¿Por qué los agentes no pasan de la demo a la operación?

Los avances recientes muestran que los agentes de IA ya pueden ejecutar tareas cada vez más complejas. El desafío comienza cuando necesitan hacerlo dentro de empresas reales, conviviendo con sistemas, datos, reglas, dependencias y consecuencias que una demostración difícilmente puede reproducir.

Una demostración puede probar la capacidad. No prueba la preparación para operar.

Hoy es difícil ver una buena demostración de un agente de inteligencia artificial sin percibir el salto de capacidad ocurrido en poco tiempo. El agente recibe un objetivo, consulta información, interpreta documentos, utiliza herramientas, toma algunas decisiones intermedias y entrega un resultado que, hasta hace poco, exigiría una secuencia de interacciones humanas. En entornos controlados, algunas de estas experiencias son realmente impresionantes.

El problema comienza cuando confundimos esa capacidad con preparación operativa.

Una demostración normalmente delimita el problema antes de que el agente empiece a trabajar. La información necesaria está disponible o fue seleccionada previamente, las herramientas que podrá utilizar son conocidas, el objetivo está relativamente claro y buena parte de las situaciones inesperadas fue eliminada del escenario. Incluso en pilotos más sofisticados, todavía es posible restringir el universo sobre el cual el agente necesita razonar y controlar cuidadosamente las consecuencias de sus acciones.

La operación real es mucho menos ordenada.

Cuando un agente cruza esa frontera, empieza a encontrar sistemas desarrollados en épocas distintas, aplicaciones heredadas, múltiples fuentes de información, registros inconsistentes, integraciones incompletas, diferentes modelos de identidad y permisos, dependencias poco documentadas y procesos que no siempre funcionan exactamente como fueron diseñados. También debe lidiar con cambios que ocurren mientras trabaja, excepciones que no estaban previstas e información cuyo significado depende del momento y del contexto en que fue producida.

Es en este punto donde aparece una distinción importante para la próxima fase de la adopción corporativa de IA: existe una diferencia entre estar preparado para experimentar con IA y estar preparado para operar con IA.

Los números empiezan a hacer visible esa diferencia. En un informe publicado en 2025, McKinsey observó que casi ocho de cada diez organizaciones ya utilizaban IA generativa de alguna forma, mientras que una proporción similar aún no identificaba impacto material en los resultados financieros. El estudio también señaló que los casos de uso verticales, más profundamente ligados a funciones y procesos empresariales, rara vez superaban la fase de piloto. Entre las barreras estaban la fragmentación de las iniciativas, las dificultades de integración, los problemas de acceso y calidad de los datos y la falta de alineación operativa. (McKinsey & Company)

Esto no significa que la tecnología haya fracasado. En cierto sentido, significa justamente lo contrario. La experimentación avanzó tan rápido que empezó a exponer una capa diferente del problema. Demostrar que un agente puede ejecutar una tarea es una cosa. Lograr que esa capacidad opere de forma continua dentro de una organización, de manera confiable, integrada y controlable, es otra.

Cuanto más puede hacer el agente, más necesita comprender el entorno en el que actúa

La diferencia se hace aún mayor cuando pasamos de agentes que solo producen información a agentes capaces de ejecutar acciones.

Si un sistema analiza un incidente y recomienda una acción a un especialista, todavía existe una etapa humana entre la recomendación y su consecuencia. El profesional puede contrastar esa sugerencia con otra información, evaluar riesgos, percibir una condición excepcional y decidir no ejecutar lo recomendado. Cuando el agente recibe permiso para actuar directamente sobre aplicaciones, infraestructura o procesos, parte de ese intervalo desaparece.

La pregunta deja de ser solo si la respuesta era correcta.

Pasamos a necesitar saber qué información sustentó esa decisión, qué sistemas se consultaron, qué permisos se utilizaron, qué dependencias podrían verse afectadas, qué límites deberían impedir determinadas acciones y cómo detectar rápidamente cuándo el comportamiento observado se aleja de lo esperado. También es necesario definir cuándo el agente debe interrumpir la ejecución, solicitar intervención humana o simplemente reconocer que no dispone de contexto suficiente para decidir con seguridad.

