La automatización de procesos de negocio complejos (end-to-end) es el rubro donde se reflejará el verdadero “momento agéntico”, aquél en el que los agentes de inteligencia artificial (AI) gestionen flujos de trabajo completos de forma autónoma, colaborativa y orientada a resultados.
Sin embargo, su adopción aún presenta obstáculos, empezando por los datos y la arquitectura; además de la capacitación.
De ello, conversaron nueve líderes IT de grandes empresas en México durante una mesa redonda del IT Masters Club, convocada por Netmedia, en Ciudad de México, con el apoyo de Wizeline.
Su director general para América Latina, Andrés Hernández, indicó que la compañía, con 14 años de historia, no solo ha incorporado la AI en su oferta comercial, “sino también internamente para asegurar que las soluciones que entregamos tengan justamente esa eficiencia y velocidad que el mercado ahora demanda”.
Al dar la bienvenida a los asistentes, además de agradecer su presencia, confió en que la conversación generaría polémica y fuera, a la vez, de mucho aprendizaje para todos.
Índice de temas
De la GenAI a los procesos reales
La directora adjunta de Netmedia, Pía Mistretta, fue la responsable de moderar la mesa. Como introducción al tema, indicó que la AI agéntica va más allá de la inteligencia artificial generativa (GenAI). “Identifica el objetivo, planea, puede consultar información y ejecutar tareas”, dijo.
El cambio, detalló, no es que sea más inteligente, sino que ahora puede participar en procesos reales. Aunque su desarrollo avanza con rapidez, la mayoría de las empresas aún se encuentra en etapas de experimentación y enfrenta dificultades para pasar de pilotos aislados a operaciones confiables y escalables.
Mistretta explicó que el problema no es únicamente tecnológico, sino que también existen procesos que no están listos para operar con mayor autonomía. “Automatizar un proceso malo solo hace que los errores ocurran más rápido. Antes de incorporar agentes, vale la pena preguntarse si el proceso requiere volverse a diseñar o simplificarse”.
Y planteó a los asistentes una primera reflexión: “¿Cuántos de sus procesos sobrevivirían hoy a una auditoría antes de darles autonomía?”.
Los datos son el principal obstáculo para adoptar AI agéntica
Para abrir la discusión, se preguntó a través de un sondeo instantáneo a los asistentes cuál era el mayor obstáculo para adoptar AI agéntica en sus organizaciones: 50% señaló los datos y 38% mencionó la arquitectura. Otro 13% respondió que ninguno de esos dos factores representaba un obstáculo, mientras que tecnología y regulación no recibieron votos.
La discusión mostró que el problema de los datos no se reduce a su calidad. En algunos casos, la información necesaria para obtener un resultado ni siquiera se captura.
Óscar Salgado, CIO de Grupo Mexicano de Seguros (GMX), explicó esta situación a partir de un caso de posible fraude en siniestros de transporte de carga. El problema fue detectado inicialmente por ajustadores que identificaron coincidencias entre expedientes de distintos estados.
Al intentar utilizar AI para analizar situaciones similares, apareció una limitación: información relevante, como la identidad del conductor, no formaba parte de los datos registrados por la empresa. “Si yo no tengo los datos, pues puede tener la AI que quieras, pero no va a poder dar ese resultado”, explicó.
Para Ney Galicia, CISO de Peña Verde, el potencial de estas tecnologías también dependerá de que la información esté preparada para ser utilizada. La calidad del dato, su gobierno y la capacitación de las personas que lo capturan forman parte del mismo desafío.
Óscar Pérez, CIO de Grupo Collado, coincidió en que la integridad de la información es un habilitador para cualquier iniciativa tecnológica. Incluso cuando una organización cuenta con sistemas empresariales, dijo, persiste la práctica de extraer información para continuar trabajando en hojas de cálculo.
El desafío, por tanto, no se limita a limpiar los datos antes de conectarlos con un modelo. También implica definir qué información se captura, cómo se mantiene, dónde reside y si está alineada con los procesos que se busca automatizar.
La arquitectura también limita la escala
El segundo resultado del sondeo llevó la conversación hacia la arquitectura. Disponer de datos de calidad no resuelve por sí solo el problema si la información permanece en sistemas difíciles de conectar o si los procesos dependen de herramientas que fueron diseñadas para otra lógica operativa.
André Lois, gerente socio de IT de Siemens México, cuestionó la dependencia de herramientas que siguen formando parte de procesos empresariales, aun cuando las organizaciones buscan avanzar hacia modelos más sofisticados.
“Los datos pueden estar limpios, pueden estar curados, pueden tener procesos muy sólidos detrás, pero ¿cuál es la plataforma en donde lo ponemos? La realidad es que muchos de los procesos trabajan con Excel”, afirmó.
En Sabormex, Armando Méndez, director de IT y Transformación, explicó que la empresa ha dedicado los últimos dos años a construir una arquitectura de datos y migrar información que antes mantenía on-premise hacia la nube. El proceso también ha requerido incorporar perfiles especializados, como arquitectos de datos.
La arquitectura aparece así como una condición para pasar de experimentos aislados a implementaciones que puedan operar a escala.
A ello se suma el costo. Andy Eyherabide, director de Inteligencia artificial de Wizeline, advirtió que la discusión sobre AI también debe considerar cuánto cuesta operar estas soluciones y si pueden escalar desde un punto de vista financiero.
Según compartió durante la mesa, algunos clientes de la compañía superan los $150,000 dólares mensuales en gasto de tokens. La cifra obliga a evaluar el retorno y la viabilidad económica de cada implementación.
