L

a IA nos ha catapultado a una era que podría describir como de extrema opacidad respecto al futuro. Teniendo en cuenta todo lo que podría cambiar a causa de la IA, parece como si se hubiera extendido una niebla que nos impide ver el futuro. Y, en este momento, ese es su efecto económico más importante (y quizá también el más infravalorado).

Sin la capacidad de predecir con seguridad hacia dónde nos dirigiremos a partir de ahora, y considerando el alto costo de comprometerse demasiado pronto en entornos volátiles, creo que la mejor estrategia es optimizar para lo desconocido.

El dilema del capital humano

Para las empresas que dependen de trabajadores calificados, la “niebla de la IA” supone un problema sin precedentes en la planificación de la fuerza laboral. Los líderes deben decidir cuántas personas contratar, en qué puestos y con qué salarios, en un contexto en el que la vida útil de cualquier conjunto de habilidades es incognoscible. La misma incertidumbre que disuade a las personas de invertir en formación también dificulta que los líderes contraten e inviertan en su personal, particularmente en regiones con restricciones regulatorias para reducir su plantilla. Si los agentes de IA pueden redactar memorandos, escribir código, realizar tareas administrativas básicas, llevar a cabo investigaciones y construir modelos financieros más rápido y a menor costo que los empleados de nivel inicial, entonces las empresas ajustarán sus planes de contratación en consecuencia.

Las matemáticas corporativas

La incertidumbre del futuro también pone en duda la forma en que se valora a las empresas y, por lo tanto, si consiguen atraer capital y cómo lo hacen, así como la forma en que comunican su valor a inversionistas y otras partes interesadas. Para los líderes, esto significa que la niebla de la IA influirá en el costo del capital, en las condiciones bajo las cuales se financia el crecimiento y en si un plan estratégico cumple con las expectativas de analistas e inversionistas. El mecanismo de este cambio inducido por la niebla es sencillo, pero sus implicaciones son radicales.

El valor de las acciones se determina por la cantidad de efectivo que una empresa generará en el futuro. Si la niebla de la IA pone en duda la viabilidad a largo plazo del producto o servicio principal de una empresa, entonces también debemos cuestionar si logrará alcanzar su valor terminal. A su vez, si dudamos del valor terminal, la valoración se derrumba.

Otra forma de entender esta consecuencia de la niebla es que la IA está desafiando la preservación de las ventajas competitivas de las empresas. Cualquier negocio cuya ventaja competitiva dependa principalmente del software, los procesos, el capital humano o el contenido es ahora vulnerable frente a un competidor capaz de replicar esas características más rápido y a menor costo.

Dentro de la empresa, la misma niebla

La niebla envolvente también afecta los mercados internos de capital.

Imaginemos una empresa de fabricación por contrato de tamaño medio que produce componentes mecanizados de precisión para clientes de los sectores aeroespacial y de defensa. El equipo de operaciones propone una inversión de 30 millones de dólares en una nueva línea de producción. La ampliación de la planta está dimensionada para hacer frente a la cartera de pedidos prevista de la empresa. El equipo financiero elabora un modelo en el que compara los ingresos previstos para los próximos diez años con el desembolso de capital.

Gracias a su equipo especializado, largas series de producción y operarios cualificados, la nueva línea está optimizada para el paradigma actual de fabricación. Pero si los sistemas robóticos de uso general reducen drásticamente los costos de instalación que históricamente han protegido a los fabricantes especializados, la ventaja competitiva que respalda la proyección a 10 años de la empresa deja de ser confiable. La proyección original de ingresos se desvanece.

Optimizar para lo desconocido

Frente a la niebla de la IA, la repentina invisibilidad del futuro significa que la única opción verdaderamente convincente es la opcionalidad en sí misma.

Los líderes empresariales deben incorporar la opcionalidad tanto en sus modelos de asignación de capital como en sus diseños organizacionales.

En primer lugar, ha llegado el momento de pasar de compromisos de capital plurianuales a inversiones por etapas, con puntos de decisión explícitos. Del mismo modo, es momento de (re)considerar los sistemas de presupuestación base cero, para eliminar parte de la inercia incorporada en la asignación de recursos.

En segundo lugar, en vez de aferrarse a estructuras organizacionales optimizadas para un futuro estable, piense en cómo organizarse para la llegada de la IA agéntica. Los equipos modulares, los cambios frecuentes en los procesos y diseños organizacionales, el diseño de puestos de trabajo con flexibilidad incorporada y capas delgadas y adaptables de coordinación (ya sean humanas o mediante agentes de IA) ayudarán a preservar la capacidad de maniobra.

En tercer lugar, los líderes necesitan mejores sistemas de detección. Deben establecer un pequeño equipo cuyo trabajo a tiempo completo sea supervisar las capacidades de IA de vanguardia y traducir el progreso técnico en implicaciones de gestión para la empresa.

Estamos entrando en un cambio de paradigma en cuanto a cómo apostamos por el futuro. La incertidumbre ya está aquí. Ya no se trata de transformar la forma en que invertimos, contratamos, construimos y planificamos. La pregunta verdaderamente urgente es: ¿Rediseñaremos nuestras instituciones para adaptarlas a la opacidad antes de que se paralicen todo tipo de inversiones?