Este cambio ayuda a explicar por qué la distancia entre piloto y producción sigue siendo relevante incluso con la rápida evolución de los modelos. Una encuesta global de Deloitte publicada en 2026 mostró que solo el 25% de los encuestados había llevado el 40% o más de sus pilotos de IA a producción. En otro estudio sobre IA agéntica, Deloitte encontró una distribución igualmente reveladora: el 30% de las organizaciones encuestadas estaba explorando agentes y el 38% conducía pilotos, mientras que el 14% tenía soluciones listas para implantar y el 11% declaraba utilizarlas efectivamente en producción. (Deloitte)

Hay una razón estructural para esta diferencia. Un modelo puede mejorar significativamente su capacidad de razonamiento sin que el sistema heredado al que necesita conectarse se vuelva más fácil de integrar. Puede interpretar el lenguaje natural con mayor precisión sin corregir la inconsistencia entre dos bases de datos corporativas. Puede planificar una secuencia de acciones más sofisticada sin saber, por sí solo, que una determinada aplicación sostiene un servicio crítico o que un cambio aparentemente local producirá efectos en otro componente de la operación.

La inteligencia de un agente no elimina la complejidad del entorno en el que debe trabajar.

En realidad, cuanto mayor es la autonomía concedida, más relevante se vuelve esa complejidad. Un agente que solo responde preguntas puede convivir con ciertas lagunas de contexto. Un agente autorizado a modificar configuraciones, activar procesos, interactuar con clientes o actuar sobre la infraestructura necesita operar dentro de límites mucho más estrictos. La calidad del modelo sigue siendo importante, pero deja de ser la única variable determinante. Integración, identidad, seguridad, gobernanza, observabilidad, conocimiento operativo y mecanismos de supervisión pasan a formar parte del propio problema.

Por eso el paso a producción no debe verse simplemente como la etapa posterior al desarrollo del agente. Cambia la naturaleza del sistema que se está construyendo. A partir de ese momento, ya no evaluamos solo la capacidad de la IA. Evaluamos la capacidad de la organización para incorporar esa IA a su funcionamiento.

Quizá el cuello de botella se esté desplazando del agente a la organización

Los datos más recientes refuerzan esta interpretación. El Enterprise AI Maturity Index 2026, de ServiceNow, encuestó a 4.500 ejecutivos en 19 países y 12 sectores. El estudio encontró que el 59% de las organizaciones ya estaba más allá de la fase piloto en IA agéntica, pero solo el 9% tenía progreso significativo en la construcción de flujos de trabajo autónomos y de múltiples etapas. Solo el 16% había sustituido sistemas heredados fragmentados por una base integrada, mientras que el 71% reportaba dificultades relacionadas con la precisión, el acceso y la gestión de los datos. (ServiceNow)

Lo interesante de estos números no es simplemente concluir que las empresas están atrasadas. Sugieren algo más importante: la capacidad de adoptar la tecnología avanza más rápido que la capacidad de reorganizar el entorno en el que debe funcionar.

Esta diferencia tiende a hacerse más evidente a medida que los agentes ganan autonomía. Durante mucho tiempo, buena parte de la transformación digital pudo avanzar agregando nuevas interfaces sobre estructuras existentes. Una nueva aplicación podía ocultar al usuario parte de la complejidad que permanecía en los sistemas internos. Con agentes autónomos, esa estrategia encuentra un límite. Si el agente necesita atravesar sistemas, correlacionar información, interpretar estados operativos y tomar decisiones, él mismo pasa a encontrar la fragmentación que antes quedaba escondida detrás de las interfaces.

Esto también cambia la manera de pensar la preparación para la IA. Preparar una organización para agentes no significa solo poner modelos a disposición, contratar plataformas o crear una política corporativa de uso. Significa hacer progresivamente más explícita información que muchas operaciones todavía mantienen distribuida entre sistemas, documentación, procedimientos y conocimiento de las personas: qué componentes existen, cómo se relacionan, qué dependencias son críticas, cuál es el estado actual del entorno, qué reglas deben respetarse, quién puede ejecutar cada acción y en qué situaciones una decisión debe escalarse.

No será necesario resolver toda la complejidad corporativa antes de poner cualquier agente en producción. Ese sería solo otro extremo. La autonomía puede avanzar gradualmente, comenzando por dominios delimitados, con riesgos conocidos, observabilidad adecuada y mecanismos claros de intervención humana. Lo que cambia es la forma de evaluar la madurez. Un piloto exitoso demuestra que determinada capacidad es posible; la producción exige demostrar también que esa capacidad puede convivir con la realidad operativa.

