Cómo las empresas están adoptando realmente el agentic AI

Si ha observado la adopción de la IA empresarial en los últimos 18 meses, habrá visto este patrón. Las empresas empiezan con flujos de trabajo de tipo wrapper (envoltorios) estrechos porque son rápidos de crear y predecibles. Luego, un equipo que experimenta con LangGraph o Microsoft AutoGen descubre que puede dirigir solicitudes complejas de forma diferente. De repente, el wrapper ya no parece suficiente. Pero deshacerse de todo no es una opción cuando se tienen auditorías de cumplimiento normativo el próximo trimestre.

Quién está adoptando primero los frameworks de agentes

Los servicios financieros y la atención médica lideran la adopción. Procesan información que requiere un razonamiento real, no solo un emparejamiento de patrones. Un oficial de cumplimiento que revisa las alertas de transacciones no quiere un sistema que solo devuelva resultados; quiere uno que explique su lógica. Un equipo de diagnóstico no quiere una tabla de consulta; quiere un sistema que pueda hacer preguntas de seguimiento.

La investigación de Gartner de 2025 nombró a la IA basada en agentes (agentic AI) como una de las 10 principales tendencias tecnológicas estratégicas. Pero la adopción aún no está a la altura de las expectativas. La mayoría de las empresas todavía se encuentran en la fase de "veamos qué puede hacer esto".

Las empresas tecnológicas ocupan el segundo lugar. Cuentan con la infraestructura interna y la tolerancia para la iteración. Un equipo de producto que crea una herramienta de análisis interna puede crear un prototipo con CrewAI o LangGraph, ver cómo falla de forma controlada e iterar sin impacto para el cliente.

El comercio minorista y la logística se están quedando atrás, no porque no necesiten agentes, sino porque las integraciones son más complejas. Una decisión en la cadena de suministro requiere extraer datos de 12 sistemas diferentes. ¿Un agente que necesita razonar sobre las ventajas y desventajas mientras audita cada decisión? Eso todavía es demasiado novedoso para la mayoría de los equipos de operaciones.

El modelo híbrido es la verdadera ruta de adopción

Esto es lo que está pasando en la práctica: las empresas no están eligiendo entre wrappers y agentes. Están ejecutando ambos.

Una configuración empresarial típica se ve así: los flujos de trabajo wrapper se encargan del volumen alto y de las tareas bien definidas: consultas de clientes con árboles de decisión claros, validación de datos, generación de contenido a partir de plantillas. Estos sistemas son rápidos, predecibles y aburridos en el mejor sentido posible.

Los sistemas basados en agentes (agentic systems) manejan las excepciones y el razonamiento. Cuando una consulta de un cliente no encaja en el árbol estándar, un orquestador multiagente se hace cargo de ella. Cuando los requisitos de auditoría exigen explicabilidad, los agentes con razonamiento estructurado y uso de herramientas dejan un rastro. Cuando un analista de ventas necesita responder a una pregunta que no encaja en un informe estándar, un equipo de agentes con experiencia en el dominio (modelados como agentes separados) colabora.

El modelo híbrido permite a las empresas aprender sin arriesgar el negocio. Obtiene la estabilidad de los wrappers donde la necesita y la flexibilidad de los agentes donde necesita adaptarse.

Arquitectura que realmente funciona

Los sistemas de memoria son el primer requisito indispensable. Un wrapper procesa una solicitud a la vez. Un agente que resuelve un problema complejo necesita realizar un seguimiento de lo que ha aprendido, lo que ha descartado y las suposiciones que ha hecho. Esto significa almacenes de contexto persistentes que sobrevivan a los reinicios y puedan ser auditados.

La orquestación multiagente viene en segundo lugar. No se puede simplemente lanzar agentes y esperar que cooperen. Se necesita un coordinador que comprenda las fortalezas de cada agente, pueda dirigir los problemas de manera inteligente y pueda manejar conflictos cuando dos agentes sugieren soluciones diferentes. AutoGen y CrewAI ofrecen diferentes enfoques aquí; su elección dependerá de si desea más control (AutoGen) o una configuración más rápida (CrewAI).

Los sistemas de auditoría y cumplimiento normativo no son negociables. La Ley de IA de la UE y normativas similares se están endureciendo rápidamente. Es necesario registrar qué decidió cada agente, por qué tomó esa decisión, qué datos utilizó y qué instrucciones modelaron su comportamiento. Las empresas que dejan el cumplimiento normativo para el final terminan reconstruyéndolo todo.

El uso de herramientas es donde reside el poder real. Los LLM modernos admiten la llamada a funciones (function calling) y el uso de herramientas de forma nativa, lo que permite a los agentes llamar a sus API y bases de datos de manera confiable. Esa confiabilidad hace que los agentes sean lo suficientemente seguros para el trabajo en producción.

La hoja de ruta: próximos 18 meses

Fase 1 (0-6 meses): Wrappers para el 80% del trabajo, agentes para el 20% de las excepciones y pilotos de innovación. En esta fase es donde los equipos aprenden qué funciona. Comience con wrappers para aprender, no como una arquitectura permanente.

Fase 2 (6-12 meses): Ya tiene 4 o 5 sistemas de agentes en producción. Consolide, expanda donde los agentes mostraron ROI y comience a cuestionarse si algunos flujos de trabajo wrapper deberían haberse cambiado antes.

Fase 3 (12-18 meses): Evolución estratégica. Su producto o servicio principal pasa de los wrappers al razonamiento de agentes por defecto, dejando los wrappers únicamente donde la velocidad y la predictibilidad lo exijan absolutamente. La investigación de McKinsey muestra que los sectores de servicios financieros y salud son los que están acelerando esta transición más rápido.

La mayoría de las organizaciones no llegarán a la Fase 3 pronto. Muchas prosperarán indefinidamente con un modelo híbrido de Fase 1 y Fase 2. La clave es alinear su arquitectura con sus objetivos comerciales.

Qué buscar al evaluar plataformas

Ignore el discurso de marketing sobre cualquier cosa autónoma. Busque 3 aspectos prácticos.

¿Puede la plataforma ofrecerle memoria sin complicarla demasiado? Necesita un contexto persistente que no requiera un equipo de ingenieros para gestionarlo. Pruébelo en un flujo de trabajo real, no en una demostración.

¿Tiene observabilidad real? Cuando un agente toma una decisión que usted no esperaba, ¿puede ver exactamente qué lo llevó a ella? ¿Puede su equipo de cumplimiento obtener los informes que realmente necesitan? Si la plataforma dificulta esto, descártela.

¿Puede integrarse con lo que ya está ejecutando? La mayoría de las empresas tienen entre 6 y 10 sistemas diferentes con los que un agente debe interactuar. Si el framework le obliga a reescribir integraciones de API o impone un modelo de datos específico, el costo de integración acabará con el proyecto antes de que empiece.

El análisis del mercado de IA de Precedence Research confirma que la adopción se está acelerando, pero principalmente entre empresas que ya cuentan con una sólida infraestructura de datos. Los sistemas basados en agentes exponen las debilidades de su infraestructura más rápido que los wrappers. Construya de forma híbrida. Pruebe con cuidado. Audite obsesivamente.