Agentes de IA en procesos empresariales: ¿estamos automatizando antes de simplificar?
Un agente de IA puede recibir una solicitud, consultar información en distintos sistemas, elegir una secuencia de acciones y ejecutar parte del trabajo.
Pero cuando la operación se aparta del escenario habitual, aparece una pregunta que la demostración tecnológica suele dejar para después: ¿qué reglas guían la decisión y quién responde por ella?
Imaginemos una consulta sobre un pedido. El agente verifica su estado en el ERP y encuentra una diferencia con el sistema de almacén.
Para completar la tarea necesita saber si puede proponer una entrega parcial, reservar unidades, ofrecer una nueva fecha o escalar el caso.
Tal vez esas decisiones se resuelven todos los días, pero mediante acuerdos informales, excepciones poco documentadas o el criterio de una persona con experiencia.
El proceso parece funcionar. Sin embargo, parte de su lógica vive fuera del flujo formal.
Ese es el punto que conviene revisar antes de entregar autonomía.
La empresa no necesita esperar a tener procesos perfectos; necesita saber qué parte del trabajo es repetible, cuáles son sus límites y cómo se tratarán las excepciones. Simplificar ayuda cuando vuelve visible la lógica del proceso.
No consiste en eliminar pasos indiscriminadamente ni en convertir cada operación en una secuencia rígida.
La adopción avanza, pero la preparación del proceso sigue pendiente
El interés por los agentes crece con rapidez.
La encuesta global de McKinsey sobre el estado de la IA en 2026, realizada a 1.719 participantes de 97 países, encontró que cerca de nueve de cada diez organizaciones encuestadas usan IA de forma regular en al menos una función.
Sin embargo, el 37 % de los participantes atribuyó algún impacto positivo al EBIT de su organización y solo el 6 % quedó en la categoría de alto desempeño definida por el estudio.
La diferencia entre adopción e impacto invita a mirar más allá de la herramienta. Entre ese grupo de alto desempeño, casi tres cuartas partes reportaron haber rediseñado fundamentalmente flujos de trabajo debido al uso de IA; entre los demás participantes, lo reportó una cuarta parte.
La relación es una asociación recogida por la encuesta, no una prueba de que rediseñar por sí solo produzca resultados financieros. Sí refuerza una pregunta útil: ¿la IA está cambiando cómo se realiza el trabajo o se está insertando en el flujo existente? (McKinsey, 2026)
Una investigación de HFS Research y Genpact, basada en respuestas de 545 ejecutivos sénior de 11 industrias, apunta a un obstáculo relacionado: el 33 % señaló que los procesos empresariales no estaban preparados como una de las principales barreras para adoptar agentes.
En esa misma encuesta, la falta de gobierno formal y la escasez de capacidades internas también aparecieron entre las barreras más citadas. (HFS Research y Genpact, 2026)
Estos estudios preguntan a líderes qué observan en sus organizaciones. Sus resultados no representan todas las empresas ni establecen causalidad.
Sirven para detectar un patrón que merece atención: el reto de los agentes no es solo conectarlos a sistemas; también es definir qué decisiones pueden ejecutar y en qué condiciones.
El proceso escrito y el proceso real pueden ser distintos
Muchos procesos están optimizados para personas. La documentación describe las etapas principales, mientras que los equipos completan los vacíos con contexto, criterio y atajos aprendidos con la experiencia.
Esa distancia se hace visible en señales cotidianas:
- Una solicitud similar obtiene respuestas distintas según quién la atiende.
- Los casos se detienen hasta que una persona con experiencia confirma cómo proceder.
- Las excepciones se resuelven en correos o conversaciones que no quedan registradas en el sistema.
- El personal corrige datos o completa pasos que el flujo formal no contempla.
- Los indicadores miden actividad, pero no muestran por qué se repite el retrabajo.
HFS Research ha descrito este desfase como deuda de proceso: la lógica de decisión y manejo de excepciones permanece en las personas aunque el flujo formal parezca completo.
En un proceso con esa deuda, un agente puede mover información más rápido sin resolver la causa de la inconsistencia. (HFS Research, “Stop automating process debt to get better outcomes”)
Antes de automatizar, conviene hacer explícitas algunas piezas:
- El resultado esperado. ¿Qué debe quedar resuelto al terminar el proceso? ¿Qué significa hacerlo bien para el cliente, el equipo y la operación?
