SAP: agentes de IA necesitan el contexto real de tu empresa

Un agente que sabe contabilidad pero no conoce tu empresa no sirve

Un agente de IA puede dominar las normas contables internacionales y aun así fallar en la tarea más simple: registrar correctamente un asiento contable en tu sistema. La razón no es el modelo, es el contexto.

Ted Way, VP y chief product officer de SAP Business AI product engineering, lo plantea sin rodeos: "Un agente puede entender prácticas contables globales como IFRS 15 o US GAAP. Pero para ejecutar el trabajo realmente, necesita entender la configuración de reconocimiento de ingresos de esa empresa, los cálculos, el historial de registros, el flujo de documentos y los contratos".

Esa distinción —saber el proceso estándar versus saber cómo funciona esta empresa— es el eje de un cambio de fase en la IA empresarial. Y tiene implicancias directas para cualquier startup que esté construyendo agentes o comprándolos.

¿Qué necesita un agente antes de ejecutar un flujo de trabajo empresarial?

La diferencia entre un agente que responde y uno que actúa es el acceso a contexto de negocio combinado con gobernanza.

"El agente base quizá solo pueda decirle al usuario 'creo que deberías hacer X'", explica Way. "Nos estamos moviendo hacia un agente que puede decir 'estoy autorizado a hacer X, sé qué sistemas están involucrados, puedo hacerlo preservando los controles del proceso'".

Para un solo pago, los objetos de negocio que el agente debe rastrear incluyen cliente, proveedor, producto, contrato, factura y pedido. Los controles abarcan aprobaciones, derechos de acceso, requisitos de cumplimiento y un registro de auditoría de cada acción. El recorrido va por etapas: reportar la aprobación, recomendar el pago, prepararlo para que una persona lo ejecute y, finalmente, hacerlo y conciliarlo bajo políticas estrictas con un humano en el circuito. Way llama a esa última etapa "ejecución gobernada".

El retorno no es una mejor respuesta, sino menos trabajo entre la respuesta y el resultado. SAP reporta que en el cliente PwC una tarea compleja de facturación pasó de 35 minutos a cinco, con mejor precisión.

El obstáculo real: los datos viven dispersos en decenas de aplicaciones

El mismo proveedor puede existir bajo identificadores y atributos distintos. Un registro dice IBM, otro International Business Machines y un tercero IBM Inc.

"En mi empresa, 'proveedor crítico' puede significar algo completamente distinto que en la tuya", dice Way. "Por eso la ontología, el grafo de conocimiento y la armonización de datos importan tanto. Definitivamente no queremos que nuestra estrategia sea 'esperamos tener suerte y que el LLM lo resuelva'".

Dar más datos a un agente no alcanza. Necesita entender qué significan y cómo se relacionan los registros. La respuesta técnica es una capa de contexto por encima del dato crudo, que reconcilia los registros dispersos de cada entidad en un perfil confiable y le dice al agente cómo se conecta con otros.

Mantener ese contexto actualizado es el otro desafío: las empresas cambian procesos y agregan datos constantemente, y el contexto puede quedar obsoleto en semanas. SAP Signavio rastrea procesos y flujos agénticos mientras se ejecutan. Way lo ilustra con un ejemplo incómodo: "Los clientes dicen 'tenemos un proceso procure-to-pay'. Corremos Signavio y decimos: 'en realidad, tienen 400 procesos procure-to-pay'".

Joule Assistants: el contexto que viaja con el proceso, no con la app

La apuesta de SAP es que el contexto específico de la empresa viaje con el proceso a través de aplicaciones, sistemas y funciones. Sus nuevos Joule Assistants coordinan agentes especializados alrededor de un objetivo de negocio, no de una pieza de software.

"Los Joule Assistants siguen el proceso de negocio, no el organigrama del software", dice Way. "Cada asistente orquesta múltiples Joule Agents, y cada agente ejecuta un proceso definido a través de sistemas SAP y no-SAP".

Un caso concreto: una excepción logística. Si el inventario necesario para un pedido no está donde debería, resolverlo exige saber qué stock hay en otros almacenes, si ya está comprometido con otro pedido, qué reglas de vencimiento aplican, qué transporte alternativo existe y qué decisiones requieren aprobación. Way menciona que un cliente de SAP que provee ingredientes naturales a fabricantes convirtió un "simulacro de incendio" logístico de varios pasos en un proceso de un clic, recuperando cerca de un tercio del tiempo del equipo.

