La adopción de los AI Agents se ha afirmado como una de las principales partidas de inversión tecnológica en 2025 y todo hace presagiar que seguirá siendo así también en 2026.
In este artículo nos ponemos en el lugar de las organizaciones que están iniciando ahora el camino con los agentes AI o, más frecuentemente, los están utilizando de modo puntual, como apoyo a procesos o actividades individuales. El objetivo es comprender cuáles son los desafíos a afrontar y cómo debe plantearse un camino sólido y realista de potenciación de la productividad empresarial.
AI Agents: una inversión clave también en 2026
A pesar de que las estimaciones difieren de una fuente a otra, la señal de fondo es clara: según PwC, solo el 4% de las empresas no ha iniciado iniciativas relacionadas con los agentes AI ni prevé hacerlo en el futuro próximo. Todas las demás se colocan a lo largo de un espectro de madurez que va desde la adopción completa a escala empresarial (17%), a un uso amplio pero aún no pervasivo (35%), hasta empleos más circunscritos y experimentales (27%).
El retorno de la inversión sigue siendo una variable en fase de consolidación, pero hay una certeza: las empresas de todo el mundo ven en la IA agéntica un factor clave para mejorar la eficiencia operativa, optimizar los costes y aumentar la productividad, sobre todo en un contexto de mercado cada vez más competitivo y complejo.
AI Agents y productividad: los verdaderos desafíos a afrontar
Para muchas empresas, la adopción de los AI Agent tiene el objetivo de potenciar la productividad, en cuanto palanca transversal a toda la empresa y, al mismo tiempo, terreno concreto sobre el que empezar a invertir en IA. En términos prácticos, la mayor parte de las empresas se está preguntando cómo los agentes pueden ayudar a las personas a trabajar mejor, más rápido y con menos fricción.
En 2025, la narrativa sobre los AI Agent ha sido muy simplificada: se activa el agente, se le conecta a las fuentes de datos, se definen las reglas y el sistema está listo para el uso. La promesa es la productividad inmediata, casi plug-and-play, y esto ha empujado a muchas estructuras a experimentar en autonomía, a menudo en el interior de las unidades de negocio individuales. En la práctica, sin embargo, cuando se pasa de los primeros test al uso cotidiano, emergen rápidamente complejidades que no tienen nada de trivial.
Los AI Agents viven en el interior de los procesos
El primer desafío es organizativo, porque los AI Agents actúan dentro de los procesos, no en los márgenes. Y esto vale no solo a nivel empresarial, sino también en el interior de las funciones individuales. La introducción de un agente no equivale a la automatización tradicional, en la que se identifican actividades repetitivas y rule-based y se las sustituye con automatizaciones rígidas; los AI Agents, de hecho, operan sobre workflows inteligentes, capaces de adaptarse al contexto y de tomar direcciones diferentes en base a lo sucedido en los pasos precedentes.
En consecuencia, no es suficiente insertar un agente en el interior de un proceso existente y esperar beneficios automáticos. A menudo es necesario repensar el proceso mismo, aclarando objetivos, puntos decisionales, responsabilidades y métricas de resultado. En ausencia de esto, el riesgo es doble:
- Mejoras locales pero limitadas;
- Cada vez más agentes desconectados, optimizados para necesidades específicas pero incapaces de incidir en la productividad global.
El nudo de las competencias
Más allá de la narrativa basada en el concepto de plug and play, el segundo desafío es técnico y arquitectónico. A diferencia de los chatbots generalistas, los AI Agents deben acceder a los datos empresariales, interactuar con las aplicaciones, respetar reglas de seguridad, identity management y gobernanza. En algunos contextos, esto significa lidiar con sistemas legacy, API no uniformes, datos incompletos o de calidad deshomogénea, elementos que hacen que la adopción sea de todo menos "a un clic de distancia" y que requieren competencias específicas.
El riesgo de las expectativas excesivas
Los AI Agents prometen autonomía, pero esto no significa ausencia de control. Definir límites, responsabilidades, modalidades de escalation y métricas de eficacia es fundamental para transformar la IA en un aliado de la productividad y no en una fuente de riesgo o ineficiencia. Es a menudo en esta fase cuando se hace evidente la necesidad de figuras profesionales competentes internas o del soporte de un partner dedicado, capaz de traducir el potencial de los agentes en resultados medibles.
Cómo afrontar el camino: de los experimentos al valor a escala enterprise
Los beneficios más sólidos de la IA agéntica están reservados para las organizaciones que han decidido afrontar la complejidad desde el primer momento, razonando en clave enterprise-wide. Se trata claramente de un enfoque más exigente respecto al enfoque spot (según PwC, solo el 17% de las empresas ya ha adoptado los AI Agents en toda la organización), pero también del que permite construir una ventaja competitiva real.