- La lógica de decisión. ¿Qué información justifica cada decisión? ¿Qué reglas son obligatorias y cuáles dependen del contexto?
- Las excepciones. ¿Qué situaciones salen del recorrido habitual? ¿Cuáles pueden resolverse con una regla y cuáles necesitan criterio humano?
- La autoridad para actuar. ¿Qué registros puede consultar el agente? ¿Qué puede crear, cambiar, aprobar o comunicar?
- La responsabilidad. ¿Quién es dueño del resultado, revisa el desempeño y atiende una escalación o un incidente?
El objetivo no es documentar cada movimiento del proceso hasta producir un manual inmanejable. Se trata de capturar la lógica que permite ejecutar una acción de manera consistente y reconocer cuándo faltan condiciones para hacerlo.
Simplificar significa reducir ambigüedad, no eliminar controles
La palabra “simplificar” puede llevar a una conclusión equivocada: quitar pasos para que el flujo sea más corto. En operaciones críticas, algunas revisiones existen para prevenir errores, cumplir una obligación o evitar una decisión irreversible.
Eliminarlas sin entender su función podría cambiar el riesgo, no mejorar el proceso.
Una simplificación útil aclara qué pasos agregan valor, cuáles repiten controles ya cubiertos y dónde una regla está siendo aplicada de forma distinta. También separa actividades que pueden ejecutarse de forma automática de decisiones que requieren juicio, autorización o contexto adicional.
Por ejemplo, una validación de datos puede ejecutarse automáticamente si la fuente es confiable y la regla está clara. Un pedido que supera un límite de crédito, en cambio, puede requerir aprobación por política.
Un agente puede preparar la información para esa decisión, pero la autorización debe seguir el modelo de responsabilidad de la organización.
Por eso, la pregunta no es simplemente “¿podemos reducir pasos?”. Es: ¿qué control protege un resultado o una obligación, y cómo conservarlo dentro de un flujo donde parte de la ejecución es automática?
La autonomía también eleva la importancia de la identidad y los permisos. NIST señala que compartir credenciales humanas con agentes genera brechas de atribución y control.
Recomienda tratar a los agentes como entidades con identificadores, credenciales y permisos propios, ligados a la persona o sistema que autoriza su operación. (NIST, 2026)
No hace falta esperar a que todo el proceso sea perfecto
Hay una objeción razonable a “primero simplificar”: muchas organizaciones aún están entendiendo sus procesos, y un análisis completo puede tardar tanto que la oportunidad de aprender se pierde.
Además, un agente acotado puede ayudar a revelar qué datos faltan, qué excepciones se repiten y qué trabajo manual se concentra en una etapa.
La salida es separar preparación para aprender de autorización para actuar. Una prueba puede empezar con el agente en modo de observación o recomendación.
Puede recopilar datos, clasificar solicitudes, elaborar una propuesta o preparar una respuesta, mientras la persona decide qué hacer. De esa manera, el equipo compara la recomendación con la decisión real y registra dónde divergen.
Si la tarea demuestra consistencia, puede avanzar a ejecución supervisada dentro de límites concretos. Las decisiones de mayor impacto, las situaciones ambiguas y los casos no previstos siguen una ruta de revisión.
El proceso se aclara a medida que el piloto produce evidencia.
La secuencia práctica puede verse así:
| Etapa | Qué hace el agente | Qué se valida antes de avanzar |
|---|---|---|
| Observar | Reúne datos y analiza casos sin cambiar el proceso | Calidad de datos, variaciones y excepciones frecuentes |
| Recomendar | Propone una decisión para revisión humana | Consistencia con reglas, criterios de aceptación y explicación suficiente |
| Preparar | Completa tareas previas o deja una acción lista para aprobar | Permisos, controles y claridad de quién autoriza |
| Ejecutar dentro de límites | Realiza acciones definidas, de bajo impacto y reversibles | Resultados sostenidos, trazabilidad, recuperación y escalación |
No es una escala universal ni una promesa de que cada agente deba pasar por todas las etapas. El nivel adecuado depende de las consecuencias de un error, la reversibilidad de la acción, la calidad de los datos y la capacidad de supervisar la operación.
