IA agéntica en empresas: 62% prueba agentes, 23% escala

De asistentes que responden a agentes que ejecutan

El 62% de las organizaciones ya experimenta con agentes de IA, pero solo el 23% logró escalar un sistema agéntico en alguna parte de su negocio, según la investigación de McKinsey citada por el informe de mercado de Analytics Insight. Para un founder, esa brecha no es un detalle: marca con precisión dónde se está atascando el presupuesto de IA en las empresas.

La diferencia entre un copiloto y un agente explica buena parte del atasco. Un copiloto asiste al usuario dentro de su tarea —redacta, resume, busca—. Un agente elige acciones, se adapta y ejecuta dentro de un flujo definido, con acceso a datos, aplicaciones y herramientas. Así lo describe el análisis publicado por eWeek a partir de un episodio de eSpeaks con Dell Technologies. El mismo material es directo sobre la consecuencia: donde un agente puede alterar permisos, aprobar gastos o emitir reembolsos, los controles de permisos y auditoría deben ir antes de la acción, no después.

Ese es el punto de inflexión del que habla el sector cuando afirma que la IA agéntica entró en una fase cualitativamente distinta. Después de un primer ciclo dominado por asistentes virtuales y automatizaciones puntuales, los agentes empiezan a operar integrados con datos, aplicaciones y flujos completos. El cambio no es solo técnico: obliga a revisar métodos de trabajo, flujos de información y el rol de los equipos humanos cuando personas y agentes colaboran en el mismo proceso.

La brecha entre capacidad técnica y contexto organizacional

Tener acceso a los sistemas de una empresa no equivale a entender cómo funciona esa empresa. Reglas de negocio, prioridades operativas, métodos de trabajo y el tipo de experiencia que se quiere dar al cliente son dimensiones que hay que definir de forma explícita y transferir al agente.

Sin ese trabajo previo, la tecnología opera con autonomía pero sin alineación estratégica. Antes de desplegar, cada organización necesita responder tres preguntas: qué datos puede usar el agente, bajo qué restricciones opera y cómo se evalúa su rendimiento. La cuarta, la más incómoda, es de negocio: qué impacto genera en la experiencia del cliente.

A medida que los agentes participan de forma habitual en las interacciones, también cambian los estándares de calidad, los mecanismos de auditoría y los criterios de escalamiento. Lo que antes se resolvía con un manual de atención al cliente ahora requiere una política operativa para un actor no humano que toma decisiones en tiempo real.

¿Por qué el CRM es el primer laboratorio de la IA agéntica?

La gestión de relaciones con clientes se perfila como uno de los primeros entornos donde esta evolución se puede observar en condiciones reales. El concepto de Smart CRM busca combinar el conocimiento acumulado sobre cada cliente con capacidades de IA y nuevas formas de interacción que van más allá de la interfaz tradicional del sistema.

El enfoque de Headless CRM extiende el acceso al sistema hacia los entornos donde ya trabajan los equipos, eliminando la dependencia de una única interfaz. Pero hacer accesible el CRM es solo una parte del cambio: el sistema tiene que interpretar el contexto de cada empresa, identificar la información relevante en cada momento y contribuir a construir una relación más inteligente con el cliente.

El motivo por el que el CRM funciona como laboratorio es que ahí ya existen datos históricos, reglas de negocio y conocimiento del consumidor en un mismo lugar, con indicadores medibles. Es un entorno acotado para probar niveles de autonomía y auditoría antes de escalar hacia procesos más complejos, como finanzas o cadena de suministro. eWeek ilustra el riesgo específico de este terreno: en operaciones de ventas, el peligro es el uso no aprobado de datos de clientes, y el control requerido son permisos de CRM y revisión humana.

Qué dicen los números del mercado agéntico

El informe de Analytics Insight estima el mercado global de IA agéntica en US$8.190 millones en 2025 y proyecta US$12.130 millones en 2026, camino a US$290.620 millones en 2035, con una tasa de crecimiento anual compuesta del 42,88% entre 2026 y 2035. Los servicios son la parte que más crece cuando las empresas pasan de pilotos a producción, porque hay que conectar agentes con aplicaciones, datos propietarios, identidades y permisos.

