¿Qué impide a las empresas implementar agentes de IA?

Imaginemos un agente de IA capaz de recibir una solicitud, reconstruir su contexto, consultar procedimientos y datos empresariales, identificar la mejor acción siguiente y activarla en los sistemas. En una demo, todo puede parecer lineal. En el mundo real, ese mismo recorrido atraviesa diferentes aplicaciones, roles organizativos, autorizaciones, restricciones normativas y decisiones que pueden tener consecuencias económicas o reputacionales.

Es en este punto donde el entusiasmo por la IA agéntica se encuentra con la realidad de las operations. El límite no es únicamente lo que los modelos saben hacer: es lo que la organización está preparada para permitirles hacer, con qué datos, dentro de qué límites y bajo la responsabilidad de quién.

El mercado ofrece un panorama aparentemente contradictorio. Según The State of AI in 2025 de McKinsey, el 88 % de las organizaciones utiliza regularmente la IA en al menos una función empresarial. Sin embargo, solo aproximadamente un tercio ha comenzado a escalarla a nivel empresarial. La brecha es aún más evidente en el caso de los agentes: el 39 % de los encuestados afirma que su organización los está experimentando, mientras que el 23 % declara haber comenzado a escalarlos al menos en una función.

No se trata, por tanto, de una falta de interés. Pero cuanto mayor es la capacidad de acción, mayor es la necesidad de diseñar el entorno en el que esa acción tiene lugar.

Cuando el agente actúa, ¿quién responde?

El primer obstáculo suele ser organizativo: responsabilidades poco claras. Cada agente debería nacer en torno a una responsabilidad definida. ¿Qué objetivo debe alcanzar? ¿Qué acciones puede ejecutar? ¿Qué decisiones debe someter a una persona? ¿Quién gestiona las excepciones? ¿Quién responde del resultado final?

Sin estas respuestas, la accountability queda suspendida entre negocio, IT, data team, compliance y proveedor tecnológico. Y cuando nadie es realmente responsable del proceso, la organización tiende naturalmente a reducir la autonomía del sistema hasta transformarlo en un simple asistente conversacional. No porque el agente no sea suficientemente avanzado, sino porque el contexto empresarial no ha sido diseñado para gobernar su acción.

Los datos fragmentados no se convierten en conocimiento por arte de magia

Los agentes no operan en el vacío. Para interpretar una situación y actuar de forma fiable necesitan acceder a datos actualizados, coherentes y comprensibles: información sobre clientes, transacciones, contratos, reglas, eventos operativos, historial de interacciones y procedimientos empresariales.

En la mayoría de las empresas, este patrimonio está distribuido entre CRM, ERP, sistemas legacy, repositorios documentales, plataformas verticales y hojas de cálculo. Un mismo dato puede existir en varias versiones, tener diferentes responsables o no estar disponible con la rapidez requerida.

El problema no se resuelve simplemente conectando más fuentes a un modelo. Antes es necesario establecer qué sistema representa la fuente autorizada, quién es responsable de la calidad del dato, qué información puede utilizar el agente y durante cuánto tiempo puede conservarla.

La IA agéntica hace, por tanto, más evidente un problema que ya existía: si la arquitectura de datos está fragmentada, la autonomía también será frágil.

Integrar un agente significa permitirle actuar (y gobernarlo)

Un agente genera valor cuando entra en el flujo de trabajo real. Es un salto sustancial respecto a muchas aplicaciones de IA generativa. La integración no se refiere únicamente al intercambio de datos, sino al acceso controlado a las capacidades operativas de la empresa. Y a medida que aumenta la autonomía, seguridad, cumplimiento y riesgo empresarial deben convertirse en requisitos de diseño.

El informe The State of AI in the Enterprise 2026 de Deloitte pone de manifiesto que solo una de cada cinco empresas dispone de un modelo maduro de governance para agentes autónomos. El 42 % considera que su estrategia está muy preparada para la adopción de la IA, pero la confianza disminuye cuando se pasa a evaluar la preparación efectiva de infraestructuras, datos, riesgo y competencias. Es una distancia significativa: la visión avanza más rápido que la capacidad operativa para sostenerla.

Gobernar un agente significa establecer niveles de autonomía proporcionales al riesgo, aplicar accesos basados en roles; conservar el registro de las decisiones, los datos utilizados y las acciones realizadas; monitorizar la calidad y las anomalías; prever mecanismos de parada y recuperación; y verificar periódicamente el rendimiento y el cumplimiento. Sobre todo, significa hacer explícito dónde debe mantenerse decisivo el control humano.

Una acción frecuente, reversible y de bajo impacto puede automatizarse. Una decisión que afecta a la facturación, el crédito, el compliance, la seguridad o al tratamiento de un cliente vulnerable debe contemplar umbrales, escalados y aprobaciones coherentes con el contexto.

Empezar por responsabilidades acotadas, no por ambiciones reducidas

Gestionar las expectativas no significa renunciar a la transformación. Significa construir las condiciones para hacerla sostenible. Las implementaciones más sólidas parten de un proceso medible, con límites y responsables claros. Distinguen entre aquello que realmente requiere un agente y aquello que puede resolverse mejor mediante un workflow inteligente.

Un agente es la opción adecuada cuando es necesario mantener el contexto a lo largo del tiempo, elegir la siguiente acción, utilizar diferentes herramientas y adaptarse a eventos que no son completamente previsibles.
El recorrido agéntico puede desarrollarse, por tanto, en niveles progresivos:

1. Asistivo: la IA analiza, sintetiza y recomienda; la persona decide y actúa.
2. Supervisado: el agente prepara o inicia acciones dentro de reglas definidas; la persona aprueba los pasos sensibles.
3. Autónomo: el agente ejecuta end-to-end las actividades de bajo riesgo, manteniendo audit trail, monitorización y escalado para las excepciones.

De la integración a la Agentic Enterprise

Es precisamente en este paso donde en Mashfrog estamos trabajando para convertirnos cada vez más en una Agentic AI-as-a-Service company. El objetivo no es añadir agentes aislados a los ecosistemas existentes, sino diseñar, construir y operar soluciones AI-native capaces de incorporar agentes autónomos, workflows inteligentes y data intelligence a las operations.

En Mashfrog abordamos esta evolución mediante plataformas propietarias y portfolios de agentes reutilizables, que operan en los entornos empresariales mediante la integración de layers tecnológicamente agnósticos. La modularidad acelera la implementación y limita la dependencia de un único modelo o vendor; la governance by design introduce desde el principio supervisión humana, audit trail, seguridad, compliance y gestión de la adopción.

Es un enfoque especialmente relevante para organizaciones grandes, complejas o reguladas, donde la fiabilidad es tan importante como la velocidad. Nuestro valor como partner no se mide únicamente por la capacidad de desarrollar un agente, sino por la capacidad de acompañar todo el ciclo: selección del caso de uso, rediseño del proceso, integración, definición de los controles, puesta en producción, monitorización y ampliación progresiva de la autonomía.

La verdadera pregunta, entonces, ya no es: “¿Qué agente de IA podemos implementar?”. Debe ser: “¿Qué responsabilidad estamos preparados para confiar a un agente, con qué datos, reglas, herramientas y personas supervisando el resultado?” Las empresas que sepan responder con precisión podrán construir una verdadera Agentic Enterprise: no una organización sin personas, sino una empresa en la que personas y agentes colaboran dentro de procesos más inteligentes, medibles y capaces de actuar.