Agentes de IA: Informe de tendencias para las medianas empresas
KI-Strategie · 11. November 2026 · Anthony Filipiak
Los agentes de IA están transformando los procesos en las medianas empresas. Descubra qué tendencias, costes y riesgos deben planificar de forma concreta los directores generales de cara a 2026.
Un agente de IA es un software al que se le asigna un objetivo y ejecuta pasos de trabajo. Así se describe en muchas presentaciones, y como definición no es incorrecta. Solo que omite la parte que quita el sueño a los directores generales: el agente ya no es un chatbot, sino un empleado basado en software, sin intuición, sin responsabilidad legal y con acceso directo a los sistemas. Precisamente por eso, los agentes de IA en las medianas empresas no fracasarán por la calidad del modelo, sino por las autorizaciones, los datos y el coste por resultado aceptado. Mi pronóstico: 2026 no será el año de la IA totalmente autónoma, sino el año de los agentes de workflow acotados con registro de auditoría, botón de parada y un cálculo de resultados inequívoco.
Esto suena menos atractivo que las diapositivas de San Francisco, pero es mucho más viable económicamente. Hablo cada semana con directores generales, CTO y directores de ventas de empresas de la región DACH de entre 50 y 500 empleados, y casi todos plantean la misma pregunta, solo que con otra formulación: ¿por dónde empezamos sin meter una caja negra en la sala de máquinas? Mi respuesta se ha vuelto bastante contundente: quien empieza con la máxima autonomía no está construyendo un programa de IA; está creando un problema de responsabilidad civil con acceso a API.
Agentes de IA: El sorprendente pronóstico para 2026
La sorpresa no es que la Agentic AI esté llegando. La sorpresa es lo poco espectaculares que serán los primeros ganadores. No serán las medianas empresas que celebren la llegada de un colega digital con nombre, avatar y correo corporativo, sino empresas como Festo, Phoenix Contact o un fabricante de herramientas de Westfalia Oriental que ahorra 18 minutos por pedido y, tras seis meses, se da cuenta de algo: eso vale mucho más que una demo con control por voz.
Creo que para finales de 2027 muchas empresas medianas de la región DACH tendrán operativos sus primeros agentes de IA en producción, pero no como tomadores de decisiones libres. Más bien actuarán como jefes de turno para procesos administrativos: leen correos, extraen datos del ERP y del CRM, verifican reglas, preparan propuestas, escalan casos límite y documentan cada paso. Bueno, casi todo. El ser humano permanece en el sistema, pero ya no como una máquina de copiar y pegar.
La diferencia es crucial. Un Copilot responde a una pregunta. Un agente de workflow asume un subproceso. Un sistema multiagente distribuye tareas entre varios agentes especializados. Un agente totalmente autónomo actúa sin aprobación humana. En el Mittelstand europeo, el punto de entrada económicamente sensato es casi siempre el nivel dos: flujo de trabajo definido, permisos limitados, Human-in-the-Loop, objetivo de calidad y Audit-Log.
Status quo: La Agentic AI en las medianas empresas está en una fase más temprana de lo que muchos afirman
La percepción pública va muy por delante de la realidad. Según un estudio de Lünendonk, citado en un análisis de Minglabs sobre la organización híbrida, solo el 1 % de las empresas encuestadas en Alemania, Austria y Suiza ya utiliza agentes de IA end-to-end a través de múltiples procesos centrales. Un uno por ciento. Esto no es una revolución en la sala de máquinas; es más bien una prueba aislada en una línea secundaria.
Al mismo tiempo, la disposición a invertir es alta. Una encuesta de KPMG en 2025 reveló que el 62 % de los líderes de TI estaban desarrollando, implementando o construyendo agentes. Esta cifra suena impresionante, pero mezcla intención, proyectos piloto y entornos de producción. Ahí reside la trampa de gestión. Una prueba de concepto en Microsoft Teams no es un agente en producción dentro de SAP S/4HANA que prepare una posición de pedido y documente la desviación de precio con una justificación impecable en Dynamics.
En marzo de 2025 hablé con Thomas, director general de un proveedor industrial en Heilbronn, sobre esta brecha exacta. Me dijo: "Nuestra gente cree que la IA ya está en todas partes. En la gestión de pedidos no veo absolutamente nada de eso". Y tiene toda la razón. Entre ChatGPT en el navegador y un agente robusto capaz de gestionar datos maestros de artículos, fechas de entrega, lógica de descuentos y bloqueos de deudores, median autorizaciones, interfaces, casos de prueba y una pila de excepciones de procesos que en la sala de reuniones todavía huele a papel viejo.