L

a IA agéntica (sistemas autónomos, orientados a objetivos, conscientes del contexto, capaces de llamar a otras herramientas de software, tomar decisiones complejas y ejecutar acciones) está generando una disputa por el control en la alta dirección. La cuestión de quién controla la IA es el tema crítico en el organigrama al inicio de la era de la IA, e influirá en la estrategia de una empresa, en sus niveles de inversión y en la distribución del poder y la influencia entre sus líderes.

Esta lucha por la influencia no es un problema nuevo. Uno de los marcos más reveladores para comprenderla fue desarrollado por el sociólogo Andrew Abbott en “The System of Professions”. Él observó que las profesiones ganan las disputas jurisdiccionales al plantear los problemas de tal manera que su experiencia se vuelve indispensable. Eso es lo que está ocurriendo hoy en día en la alta dirección.

El argumento del director de sistemas de información (CIO) se basa en la infraestructura. Es necesario desarrollar agentes de IA, integrarlos en los sistemas existentes, protegerlos frente a nuevas vulnerabilidades y mantenerlos a gran escala. La creación y el funcionamiento de estos sistemas requieren competencia técnica y una gestión responsable.

El director de operaciones (COO) considera que la IA agéntica forma parte de las operaciones centrales de la empresa. Los agentes se integrarán en los flujos de trabajo, y los flujos de trabajo son operaciones. El COO sostiene que los agentes existen para ejecutar procesos empresariales y que la optimización de dichos procesos es la razón de ser de esa función.

La afirmación del director de recursos humanos (CHRO) resulta conceptualmente provocadora. En la práctica, los agentes constituyen una nueva categoría de trabajadores. Es necesario entrenarlos con conocimientos específicos de la empresa, integrarlos en la cultura corporativa, supervisarlos durante su implementación, evaluar su rendimiento y emparejarlos con colegas humanos, de modo que se preserve la moral, la cultura y el conocimiento institucional. Además, complicarán muchos aspectos de la gestión del personal humano, creando obstáculos que el departamento de recursos humanos tendrá que gestionar.

El argumento del director financiero (CFO) se basa en la responsabilidad económica. Los agentes acabarán modificando las aprobaciones, los precios, la utilización de los activos y el gasto de la empresa de formas que afecten a las cifras. Los agentes que están autorizados a comprometer a la empresa en un pago, un contrato, una decisión crediticia o un reembolso deben rendir cuentas desde el punto de vista financiero.

Los responsables de riesgos y asuntos jurídicos consideran que los sistemas autónomos suponen una nueva forma de riesgo de fallo, responsabilidad civil y exposición regulatoria. Cuando los agentes de IA niegan una solicitud de préstamo o de empleo, rechazan una reclamación de seguro o se ven implicados en un accidente automovilístico, pueden derivarse litigios y un escrutinio regulatorio.

Por último, el director de datos (CDO) señala que todas las demás funciones dependen de los datos. Dado que los agentes procesan la información, la fiabilidad de sus resultados depende de la de sus datos de entrada. El hecho de quién tiene acceso a qué datos y bajo qué normas de gobernanza determinará si un agente funciona, y si lo hace de forma segura.

Cada una de estas reclamaciones es razonable.

Cuando múltiples líderes tienen reclamaciones legítimas sobre la misma jurisdicción, las organizaciones suelen recurrir a una de cuatro respuestas:

— Asignarlo al líder más capacitado.

— Cederlo a quien ejerce más presión.

— Delegarlo a un comité.

— Transferirlo a quien ya cuenta con presupuesto.

Sin embargo, ninguna de estas opciones funcionará para la IA agéntica. Es necesario cambiar la discusión de la propiedad total hacia la creación de derechos de decisión granulares y explícitos. Una cosa es que el CIO diga “yo soy responsable del stack tecnológico”. Otra muy distinta es especificar que el CIO es el responsable de la selección del modelo base, por ejemplo.

Para lograr este cambio de propiedad a derechos de decisión, las empresas deberán implementar un mapa de decisiones y rendición de cuentas. Esto implica identificar las decisiones críticas y asignar cada una a un ejecutivo específico. Reducir las fricciones jurisdiccionales requerirá derechos de decisión claros y una asignación inequívoca de responsabilidades. Pero un mapa es tan bueno como el proceso que lo mantiene, lo que significa que alguien debe ser responsable de la capa de coordinación en sí misma.

L

a mayoría de los ejecutivos cree que el gran desafío al adoptar agentes de IA es entender cómo adaptarse a una tecnología nueva e importante. Pero, en realidad, se trata principalmente de gestionar el trabajo.

Para aprovechar los beneficios a corto plazo de la IA y prepararse para su impacto creciente, las organizaciones deben integrarla en los procesos existentes de recursos humanos y dejar claro su papel para los empleados. A continuación, se presentan cuatro ideas que he desarrollado trabajando con empresas para alcanzar ese objetivo. Provienen de diversos sectores, incluyendo banca, productos de consumo, logística y ciencias de la vida, y son ampliamente reconocidas como líderes en sus respectivas industrias.

