Transformación de la IA: La siguiente etapa consiste en agentes más inteligentes, no en modelos más grandes.

Para las organizaciones que buscan obtener una ventaja competitiva mediante la adopción de herramientas de IA , el debate y la decisión han girado principalmente en torno a grandes modelos de lenguaje.

Cada nueva versión promete mejores capacidades de razonamiento, mayor precisión y características que superan las de su predecesora.

Pero a medida que los modelos básicos se vuelven más potentes y accesibles, el verdadero factor decisivo para las organizaciones no será qué modelo elijan, sino la eficacia con la que implementen la IA indirecta para resolver problemas empresariales reales.

Jay Florence

Ingeniero de soluciones en Digital Modus.

En la reciente Cumbre de Datos y Análisis de Gartner 2026, el mensaje de los analistas fue claro: los modelos de IA independientes se están volviendo obsoletos y los agentes de IA autónomos e interconectados son el futuro. Pero para aprovechar al máximo la IA aplicada a los agentes, los líderes de TI deben priorizar los casos de uso repetitivos y de baja complejidad, implementar controles preventivos y capacitar al personal.

Me gustaría añadir a esta afirmación que la siguiente fase de la IA empresarial no consiste en llegar al modelo más grande, sino en construir mejores agentes.

Esto significa ir más allá de ver la inteligencia artificial como un simple chatbot y tratarla como una capacidad operativa que puede ayudar a los empleados, automatizar tareas repetitivas y lograr eficiencia en toda la organización.

La mayor oportunidad para la inteligencia artificial no está en la conversación.

Para muchos, la inteligencia artificial aún significa hacer una pregunta en ChatGPT y recibir una respuesta. Sin duda, esa es una aplicación, y las interfaces conversacionales han desempeñado un papel importante para hacer que la IA sea accesible. Pero eso es solo una pequeña parte de lo que es posible.

Algunas de las aplicaciones más valiosas de los agentes de IA se centran en los procesos operativos en lugar de la conversación. Por ejemplo, en la educación superior, los agentes de IA ayudan a los estudiantes a acceder a los servicios de apoyo respondiendo preguntas rutinarias sobre la matrícula, las instalaciones del campus o los trámites administrativos, lo que permite al personal dedicarse a asuntos más complejos.

En el sector del transporte, los agentes pueden integrar la información de horarios, las opciones de viaje posteriores y la atención al cliente en una sola interacción, lo que evita a los usuarios la molestia de buscar en múltiples servicios.

En otros ámbitos, las organizaciones están utilizando agentes de IA para cualificar consultas de ventas, resumir documentos complejos y extraer información de contratos; tareas que antes requerían horas de trabajo manual.

El denominador común no es solo que estos agentes pueden responder preguntas, sino que también eliminan las cargas administrativas y permiten que las personas se centren en el trabajo que requiere criterio, experiencia e interacción humana.

Los mejores agentes comienzan con mejores problemas.

Una de las mayores ideas erróneas sobre la IA proxy es que las organizaciones creen que deben comenzar por identificar dónde quieren implementar un proxy de IA.

De hecho, para las organizaciones que buscan desarrollar sus ofertas de IA, la primera pregunta no debería ser: "¿Dónde podemos implementar la IA?", sino más bien: "¿Qué problema empresarial estamos tratando de resolver?".

A menudo, comenzar con la tecnología lleva a las organizaciones a crear agentes que aportan poco valor porque automatizan el proceso equivocado. Las organizaciones que obtienen los mejores resultados son aquellas que identifican primero las debilidades operativas, en áreas donde los empleados dedican demasiado tiempo a tareas administrativas repetitivas, a buscar información o a transferir datos manualmente entre sistemas.

Cuando se comprenden claramente estos desafíos, la IA proxy se convierte en una herramienta operativa eficaz en lugar de ser simplemente una tecnología que busca un caso de uso.

La importancia de la implementación supera la importancia del modelo.

Los principales modelos de IA están evolucionando a un ritmo excepcional. Son cada vez más capaces, rápidos y rentables, lo que implica un cambio en la ventaja competitiva.

Es improbable que las organizaciones superen a sus competidores simplemente eligiendo un modelo principal sobre otro. En cambio, el éxito dependerá cada vez más de todo lo que rodea al modelo.

La calidad de los datos es uno de los factores más diferenciadores. Un agente de IA es tan bueno como la información en la que se basa. La documentación contradictoria, las políticas inconsistentes o una gestión deficiente del conocimiento reducen inevitablemente la calidad de sus resultados.

La ingeniería de reclamaciones es otra habilidad que a menudo se pasa por alto. Diseñar un agente no se trata simplemente de darle instrucciones y esperar resultados consistentes. Unas reclamaciones bien diseñadas establecen límites claros, definen las responsabilidades del agente y garantizan que se mantenga enfocado en su objetivo.

Lo mismo se aplica a la gobernanza. Un buen agente no debería responder a todas las preguntas que se le planteen. En cambio, debería comprender su función, saber cuándo rechazar solicitudes que excedan su autoridad y actuar solo con la información y los permisos que realmente necesita. Aplicar el principio del «privilegio mínimo» no solo es una buena práctica de seguridad, sino que también mejora la eficiencia al minimizar el procesamiento innecesario y mantener los costos bajo control.

En definitiva, la calidad de la ejecución es mucho más importante que el tamaño del modelo básico.

La confianza se construye mediante la repetición, no la ambición.

Otro error común es suponer que la IA indirecta debe implementarse en programas de transformación a gran escala. En realidad, suele ocurrir lo contrario.

Las organizaciones que logran resultados significativos suelen comenzar con un caso de uso claramente definido que ofrece un valor cuantificable. Esto fomenta la confianza entre los empleados, demuestra el retorno de la inversión y permite una mejor gobernanza antes de expandirse a flujos de trabajo más complejos.

La IA aplicada a agentes debe considerarse un producto que evoluciona con el tiempo, no un proyecto que se da por finalizado el día de su lanzamiento. Sin embargo, esto también modifica la forma en que las organizaciones abordan las pruebas.

El software tradicional está diseñado para ofrecer resultados idénticos en cada ocasión. Sin embargo, los agentes de IA son probabilísticos por naturaleza, lo que significa que la consistencia es tan importante como la funcionalidad. Por lo tanto, las pruebas, el monitoreo y la optimización continuos se vuelven esenciales para una implementación exitosa.

Igualmente importante es que los empleados formen parte de este proceso. Generar confianza no consiste en presentar un agente de IA una vez terminado, sino en involucrar a los equipos durante todo el desarrollo, ayudándoles a comprender cómo se toman las decisiones, dónde se han implementado las medidas de seguridad y cómo la tecnología está diseñada para complementar, no para reemplazar, su experiencia.

Los agentes más avanzados definirán la próxima fase de la inteligencia artificial.

Es inevitable que la industria de la IA continúe produciendo modelos básicos más rápidos, económicos y capaces. Sin embargo, lo que no es inevitable es que las organizaciones sean capaces de traducir esas capacidades en un valor comercial significativo.

La próxima carrera por la IA no la ganarán quienes tengan el modelo más grande, sino quienes desarrollen agentes fiables y bien gobernados, capaces de resolver problemas operativos del mundo real.