El status quo en el sector empresarial es, por tanto, contradictorio. Estratégicamente, muchos hablan de Agentic AI. Operativamente, la mayoría se encuentra en fases piloto, sistemas de asistencia interna y flujos de trabajo semiautomatizados. Esto no es motivo de vergüenza; es lo normal. Lo vergonzoso llega cuando una junta directiva exige en 2026 una IA autónoma sin que nadie conozca la calidad de los datos maestros de los proveedores.
| Nivel de madurez | Estado típico en el Mittelstand (DACH) | Métrica u observación | Riesgo de gestión |
|---|---|---|---|
| Interés | Talleres, recopilación de ideas, primeras demostraciones por departamentos | KPMG 2025: el 62 % de los líderes de TI construye o planifica agentes | Las expectativas crecen más rápido que las capacidades reales |
| Piloto | Proceso individual con datos seleccionados, a menudo sin acción real en sistemas | La mayoría, según el análisis de Lünendonk, sigue en fase piloto | Se confunde una demo con un entorno de producción |
| Producción limitada | Agente de workflow con aprobaciones en servicio, ventas o procesamiento de pedidos | Caso STREIT: 40 a 50 % de preparación de pedidos automatizada según la memoria del caso | Los costes de control neutralizan el beneficio |
| End-to-End en procesos clave | Múltiples procesos integrados con gobernanza y monitorización | Lünendonk/Minglabs: solo el 1 % de las empresas DACH encuestadas | Escalado sin un modelo de propiedad claro |
Tendencia 1: El chatbot muere, el agente de workflow permanece
La primera tendencia es sencilla: los chatbots están perdiendo su brillo en el entorno B2B. No porque sean inútiles, sino porque con demasiada frecuencia no son más que una interfaz vistosa para el mismo trabajo manual de siempre. Si un comercial interno le pregunta a un chatbot qué piezas de repuesto corresponden a una máquina, copia la respuesta, la comprueba en SAP, le escribe al cliente, traslada una duda a ingeniería y más tarde crea una tarea en HubSpot, la IA no ha trabajado: ha asistido. Hay una gran diferencia.
Un agente de workflow va más allá. Interpreta un objetivo, lo desglosa en pasos, utiliza herramientas, lee el contexto, verifica reglas y prepara las acciones posteriores. Técnicamente, un sistema de este tipo consta de interpretación de objetivos, planificación, acceso a herramientas, recuperación de información (Retrieval), lógica de decisión y gobernanza. Suena árido, y lo es. Pero es precisamente esa sobriedad lo que lo hace interesante para las medianas empresas, porque el valor no reside en la conversación, sino en la reducción de tiempos muertos, consultas y reprocesos manuales.
Tomemos como ejemplo la preparación de pedidos. En la empresa alemana STREIT, según la descripción pública del caso, un agente ya prepara automáticamente entre el 40 y el 50 % de los pedidos. Se mencionan hasta 120 horas de trabajo liberadas al mes y un objetivo a largo plazo de hasta el 80 % de automatización. Si se calculan unos costes totales de 35 a 55 euros por hora, esto equivale teóricamente a un valor de capacidad de 4.200 a 6.600 euros al mes. Aunque no es exactamente así: no es un euro ahorrado mientras ese tiempo no se emplee de forma productiva. Pero sí representa capacidad liberada en un área donde muchas empresas llevan dos años sin encontrar gestores cualificados.
En mis conversaciones con directores comerciales, escucho cada vez menos "¿Puede la IA redactar buenos textos?" y mucho más "¿Puede precualificar nuestros casos estándar?". Es una señal de madurez. Markus, CSO de un proveedor de ingeniería mecánica en Augsburgo, me dijo en abril de 2025: "Si el agente solo me separa los cinco casos limpios de los veinte caóticos, ya ha cumplido su trabajo". Exacto. La IA en la mediana empresa no tiene que hacer magia; tiene que asumir el trabajo de clasificación sin generar nuevas cadenas de errores.
El error de muchas empresas es tratar la Agentic AI como si fuera un chat mejorado. El valor económico solo se genera cuando el agente prepara trabajo operativo real en un proceso acotado y cada acción sigue siendo explicable.
— Anthony Filipiak, CEO y cofundador de Amplifa
Por qué Human-in-the-Loop no es un freno
Muchos fundadores en el ecosistema de la IA actúan como si la aprobación humana fuera un signo de falta de ambición. Considero que eso es absurdo. En las empresas medianas, el enfoque Human-in-the-Loop no es el freno, sino el embrague: sin él, el motor se cala o avanza en la dirección equivocada. Especialmente en compras, servicio técnico, tramitación de pedidos y gestión de calidad, las autorizaciones humanas son el mecanismo que permite que un agente sea productivo antes de ser perfecto.
La clave no radica en revisar cada operación manualmente para siempre, sino en medir con rigor al principio qué casos procesa el agente con fiabilidad. A partir de ahí, se pueden ir liberando los casos estándar de forma gradual: primero propuesta; luego borrador con confirmación; después ejecución autónoma para casos de bajo riesgo; y finalmente decisión dentro de límites estrictos. ¿Autonomía total? Únicamente allí donde los errores sean reversibles, los costes estén acotados y la responsabilidad esté definida. Es decir, con mucha menos frecuencia de lo que prometen algunas diapositivas.