1. Asigne a cada agente de IA una descripción de puesto.

A medida que la IA agéntica se integra en las organizaciones, los equipos estarán conformados por “colegas” humanos y agentes de IA, y todos necesitarán descripciones de puesto: un método probado para especificar las responsabilidades de un trabajador, sus derechos de decisión y su rol dentro de los procesos relevantes. Elaborar una descripción de puesto para cada agente de IA obligará a sus responsables a ser deliberados al momento de asignar responsabilidades entre colegas humanos y agentes. Al redactar estas descripciones, hágase las siguientes preguntas: ¿De qué es responsable y de qué no lo es? (Los mandatos vagos como “optimizar” o “mejorar la eficiencia” son una receta para el fracaso. Al igual que las personas, los agentes funcionan mejor cuando los objetivos son explícitos). ¿Cuáles son los límites de sus derechos de decisión? ¿Qué facultades tiene? ¿Cuándo debe buscar la opinión o aprobación de colegas o superiores?

2. Diseñe al agente para resolver los problemas de los colegas humanos.

Muchos observadores han señalado que la IA agéntica promete mejorar la calidad de vida laboral de los trabajadores del conocimiento. Así como la automatización ayudó a eliminar tareas en industrias tradicionalmente consideradas “sucias, peligrosas y demandantes”, como la manufactura, la metalurgia y la minería, la IA puede eliminar trabajos que resultan “aburridos, desalentadores y repetitivos”. Ya sea reduciendo pasos tediosos o automatizando los elementos más monótonos de un puesto, diseñar los roles de los agentes de IA de esta manera les da a los empleados una razón para adoptar la IA y los motiva a sortear sus limitaciones, integrándola en su experiencia diaria.

3. Evalúe a cada agente de IA regularmente.

Los agentes de IA necesitan métricas de desempeño cuantificables que reflejen los resultados reales de los procesos derivados de sus acciones. Estos indicadores deben ser explícitos y permitir una evaluación amplia del desempeño, yendo más allá de aspectos como la precisión y la facilidad de uso para incluir la puntualidad y la confiabilidad. La existencia de tales métricas ayudará a tranquilizar a los compañeros humanos, al confirmarles que sus colegas algorítmicos también están sujetos a estándares. Además, contribuirán a mejorar los procesos de entrenamiento al revelar áreas de mejora. Así como las evaluaciones de desempeño informan los planes de desarrollo profesional de los empleados, los compañeros agénticos también deberían beneficiarse de un ciclo en el que la retroalimentación impulse el aprendizaje. Sin indicadores, los gerentes no pueden distinguir entre variaciones aceptables y fallas reales.

4. Asigne a cada agente de IA un supervisor humano.

Algunos observadores han comenzado a destacar la capacidad de los agentes de IA para “coordinar” las actividades de múltiples agentes independientes. Esto puede acelerar las acciones y hacer su trabajo más preciso. Pero, ¿quién supervisa a los coordinadores? Sin duda, la necesidad de una supervisión humana sigue existiendo. Todas las generaciones de IA han demostrado cierta propensión a generar errores o “alucinaciones”. Es probable que estos casos disminuyan a medida que la IA mejore, pero los riesgos aumentarán conforme la IA se expanda a profesiones consideradas de alto riesgo. Además, las organizaciones seguirán siendo responsables de cualquier resultado generado por la IA que utilicen, por lo que debe existir un responsable humano que rinda cuentas sobre cómo se entrena, cómo se integra con los procesos y cómo interactúa con otros compañeros humanos y agénticos. Los reguladores, legisladores y tribunales insistirán en ello.

A

diferencia del software tradicional, los agentes de IA están diseñados para razonar, planificar y ejecutar acciones a través de distintos sistemas. En el momento en que un agente puede modificar un sistema de registro (actualizar un precio, enviar un pago o modificar los datos de un cliente) deja de ser una herramienta de productividad y se convierte en parte del modelo operativo de la organización.

Lo más importante es que esto introduce nuevas categorías de riesgo. Una herramienta de IA generativa limitada (como ChatGPT para redactar correos electrónicos) genera un riesgo de contenido: puede decir algo incorrecto. La IA agéntica genera un riesgo de ejecución: puede hacer algo incorrecto.

Para superar ese umbral e integrar eficazmente agentes de IA a gran escala, usted debe tratarlos como una nueva clase de fuerza laboral que requiere gestión.

Mientras no se establezcan estas bases organizacionales, escalar la IA agéntica será difícil. Cuatro fricciones recurrentes, en particular, tienden a ralentizar o descarrilar el progreso. Entenderlas es el primer paso para gestionarlas.

1. Identidad: ¿Quién está actuando?

Las organizaciones deben tratar a cada agente de IA como un trabajador digital distinto, con su propia identidad, credenciales y rol. En lugar de depender de cuentas de servicio compartidas, las empresas deben asignar permisos a los agentes con un alcance limitado que reflejen las tareas específicas para las que están diseñadas. Los mismos principios utilizados para gestionar a los colaboradores humanos (como el acceso al mínimo privilegio y los límites basados en funciones) deben aplicarse también a los agentes.

2. Contexto: Cuando los datos erróneos llevan a malas acciones

Los agentes también introducen un nuevo desafío de seguridad: la manipulación del contexto. Si un agente lee correos electrónicos, formularios o tickets de soporte y luego ejecuta tareas basadas en esa información, los atacantes pueden incrustar instrucciones ocultas diseñadas para influir en su comportamiento.

Para hacer frente a estas fricciones contextuales, las organizaciones deben establecer estándares claros sobre qué información pueden considerar confiable sus agentes. Esto implicará definir fuentes autorizadas para políticas, precios y datos operativos, de modo que los agentes puedan apoyarse de forma consistente en la versión correcta de la verdad.