Según el mismo informe, los sistemas multiagente crecerían a un 47,09% anual frente al 39,47% de los sistemas de un solo agente, y el despliegue híbrido sería el de mayor aceleración con un 51,05% anual. Traducción para un equipo pequeño: la arquitectura no se elige por moda, se elige por dónde viven los datos sensibles.

La gobernanza va por detrás de la adopción. Un informe de Gartner de abril de 2026 citado por Analytics Insight proyecta que una empresa promedio del Fortune 500 podría estar ejecutando más de 150.000 agentes en 2028, frente a menos de 15 en 2025, y solo el 13% de las organizaciones encuestadas consideraba tener gobierno suficiente. En paralelo, la estandarización avanza: el Model Context Protocol de Anthropic superaba los 10.000 servidores públicos activos en diciembre de 2025, y más de 150 organizaciones ya habían adoptado el protocolo A2A que Google presentó en abril de 2025, según ese informe.

Hay un límite técnico que conviene no olvidar. El AI Index 2025 de Stanford y la evaluación RE-Bench, citados por Analytics Insight, muestran que los sistemas avanzados rinden bien en tareas cortas, pero los expertos humanos recuperan ventaja cuando el horizonte se extiende a 32 horas. Muchos procesos de negocio se parecen más a esas 32 horas que a una tarea aislada.

Qué significa esto para tu startup

La buena noticia es que escala quien resuelve el contexto, no quien tiene el modelo más grande. Analytics Insight señala que la disponibilidad de modelos base, APIs y frameworks de agentes desplazó la competencia hacia el diseño de flujos, la integración con sistemas existentes y el conocimiento del dominio. Eso juega a favor de equipos chicos con expertise sectorial.

Acciones concretas que puedes implementar esta semana:

• Elige un flujo con reglas ya codificadas y niveles de servicio medibles. Según Intel, en miles de experimentos de carga de IA agéntica recogidos por MIT Technology Review, las organizaciones que logran resultados en producción envuelven una capa de automatización alrededor de procesos que ya tienen reglas explícitas: triage de tickets, pruebas de regresión, revisión de seguridad, análisis de mercado. No empieces por el proceso más caótico.
• Define nivel de autonomía, permisos y ruta de revisión antes de ir a producción. Para acciones sensibles —cambiar permisos, aprobar gastos, emitir reembolsos— el control va antes de la acción, según Dell en eWeek. Deja por escrito qué puede hacer el agente solo, qué requiere aprobación y quién responde cuando falla.
• Instrumenta métricas de flota, no solo del modelo. Intel propone seis: tasa de éxito por tarea, costo por tarea, tiempo por tarea, throughput, densidad de agentes por vCPU y latencia. Y una advertencia práctica: la utilización promedio de CPU es una mala señal para cargas agénticas, que son «a ráfagas»; la latencia P95 avisa antes de que el workflow se degrade.
• Presupuesta tokens como una línea operativa, no como un costo de software. Un agente consume más tokens que un copiloto porque razona en varios pasos, llama herramientas, recupera contexto y reintenta, según eWeek. Sin presupuesto y límites de pasos, un flujo exitoso puede volverse económicamente inviable.
• Documenta el contexto desde el día uno. Reglas de negocio, datos permitidos, prioridades y criterios de escalamiento. Si esa capa no existe, el agente no falla por falta de inteligencia: falla por falta de información.

Conclusión

La transición de la IA agéntica no se resuelve eligiendo una plataforma. Se resuelve decidiendo niveles de autonomía, definiendo auditoría y midiendo el impacto en el cliente antes de escalar. El mercado se mueve rápido —de US$8.190 millones en 2025 a una proyección de US$290.620 millones en 2035, según Analytics Insight—, pero la adopción real va mucho más lenta que la proyección: 23% de organizaciones escaladas, según McKinsey. Esa distancia es la oportunidad.

Para un founder, la pregunta útil no es qué agente construir, sino qué proceso ya tiene reglas claras y puede convertirse en el primer caso de uso medible. Quien resuelva la capa de contexto y gobernanza antes que el resto no venderá agentes más inteligentes: venderá procesos que funcionan en producción.

Fuentes

• noticiasneo.com — IA agéntica en empresas: de la automatización puntual a la colaboración integrada
• Analytics Insight — Agentic AI Market Outlook 2026-2035
• eWeek — From Copilots to Agents: Why Enterprise AI Needs a Secure AI Factory
• MIT Technology Review — Building the enterprise environment for agentic AI