Tendencia 2: Los costes se desplazan de los tokens al control
La segunda tendencia desengañará a muchos CFO. El coste de los modelos rara vez es el problema principal. Sí, los agentes pueden consumir muchos tokens. Sí, un análisis reciente sobre tareas de software basadas en agentes reveló variaciones de costes de hasta un factor de 30 en ejecuciones similares. Pero en proyectos reales de medianas empresas, la integración, la calidad de los datos, la monitorización y la supervisión humana suelen pesar mucho más en el presupuesto que la factura del modelo de lenguaje.
Un cálculo ilustrativo con tarifas de ingeniería de 45 a 65 euros por hora sitúa un agente simple con acceso a herramientas entre 14.400 y 31.200 euros. Un agente de workflow multietapa con aprobaciones ronda aproximadamente entre 32.400 y 62.400 euros. Un agente integrado con varios sistemas de negocio se sitúa entre 54.000 y 93.600 euros. No son cifras inventadas, sino órdenes de magnitud plausibles si se asignan tres desarrolladores durante un periodo de 6 a 12 semanas. Y en ese punto aún no se ha convencido al comité de empresa, ni depurado los datos de prueba, ni neutralizado los procesos batch nocturnos del ERP.
Aún más relevantes son los costes operativos por resultado aceptado. Un ejemplo publicado sitúa el coste en 18,90 euros por resultado aceptado: 2,00 euros de costes de modelo y servicio, 1,20 euros de costes fijos de software, 12,50 euros de revisión y aprobación humana, y 3,20 euros de soporte continuo. Es en este punto donde muchos business cases mueren en silencio; no con una explosión, sino con el chasquido de una hoja de Excel.
| Tipo de agente | Alcance típico | Plazo estimado | Coste orientativo de implementación | Lo que suele pasarse por alto |
|---|---|---|---|---|
| Asistente simple con acceso a herramientas | Una herramienta, proceso acotado, baja profundidad de integración | aprox. 3 a 5 semanas | 14.400 a 31.200 euros según cálculo ilustrativo de Elitics | Monitorización en producción, gestión de roles y permisos, datos de prueba reales |
| Agente de workflow con aprobaciones | Múltiples pasos, Human-in-the-Loop, escalado definido | 6 a 8 semanas con tres desarrolladores | 32.400 a 62.400 euros | Rediseño de procesos, medición de aceptación, lógica de aprobación |
| Agente multisistema | ERP, CRM, DMS o plataformas de servicio integradas | 10 a 12 semanas con tres desarrolladores | 54.000 a 93.600 euros | Armonización de datos maestros, blindaje de API, gestión de incidencias |
| Sistema multiagente | Agentes especializados para análisis, verificación y comunicación | depende de la orquestación y el riesgo | habitualmente por encima de los agentes de workflow simples | Debugging, límites de costes, control de transferencias (handoffs) |
Lo que vemos de forma concreta en Amplifa es claro: en los últimos 12 meses, el éxito de los pilotos de agentes en clientes medianos B2B casi nunca dependió de la respuesta del modelo. Los cuellos de botella más críticos en 7 de cada 10 casos fueron la falta de límites claros en el sistema: ¿Quién puede ver los precios? ¿Quién puede preparar un correo para un cliente? ¿A partir de qué porcentaje de descuento debe intervenir el director de ventas? En cuanto se definieron estos límites, la tasa de aceptación al primer intento (first-pass) pasó en varios proyectos de aproximadamente uno de cada tres casos a superar ampliamente la mitad. No porque el modelo fuera de pronto más inteligente, sino porque el proceso se acotó con mayor precisión.
Esta es una verdad incómoda para las organizaciones que gestionan la IA como la simple compra de software. Un agente no es un plug-in. Un agente es diseño de procesos más acceso a datos más arquitectura de control. Si solo se adquieren licencias y nadie clasifica las excepciones, lo que se obtiene es un becario muy trabajador con la llave maestra del edificio. Suena gracioso, pero no lo es.
El coste por resultado aceptado supera a la tasa de automatización
No soy partidario de evaluar las tasas de automatización de forma aislada. Un 70 % de automatización puede ser excelente o un completo desastre. Si de diez casos preparados automáticamente cuatro vuelven a corrección manual, el trabajo no se ha ahorrado, sino que se ha ocultado. La métrica determinante es el coste por resultado aceptado. Y aceptado significa que el output puede incorporarse al proceso de destino sin retrabajo significativo. No que "tenga buen aspecto", ni que "sea impresionante", sino aceptado.
Para los directores generales, esto implica que antes de lanzar el piloto debe definirse la línea base de comparación manual: ¿Cuánto dura una gestión hoy? ¿Con qué frecuencia falta un campo obligatorio? ¿Cuántas consultas internas genera? ¿Cuánto cuesta un error? Si faltan estas cifras, el business case del agente se convierte en un acto de fe. Y los actos de fe pertenecen a la iglesia, no a la mesa de presupuestos de un fabricante de maquinaria industrial en Schwäbisch Hall.