En finanzas, el Revenue Recognition Assistant usa las configuraciones, cálculos, historial de registros y flujo documental propios de cada empresa para categorizar transacciones bajo IFRS 15 y US GAAP. SAP Pay, impulsado por Tereina, lleva el modelo hacia la ejecución gobernada. Y SAP afirma que Daimler Trucks North America elevó su tasa de adjudicación de contratos de flota de alrededor del 10% a más de 40%, con un impacto financiero de aproximadamente 70 millones de dólares en 12 meses.

El contexto tiene que cruzar fronteras entre proveedores

El problema se complica cuando el flujo sale de las aplicaciones de un solo proveedor. SAP usa el protocolo Agent2Agent (A2A) para que Joule interactúe con agentes externos, y Way señala su integración bidireccional con Microsoft Teams como ejemplo.

Pero la interoperabilidad no es solo un tema de integración técnica. El significado del dato, las relaciones entre entidades, las políticas y los controles también deben permanecer intactos al cruzar sistemas. Pocas empresas operan dentro de un único stack tecnológico, y ese es justamente el punto.

El dato de mercado ayuda a dimensionar la ola: según el informe de Analytics Insight sobre el mercado de IA agéntica, el segmento pasó de 8.190 millones de dólares en 2025 a una proyección de 12.130 millones en 2026, camino a 290.620 millones en 2035 con un CAGR de 42,88%. El mismo informe cita investigación de McKinsey según la cual el 62% de los encuestados experimentaba con agentes, pero solo el 23% había escalado un sistema agéntico en algún área de su negocio. Y un reporte de Gartner de abril de 2026 proyectó que una empresa promedio del Fortune 500 podría operar más de 150.000 agentes hacia 2028, frente a menos de 15 en 2025, mientras solo el 13% de las organizaciones encuestadas consideraba tener gobernanza adecuada.

La brecha entre experimentar y escalar no es de capacidad del modelo. Es de contexto y control.

¿Qué significa esto para tu startup?

Si estás construyendo agentes para procesos de negocio, el mensaje es directo: el modelo es la parte fácil. La ventaja competitiva está en la capa de contexto —la ontología, la reconciliación de entidades, las reglas de tu cliente— y en la gobernanza que hace que una acción sea auditable.

Tres acciones concretas para aplicar esta semana:

• Mapea tus entidades antes de mapear tus prompts. Haz una lista de los objetos de negocio que tus agentes tocan (cliente, proveedor, contrato, factura) y verifica cuántos identificadores distintos tiene cada uno en tus sistemas. Si el mismo proveedor aparece con tres nombres, tu agente heredará esa ambigüedad.
• Define umbrales explícitos de autonomía por proceso. Decide qué pasos puede ejecutar el agente solo, cuáles requieren aprobación humana y cuáles deben ejecutarse siempre igual por razones de cumplimiento. Documentarlo es lo que convierte un piloto en un sistema auditable.
• Mide el tiempo entre la respuesta y el resultado, no la calidad de la respuesta. El indicador que importa no es si el agente acierta, sino cuánto trabajo humano queda entre su recomendación y la acción completada. Ese es el número que justifica la inversión ante un CFO.

Para startups en LATAM y España, la oportunidad es doble. Las empresas medianas de la región suelen tener procesos menos documentados que las grandes corporaciones, lo que hace que la capa de contexto sea más valiosa —y más difícil de construir—. Quien resuelva la reconciliación de datos para un vertical concreto (manufactura, logística, servicios financieros) tendrá una ventaja que un modelo generalista no puede replicar.

El reto de los agentes empresariales no es aprender cómo debería funcionar un proceso. Es mantenerse anclados en cómo funciona realmente esta empresa, incluso mientras esa empresa cambia.

Fuentes

• Agents need more than business process knowledge. They need to understand how your company actually works (fuente original)
• SAP advances its autonomous AI agenda with yet more Joule Assistants and agents (CIO.com)
• SAP between AI vision and ERP reality: DSAG demands freedom of choice (heise)
• SAP expands Joule into an agentic work layer as Autonomous Enterprise goes live (SiliconANGLE)
• Agentic AI Market Outlook 2026-2035 (Analytics Insight)