IA Agêntica
Poner IA en el proceso exige rediseñar el proceso
Una empresa puede incorporar inteligencia artificial en prácticamente todas las etapas de un proceso y, aun así, seguir ejecutando casi el mismo proceso de antes. La diferencia es que algunas tareas pasan a realizarse más rápido.
Un agente consulta información que antes alguien buscaba manualmente. Otro prepara un análisis, completa un sistema o encamina una solicitud. Un tercero acompaña una cola y sugiere la siguiente acción. Individualmente, cada aplicación puede producir ganancias reales de productividad, pero el flujo sigue cargando las mismas etapas, aprobaciones, traspasos de responsabilidad y dependencias que existían cuando todo el trabajo lo realizaban personas.
Esta distinción empieza a ser importante porque la adopción corporativa de IA avanza más rápido que el rediseño de la forma en que trabajan las empresas. En la encuesta global publicada por McKinsey en 2025, solo el 21% de los entrevistados que utilizaban IA generativa dijo que sus organizaciones habían rediseñado fundamentalmente al menos algunos workflows. Al comparar 25 atributos relacionados con la adopción, el rediseño de los flujos de trabajo fue justamente el que tuvo mayor efecto sobre la probabilidad de que la organización observara impacto en el EBIT derivado de la IA [1].
El problema, por lo tanto, empieza a cambiar. Después de aprender a construir copilots y agentes, las organizaciones necesitan decidir si seguirán encajando esas tecnologías en la manera actual de trabajar o si utilizarán sus nuevas capacidades para repensar el propio proceso.
Automatizar una etapa es distinto de rediseñar el flujo
El primer enfoque es naturalmente más simple. Tomamos un proceso conocido, identificamos tareas que consumen tiempo e introducimos IA donde puede ayudar.
Imagine un proceso de tratamiento de incidentes. Un agente puede resumir alarmas, consultar documentación, buscar ocurrencias anteriores y preparar una recomendación para el especialista. Cada una de esas actividades puede ahorrar unos minutos y mejorar la productividad de quien está investigando el problema.
Pero el incidente quizá siga recorriendo exactamente el mismo camino. Un sistema genera la alerta, alguien hace la clasificación inicial, otro profesional busca información en herramientas diferentes, hay que activar a un tercer equipo, determinadas decisiones esperan aprobación y el conocimiento producido durante la investigación no siempre permanece disponible para la próxima ocurrencia.
Poner IA en algunas de esas etapas mejora el proceso existente. Rediseñarlo exige otra pregunta: si personas y agentes pudieran trabajar juntos desde el principio, ¿ese proceso todavía necesitaría funcionar de esa manera?
La diferencia parece pequeña, pero cambia el punto de partida. En lugar de buscar dónde encajar la IA, pasamos a observar el resultado que queremos producir, las decisiones necesarias para llegar a él, la información que exige cada decisión y qué actividades tienen más sentido para personas, automatizaciones tradicionales o agentes.
Cuando usamos IA solo para acelerar etapas existentes, podemos hacer más rápido un proceso antiguo sin necesariamente hacerlo mejor.
Esta discusión aparece con bastante claridad en las investigaciones más recientes. En 2026, McKinsey volvió al tema al analizar empresas que estaban logrando extraer más valor de la IA. Entre los llamados top performers, organizaciones que atribuían al menos el 5% de su EBIT a la tecnología, la probabilidad de realizar un rediseño amplio del modelo operativo era tres veces mayor, y la de rediseñar workflows antes de seleccionar las herramientas de IA era dos veces mayor [2].
El orden de las decisiones importa. Cuando empezamos por la herramienta, es natural buscar tareas que ella pueda ejecutar. Cuando empezamos por el proceso, podemos descubrir que algunas de esas tareas ni siquiera deberían seguir existiendo.
Los agentes cambian lo que puede considerarse un proceso
La necesidad de rediseño se vuelve aún más evidente cuando pasamos de los copilots al universo de los agentes.
Un copilot normalmente ayuda a alguien a realizar una actividad. Un agente puede recibir un objetivo, consultar distintas fuentes, elegir herramientas, ejecutar una secuencia de acciones y decidir qué camino seguir de acuerdo con lo que encuentra. En arquitecturas más avanzadas, varios agentes pueden colaborar entre sí y coordinar distintas partes de un mismo flujo.