Tendencia 3: Los datos en tiempo real se convierten en la nueva infraestructura de la IA
La tercera tendencia es la más subestimada. Los agentes no necesitan cuadros de mando más vistosos; necesitan eventos actualizados. Una encuesta de IDC a más de 620 responsables tecnológicos indica que el 90 % de las organizaciones que implementan agentes han intensificado su foco en los datos en tiempo real. Las empresas con capacidades de tiempo real lograron resultados cuantificables con una frecuencia tres veces mayor. Las organizaciones líderes empleaban Event-Driven Architecture en el 76 % de sus flujos de trabajo, frente a solo el 7 % en las rezagadas.
Esto resulta de una relevancia crítica para las empresas industriales medianas. El stock procedente del último proceso batch nocturno suele estar desfasado para un agente. Las fechas de entrega sin una marca de tiempo fiable son pura especulación. Los avisos de máquina que solo aparecen en el informe semanal apenas tienen valor para priorizar el servicio técnico. Un agente que informa a un cliente sobre repuestos necesita saber si las cadenas de suministro críticas están tensionadas, si la pieza ya ha sido reservada y si el pedido se encuentra bloqueado. De lo contrario, redactará correos muy educados con información totalmente errónea.
Hablé de esto con Andrea, Head of Sales de un Hidden Champion en Bielefeld. Su frase se me quedó grabada: "Nuestros datos están actualizados, solo que no al mismo tiempo". Es difícil describir el problema con mayor precisión. El CRM dice A, el ERP dice B y la lista de Excel de ventas internas dice C. El agente no deduce automáticamente la verdad de esa discrepancia: deduce un conflicto y, si nadie define las reglas, genera una respuesta aparentemente plausible.
Por este motivo, la Event-Driven Architecture está cobrando tanta importancia en las empresas medianas. No como una palabra de moda arquitectónica, sino como el requisito indispensable para que los agentes reaccionen ante eventos: un nuevo pedido, una fecha de entrega modificada, una reclamación con número de serie, una parada de máquina o el correo de un cliente con señales de escalado. Quien se tome en serio la Agentic AI debe preguntarse dónde se originan los eventos, con qué rapidez están disponibles y qué sistemas tienen autorización para consultarlos.
| Analista o fuente | Conclusión | Implicación para las medianas empresas | Mi lectura |
|---|---|---|---|
| Análisis de Lünendonk vía Minglabs, 2025 | Solo el 1 % de las empresas DACH utiliza agentes end-to-end en múltiples procesos clave | El escalado en producción sigue siendo muy poco frecuente | Mercado incipiente: gran oportunidad para ejecutores disciplinados |
| Estudio de KPMG, 2025 | El 62 % de los líderes de TI desarrolla, construye o implementa agentes | Alta disposición a la inversión | Muchos confunden la actividad de desarrollo con el impacto real |
| Estudio de IDC sobre datos en tiempo real, 2025 | Las organizaciones líderes usan Event-Driven Architecture en el 76 % de sus workflows; las rezagadas, en el 7 % | La arquitectura de datos determina el impacto real del agente | Los procesos por lotes (batch) se convierten en el cuello de botella de la IA |
| Análisis de Intelligence Strategy, 2025 | Las tareas basadas en agentes pueden mostrar variaciones de costes de hasta un factor de 30 | Los límites de coste y la observabilidad son obligatorios | Sin directrices de control, la autonomía resulta muy costosa |
| Estimación de costes de Elitics, 2025 | Agentes de workflow con aprobaciones: aprox. 32.400 a 62.400 euros de implementación | El presupuesto del piloto debe ser realista | Por debajo de 30.000 euros suele quedarse en una demo más que en operativa real |
Qué son realmente los agentes de IA a nivel técnico
No me gusta explicar la Agentic AI como si fuera magia. Un sistema de Agentic AI se compone habitualmente de seis piezas clave. En primer lugar, la interpretación de objetivos y tareas: el modelo traduce una solicitud en subtareas. En segundo lugar, la planificación y orquestación: los pasos se priorizan, se reiteran o se delegan en otros agentes. En tercer lugar, el acceso a herramientas: el agente interactúa con API, ERP, CRM, DMS, correo electrónico, bases de datos o portales de maquinaria.
En cuarto lugar, el acceso al contexto y al conocimiento, frecuentemente mediante Retrieval-Augmented Generation (RAG), búsqueda vectorial y datos maestros estructurados. En quinto lugar, la lógica de decisión: reglas, umbrales y directivas que acotan la libertad del modelo. En sexto lugar, el control y la gobernanza: autorizaciones, registros de auditoría, gestión de privilegios, pruebas y protocolos de escalado. Este último componente puede parecer el más aburrido, pero es el más importante de todos.