3. Control: Los sistemas probabilísticos necesitan límites claros

Los métodos de prueba tradicionales parten de la base de que el comportamiento es estable. Un sistema que hoy supera una serie de pruebas puede comportarse de forma diferente mañana si se actualiza el modelo, cambia el prompt o se añaden nuevos datos. Y los riesgos aumentan en entornos con múltiples agentes donde estos se transfieren tareas entre sí.

Sin límites claros, los errores (o ataques) pueden propagarse a lo largo de un sistema automatizado. Para gestionar ese riesgo, las organizaciones deben construir controles deterministas en torno a los sistemas de IA probabilísticos. En lugar de permitir que los agentes ejecuten acciones directamente, las empresas deben implementar capas de validación entre el modelo de IA y los sistemas operativos. En este enfoque, el agente propone una acción (como emitir un reembolso) y, antes de ejecutarse, un software determinista verifica que cumpla con las reglas establecidas.

4. Responsabilidad: Cuando nadie puede explicar lo que ocurrió

Las empresas deben diseñar sus sistemas de IA pensando en la responsabilidad desde el principio. Esto comienza con mantener registros completos de cómo operan los agentes, incluyendo a qué fuentes de datos accedieron, qué instrucciones recibieron y qué herramientas utilizaron para completar una tarea. Estos registros deben permitir reconstruir la cadena de razonamiento que llevó a cualquier acción.

Las empresas no son entornos listos para usar; son sistemas complejos moldeados por tecnología heredada, políticas y el juicio humano. Las organizaciones que tengan éxito con la IA agéntica no serán simplemente las que implementen más agentes, sino aquellas que construyan las estructuras que permitan confiar en ellos.

E

n este artículo, compartimos algunos principios clave para implementar sistemas de IA agéntica que aumentarán la probabilidad de que generen el valor esperado.

¿Cómo funciona la IA agéntica?

La IA agéntica (sistemas de agentes de IA capaces de planificar, razonar y actuar de forma autónoma) puede ejecutar flujos de trabajo, tomar decisiones y coordinarse entre departamentos. Piense en la IA agéntica como un equipo de colegas digitales. Algunos agentes son especialistas, como un copiloto de programación que acelera el desarrollo o un asistente virtual que se integra a una herramienta SaaS. Otros actúan más como coordinadores, uniendo el trabajo de muchos especialistas para obtener un resultado mayor. Cuando se orquestan como un sistema, estos agentes planifican, razonan y actúan hacia objetivos, ajustándose a medida que cambian las condiciones. Lo más importante es que pueden operar a través de aplicaciones y fuentes de datos fragmentadas, sin necesidad de integrar todo en un sistema central.

Guiada por la supervisión humana, la IA agéntica se convierte en una capa inteligente que conecta procesos dispersos y rompe los silos para crear un flujo más continuo y eficiente.

¿Cómo pasa de tareas a resultados la IA agéntica?

Consideremos la implementación más utilizada de la IA generativa: los chatbots para atención al cliente. La mayoría de las empresas cuenta con miles o más transcripciones de estas interacciones con clientes. La IA agéntica hace mucho más que resolver una queja a la vez. Puede revisar todas las conversaciones, detectar problemas recurrentes y actuar para eliminarlos. Lo que comienza como soluciones más rápidas evoluciona hacia una base de aseguramiento de calidad y retroalimentación de producto que anticipa los problemas antes de que aparezcan, fortaleciendo toda la experiencia del cliente.

Esta progresión (desde soluciones rápidas hasta la prevención y la confiabilidad sistémica) muestra el potencial de la IA agéntica. Lograrlo requiere replantear cómo están estructuradas y lideradas las organizaciones para que los agentes puedan orquestarse en torno a resultados, no solo a tareas. Hemos identificado que existen tres imperativos esenciales.

1. Diseñar en función de los resultados y nombrar a los responsables de la misión.

Para diseñar en torno a resultados con IA agéntica, cada recorrido importante necesita un responsable de misión: alguien que defina la misión, dirija tanto a personas como a agentes de IA, y sea dueño del resultado. En ocasiones se trata de un gerente de producto o un responsable del recorrido encargado de supervisar y optimizar toda la experiencia del cliente (o del usuario); en otras, es necesario designar a alguien con autoridad y visibilidad interfuncional.

2. Liberar los silos de datos y aclarar la lógica empresarial.

Muchas empresas asumen que la IA requiere datos impecables y centralizados, pero no es así. Los agentes de IA pueden gestionar silos de datos siempre que cuenten con una lógica empresarial compartida claramente definida y con los datos contextuales adecuados a través de interfaces de programación de aplicaciones (APIs) y metadatos.

3. Desarrollar a los líderes y los mecanismos de control que requieren los sistemas inteligentes.

La gestión de la IA agéntica a gran escala exige esta distribución de responsabilidades: administradores del sistema con controles claros, profesionales de TI que gestionen la seguridad y el manejo de datos, y equipos de primera línea con la capacidad de intervenir cuando los resultados se desvían de la intención original. Cuando se hace correctamente, este equilibrio entre autonomía y supervisión convierte la gestión en un habilitador del crecimiento a escala, no en un freno para el progreso.