Se abren, por tanto, dos órdenes distintos de evaluaciones. Por un lado las estratégicas, que se refieren a objetivos, prioridades, modelo operativo e impacto en la organización. Por el otro, las técnicas.
La evaluación estratégica: pensar como un CEO
Desde una perspectiva de cúpula, la productividad debe considerarse como una palanca estratégica, no como la suma de micro-eficiencias locales. Esto implica partir de pocos objetivos clave, como la reducción del time-to-market, una mejor utilización de las competencias o la disminución del coste por unidad, y después traducirlos en elecciones operativas potenciadas por la IA.
Para obtener resultados concretos, hace falta entender desde el principio cuáles son las divisiones y los procesos involucrados, para después hipotetizar el rol e impacto de la IA agéntica no solo sobre las actividades individuales, sino sobre procesos enteros, con una visión end-to-end.
Por ejemplo, un AI Agent puede contribuir a reducir el time-to-market coordinando de modo dinámico actividades que proceden en secuencia entre múltiples funciones, señalando cuellos de botella, anticipando dependencias críticas y sugiriendo prioridades operativas. O bien, en el ámbito de las operations, puede soportar una mayor escalabilidad, adaptando los flujos de trabajo en base a los volúmenes, redistribuyendo cargas y reduciendo intervenciones manuales repetitivas.
En todos estos casos, y en muchos otros, el valor no está en la automatización de la tarea individual, sino en la capacidad del AI Agent de influir en el proceso en su conjunto.
AI Agent para la productividad: ¿integrados o custom-made?
A este punto es necesario proceder con la implementación de los agentes. Solitamente, los caminos posibles son dos.
Soluciones integradas en las herramientas de productividad
La primera hipótesis consiste en utilizar soluciones listas (o semi-listas) y ya integradas en las herramientas en uso. Las plataformas de colaboración y de productividad son particularmente indicadas porque concentran documentos, conversaciones, herramientas de comunicación e informaciones operativas, es decir, gran parte del conocimiento empresarial sobre el cual los agentes pueden trabajar.
Cuando la plataforma pone a disposición agentes predefinidos o instrumentos para crearlos, el time-to-value es elevado y los beneficios sobre la productividad individual y de equipo pueden emerger rápidamente, pero es necesario que la adopción sea coherente con la estrategia definida a priori.
Desarrollo custom de AI Agents
El segundo camino es el del desarrollo custom de soluciones agénticas, pensadas para operar a lo largo de procesos articulados y para interactuar con múltiples sistemas y funciones empresariales. Es un enfoque complejo, pero es también el más adecuado cuando el objetivo es incidir de modo directo en la competitividad empresarial. El desarrollo de la solución parte de la arquitectura, que se compone de más elementos:
- Foundation, como el modelo lingüístico LLM;
- Conocimiento empresarial (y la capacidad de acceder a él de modo seguro);
- Capabilities operativas;
- Desarrollo y orquestación de los workflows;
- Interacción con otros sistemas empresariales;
- User experience.
A nivel arquitectónico, el agente toma las facciones de un workflow inteligente que adquiere informaciones de los sistemas existentes, las elabora mediante un modelo de IA (generalista o especializado) y devuelve outputs bajo forma de informaciones o acciones, en base al nivel de autonomía definido.
Es precisamente aquí donde la narrativa de la simplicidad encuentra los límites del ambiente enterprise. No obstante la disponibilidad de instrumentos low-code y no-code, la integración con sistemas legacy, los requisitos de seguridad y compliance y la necesidad de garantizar fiabilidad y control hacen indispensable la disponibilidad de competencias especialistas. Además, es necesario tener en cuenta la evolución rapidísima de las tecnologías y el hecho de que los AI Agents no operan en aislamiento, sino que pueden interactuar entre ellos en el interior de ecosistemas que crecen de día en día.
Nuestro rol: de la innovación a la adopción concreta
En Kirey, trabajamos desde hace años en tecnologías avanzadas y arquitecturas complejas, y precisamente esta experiencia nos permite hoy afrontar la evolución hacia los AI Agent con un enfoque sólido y consciente, no reactivo.
El valor que aportamos a nuestros clientes no se limita al desarrollo de los agentes. Al contrario, nos hacemos cargo del camino de adopción: desde el soporte estratégico a la elección de la arquitectura más adecuada, desde la gobernanza a la integración con los sistemas existentes, hasta el soporte organizativo necesario cuando la introducción de la IA cambia profundamente el modo de trabajar de las personas.
Contáctanos para entender cómo plantear un camino de adopción coherente con tus objetivos de negocio.