El mercado habla con entusiasmo de los sistemas multiagente. Entiendo su atractivo: un agente analiza el pedido, otro valida precios, otro revisa el cumplimiento normativo y otro redacta el correo. Especialización limpia, mayor facilidad de prueba y componentes reutilizables. Sin embargo, más agentes implican más traspasos de información, mayor latencia, más consumo de tokens y mayor complejidad de depuración. Quien no es capaz de interpretar los logs de un solo agente no debería intentar orquestar cinco.
| Enfoque | Uso típico | Autonomía | Riesgo principal | Punto de partida sensato en medianas empresas |
|---|---|---|---|---|
| Copilot | El empleado pregunta, el sistema responde | baja | respuesta incorrecta o incompleta | Búsqueda de información, borradores de texto, asistencia interna |
| Agente de workflow | El agente ejecuta pasos de proceso predefinidos | media | acción errónea en el sistema | Preparación de pedidos, triaje de servicio técnico, borradores de ofertas |
| Sistema multiagente | Agentes especializados coordinan subtareas | alta | errores en cascada y control complejo | Solo tras consolidar agentes individuales estables |
| Agente totalmente autónomo | El agente decide y actúa sin aprobación humana | muy alta | riesgos operativos, legales y de cumplimiento | Únicamente en procesos acotados y reversibles |
Preguntas frecuentes: ¿Están los agentes de IA autónomos preparados para procesos ERP?
Para pasos de proceso acotados y vinculados al ERP: sí. Para una autonomía integral de extremo a extremo: en la mayoría de los casos, no. Un agente puede preparar pedidos, validar campos, señalar duplicados, contrastar plazos de entrega y generar una propuesta lista para aprobación. Sin embargo, no debería modificar listas de precios, emitir órdenes de compra o alterar condiciones contractuales sin límites estrictos. Quien opine lo contrario, que intente primero explicarle a su auditor financiero cómo tomó la decisión el agente.
La pregunta adecuada no es si los agentes de IA están lo bastante maduros, sino: ¿está su proceso lo suficientemente maduro para recibir a un agente? ¿Dispone de entradas claras? ¿Los datos están digitalizados? ¿Existen reglas para las excepciones? ¿Hay alguien designado para asumir la responsabilidad de los errores? Si no es así, el problema no es el agente: este se limitará a hacer visible lo que antes amortiguaban los empleados con experiencia.
Por dónde deberían empezar las medianas empresas desde el punto de vista económico
Los procesos óptimos de inicio presentan un volumen elevado, entradas y salidas bien definidas, un impacto económico del error bajo o moderado, datos estructurados digitalmente y tiempos de tramitación medibles. Parece evidente, pero muchas empresas se equivocan al empezar porque la dirección elige el proceso más llamativo en lugar del más idóneo. ¿Negociación de precios autónoma sin límites? Mal punto de partida. ¿Control crítico de maquinaria industrial? Todavía peor. ¿Decisiones de recursos humanos? Mejor no tocarlo.
Son candidatos mucho más sólidos la preparación de pedidos y órdenes de compra, la gestión de consultas a proveedores, la clasificación de reclamaciones, el triaje de tickets de soporte, la identificación de repuestos, la revisión documental, el resumen de partes de mantenimiento y la preparación de ofertas comerciales. No son tareas glamurosas, pero tienen volumen, repetición y suficiente estructura. Ahí es donde surgen los primeros retornos de inversión.
Una aseguradora europea que combinó agentes de conocimiento, coaching, integración y orquestación reportó, según un caso de estudio publicado, una conversión de 2 a 3 veces mayor, llamadas de servicio un 25 % más breves y el análisis automatizado del 95 % de las conversaciones de ventas en lugar del 3 % previo, tras procesar más de 500.000 transcripciones. No es un benchmark extrapolable directamente a cualquier fabricante de maquinaria, pero evidencia dónde destacan los agentes: comunicación no estructurada, acciones de seguimiento estandarizables y objetivos de resultado precisos.
En el área comercial observo exactamente la misma lógica. Quien en 2026 siga creyendo que una estrategia basada exclusivamente en inbound basta para llenar el pipeline, tendrá serios problemas en cinco años. Los mercados se estrechan, los compradores comparan con mayor rigor y los comités de compra se amplían. Un agente que investigue cuentas objetivo, analice señales de compra, valide datos en el CRM y prepare un contacto personalizado no sustituye a un buen comercial: evita que los mejores comerciales desperdicien sus jornadas rellenando hojas de cálculo.
Amplifa ICP Playbook Una guía práctica para definir con precisión clientes ideales, señales clave, criterios de exclusión y segmentos de venta antes de que un agente procese listas defectuosas a mayor velocidad.
Qué implica esto para directores generales, CTO y responsables digitales
Para los directores generales, la Agentic AI no es un juguete tecnológico; es diseño organizativo. En cuanto un agente prepara acciones operativas en los sistemas, incide directamente en responsabilidades, mecanismos de control e indicadores de rendimiento. ¿Quién tiene autoridad para invalidar una propuesta? ¿Quién audita la tasa de error? ¿Quién determina cuándo un proceso pasa de una revisión al 100 % a un muestreo aleatorio? Estas cuestiones no son técnicas: son de liderazgo.
