallos y definir responsabilidades.

(3) En el nivel de negocio: rediseñar procesos y roles

Los departamentos de negocio no pueden delegar toda la integración en TI. La reingeniería de procesos es clave para la adopción de IA.

Simplificación y estandarización: Antes de integrar IA, revisar si los procesos son racionales. Procesos caóticos y con muchas excepciones solo se acelerarán y complicarán con automatización. Es necesario simplificar y estandarizar, eliminando pasos innecesarios.

Diseño de colaboración humano-máquina: No todos los procesos deben ser automáticos completos. Es importante definir qué tareas realiza la IA, cuáles requieren revisión humana, y cuáles siempre serán humanas. La clave está en diseñar mecanismos de transferencia y escalamiento eficientes, no solo reemplazar humanos por máquinas.

Capacitación del personal: La IA no busca quitar empleos, sino transformar tareas. Capacitar a los empleados para que colaboren con agentes, entiendan sus decisiones y puedan intervenir en casos de fallo, es fundamental.

(4) En el nivel de cumplimiento: establecer mecanismos de gobernanza integrados

El cumplimiento no puede ser un añadido posterior, sino que debe integrarse desde el inicio en todo el ciclo de vida del sistema de IA.

Comité ético de IA: Crear un comité multidisciplinario para revisar aplicaciones de alto riesgo, incluyendo legal, cumplimiento, negocio, tecnología y expertos externos.

Evaluación de impacto: Antes de desplegar sistemas que puedan afectar derechos (como crédito, empleo, salud, seguros), realizar evaluaciones formales para detectar riesgos de equidad, transparencia, privacidad y seguridad.

Monitoreo y auditoría continua: Los modelos pueden driftar con el tiempo. Es necesario monitorear su rendimiento y realizar auditorías periódicas para asegurar el cumplimiento.

Transparencia: Cuando corresponda, divulgar a usuarios, socios y reguladores en qué escenarios se usan agentes, cómo funcionan, y qué derechos tienen (como apelaciones o intervención humana). La confianza se construye con transparencia.

V. Precauciones: aspectos clave al integrar IA

En este proceso integral, hay aspectos que requieren atención especial:

Evitar el “solucionismo de IA”. La IA es poderosa, pero no es omnipotente. No todos los problemas se resuelven con IA, ni todos los procesos justifican su inversión. La empresa debe mantener una evaluación costo-beneficio clara. En escenarios con bajo volumen, reglas complejas o tolerancia a errores muy baja, puede ser más económico y seguro mantener intervención humana.

Cuidado con sesgos en los datos: La IA aprende de datos históricos, que pueden contener prejuicios humanos (discriminación racial, de género, regional). Usar datos sesgados sin análisis puede amplificar estos prejuicios. Antes de desplegar, auditar la equidad de los datos y detectar sesgos en los modelos.

No subestimar la gestión de excepciones: La precisión de la IA no es perfecta. Lo que realmente define la viabilidad es cómo maneja las excepciones: datos faltantes, timeout, incompatibilidad de versiones, errores en la comunicación entre agentes. Un sistema que solo funciona en condiciones ideales fallará ante los primeros obstáculos.

Establecer supervisión humana en el ciclo: Para decisiones de alto riesgo, no se debe buscar automatización total. Diseñar mecanismos de supervisión humano-máquina, donde la IA sugiera decisiones pero la aprobación final la tenga un humano, o que los casos complejos sean revisados por expertos. Esto combina eficiencia y responsabilidad.

Alinear capacidades de IA con capacidades organizativas: Muchas empresas introducen tecnología avanzada, pero mantienen procesos, cultura y motivaciones tradicionales. El resultado es que la tecnología no se aprovecha plenamente. Es necesario impulsar cambios en procesos, estructura y talento, para que la IA sea un catalizador del desarrollo organizacional, no solo un adorno.

Al preguntar a un CEO si han integrado IA, una respuesta confiada no debe ser “nuestro departamento de TI está investigando” ni “ya tenemos tres proyectos en marcha”, sino: “Hemos evaluado nuestros datos, procesos, sistemas y organización, y estamos preparados para la llegada de la IA, sabiendo que esto es solo el comienzo de un largo camino.”

Integrar IA es, en esencia, una reinvención de la empresa. Quienes logren cruzar esa puerta no solo disfrutarán de los beneficios en eficiencia, sino que también ocuparán una posición ventajosa en un ecosistema comercial cada vez más dominado por agentes inteligentes. Las empresas que no logren hacer sus sistemas “amigables con agentes” acabarán viendo cómo los agentes chocan con sus sistemas y terminan operando en otros entornos más fluidos.