De la IA predictiva a la Agentic AI: qué cambia cuando el software empieza a actuar

La Agentic AI es el punto en que el software deja de sugerir y empieza a actuar: abre una incidencia, modifica un registro, prepara un pago, se comunica con otro sistema sin que nadie pulse "confirmar". También es el punto en que la pregunta deja de ser solo técnica. Cuando un sistema actúa en nombre de la empresa, alguien tiene que haber decidido hasta dónde puede llegar.

Llamamos empresa híbrida a la organización que diseña ese reparto de forma deliberada: las personas definen la dirección, los límites y las excepciones; los sistemas asumen el volumen y la complejidad. Llegar hasta ahí ha sido una sucesión de capas, y cada una cambió algo distinto en el trabajo.

Las cinco capas, según lo que cambiaron en la operación

1. Machine learning clásico. Los modelos aprenden del histórico para predecir bajas de clientes, demanda, riesgo de crédito o fraude. Plataformas como Vertex AI, SageMaker y Azure Machine Learning lo convirtieron en rutina para los equipos de datos. Qué cambió: las decisiones recurrentes pasaron a tener una estimación numérica al lado.
2. Redes neuronales profundas. El software aprendió a manejar imagen, audio y texto no estructurado: lectura de facturas, inspección visual en líneas de producción, transcripción de llamadas de atención. Qué cambió: datos que antes exigían a una persona mirándolos pasaron a procesarse a escala.
3. IA generativa. Modelos de lenguaje como GPT, Claude, Gemini y Llama escriben, resumen, traducen y programan. Qué cambió: el coste de un primer borrador cayó casi a cero. La responsabilidad sobre el borrador sigue siendo de quien lo firma.
4. Agentes de IA. Un modelo de lenguaje con acceso a herramientas (APIs, bases de datos, navegador) que decide sus próximos pasos para cumplir un objetivo. Qué cambió: la IA empezó a ejecutar tareas de varios pasos, no solo a responder preguntas.
5. Agentic AI. Uno o varios agentes coordinando el trabajo de principio a fin en un proceso, con poca intervención humana entre los pasos. Qué cambió: se puede delegar el proceso entero, no solo una tarea. Precisamente por eso, aquí la gobernanza deja de ser opcional.

Las capas no se sustituyen entre sí. Una operación madura usa las cinco a la vez, cada una donde tiene sentido.

Agente o flujo automatizado: la distinción que ahorra dinero

En diciembre de 2024, Anthropic publicó una guía que se convirtió en referencia para quienes construyen estos sistemas (Anthropic, 2024). Distingue entre workflows, en los que modelos y herramientas se orquestan mediante rutas definidas en código, y agentes, en los que el propio modelo decide dinámicamente qué pasos seguir y qué herramientas usar. La recomendación central es empezar por la solución más simple y añadir autonomía solo cuando la simple demuestra no ser suficiente.

En la práctica, muchas peticiones que nos llegan como "queremos un agente" se resuelven mejor con un flujo: clasificar un correo, extraer campos, consultar un sistema, preparar una respuesta para revisión. Los flujos son más baratos, más previsibles y más fáciles de auditar. La autonomía real compensa cuando el camino no puede preverse, como investigar la causa de una discrepancia entre tres sistemas o buscar y contrastar información de fuentes distintas.

Qué está mostrando el mercado

El entusiasmo es alto y los resultados, desiguales. La encuesta anual de McKinsey publicada en noviembre de 2025 muestra que el 62% de las organizaciones al menos experimenta con agentes de IA, pero solo el 23% afirma estar escalando agentes en alguna función de negocio (McKinsey, 2025).

Gartner fue más directo. En junio de 2025 previó que más del 40% de los proyectos de agentic AI se cancelarán antes de finales de 2027 por costes crecientes, valor de negocio poco claro o controles de riesgo insuficientes (Gartner, 2025). En el mismo comunicado puso nombre al agent washing, proveedores que rebautizan chatbots, asistentes y RPA como "agentes", y estimó que solo unos 130 de los miles de proveedores que se presentan como de agentic AI ofrecen algo que merezca ese nombre.