Para los CTO, el trabajo pasa de probar modelos a garantizar la operabilidad. Se requiere observabilidad, límites presupuestarios, gestión de permisos, API seguras, entornos de prueba, tests de regresión y protocolos de respuesta a incidentes. Un agente que funciona los lunes pero toma decisiones distintas los miércoles tras una actualización del prompt no es un sistema: es un riesgo con interfaz de usuario. En especial si nadie advierte que la tasa de escalado ha pasado del 18 % al 41 %.
Para los responsables de transformación digital, la gestión del cambio se vuelve mucho más tangible. Los empleados no solo deben aprender a redactar un prompt; deben aprender a auditar los resultados del agente, tipificar los errores y proporcionar feedback para optimizar el proceso. En los proyectos de IA exitosos, el sonido característico no son los aplausos tras una demo, sino el tecleo constante de los equipos operativos categorizando casos de error reales en tipologías claras.
Lo digo con total claridad: quien delegue la Agentic AI sin designar a un Process Owner, ya ha perdido. El agente necesita dueños. No solo un administrador técnico, sino un responsable funcional que conozca los objetivos de calidad, resuelva los escalados y tenga la determinación de desactivar una automatización deficiente. Saber desconectar a tiempo, por cierto, es una cualidad de liderazgo muy infravalorada.
Los siete pasos de preparación para agentes de IA
- Realizar un inventario de procesos: identifique de 5 a 10 procesos recurrentes documentando volumen, tiempo de dedicación, coste de los errores y sistemas involucrados. No haga sesiones interminables de brainstorming; mida con datos.
- Seleccionar un proceso de alto volumen y bajo riesgo: comience donde confluyan muchos casos similares y el impacto del fallo esté acotado, como el triaje de tickets de soporte, la preparación de pedidos o los borradores de ofertas.
- Definir la línea base (baseline): registre el tiempo de ciclo actual, la tasa de retrabajo, el porcentaje de escalado y el coste unitario por caso. Sin una referencia inicial, cualquier piloto queda a merced de valoraciones subjetivas.
- Auditar datos y permisos: determine con precisión qué sistemas puede consultar el agente, qué acciones puede preparar y cuáles deben permanecer bloqueadas técnicamente.
- Establecer los puntos de control y aprobación: defina cuándo es obligatoria la intervención humana, en qué casos basta un muestreo y qué umbrales críticos jamás podrán superarse de forma automatizada.
- Arrancar en modo propuesta: configure el agente para generar inicialmente solo borradores y evalúe la tasa de aceptación al primer intento, la tipología de errores y el tiempo de corrección a diario o, como mínimo, semanalmente.
- Vincular el escalado a la calidad del resultado: incremente los niveles de autonomía únicamente cuando los resultados aceptados resulten de forma sostenida más económicos o liberen más capacidad operativa que el proceso manual.
Estos pasos no transmiten romanticismo tecnológico, y es mejor así. La mediana empresa no prospera con romanticismo, sino con capacidad de entrega. He visto demasiados pilotos arrancar con grandes proclamas y naufragar por números de artículo inexistentes, registros duplicados o autorizaciones confusas. Ningún LLM en el mundo puede arreglar una organización que no sabe quién está facultado para autorizar una excepción.
Producto Amplifa Amplifa ayuda a los equipos B2B a implementar procesos comerciales y de prospección basados en IA con flujos de trabajo claros, lógica de datos y resultados contrastables.
Gobernanza: Sin trazabilidad no hay confianza
A menudo se concibe la gobernanza de la IA a una escala desmedida y, como resultado, no se aplica. Prefiero una versión mínima pero estricta: cada acción relevante requiere un responsable asignado, un propósito, una fuente de datos, un registro de auditoría de la decisión y una regla de escalado. Si el agente redacta un correo para un cliente, debe poder rastrearse con posterioridad sobre qué base de datos lo hizo. Si clasifica una reclamación, debe quedar acreditado qué regla o qué modelo determinó esa categorización.
Conceder privilegios excesivos a los agentes es uno de los fallos más habituales. "De entrada le daremos acceso a todo" parece pragmático, hasta que el agente modifica datos maestros erróneos o filtra información confidencial al grupo de destinatarios equivocado. Privilegios mínimos, cuentas de servicio segregadas, API autorizadas y principio de cuatro ojos para decisiones económicas, contractuales o de personal. Esto no es burocracia: es la línea divisoria entre un experimento piloto y un sistema listo para producción.
Asimismo, la protección de datos y la representación laboral deben integrarse desde el inicio. No como un obstáculo de última hora antes del despliegue, sino como parámetros de diseño. Si se analizan transcripciones de conversaciones, si se monitoriza el rendimiento de los trabajadores o si los datos de clientes alimentan sistemas de RAG, se precisan plazos de borrado inequívocos, modelos de acceso estructurados y protocolos de comunicación transparentes. Jamás he presenciado un despliegue exitoso de IA que ganara agilidad gracias al secretismo.
