La IA agéntica no siempre es la respuesta

En lo que respecta a la inteligencia artificial (IA) agéntica, el FOMO es evidente. Las organizaciones están implementando agentes de IA, en parte, porque parece que es lo que hacen todos los demás. Pero el miedo a perderse algo no es una estrategia empresarial. Para que la IA agéntica funcione, los líderes empresariales deben ignorar la exageración y concentrarse en establecer con precisión qué pueden hacer los agentes por ellos, cómo y a qué costo.

Nuestro propio trabajo ha demostrado que los agentes de IA, que planifican y ejecutan de forma independiente tareas complejas de varios pasos, pueden aportar un valor sustancial al acelerar los plazos y reducir los costos. Y esto es solo el principio. La capacidad cada vez mayor de los agentes de IA para trabajar con las personas en la planificación, la comunicación y el aprendizaje, podría convertirse en un verdadero cambio de paradigma en la forma de hacer negocios.

Valor empresarial poco claro

Pero el entusiasmo no siempre se traduce en impacto, algo que muchas empresas están empezando a reconocer. Según un estudio, 40% de los proyectos de IA con agentes podrían cancelarse para finales de 2027 debido a un valor empresarial poco claro y a costos crecientes.

En una investigación reciente, McKinsey estudió docenas de iniciativas de IA agentiva, incluyendo 50 en las que participamos directamente. Con la perspectiva que da el tiempo, hemos identificado tres factores críticos para el éxito de la IA agéntica.

1. Empezar con los flujos de trabajo, no con los agentes

Las transformaciones agénticas tienen más probabilidades de éxito cuando se centran en integrar los agentes de IA en flujos de trabajo rediseñados, en lugar de añadirlos a procesos diseñados para otra era tecnológica. Y lo contrario también es cierto: incluso el agente de IA más potente tendrá un rendimiento inferior si está vinculado a flujos de trabajo defectuosos e ineficientes.

Actualmente, los agentes de IA se están implementando con éxito en flujos de trabajo dinámicos y complejos, como los de soporte técnico, desarrollo de software y atención al cliente. Los líderes más innovadores también están implementando agentes con éxito en casos de uso vanguardistas. Por ejemplo, un proveedor alternativo de servicios legales logró importantes mejoras en la eficiencia al modernizar cuidadosamente su proceso de revisión de contratos.

Cada vez que un abogado realizaba un cambio en el editor de documentos, este se registraba, categorizaba y se incorporaba a la lógica y la base de conocimientos del agente. Al diseñar el flujo de trabajo automatizado, el equipo identificó dónde, cuándo y cómo integrar la intervención humana. Los agentes resaltaron casos límite y anomalías para su revisión. Con el tiempo, los agentes pudieron codificar nuevos conocimientos y proporcionar razonamientos legales más sofisticados, pero la aprobación de las decisiones críticas recaía en los abogados.

2. Eliminar la basura

Muchos de los primeros usuarios entusiastas crearon agentes cuyos resultados se han denominado como slop o basura; es decir, trabajo que puede realizarse rápidamente, pero que luego requiere un esfuerzo considerable para corregirse. Esto resulta molesto. Peor aún, genera desconfianza en los agentes de IA y en la idea de transformación en general. Para mejorar, las empresas deberían invertir en los agentes con la misma metodología que en las personas, con gerentes, descripciones de puestos, capacitación, supervisión y objetivos de desarrollo continuo.

3. Para apoyar a los agentes de IA, hay que involucrar a la fuerza laboral

Las personas deben ser quienes incorporen, capaciten y evalúen a los agentes de IA de forma continua: “lanzar y dejar” no es suficiente. A medida que los agentes de IA comiencen a realizar más tareas, los roles cambiarán. Los líderes deberán capacitar a los empleados en un nuevo modelo operativo híbrido humano-agente, incluyendo habilidades como la creación e implementación efectiva de agentes, su entrenamiento, la asignación de tareas, el seguimiento y la corrección de su trabajo, y su coordinación para realizar tareas más complejas.

El principio fundamental es que la IA agéntica debe trabajar en conjunto con las prioridades empresariales tradicionales, como la productividad y el trabajo en equipo, y no en contra de ellas. La pregunta, entonces, no es si implementar agentes de IA, como con cualquier otra tecnología, sino cuándo pueden ayudar a resolver problemas reales y generar valor.

Y la respuesta es: no siempre. Para tareas relacionadas con el análisis de documentos extensos, las aplicaciones de IA generativa, como los chatbots, probablemente sean la mejor opción. Para tareas altamente estructuradas o automatizadas, como la entrada de datos, los enfoques basados ​​en reglas —si x, entonces y— pueden ser más eficientes. Y las decisiones cruciales con poco margen de error son responsabilidad de los líderes y gerentes.

En efecto, la IA agéntica podría ser una oportunidad única en la vida; de ahí el efecto FOMO (miedo a perderse algo). El éxito no vendrá del entusiasmo, sino de un análisis pragmático de cómo utilizar esta herramienta con sabiduría: para la tarea correcta, en el momento adecuado.