Dos cambios de infraestructura ayudan a separar lo serio del resto. El Model Context Protocol (MCP), un estándar abierto para conectar modelos con herramientas y datos, fue donado por Anthropic a la recién creada Agentic AI Foundation, bajo la Linux Foundation, en diciembre de 2025, con AWS, Google, Microsoft y OpenAI entre sus miembros (Linux Foundation, 2025). Ese mismo mes, OWASP publicó un Top 10 de riesgos específico para aplicaciones agénticas, pensado para sistemas que planifican, guardan memoria, llaman a herramientas y actúan con autoridad delegada (OWASP, 2025). Un protocolo común y una lista de riesgos publicada son señales de una tecnología que deja atrás la fase de demostración.

Qué pesa más al operar en Brasil

Los datos personales aparecen pronto. Casi cualquier agente útil en atención, cobros o ventas toca datos de clientes. Según la LGPD, la ley brasileña de protección de datos, la empresa sigue siendo responsable del tratamiento aunque quien acceda a los datos sea un agente que funciona sobre la API de un proveedor extranjero. Eso exige base legal, un contrato con el proveedor que cubra la transferencia internacional y un registro de lo que consulta el agente. Las decisiones tomadas únicamente mediante tratamiento automatizado que afecten al titular pueden ser objeto de una solicitud de revisión, según el artículo 20 de la LGPD. Quien opera en Europa encontrará una lógica similar en el RGPD.

El canal suele ser WhatsApp. Una gran parte de la relación con clientes en Brasil pasa por él, lo que convierte a los agentes conversacionales en el primer caso de uso en muchas empresas. También es el canal en el que un error se vuelve visible para el cliente al instante.

Los sistemas heredados son el cuello de botella. Un agente solo puede actuar donde existe una interfaz para hacerlo. Un ERP antiguo sin API, una hoja de cálculo como fuente de verdad o un proceso que depende de alguien operando una pantalla limitan lo que se puede automatizar con seguridad. Muchas veces, el primer proyecto de "agentes" es en realidad un proyecto de integración.

Un ejemplo de escalera de autonomía

Tome un proceso habitual en finanzas: resolver discrepancias entre la factura del proveedor y el pedido de compra. Un ejemplo ilustrativo de cómo subir la escalera:

1. Nivel 1, asistido: el sistema lee la factura y el pedido, señala la discrepancia y sugiere la causa probable. El analista lo decide todo.
2. Nivel 2, con aprobación: el agente prepara la respuesta al proveedor y el asiento de ajuste. El analista revisa y aprueba.
3. Nivel 3, autónomo con límites: las discrepancias por debajo de un importe fijado por finanzas y con causa conocida, como redondeo o transporte, se resuelven sin intervención. El resto pasa a una persona.
4. Nivel 4, supervisado por muestreo: el agente resuelve la mayoría de los casos y el equipo audita una muestra semanal, ajustando los límites según los errores encontrados.

Cada peldaño se desbloquea solo cuando el anterior demuestra, con datos, una tasa de acierto aceptable. Y el límite del nivel 3 lo decide el director financiero, no el equipo de tecnología. A eso llamamos una empresa híbrida en funcionamiento: la máquina asume el volumen, la persona decide hasta dónde puede llegar.

Antes de empezar, compruebe

• ¿El proceso tiene volumen suficiente para justificar el esfuerzo? Diez casos al mes rara vez justifican un agente.
• ¿El camino es previsible? Si lo es, empiece por un flujo automatizado, no por un agente.
• ¿Existe una API o integración para cada acción que el agente tendría que ejecutar?
• ¿Hay un responsable de negocio que responda por el resultado y pueda fijar los límites de autonomía?
• ¿Puede medir hoy la tasa de acierto, sin IA, para comparar después?
• ¿Los datos personales implicados tienen base legal y un contrato adecuado con el proveedor del modelo?
• ¿Hay un camino claro para que un caso salga del agente y llegue a una persona?

Si la mayoría de las respuestas es sí, el siguiente paso es validar el caso con datos reales en pocas semanas, antes de comprometer el presupuesto de un proyecto completo. Para eso existe la PoC Factory: hipótesis definida, construcción en tres a seis semanas y un Decision Package con la recomendación de escalar, ajustar o descartar. Si el caso ya está validado, vea cómo trabajamos con agentes de IA en producción.