Por qué las demos parecen peligrosamente buenas en la mediana empresa
Una demo está meticulosamente preparada; el entorno real de producción es imperfecto. En la demo, los nombres de los clientes no contienen erratas, los campos están completos, los documentos descansan en la carpeta adecuada y nadie ha adjuntado una lista de precios en un PDF escaneado de 2019. En producción la realidad es distinta: hay registros duplicados, abreviaturas, condiciones especiales, contactos desactualizados, contratos marco obsoletos y correos electrónicos que abordan cinco temas inconexos en un solo hilo.
Por ello, al evaluar pilotos con agentes, exijo trabajar con casos reales debidamente anonimizados. No diez, sino cientos; según el proceso, incluso miles. Datos de prueba, validación y producción estrictamente separados. Pruebas adversarias. Y tests de regresión tras cada ajuste de prompt, modelo o lógica de proceso. ¿Suena a ingeniería de software? Exactamente, porque de eso se trata.
Un agente que únicamente responde ante los ejemplos favoritos del equipo de proyecto no es un agente operativo: es escenografía. Y el teatro puede tener cabida en la fiesta de verano de la empresa, pero no en la tramitación de pedidos de los proveedores de Schaeffler ni en el servicio técnico de los socios de Kärcher.
Qué métricas importan de verdad
Cuando audito el business case de un agente, rara vez pregunto en primer lugar por el porcentaje de automatización. Indago sobre la tasa de aceptación al primer intento (first-pass), el ratio de escalado, el índice de error por fase, el tiempo de reproceso, el tiempo de ciclo total, el coste por caso aceptado, la tasa de fallos de herramientas y el porcentaje de abandono. La tasa de alucinación también importa, pero solo explica una parte de la ecuación: un agente puede ser formalmente veraz y, aun así, ejecutar el proceso de forma incorrecta.
Un ejemplo: el agente identifica correctamente que un repuesto está disponible en almacén, pero pasa por alto que la dirección de entrega de ese cliente tiene un bloqueo comercial. La respuesta informativa es correcta; la acción operativa es errónea. Por este motivo, las métricas de calidad deben medirse en cada etapa del proceso: extracción de datos, validación de reglas, generación de borrador, aprobación y ejecución en el sistema. Cada fase presenta sus propios modos de fallo.
En los procesos comerciales se suman otros indicadores: proporción de cuentas cualificadas, tasa de reuniones concertadas, calidad de las respuestas, exhaustividad de los registros en el CRM, tiempo hasta el primer contacto y cumplimiento de los seguimientos programados. El equipo de Markus en Augsburgo logró en nueve meses triplicar las primeras reuniones comerciales relevantes sin necesidad de contratar más comerciales. La palanca no fue un asunto de correo milagroso: fue evitar que la prospección, la validación de señales y la actualización del CRM consumieran dos horas cada mañana.
¿Desarrollo propio, plataforma o sistema multiagente?
Existen a grandes rasgos tres vías de implementación: desarrollo propio con componentes de código abierto, adopción de plataformas de mercado o arquitecturas multiagente. El desarrollo propio suele apoyarse en Python o TypeScript, frameworks de orquestación como LangGraph o Semantic Kernel, API gateways, bases de datos vectoriales, motores de workflow, herramientas de observabilidad y sistemas de registro de auditoría. Su ventaja: control total sobre los datos, los permisos y la operación. Su desventaja: exige capacidades avanzadas de ingeniería y perfiles capaces de resolver a medianoche por qué ha fallado una llamada a una herramienta.
Las plataformas del ecosistema CRM, ERP o de soporte prometen pilotos más ágiles. Salesforce Agentforce, por ejemplo, se ha posicionado con precios a partir de unos 2 dólares por conversación mediante modelos de créditos por uso. Ahora bien, esas tarifas no constituyen el coste total: la integración, la configuración, el escalado a personas, la monitorización y el rediseño de procesos deben añadirse a la cuenta. Quien confunde el precio de la plataforma con el coste integral del business case compra barato para operar caro.
Los sistemas multiagente tienen sentido cuando las funciones están claramente delimitadas y son auditables de forma independiente: un agente analiza la orden, otro comprueba la disponibilidad, otro evalúa el cumplimiento normativo y otro prepara la comunicación. Pese a ello, rara vez recomendaría empezar por ahí. Primero debe consolidarse un único agente de workflow de forma estable. A partir de esa base se puede especializar; nunca en el orden inverso.
| Enfoque de implementación | Ventaja | Inconveniente | Idóneo para |
|---|---|---|---|
| Desarrollo propio con Open Source | Máximo control sobre datos, permisos y arquitectura técnica | Elevada carga de ingeniería y mantenimiento operativo | Empresas con desarrollo de software interno y exigencias estrictas de soberanía de datos |
| Agente basado en plataforma | Piloto rápido, conectores nativos, gestión de identidades conocida | Dependencia de proveedor (lock-in), licencias recurrentes, menor flexibilidad de proceso | Departamentos con procesos estándar bien definidos en CRM, soporte o ERP |
| Arquitectura multiagente | Especialización funcional y reutilización de componentes | Mayor latencia, errores en el traspaso de contexto y mayor esfuerzo de depuración | Organizaciones maduras que ya cuentan con agentes individuales estables |
90 días para tomar una decisión fundamentada
Un buen piloto con agentes no requiere 18 meses de planes estratégicos; requiere 90 días de rigor metodológico. Del día 1 al 15 se inventarían los procesos, se miden los volúmenes y el coste de los fallos, se selecciona un único proceso de inicio y se fija la línea base. No intente abarcar cinco procesos en paralelo: elija uno. El foco no denota falta de ambición, sino la disciplina necesaria para aprender.