L

a IA agéntica se ha convertido rápidamente en una de las áreas más activas del desarrollo de la inteligencia artificial. Los agentes de IA representan un nivel de programación que se sitúa por encima de los modelos de lenguaje de gran tamaño (LLM) y que les permite trabajar hacia objetivos específicos. Esta capa extra de software puede recopilar datos, tomar decisiones, ejecutar acciones y adaptar su comportamiento en función de los resultados. Los agentes pueden interactuar con otros sistemas, aplicar razonamiento y operar de acuerdo con las prioridades y reglas que usted establezca.

Pero quizá el futuro más emocionante de la IA agéntica llegue en la forma de agentes personales, capaces de actuar de manera autodirigida en su nombre. Estos agentes funcionarán como su asistente personal, encargándose de la gestión de su calendario; realizando investigaciones y análisis dirigidos; encontrando, negociando y comprando bienes y servicios; seleccionando contenidos y encargándose de las comunicaciones básicas, al tiempo que aprenden y se optimizan a sí mismos a lo largo del proceso.

La idea de los agentes de IA personales se remonta a décadas atrás, pero la tecnología finalmente parece estar lista para su adopción generalizada. De hecho, empresas líderes ya están ofreciendo prototipos de agentes de IA personales a sus clientes, proveedores y otros grupos de interés, lo que plantea desafiantes cuestiones empresariales y técnicas.

¿Qué podría salir mal?

Piense en un agente de IA personal como alguien a quien usted podría contratar como empleado, contratista u otro tipo de agente en el mundo real. Antes de delegar responsabilidades, usted necesita saber si una persona o una empresa es confiable, honesta, competente y si, por ley, está obligada a velar por sus intereses.

Dependiendo de las funciones que desempeñen sus agentes de IA personales, será esencial disponer de versiones digitales de estos y otros controles. Esto se debe a que los riesgos asociados con empleados y contratistas deshonestos también se aplican a los agentes de IA personales. De hecho, dado el alcance y la velocidad potenciales de la IA agéntica, los usuarios deberán estar aún más seguros de que sus agentes de IA personales son dignos de confianza antes de entregarles las llaves de sus activos más valiosos.

Los riesgos más graves que deben abordarse incluyen:

— Vulnerabilidad frente a delincuentes.

— Manipulación en el comercio minorista por parte de mercadólogos e influencers pagados.

— Preferencia por patrocinadores y anunciantes.

— Susceptibilidad a la desinformación.

Unir soluciones legales, de mercado y técnicas

Una forma de garantizar la honestidad de los agentes de IA, al igual que ocurre con sus contrapartes humanas, es mediante una supervisión cuidadosa, auditorías y la limitación de su autonomía, estableciendo niveles de aprobación en función de la posible escala y el costo de las decisiones delegadas. Sin embargo, implementar una supervisión tan compleja sobre los agentes de IA anularía en gran medida los beneficios de ahorro de tiempo que supone autorizarlos para que actúen en nuestro nombre.

En su lugar, creemos que la necesidad de que los usuarios supervisen de manera minuciosa y constante a los agentes de IA puede reducirse significativamente si se apoya en una combinación de regulación pública y privada, esquemas de seguros, y hardware y software especializados.

¿Cómo empezar?

La tecnología de la IA agéntica ofrece un enorme potencial para hacer la vida más fácil y mejor, no solo para las empresas, sino también para las personas. Aun así, los usuarios no adoptarán agentes de IA a menos que tengan la confianza de que la tecnología es digna de confianza, de que existe tanto supervisión pública como privada sobre el comportamiento de los agentes, y de que hay herramientas adecuadas de monitoreo, reporte y personalización que sean independientes de los propios desarrolladores de los agentes.

Hacerlo bien, como ocurre con cualquier relación fiduciaria, requerirá una asignación clara de derechos y responsabilidades legales, con el respaldo de un mercado sólido de seguros y otras formas de protección de terceros y herramientas de cumplimiento. Los grupos industriales, los desarrolladores tecnológicos, las empresas de servicios al cliente, los emprendedores, los usuarios, los defensores de los consumidores y los legisladores deben unirse ahora para acelerar la adopción de esta tecnología clave.

L

a IA tiene un problema de confianza entre los trabajadores de primera línea, y está empeorando. El TrustID Index de Deloitte, que mide diariamente la opinión de clientes y empleados, muestra que la confianza en la IA generativa proporcionada por las empresas (herramientas que se supone deben aligerar la carga de trabajo y aumentar la creatividad) cayó un 31% entre mayo y julio de 2025, los resultados más recientes disponibles, lo que refleja un creciente escepticismo sobre su fiabilidad y valor. La confianza en los sistemas de IA agéntica, que pueden actuar de forma independiente y no solo hacer recomendaciones, cayó un 89% durante el mismo periodo, a medida que los empleados se mostraban cada vez más incómodos con la idea de que la tecnología tomara decisiones que antes les correspondían a ellos.

Nuestra investigación también reveló que el uso de herramientas de IA proporcionadas por los empleadores disminuyó un 15% entre febrero y julio. Pero aquí está el problema: casi la mitad de los empleados de primera línea con acceso a IA están recurriendo a herramientas no aprobadas, lo que indica que confían más en las soluciones paralelas que en las oficiales. Esto sugiere que el problema no es la desconfianza hacia la IA en general, sino hacia la IA que sus empleadores les piden que utilicen. Para estos empleados, las herramientas autorizadas por la empresa se sienten impuestas, no introducidas; obligatorias, no cocreadas. Y detrás de ese escepticismo se esconde un temor más profundo: que se les pida a los empleados que ayuden a promover la misma tecnología que podría reemplazarlos.