Esto crea posibilidades que simplemente no existían cuando se diseñaron muchos de los procesos corporativos actuales.
Considere nuevamente el tratamiento de un incidente. En lugar de solo resumir alarmas para un operador, los agentes podrían reunir señales provenientes de distintas plataformas, consultar cambios recientes, recuperar conocimiento sobre ocurrencias anteriores, identificar dependencias conocidas y preparar una hipótesis sobre lo que está ocurriendo. Dependiendo de las reglas y del nivel de autonomía permitido, algunas acciones podrían ejecutarse automáticamente, mientras que otras seguirían exigiendo validación humana.
En este escenario, la discusión deja de ser solo qué tareas pueden automatizarse. Pasamos a discutir cómo debería fluir el trabajo entre personas, agentes, automatizaciones y sistemas.
Es lo que Deloitte llama agent-first process redesign. En su análisis sobre estrategia para IA agéntica, la consultora argumenta que las organizaciones más avanzadas no simplemente añaden agentes a los workflows existentes; observan los procesos de punta a punta y los rediseñan para aprovechar capacidades específicas de los agentes [3].
Una investigación posterior de Deloitte muestra el tamaño de la distancia entre esa visión y la realidad actual. Solo el 5% de las organizaciones encuestadas dijo que sus procesos estaban altamente preparados para agentes de IA, mientras que apenas el 15% ya había escalado la adopción multiagente orquestada entre distintas funciones. Al mismo tiempo, el 74% espera que, dentro de cuatro años, al menos la mitad de sus procesos haya sido rediseñada o reconstruida alrededor de agentes [4].
La transformación empieza a profundizarse cuando dejamos de preguntar “¿dónde poner un agente?” y pasamos a preguntar “¿cómo debería ocurrir este trabajo ahora que existen los agentes?”.
Este cambio también ayuda a evitar una trampa recurrente de la automatización: preservar complejidad innecesaria porque ya forma parte del proceso. Un flujo creado a lo largo de años puede acumular verificaciones, traspasos entre áreas y etapas manuales que surgieron para compensar limitaciones tecnológicas u organizacionales de otra época. Automatizar todo eso no elimina la complejidad; en algunos casos, solo permite que ocurra más rápido.
La IA abre espacio para revisar esas premisas, pero no hace ese trabajo por sí sola.
El rediseño también redefine el papel de las personas
Repensar procesos para la IA no significa diseñarlos para sacar a las personas del camino. En muchos casos, significa decidir con más claridad dónde la participación humana realmente produce valor.
Hay actividades en las que la velocidad y la escala son más importantes. Otras exigen juicio, responsabilidad, negociación, conocimiento tácito o comprensión de consecuencias que no deberían delegarse por completo. Entre esos extremos existe una gran cantidad de trabajo en el que personas y agentes pueden actuar de manera complementaria.
Por eso el rediseño de procesos no puede ser solo técnico. Involucra responsabilidades, criterios de decisión, puntos de supervisión, tratamiento de excepciones y definición explícita de los límites de la autonomía.
La propia Deloitte encontró que el 75% de los ejecutivos encuestados cree que la colaboración entre personas y agentes crea más valor que la automatización basada únicamente en agentes [4]. La cuestión, por lo tanto, no es simplemente determinar cuánto trabajo puede transferirse a la IA, sino diseñar una división de responsabilidades que tenga sentido para cada proceso.
Rediseñar un proceso para la IA también significa rediseñar la relación entre autonomía y supervisión humana.
Este punto se conecta directamente con las discusiones que desarrollamos en los artículos anteriores. Cuanto mayor es la autonomía concedida a los agentes, más importantes se vuelven el contexto, la observabilidad, la gobernanza y la capacidad de intervención. Un proceso rediseñado necesita considerar esas condiciones desde el principio, y no añadirlas después de que la automatización ya esté funcionando.
