A veces, es importante dar un paso atrás y analizar el panorama general. En medio del entusiasmo por el potencial de las nuevas tecnologías, y a pesar de años de inversión digital, la productividad se encuentra estancada o en descenso. La automatización ha ayudado a los equipos a avanzar más rápido en algunas áreas, pero no necesariamente con mayor eficacia. Los proyectos piloto de GenAI están generando hasta ahora un impacto objetivo, pero muchos no avanzan a la fase de producción, permaneciendo en el paraíso de los proyectos piloto y aportando pocos beneficios a sus patrocinadores.
Una verdad que emerge lentamente, pero imparable, está moderando el optimismo: para convertir el potencial de la IA, el aprendizaje automático y la automatización en resultados empresariales reales y positivos, las organizaciones necesitan más que una eficiencia incremental en las tareas; necesitan una reinvención sistémica. Dicho de otro modo, las empresas obtendrán pocos o ningún beneficio de estas tecnologías sin la reinvención y los cambios impulsados por el negocio en sus procesos, personal y estructuras.
De las tareas a los viajes
La tecnología se ha destacado desde hace tiempo en la automatización de tareas repetitivas, como la introducción de datos o el restablecimiento de contraseñas. Recientemente, las nuevas arquitecturas han permitido la comprensión y generación de lenguaje natural para facilitar tareas como la redacción de correos electrónicos o la ejecución de flujos de trabajo de varios pasos. La IA agencial va más allá, o al menos pretende impulsar agentes autónomos capaces de planificar, actuar, observar y aprender a lo largo de flujos de trabajo y recorridos de cliente completos.
Lo que aún no se ha definido para muchos es la distinción entre ambos. La automatización es una palanca, mientras que la IA agenética es un nuevo modelo operativo. Los agentes inteligentes no son solo bots más inteligentes; actúan como recursos de trabajo compuestos y reutilizables que pueden orquestarse en diversos dominios. En este sentido, el impacto no proviene únicamente de los agentes ni de los modelos y arquitecturas, sino de su forma de analizar los problemas y su acceso a los sistemas internos y externos. Protocolos subyacentes como MCP y A2A están impulsando silenciosamente este cambio, a menudo invisible, pero fundamental.
No solo los empleados corporativos usan GenAI a tasas más bajas que los adolescentes, sino que las empresas que han puesto a prueba proyectos GenAI están viendo que los pilotos fracasan a un ritmo alarmante, según un estudio reciente del MIT . Oana Cheta, socia de estrategia y operaciones en McKinsey, reconoce que algunas empresas están teniendo dificultades para implementar GenAI, pero sostiene que el origen de sus dificultades tiene poco que ver con la tecnología en sí.
«La falta de una implementación exitosa no es un problema de IA, es un problema empresarial. La IA no está sobrevalorada. Las empresas están mal cableadas y mal equipadas. En unos años, será una infraestructura invisible. Los ganadores no serán los que se queden atrapados en pilotos interminables, sino aquellos lo suficientemente audaces como para desechar procesos obsoletos e integrar completamente la IA».
Bloques de construcción, no herramientas mágicas
Vale la pena mencionar algunos de los sospechosos habituales (y menos habituales) en lo que respecta a los bajos niveles de progreso exitoso de la IA. Las organizaciones carecen de un rediseño integral del recorrido, especialmente en la etapa inicial del «plan maestro», que consiste en definir el estado actual, articular los problemas a resolver, elaborar las soluciones y (solo) entonces redefinir las bases del negocio. La falta de este rigor implica que los esfuerzos para fomentar la adopción suelen ser fragmentados, lo que da lugar a grupos aislados de experimentación sin coordinación general. También se da un énfasis excesivo en la elección del modelo por encima del diseño arquitectónico fundamental, y la inversión es crónicamente insuficiente cuando se trata de los aspectos de orquestación o capa de memoria necesarios para lograr un progreso significativo.
Los líderes que están construyendo con éxito en esta área tratan la IA como bloques de construcción modulares y reutilizables, no como herramientas mágicas. En lugar de buscar el modelo más reciente, construyen patrones reutilizables: capas de orquestación, bibliotecas de agentes, protocolos de decisión. Oana Cheta, de McKinsey, señala estudios de caso recientes e instructivos.
Aceleramos los planes de desarrollo de productos de IA de Agentic para varios líderes globales de MedTech . La IA modular de Agentic no solo resuelve los desafíos actuales de servicio. Ofrece a los líderes de MedTech una arquitectura escalable para la reinvención que puede impulsar el crecimiento, garantizar el cumplimiento normativo y establecer un nuevo estándar de confianza del consumidor en toda la empresa, a la vez que impulsa futuras implementaciones gracias a la naturaleza reutilizable del código.
En otro proyecto, ayudamos a una plataforma líder de servicios tecnológicos, nativa de IA, a maximizar su alcance a los empleadores e impulsar su crecimiento en tres fases: desde la estrategia, pasando por las pruebas, hasta el desarrollo e implementación de la gestión y el seguimiento dinámicos del rendimiento. Esto, junto con una sólida gestión del rendimiento y nuevas formas de trabajar para los empleados, ha generado un aumento significativo y medible de los ingresos, un aumento de la velocidad y mejoras en la productividad.
Transformación de doble velocidad
Estratégicamente, y aunque no es nada sencillo, centrarse simultáneamente en los logros a corto plazo y en la reinvención estructural es la manera como los líderes y las organizaciones pueden empezar a obtener más y mejores resultados.
El uso de agentes atómicos para impulsar la síntesis, la predicción de intenciones y la generación de contenido son buenos ejemplos de cómo impulsar el impulso. Integrar el aprendizaje práctico en los equipos de entrega es otro ejemplo donde las iniciativas a corto plazo pueden desarrollarse sin una inversión significativa de capital. La regla inviolable aquí es evitar la proliferación de pilotos mediante el apego a los principios de diseño. De hecho, no hacerlo representa el mayor riesgo para los esfuerzos de transformación, augurando un fracaso casi seguro.
Al mismo tiempo, es necesario abordar reinvenciones estructurales a largo plazo, que implican el rediseño de recorridos, procesos, flujos de trabajo y tareas al incorporar empleados o clientes, por ejemplo, o al gestionar el trabajo de servicio de campo. Estos son ejemplos de la importante reestructuración que debe ocurrir en el núcleo de las empresas. Y es difícil. Si bien es más fácil, por ejemplo, debatir en detalle los méritos de un modelo o proveedor, es la reinvención de los procesos centrales la que eventualmente rendirá dividendos duraderos. Crear equipos pequeños y multidisciplinarios capaces de desarrollar y gestionar soluciones basadas en agentes es una ruta hacia el éxito. Alinear los equipos de negocios y tecnología es otra, ya que tienden a buscar cosas diferentes.
Entonces, ¿qué aprendemos de dar un paso atrás?
Es hora de obtener resultados medibles y coordinados como parte de un cambio estructural más amplio, no solo de demostraciones. La IA agente puede y debe servir como modelo para un mejor sistema de toma de decisiones y un modelo operativo. Y quienes puedan gestionar, gestionar, impulsar e impulsar ese sistema mejorado serán las organizaciones que encarnarán el futuro del trabajo y los negocios. Como dice Oana Cheta: «Las empresas que elijan las herramientas adecuadas y replanteen su modelo operativo, no solo su conjunto tecnológico, impulsarán la productividad y las experiencias empresariales y de cliente del futuro a gran escala».
