Su empresa está preparada para la IA agéntica cuando puede poner por escrito qué debe hacer el agente, con qué datos, hasta dónde puede llegar solo y cómo sabrá usted que se equivocó. Si alguna de esas respuestas depende de "eso lo sabe Marta", la siguiente inversión no es un agente. Es cerrar esa brecha.
Conviene separar los términos, porque el mercado los mezcla. Un asistente responde cuando alguien pregunta. Un flujo automatizado con IA sigue pasos fijos definidos en el código. Un agente decide sus propios pasos: lee el contexto, elige qué herramienta usar, actúa y comprueba el resultado. Anthropic, en la guía Building effective agents (diciembre de 2024), hace la misma distinción y da un consejo que debería estar en toda reunión de dirección: empiece por la solución más simple posible y solo aumente la complejidad cuando haga falta. El mismo texto recuerda que la autonomía de los agentes implica más coste y el riesgo de que los errores se acumulen.
Dónde está el mercado
Según la encuesta The state of AI in 2025 de McKinsey, el 62% de los encuestados afirma que su organización al menos experimenta con agentes de IA, y el 23% que está escalando un sistema agéntico en alguna parte de la empresa. Dentro de cada función de negocio, las empresas que escalan agentes no superan el 10%.
Gartner es más tajante. En junio de 2025 pronosticó que más del 40% de los proyectos de IA agéntica se cancelarán antes de finales de 2027 por costes crecientes, valor de negocio poco claro o controles de riesgo inadecuados. En el mismo comunicado advirtió del "agent washing", proveedores que rebautizan chatbots y RPA como agentes, y estimó que solo unos 130 de los miles de proveedores que se presentan como de IA agéntica ofrecen realmente esa capacidad.
Es decir: muchas empresas han empezado, pocas han escalado y una buena parte de los proyectos se detendrá. Las cinco señales siguientes ayudan a saber en qué lado está la suya.
1. El proceso está escrito, con sus excepciones
Un agente necesita un proceso que alguien pueda describir, incluido qué hacer cuando algo se sale de lo normal. Los casos comunes son fáciles. Lo que decide el éxito de un agente es cómo trata las excepciones: el pedido sin número de factura, el cliente que pide un descuento fuera de la política, el contrato con una cláusula que nadie había visto.
Prueba de la semana: pida al responsable del proceso que enumere las 10 excepciones más frecuentes y qué se hace en cada una. Si la lista no sale, o si cada persona del equipo da una respuesta distinta, el proceso todavía vive en la cabeza de las personas.
2. Los datos tienen responsable y una calidad conocida
Un agente que lee datos erróneos ejecuta la acción equivocada, y la ejecuta rápido. En febrero de 2025, Gartner pronosticó que, hasta 2026, las organizaciones abandonarán el 60% de los proyectos de IA que no cuenten con datos preparados para IA. En la misma encuesta, el 63% de las organizaciones dijo no tener, o no saber si tiene, prácticas de gestión de datos adecuadas para IA.
Prueba de la semana: para cada sistema que el agente va a consultar, pregunte quién es el responsable del dato y cuál es su tasa de error conocida. "Creo que está bien" no es una respuesta.
3. Ya se ha medido un agente sencillo
Las empresas que saltan directamente a varios agentes hablando entre sí descubren los problemas de contexto, coste y fiabilidad tarde y caro. Un agente con una tarea acotada, medido durante 60 a 90 días, enseña más que un piloto grande que nadie sabe evaluar.
Prueba de la semana: ¿hay algún agente o automatización con IA en producción cuyo coste por caso y tasa de error conozca? Si la respuesta es no, ese es el primer proyecto.
4. Las decisiones siguen criterios, no antigüedad
Si la regla actual es "decide quien lleva más tiempo en la casa", el agente no tiene nada que seguir. El criterio puede ser un nivel de aprobación, una tabla de límites, una política escrita. Lo que no puede ser es intuición.
Prueba de la semana: elija 20 decisiones recientes del proceso y pida a dos personas distintas que las expliquen. Si las justificaciones difieren mucho, faltan criterios. Hacer explícitas esas reglas suele mejorar el proceso aunque el agente nunca llegue a construirse.
5. Hay apetito por la gobernanza, no solo por la velocidad
Un agente escala los errores igual de bien que los aciertos. Gobernanza aquí es algo concreto: límites de lo que el agente puede hacer sin aprobación, registro de cada acción, una persona responsable de revisar lo que salió mal y una forma de apagarlo rápido. El AI Risk Management Framework del NIST, publicado en enero de 2023, lo organiza en cuatro funciones (gobernar, mapear, medir y gestionar) y es un buen punto de partida si no quiere inventar su propia estructura.
Prueba de la semana: pregunte quién responde si el agente envía un correo equivocado a 500 clientes. Si nadie lo sabe, la gobernanza todavía no existe.
Ejemplo hipotético: pedidos por correo en una distribuidora
El escenario siguiente es un ejemplo hipotético, construido para mostrar cómo aplicar las señales. No es un cliente.
Una distribuidora recibe pedidos de compra por correo electrónico, en PDF y en el cuerpo del mensaje. Tres personas los leen, comprueban stock y precio y los registran en el ERP. La dirección quiere un agente que lo haga todo solo.
Aplicando las señales:
- Proceso: los casos comunes están claros, pero las excepciones (producto sustituto, cliente con crédito bloqueado) dependen de una persona. Señal parcial.
- Datos: el catálogo de productos tiene códigos duplicados y el stock del ERP se actualiza una vez al día. Señal ausente.
- Agente sencillo medido: ninguno. Señal ausente.
- Criterios: los niveles de aprobación de descuentos están por escrito. Señal presente.
- Gobernanza: nadie ha definido qué puede registrar el agente sin aprobación. Señal ausente.
Una señal y media de cinco. Construir ahora el agente completo sería amplificar el catálogo duplicado. El camino más corto es otro: un agente que solo lee el correo y prerrellena el pedido para aprobación humana, mientras se limpia el catálogo y se documentan las excepciones. En 90 días, la empresa tiene un agente medido (señal 3), excepciones escritas (señal 1) y datos que sostendrán el siguiente paso.
Checklist de preparación
Responda sí o no:
- Las 10 excepciones más frecuentes del proceso están documentadas.
- Cada sistema que el agente va a consultar tiene un responsable con nombre.
- La tasa de error de esos datos es conocida, aunque sea aproximada.
- Hay un agente o automatización con IA en producción con coste por caso medido.
- Las decisiones del proceso siguen niveles de aprobación o políticas escritas.
- Está definido qué puede hacer el agente sin aprobación humana.
- Cada acción del agente queda registrada y es auditable.
- Hay un responsable de revisar los errores y una forma rápida de apagar el agente.
- El criterio de éxito del proyecto tiene un número y un plazo.
Siete o más "sí": puede diseñar un agente con autonomía real. Entre cuatro y seis: empiece con un agente asistido, que sugiere mientras una persona aprueba. Menos de cuatro: la inversión con más retorno ahora mismo está en procesos y datos.
Siguiente paso
Si su empresa ha superado el checklist, el siguiente paso es probar un caso de uso con plazo cerrado y un criterio de éxito acordado de antemano, que es el formato de la Cyborg Forge. Si se ha quedado por debajo, Advisor As a Service ayuda a priorizar qué brechas cerrar primero. En ambos casos, nuestra metodología muestra cómo se mide cada etapa.