Con tanto en juego en la carrera por capitalizar la revolución de la IA, comprender la magnitud del desafío de la confianza es fundamental. He aquí un enfoque que Deloitte está adoptando para abordar este problema:

En Deloitte, nuestro TrustID Index rastrea la confianza de la misma manera que los mercados rastrean las acciones: en tiempo real, entre diferentes industrias y roles. Aproximadamente 60,000 empleados estadounidenses de organizaciones de todos los tamaños y sectores de la economía responden nuestras encuestas cada año, compartiendo su percepción sobre la fiabilidad, capacidad, transparencia y humanidad de su organización o tecnología (lo que llamamos los “cuatro factores de la confianza”). Cada factor se puntúa según el grado de acuerdo del encuestado con afirmaciones en una escala del 1 al 7, como si la organización demuestra empatía y justicia (humanidad), si se comunica de manera abierta y clara (transparencia), si ofrece productos y experiencias de calidad (capacidad) y si cumple sus promesas de manera consistente (fiabilidad). El TrustID de Deloitte combina estas dimensiones en un puntaje compuesto fundamentado en investigación conductual y estadística.

La confianza beneficia a todos, y nuestro marco hace que lo intangible sea accionable. Recomendamos que cada empresa evalúe los elementos centrales de la confianza dentro de su organización y, dado que la confianza es tan fundamental para el éxito empresarial, hemos hecho que nuestra metodología TrustID sea de código abierto, a través de un capítulo descargable en nuestro libro que describe la ciencia detrás de la medición. Como mínimo, sugerimos incluir los cuatro factores de la confianza en su enfoque de medición existente, ya sea mediante una encuesta anual de talento o mientras se prueban herramientas de IA.

Al dividir la confianza en componentes medibles, los líderes pueden ver dónde está aumentando o erosionándose, y actuar en consecuencia. Por ejemplo, si los empleados reportan baja confianza en la transparencia de la IA, los líderes podrían responder aumentando la comunicación sobre cómo las herramientas toman decisiones o involucrando a los empleados en definir su uso.

Y dado que nuestro modelo es altamente predictivo del comportamiento, revela no solo cuánto confían las personas, sino también cómo esa confianza se traduce en defensa, compromiso y desempeño. Por ejemplo, los empleados de la fuerza laboral en general con un nivel de confianza alto tienen 1.9 veces más probabilidades de recomendar su organización a otros, 2.1 veces más motivación para trabajar para su empleador y 1.7 veces más probabilidades de desarrollar nuevas habilidades. En otras palabras, ayuda a cuantificar algo que a menudo se trata como intangible: el ser humano detrás de cada resultado de la IA.

I

magine crear una réplica perfecta de sus vendedores con mejor desempeño (pero en lugar de alguien cuya capacidad de trabajo está limitada por el tiempo y la geografía, esta réplica puede trabajar junto a los representantes de ventas humanos de forma continua). Estos agentes personales autónomos pueden identificar, nutrir e incluso cerrar acuerdos al interactuar con los clientes a través de diferentes canales. Su poder no radica solo en ejecutar tareas, sino en pensar en el futuro: anticipar los próximos pasos, adaptarse a las condiciones cambiantes del mercado, integrarse en diferentes sistemas y aprender continuamente.

Esta es la verdadera promesa de la IA agéntica: una transformación a gran escala de las ventas, convirtiendo cada interacción con el cliente en una ventaja competitiva.

En este artículo, examinaremos cómo los equipos de ventas exitosos están comenzando a utilizar la IA agéntica.

De “dígame” a “hágalo por mí”

Muchos equipos de ventas ya utilizan la IA para aumentar la productividad. Por ejemplo, la IA predictiva puede decirle a los vendedores cuál será la próxima mejor acción para un prospecto determinado: el tipo de acercamiento (una llamada o un correo electrónico) y qué tipo de información (sobre una característica del producto o una promoción) tiene la mayor probabilidad de detonar una venta. La IA agéntica va un paso más allá: en lugar de aconsejar al vendedor sobre lo que debe hacer a continuación, el agente puede realizar la tarea de manera autónoma. Ejemplos de este cambio se pueden encontrar en la generación y prospección de leads, la planeación de ventas, la interacción con clientes, así como en la retención y el crecimiento.

— Generación y prospección de leads: Los agentes de IA están redefiniendo las ventas B2B en la primera línea al apoyar activamente a los representantes (interpretando señales de los compradores, recuperando información contextual específica y recomendando las mejores acciones en tiempo real).

— Planeación de ventas e interacción con clientes: En la fase de venta, los agentes de IA pueden ayudar a agilizar la implementación, coordinar a las partes interesadas y asegurar el cumplimiento. Las tareas que tradicionalmente consumían mucho tiempo (como la generación de cotizaciones y propuestas) ahora pueden automatizarse y adaptarse a las necesidades del comprador. Los agentes de IA también aceleran la progresión de la canalización al programar reuniones, sincronizar calendarios y registrar interacciones en sistemas CRM.