En una operación de TI, por ejemplo, la gobernanza y operación de agentes necesitan estar presentes cuando un agente investiga un conjunto amplio de señales sin intervención humana, correlaciona información y sugiere una causa probable. Determinadas acciones de bajo riesgo pueden autorizarse automáticamente, mientras que los cambios de mayor impacto siguen dependiendo de aprobación. Si el agente encuentra una situación para la cual no tiene contexto suficiente o confianza adecuada, el propio flujo puede prever el traspaso a un especialista.
El papel humano deja así de definirse solo por la tarea que la persona ejecutaba antes de la IA y pasa a definirse también por la responsabilidad que debe seguir siendo humana dentro del nuevo proceso.
Esta quizá sea una de las razones por las que transformar procesos es más difícil que implantar herramientas. Comprar tecnología es una decisión relativamente acotada. Alterar cómo se toman las decisiones, cómo interactúan las áreas y quién responde por cada resultado toca estructuras que se construyeron a lo largo de años.
La ventaja no estará en tener más agentes
A medida que los agentes sean más fáciles de crear y se incorporen a las propias plataformas empresariales, tener agentes dejará rápidamente de ser un diferencial.
La diferencia estará en la capacidad de utilizarlos dentro de procesos que hayan sido diseñados para combinar tecnología, información y personas de manera coherente.
McKinsey describe esta evolución en tres horizontes. En el primero, la IA amplía capacidades individuales; en el segundo, pasa a automatizar workflows de punta a punta; en el tercero, la organización deja de partir del proceso existente y empieza a rediseñar el trabajo, los roles y el modelo operativo teniendo la IA como parte estructural de esa nueva configuración [5]. En la misma investigación, los líderes de organizaciones que rediseñaban workflows eran 5,3 veces más propensos a reportar captura de valor empresarial que aquellos que mantenían los flujos sin cambios [5].
Esto no significa que toda empresa deba rediseñar todos los procesos de una vez. Significa reconocer que existe un límite para el valor obtenido cuando una tecnología nueva se ve obligada a trabajar permanentemente dentro de una lógica antigua.
La mayor ganancia de la IA quizá no esté en ejecutar más rápido el proceso que ya conocemos, sino en permitir que finalmente preguntemos por qué ese proceso todavía funciona de esa forma.
Para muchas organizaciones, esta será una transición gradual. Primero surgen asistentes y copilots. Después, los agentes asumen tareas más completas. A continuación, distintos agentes empiezan a participar en un mismo workflow. En algún momento, mantener todas las etapas y fronteras anteriores pasa a tener cada vez menos sentido.
En esa etapa, la discusión sobre la IA deja de pertenecer solo a la tecnología. Pasa a involucrar el diseño de la propia organización.
De la visión a la práctica: ARGUS
Cuando los agentes de IA pasan a participar en los procesos de una organización, surge una oportunidad que va más allá de automatizar tareas existentes. Podemos repensar cómo se comparte la información, cómo se toman las decisiones y cómo se distribuyen las responsabilidades entre personas, sistemas y agentes.
En operaciones de TI y Telecom, este desafío es particularmente evidente. La información importante sigue distribuida entre monitoreo, observabilidad, inventario, cambios e ITSM. ARGUS conecta esas distintas fuentes y construye un contexto operacional compartido, reduciendo la necesidad de reconstruir manualmente la situación en cada incidente o decisión.
Con las capacidades de AgentOps y AI Gateway, la propuesta se amplía para incluir la orquestación, la observabilidad y la gobernanza de los agentes que participan en esos procesos. De este modo, no se trata solo de ofrecer información a los agentes, sino también de acompañar cómo utilizan esa información y cómo sus acciones se relacionan con el resto de la operación.
La oportunidad está en crear procesos en los que personas, automatizaciones y agentes puedan trabajar de manera coordinada, con contexto común y niveles de autonomía compatibles con sus responsabilidades.
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 del 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.
Referencias
[1] McKinsey & Company. The state of AI: How organizations are rewiring to capture value. 2025.
[2] McKinsey & Company. The operating model advantage: Why AI winners are rewiring their organizations. 2026.
[3] Deloitte. Tech Trends 2026.
[4] Deloitte. AI agents are only the beginning: The path to agentic transformation. 2026.
[5] McKinsey & Company. From adoption to impact: Three horizons of AI transformation. 2026.