Del día 16 al 30 se realiza la auditoría de procesos y datos: orígenes de información, permisos, casos atípicos, sistemas de destino, puntos de aprobación, casos de prueba y condiciones de parada. En esta fase suele aplacarse la euforia inicial, y es conveniente que así sea: si un piloto no supera este filtro, la operativa real de producción lo habría destrozado.
Del día 31 al 60 arranca el piloto controlado en modo propuesta con una revisión humana del 100 %. Los errores deben categorizarse de forma aislada: fallos de prompt, fallos de herramienta, fallos de datos y fallos del propio proceso. Evite englobarlo todo bajo la etiqueta simplista de "la IA se ha equivocado": eso es pereza analítica. Del día 61 al 90 se automatizan parcialmente los casos estándar, se canalizan las excepciones, se introduce el muestreo aleatorio y se calcula el coste real por resultado aceptado. Llegados a este punto, solo caben tres decisiones honestas: escalar, corregir o cancelar.
Cuándo está justificado escalar un agente de IA
Un agente solo debe escalarse si su tasa de aceptación se mantiene de manera estable por encima de la referencia manual, si los costes por resultado aceptado son inferiores o liberan capacidad de forma comprobable, si las acciones críticas están restringidas a nivel técnico y si cada decisión queda auditada de forma inequívoca. La privacidad, la seguridad de la información y la conformidad laboral deben estar zanjadas. Deben preverse mecanismos de contingencia ante caídas del sistema, y el beneficio no puede depender en exclusiva de una única versión de modelo.
Este último aspecto se pasa por alto con frecuencia. Los modelos evolucionan, las tarifas fluctúan y las ventanas de contexto se amplían; los proveedores cambian de denominación comercial con mayor rapidez de la que muchas empresas medianas tardan en renovar su centralita telefónica. Diseñar un agente dependiente de un único modelo y un prompt específico es construir un sistema frágil. Resulta infinitamente más sensato desplegar capas de herramientas modulares, bancos de evaluación de pruebas, modelos intercambiables y reglas de negocio robustas situadas fuera del LLM.
Preveo que es precisamente aquí donde los proveedores europeos y los equipos técnicos de las medianas empresas pueden marcar la diferencia. No compitiendo por entrenar modelos más grandes que los de OpenAI, Anthropic o Google: esa batalla no la ganarán. Pero a través de patrones de integración superiores, soberanía de datos, dominio de procesos sectoriales y marcos de gobernanza rigurosos, pueden aportar un valor inalcanzable para un agente genérico. Firmas como Trumpf, DMG Mori, Wittenstein o Phoenix Contact no razonan en base a guiones de demostración: piensan en términos de procesos, maquinaria, cadenas de suministro y responsabilidad legal.
Amplifa para procesos comerciales impulsados por IA Para equipos que buscan aplicar los principios de Agentic AI en prospección, priorización de cuentas y flujos comerciales con un impacto medible en el pipeline.
Pronóstico personal: de 2026 a 2028
Mi proyección para los próximos dos o tres años es pragmática. En 2026, muchas medianas empresas pondrán en marcha sus primeros agentes de workflow en producción dentro de ventas, servicio al cliente, compras y gestión de pedidos. En 2027, las compañías maduras incrementarán de forma metódica los niveles de autonomía, mientras que las rezagadas enterrarán sus pilotos alegando que la IA no compensó la inversión. Para 2028, a nadie le llamará la atención que un agente sea capaz de redactar un correo; el factor diferenciador será si puede procesar de principio a fin una operación de negocio integrando datos, reglas y aprobaciones.
No preveo que el empleado digital enteramente autónomo se convierta en la norma del Mittelstand europeo a corto plazo. Creo firmemente en colaboradores de procesos basados en software: con cometidos acotados, excelente memoria operativa, permisos restringidos y un estricto deber de rendición de cuentas. Puede parecer un enfoque menos ambicioso, pero en realidad es mucho más trascendente porque encaja con la realidad operativa de las empresas.
Los ganadores no serán quienes pronuncien "Agentic AI" con más fuerza. Serán aquellos capaces de tomar un proceso rutinario, descomponerlo, medirlo, acotarlo y automatizarlo para luego abordar el siguiente. Sin fuegos artificiales; más bien como una nueva capa en el sistema operativo de la compañía. Y quizás radique ahí la verdadera clave: la IA más eficaz en la mediana empresa dejará con el tiempo de percibirse como IA, para convertirse simplemente en trabajo que, por fin, ya no se queda acumulado en la bandeja de entrada.