—  Retención y crecimiento: La IA agéntica está ampliando el valor del autoservicio digital al manejar mucho más que preguntas frecuentes básicas, especialmente en las operaciones posteriores a la venta, un dominio a menudo infrautilizado como palanca de crecimiento. Tradicionalmente, cuando los clientes se topaban con un obstáculo más allá de las consultas estándar, el problema se escalaba a un representante de servicio. Pero una empresa tecnológica líder descubrió que el razonamiento agéntico permitió que su chatbot de IA resolviera el 85% de las consultas, incluidas preguntas de segundo orden que requerían interpretar el contexto, consultar múltiples sistemas y aplicar la lógica para ofrecer una respuesta personalizada. Ahora, los representantes de atención al cliente tienen más tiempo para centrarse en los casos realmente complejos.

Los equipos de ventas deben adoptar nuevas métricas y roles

Las organizaciones necesitan replantearse cómo medir el rendimiento y evaluar las estructuras de compensación, adoptando métricas que reflejen tanto las contribuciones humanas como las de la IA. Las métricas de interacción con clientes (como las puntuaciones de satisfacción, los volúmenes de interacción específicos por canal y las cifras de costo por adquisición) ayudarán a las empresas a comprender el impacto integral de sus esfuerzos de ventas. Al mismo tiempo, surgirán nuevas métricas específicas de los agentes (incluidas las puntuaciones de calidad de las conversaciones, las tasas de abandono, la precisión en las respuestas y el cumplimiento de los estándares de riesgo y conformidad).

El propio modelo operativo exigirá nueva visibilidad. Los líderes deberán rastrear cómo se distribuye el trabajo entre la IA y los humanos.

La IA agéntica también transformará los roles de ventas. Algunos se automatizarán, otros serán redefinidos y se crearán roles completamente nuevos. El enfoque se desplazará de la ejecución hacia la coordinación y la influencia.

La IA agéntica puede estar todavía en sus primeras etapas, pero su potencial representa el avance más significativo en productividad de las ventas desde el inicio del CRM.

L

a manera en que los humanos interactúan y colaboran con la IA está dando un salto dramático hacia adelante con la IA agéntica. Mientras que los asistentes de IA anteriores se basaban en reglas y tenían una capacidad limitada para actuar de forma independiente, la IA agéntica estará capacitada para hacer más en nuestro nombre. Pero, ¿qué es exactamente la IA agéntica?

«Se puede definir la IA agéntica con una palabra: proactividad», dijo Enver Cetin, experto en IA de la firma global de ingeniería de experiencias Ciklum, a quien entrevisté. «Se refiere a sistemas y modelos de IA que pueden actuar de forma autónoma para alcanzar objetivos sin la necesidad de una guía humana constante. El sistema de IA agéntica comprende cuál es el objetivo o la visión del usuario y el contexto del problema que están tratando de resolver».

Para lograr este nivel de toma de decisiones y acción autónoma, la IA agéntica se basa en un complejo conjunto de diferentes tecnologías de aprendizaje automático, procesamiento de lenguaje natural y automatización. Aunque los sistemas de IA agéntica aprovechan las capacidades creativas de los modelos de IA generativa como ChatGPT, difieren en varios aspectos. En primer lugar, se centran en la toma de decisiones más que en la creación de contenido. En segundo lugar, no dependen de indicaciones humanas, sino que se configuran para optimizar objetivos o metas particulares. Y, en tercer lugar, a diferencia de la IA generativa, también pueden llevar a cabo secuencias complejas de actividades, buscando de manera independiente en bases de datos o activando flujos de trabajo para completar tareas.

Las ventajas de trabajar con IA agéntica

Con sus capacidades potenciadas de razonamiento y ejecución, los sistemas de IA agéntica prometen transformar muchos aspectos de la colaboración entre humanos y máquinas, especialmente en áreas de trabajo que anteriormente estaban aisladas de la automatización basada en IA, como la gestión proactiva de sistemas de TI complejos para prevenir fallas; la reconfiguración dinámica de cadenas de suministro en respuesta a interrupciones geopolíticas o meteorológicas; o la interacción realista con pacientes o clientes para resolver problemas.

Tres de los principales beneficios serán una mayor especialización de la fuerza laboral, una mayor confiabilidad de la información y una innovación mejorada.

1. Mayor especialización

La importancia de la especialización de la fuerza laboral (la «división del trabajo») se comprende desde la célebre visita de Adam Smith a una fábrica de alfileres en los primeros párrafos de «La riqueza de las naciones«. La especialización aporta mayor eficiencia y aprendizaje a través de la práctica e innovación, sin embargo, puede ser difícil de implementar cuando las empresas se enfrentan a la escasez de mano de obra y a la falta de adecuación entre las funciones y las capacidades humanas disponibles. Dado que los modelos agénticos están diseñados explícitamente para realizar tareas muy detalladas, permiten una mayor especialización de los roles en comparación con los anteriores sistemas de automatización más generales.

2. Innovación

Con su juicio mejorado y sus capacidades de ejecución, los sistemas de IA agéntica son ideales para la experimentación y la innovación. Los modelos de IA multiagente también pueden escanear y analizar vastos espacios de investigación (como artículos científicos y bases de datos) en una fracción del tiempo que le tomaría a equipos de científicos e investigadores humanos.