Para profundizar en los límites, permisos y controles de los agentes, puede consultarse la guía de Intelecta sobre agentes autónomos de IA.
Elegir un tramo concreto hace posible aprender
Supongamos que una empresa quiere agilizar la atención de consultas sobre pedidos. En lugar de delegar de inmediato todo el ciclo de atención, puede probar primero una parte:
- El agente identifica el pedido y consulta su estado en las fuentes aprobadas.
- Resume la información y redacta una respuesta para el equipo.
- Si los sistemas muestran datos coherentes y la solicitud es rutinaria, prepara una respuesta estándar.
- Si detecta una diferencia de stock, una modificación de cantidad o una excepción comercial, entrega el caso a la persona responsable con los datos reunidos.
En esa prueba, la pregunta no es si el agente “resuelve consultas”. Es si completa de forma confiable ese tramo del trabajo bajo condiciones definidas.
¿Qué información le faltó? ¿Cuáles fueron las excepciones?
¿Cuánto tiempo ahorró después de incluir la revisión? ¿Qué errores habría cometido si hubiera actuado sin supervisión?
Este recorte mantiene el aprendizaje cerca de la operación. También permite distinguir tres causas que suelen confundirse: una limitación del modelo, una integración defectuosa o una regla del proceso que nunca estuvo claramente definida.
Medir el resultado del proceso, no solo la actividad del agente
Un agente puede completar muchas tareas y aun así empeorar el resultado si genera correcciones, compromete datos incorrectos o traslada la carga a otra área. Por eso, la evaluación necesita indicadores del proceso y del sistema.
Para el proceso, conviene fijar una línea base de tiempo de ciclo, volumen, tasa de retrabajo, calidad, costo por caso y experiencia del usuario.
Para el agente, se pueden observar la consistencia de sus decisiones, las llamadas a herramientas fallidas, la proporción de casos escalados y las acciones bloqueadas por política.
La medida debe incluir el costo que suele quedar fuera de la demostración: revisión humana, atención de excepciones, integración, monitoreo, fallos y recuperación. También conviene definir de antemano qué resultado permite ampliar el alcance, qué desviación obliga a pausar y quién puede detener la ejecución.
La guía de Intelecta sobre observabilidad de agentes de IA amplía cómo registrar decisiones, llamadas a herramientas, resultados y acciones.
La preparación se decide para cada parte del trabajo
Preguntar si una empresa está preparada para los agentes de IA en términos absolutos simplifica demasiado la decisión. Una misma organización puede tener procesos con reglas claras y datos confiables, junto a otros que dependen del criterio individual o contienen decisiones de alto impacto.
La preparación se evalúa para cada tramo: qué resultado debe producir, qué lógica guía la decisión, qué datos y permisos requiere, qué excepciones debe escalar y cómo se medirá lo que ocurra.
Cuando faltan respuestas, el siguiente paso puede ser aclarar esa parte del proceso y probar en un modo controlado.
La pregunta de cierre podría ser: ¿qué decisión queremos delegar, qué evidencia tenemos para confiar en ella y qué situaciones deben seguir bajo criterio humano?
Preguntas frecuentes
¿Es necesario simplificar un proceso antes de incorporar agentes de IA?
No hace falta que todo el proceso esté perfecto. Sí conviene aclarar el tramo que se quiere delegar: su objetivo, las reglas, las excepciones, los permisos y la forma de medir resultados.
Un piloto supervisado puede ayudar a descubrir qué simplificar.
¿Qué procesos empresariales son buenos candidatos para agentes de IA?
Aquellos con un resultado definido, datos accesibles con autorización, tareas repetitivas o variables que puedan evaluarse y una ruta clara para manejar excepciones. El nivel de autonomía debe corresponder al impacto y la reversibilidad de las acciones.
¿Cómo se mide si un agente de IA aporta valor?
Combinando indicadores del proceso —tiempo, calidad, retrabajo, costo por caso y experiencia— con indicadores del agente, como consistencia, errores, escalaciones y uso de herramientas. También hay que incluir la supervisión humana y el costo de recuperación.