VentureBeat ha recogido los datos de Gartner y McKinsey sobre despliegue de agentes en empresa, y el retrato que sale es el que ya se olía: mucho anuncio, poco en producción.
Gartner estima que el 40% de los proyectos de IA agéntica no sobrevivirá a 2028. Y añade un dato que explica buena parte del ruido: de los miles de productos que hoy se venden como agénticos, solo unos 130 tienen capacidad autónoma real. El resto es cambio de etiqueta sobre cosas que ya existían.
El obstáculo no es la tecnología
Dos tercios de las empresas dicen que su mayor freno es la seguridad y el riesgo. No la capacidad del modelo, no el precio, no la falta de casos de uso.
La encuesta de madurez en IA responsable de McKinsey de 2026 pone número a esa preocupación: puntuación media de 2,3 sobre 4, y solo el 30% de las organizaciones llega a nivel 3 o superior en gobernanza de agentes. Es decir, siete de cada diez están desplegando sistemas que actúan solos sin tener montado el marco para controlarlos.
El desfase entre despliegue y gobernanza crece a un ritmo de 8 a 1 según los datos del informe. Se despliega ocho veces más rápido de lo que se aprende a gobernar.
Las tres cosas que hacen las que sí lo consiguen
Aquí está la parte útil. Las empresas que están escalando agentes con éxito comparten tres prácticas, y las tres van en dirección contraria a lo que vende el mercado.
Agentes de alcance reducido con un mandato acotado. En vez de un agente que gestiona el proceso de compras de punta a punta, cinco agentes que hacen una cosa cada uno: uno que lee la factura, uno que la cruza con el pedido, uno que detecta desviaciones. Cada uno con una responsabilidad y con un fallo diagnosticable.
Registro escrito de todas las decisiones y acciones. Trazabilidad completa como requisito de arquitectura, no como funcionalidad que se añade después. Si no puedes reconstruir por qué el agente hizo lo que hizo, no vas a pasar una auditoría, y tampoco vas a poder arreglarlo cuando falle.
Punto de control humano antes de cualquier acción de alto riesgo. El agente prepara, el humano aprueba, el agente ejecuta.
Por qué el agente que lo hace todo no funciona
Esto lo he visto de cerca. Cuando un flujo tiene doce pasos encadenados y cada paso acierta el 95% de las veces, el resultado final sale bien el 54% de las veces. Los errores se multiplican, no se suman.
Y hay una segunda razón, menos matemática. Cuando el flujo entero es una caja negra y el resultado sale mal, no sabes en qué paso se torció. Te toca revisar los doce. Con agentes de responsabilidad única, el fallo se localiza en el minuto uno.
Yo llevo meses construyendo automatizaciones con IA en Barner y en DigitalBrain y no tengo agentes construidos en el sentido en que se vende la palabra. Tengo skills que ejecuto a demanda o programadas, cada una con un trabajo concreto, y dan muchísima funcionalidad. La mayor parte de lo que el mercado llama agente es eso mismo, con otro nombre.
Lo otro que nadie cuenta: los datos primero
El artículo señala como fallo la complejidad de integración con los flujos heredados, y ahí está la mitad de la película.
Un agente no falla porque el modelo sea tonto. Falla porque la información que necesita no está donde tiene que estar, o está mal etiquetada, o vive en un Excel que solo entiende una persona del departamento.
En Barner, antes de meter algoritmos de previsión, tuve que etiquetar todos los productos en Odoo. Lo primero no fue la IA, lo primero fue el dato. Sin eso no hay agente que valga.
La regulación que asoma
El artículo también menciona el riesgo regulatorio, con el reglamento europeo de IA en el horizonte y con procesos sensibles como conciliaciones contables y control de calidad en el punto de mira.
La lectura práctica: si estás automatizando un proceso que puede acabar en una auditoría, el registro de decisiones deja de ser buena práctica y pasa a ser requisito. Montarlo desde el principio cuesta poco. Reconstruirlo a posteriori sobre un sistema en producción cuesta muchísimo.
Fuente original: VentureBeat
Relacionado