3. Mayor confiabilidad

El mayor razonamiento cognitivo de los sistemas de IA agéntica significa que es menos probable que sufran las llamadas alucinaciones (o información inventada) comunes en los sistemas de IA generativa. Los sistemas de IA agéntica también tienen una capacidad significativamente mayor para filtrar y diferenciar las fuentes de información según su calidad y fiabilidad, aumentando el grado de confianza en sus decisiones. Por ejemplo, mientras que la información del cliente a menudo se encuentra dispersa en diferentes formatos en distintas partes de una empresa (correos electrónicos, bases de datos, hojas de cálculo y similares), un sistema de IA agéntica puede discernir rápidamente que la información más fiable y actualizada probablemente se encuentre en los sistemas de gestión de relaciones con los clientes (CRM) de la empresa.

Casos de uso potenciales

Aunque muchas aplicaciones de la IA agéntica siguen siendo experimentales o están en fase piloto, ya están empezando a emerger aplicaciones potenciales en diferentes industrias y funciones. Algunos ejemplos incluyen:

Servicio al cliente

A diferencia de los bots de servicio al cliente tradicionales que estaban preprogramados con un rango limitado de respuestas y acciones, los agentes de servicio al cliente agénticos pueden captar rápidamente las intenciones y emociones de los clientes y tomar medidas independientes para resolver consultas y problemas.

Manufactura

Desde el control del flujo de las líneas de producción hasta la personalización de productos y la formulación de sugerencias para mejorar el diseño de los productos, es probable que la IA agéntica tenga múltiples aplicaciones en la manufactura inteligente. Los datos de sensores conectados a máquinas, componentes y otros activos físicos en fábricas y transportes pueden ser analizados por sistemas de IA agéntica para predecir el desgaste y las interrupciones de producción, evitando el tiempo de inactividad no programado y los costos asociados para los fabricantes.

Soporte de ventas

Para los agentes de ventas, el objetivo crucial de encontrar y desarrollar oportunidades comerciales a menudo queda enterrado bajo una avalancha de correos electrónicos, papeleo y otras tareas administrativas mundanas pero necesarias. Los sistemas de IA agéntica podrían liberar significativamente a los equipos de ventas de gran parte de esta actividad que consume mucho tiempo.

Salud y cuidados sociales

Su capacidad para adaptarse a diferentes entornos, interpretar emociones humanas y mostrar empatía hace que los sistemas de IA agéntica sean ideales para trabajos no rutinarios que requieren habilidades interpersonales, como la atención médica y el cuidado de personas.

Los desafíos por delante

A pesar de su gran potencial para transformar la colaboración entre humanos y máquinas, y aumentar la eficiencia y el crecimiento empresarial, los sistemas de IA agéntica aún se encuentran en una etapa relativamente temprana de desarrollo. Además, pese a sus mayores capacidades de razonamiento y ejecución, no eliminan los desafíos tradicionales de la gestión de equipos; más bien, los transforman. Al igual que con los equipos humanos tradicionales, los gerentes deben seguir prestando atención a la composición del equipo, la asignación de funciones y la definición de metas adecuadas para garantizar el éxito de los equipos híbridos o de los sistemas de IA agéntica.

Claves para el éxito

Para aprovechar las oportunidades que ofrece la IA agéntica y, al mismo tiempo, mitigar los riesgos, los gerentes deben considerar las siguientes acciones clave:

Establecer objetivos SMART

Al igual que el rendimiento de los equipos humanos puede verse obstaculizado por objetivos mal definidos o poco claros, los sistemas de IA agéntica también pueden desviarse si no se establecen metas precisas. Cetin, de Ciklum, destaca la importancia de fijar objetivos exhaustivos: «Para que la IA agéntica tenga éxito, los modelos deben tener objetivos y subobjetivos SMART (específicos, medibles, alcanzables, relevantes y con tiempo definido) y saber cómo medirlos. Como gerentes, necesitamos establecer bucles de retroalimentación para ajustar los modelos a medida que aprendemos más sobre su desempeño».

Prestar atención a la selección del equipo

En comparación con la IA generativa, que se basa en gran medida en hacer preguntas concretas a modelos de lenguaje de gran tamaño, la IA agéntica es mucho más un esfuerzo de equipo. Al igual que en los equipos humanos, es probable que surjan problemas de coordinación, conflictos y gestión de recursos. Los gerentes que utilicen sistemas de IA agéntica deberán prestar especial atención a la selección del equipo, asegurándose de contar con la combinación adecuada de roles agénticos que lleven a cabo las tareas correctas de manera eficiente.

Estructurar el espacio de decisión

Aunque los modelos de IA agéntica están diseñados explícitamente para evaluar opciones y ejecutar secuencias complejas de acciones, no son infalibles y pueden cometer errores, al igual que los humanos. La ciencia del aprendizaje destaca la importancia del «andamiaje» en el aprendizaje, que consiste en exponer a los aprendices a la práctica del mundo real con salvaguardas que se retiran progresivamente a medida que aumenta la experiencia.

Desde los primeros días de los autómatas mecánicos hasta los bots conversacionales más recientes, los científicos e ingenieros han soñado con un futuro en el que los sistemas de IA puedan funcionar y actuar de forma inteligente e independiente. Los avances recientes en la IA agéntica acercan ese futuro autónomo un paso más a la realidad.