Hay además una consecuencia importante. A medida que las organizaciones acumulen decenas, cientos o eventualmente miles de agentes, la propia operación de esos sistemas se convertirá en una disciplina. Será necesario acompañar comportamiento, desempeño, errores, dependencias, permisos, interacciones entre agentes y efectos de las decisiones tomadas. Es un problema que merece su propia discusión y que abordamos en AgentOps: ¿quién operará los agentes cuando lleguen a producción?.

Por ahora, la cuestión fundamental es anterior: antes de preguntar cuánto más podrán hacer los agentes, quizá sea necesario preguntar en qué tipo de entorno estamos poniendo a trabajar a esos agentes.

De la capacidad tecnológica a la preparación operativa

La distancia entre una demostración convincente y una operación confiable no disminuye la importancia de los avances recientes en IA. Al contrario, es consecuencia de ellos.

Los agentes están empezando a salir del espacio relativamente seguro de la generación de contenido, la consulta de información y la recomendación para ocupar una posición diferente: sistemas capaces de participar en la ejecución del trabajo. Cuanto más avanza esta transición, menos sentido tiene evaluar su madurez mirando solo lo que el modelo puede hacer de forma aislada.

El desafío pasa a involucrar todo lo que existe a su alrededor.

Los datos deben ser accesibles y tener significado. Los sistemas deben poder integrarse. Los permisos deben reflejar el grado de autonomía concedido. Las dependencias deben comprenderse. Las acciones deben ser observables. Las excepciones deben tener caminos de tratamiento. Y la organización necesita saber dónde termina la autonomía de la máquina y dónde comienza la responsabilidad humana.

Los buenos resultados obtenidos en demostraciones y pilotos no deben, por lo tanto, interpretarse como una promesa frustrada. Muestran que una parte esencial de la ecuación avanzó extraordinariamente rápido. Ahora empiezan a revelar con mayor nitidez las demás partes que necesitan avanzar junto con ella.

Quizá el principal desafío de la próxima fase de la IA corporativa no sea construir agentes capaces de hacer más, sino construir organizaciones preparadas para permitir que hagan más.

De la visión a la práctica: ARGUS

En las operaciones de TI y Telecom, una parte de este desafío aparece de manera particularmente concreta. Cuando un agente deja un entorno controlado y pasa a participar en la investigación o ejecución de una operación real, no basta con que conozca de forma genérica redes, aplicaciones, infraestructura o procedimientos. Necesita comprender qué está ocurriendo en ese entorno específico, en ese momento, y cómo se relacionan las distintas señales y componentes.

Es en este punto donde ARGUS, plataforma AIOps desarrollada por Target Solutions, puede contribuir. La plataforma conecta información proveniente de múltiples fuentes, correlaciona eventos, reduce el ruido operativo y enriquece la información disponible. También permite incorporar reglas determinísticas y representar relaciones e interdependencias conocidas entre elementos de la operación, ayudando a construir una visión más consistente del estado del entorno.

Esa comprensión puede apoyar inicialmente a especialistas y procesos operativos, luego a automatizaciones y, progresivamente, a agentes de IA. El objetivo no es atribuir a ARGUS responsabilidades que pertenecen a una arquitectura de IA más amplia, como identidad, seguridad agéntica o gobernanza corporativa. Su contribución está en una capa específica y necesaria: ayudar a construir y poner a disposición contexto operacional sobre el entorno en el que deben tomarse las decisiones.

ARGUS no busca sustituir las diferentes herramientas que conocen partes específicas de la operación. Ayuda a conectar lo que ellas saben para construir una comprensión más consistente del todo.

Cuando los agentes empiezan a dejar la demostración y entrar en la operación, esta diferencia entre simplemente tener acceso a la información y comprender efectivamente el entorno puede volverse cada vez más importante.

Conozca ARGUS y vea cómo funciona en la práctica.

Sobre el autor

Paulo Florêncio de Menezes es emprendedor, socio y cofundador de empresas como Target Solutions, BiPTT y ARGUS.

Es graduado en Procesamiento de Datos por la Universidad Federal de Amazonas (UFAM), tiene un MBA en Gestión Empresarial por la Fundação Dom Cabral (FDC) y una Maestría Profesional en Economía por la Fundação Getulio Vargas (FGV).

En su investigación de Maestría, desarrolló el IBEOP-IA (Índice Brasileño de Exposición Ocupacional Potencial a la Inteligencia Artificial), investigando la exposición potencial de las ocupaciones brasileñas a las capacidades de la IA mediante la combinación de datos ocupacionales, patentes de inteligencia artificial y técnicas de procesamiento de lenguaje natural.