Gobernanza y talento marcan el ritmo
El siguiente sondeo mostró un empate. Para 40% de los asistentes, el desarrollo interno de un marco de gobierno y cumplimiento está determinando hoy el ritmo de su estrategia de AI agéntica. Otro 40% señaló la disponibilidad de talento técnico y una arquitectura de datos adecuada. Solo 20% mencionó la velocidad con que el negocio adopta el cambio y confía en la herramienta.
La madurez de la tecnología no recibió ningún voto.
El resultado desplaza la discusión de la capacidad de los modelos hacia las condiciones que existen dentro de las empresas para utilizarlos.
En Sabormex, Méndez Hernández explicó que el trabajo de arquitectura has ido acompañado por la incorporación de perfiles especializados. La discusión también puso sobre la mesa el papel de la nube y la necesidad de contar con capacidades internas para administrar una infraestructura preparada para estos usos.
Pero la gobernanza no se planteó de la misma manera en todas las organizaciones. Para algunas, las reglas deben estar definidas antes de experimentar; para otras, el aprendizaje de los casos de uso debe preceder a la construcción del marco de control.
Antes de los agentes, las empresas piden preparación
Cuando se preguntó qué necesitaban las organizaciones antes de contar con agentes inteligentes, las respuestas apuntaron a gobernanza, capacitación sobre el uso de AI, gestión del cambio, educación, claridad, identificación de objetivos, entrenamiento y conciencia de riesgo.
La lista muestra que la preparación no se limita a incorporar perfiles técnicos.
Carlos Alberto González, director sénior de IT y Transformación corporativa de Volaris, planteó que las organizaciones tendrán que experimentar, equivocarse y corregir con rapidez, pero sin perder de vista el reto cultural.
En la discusión también surgió la importancia de acercar la tecnología a los usuarios mediante casos concretos. La experiencia práctica puede ayudar a alinear expectativas y evitar que una mala experiencia inicial genere rechazo hacia la herramienta.
Respecto al temor al reemplazo laboral, Oscar Chombo, CISO de Grupo Financiero Scotiabank Inverlat, resumió una postura que también apareció durante la conversación: el reto no es únicamente la llegada de nuevas herramientas, sino la capacidad de las personas para aprender a trabajar con ellas.
“Las personas que son reemplazadas por la inteligencia artificial son aquellas que no la utilizan. Esa es la realidad, porque es la herramienta corporativa hoy en día”, comentó
El reto es controlar lo que hace el agente
La confianza en los agentes apareció asociada más al control que al temor de que la tecnología se equivoque.
Ante la pregunta sobre qué preocupaba más de un agente autónomo, 70% de los asistentes respondió que hiciera exactamente lo que se le pide, mientras que 30% eligió no entender por qué tomó una determinada decisión. Ninguno eligió que la AI se equivocara.
Esto llevó la discusión hacia las pistas de auditoría y la capacidad de reconstruir qué ocurrió cuando un agente participa en una decisión. Para llevar estos sistemas a producción, planteó uno de los participantes, es necesario saber qué hizo el sistema y por qué llegó a determinada conclusión.
Héctor Rodríguez, CISO de Compañía Mexicana de Traslado de Valores (Cometra), llevó la discusión al terreno de la resiliencia. Para él, la seguridad no puede medirse únicamente por la capacidad de prevenir incidentes, sino también por el tiempo que tarda una organización en recuperar su operación.
“Hoy en día, nosotros, los CISO; no vendemos protección, lo que vendemos es en cuánto tiempo nos vamos a recuperar en caso de un evento o una crisis”, señaló.
Eyherabide añadió que la responsabilidad por las decisiones tomadas con estas tecnologías no desaparece por utilizar un modelo desarrollado por un tercero.
“Las empresas son responsables de las decisiones que toma su inteligencia artificial. No es Anthropic, Google Cloud u OpenAI; es la empresa que utiliza estas herramientas al servicio de sus clientes”.
Y planteó un escenario crítico: “Imaginemos cómo explicamos que un agente decidió denegar una prestación médica que le hubiera podido salvar la vida a un paciente en una sala de emergencias”.
Legal sería el primer freno a la autonomía
La pregunta sobre qué área sería la primera en rechazar a un agente con autonomía arrojó otro resultado claro: Legal ocupó el primer lugar, con 4.90 puntos, muy por encima de Seguridad, con 2.60 puntos. Finanzas quedó en tercer lugar, con 0.90 puntos.
El resultado conecta con una dificultad que apareció durante la conversación: la falta de sustento normativo para algunas decisiones relacionadas con el uso autónomo de AI.
La discusión sobre gobierno mostró precisamente esa tensión.
En Sabormex, la adopción de estas herramientas se trabaja con la participación de IT, ciberseguridad, riesgos y factor humano. La intención es establecer condiciones antes de incorporar oficialmente las herramientas en la empresa.
Ewelina Rodríguez Lea, directora de Innovación de Grupo Salinas, defendió una posición distinta: experimentar primero para entender los casos de uso y construir la gobernanza a partir de esa experiencia.
“Gobierno es consecuencia de cómo se usa. No deberíamos primero hacer gobierno y después usarlo, porque gobierno es estructura muy rígida que pone reglas antes que sabemos para qué sirven”, dijo.
La diferencia adquiere mayor relevancia cuando un agente participa en procesos con impacto sobre clientes, operaciones o decisiones relevantes. En ese punto, la discusión deja de ser solo qué puede hacer la tecnología y pasa a quién autoriza su actuación y quién responde por sus resultados.
El “momento agéntico” está en los procesos end-to-end
La última pregunta devolvió a la mesa al punto de partida. Para 70% de los asistentes, el verdadero “momento agéntico” ocurrirá en la automatización de procesos de negocio complejos de extremo a extremo.
El desarrollo autónomo de software quedó en segundo lugar, con 20%, mientras que la orquestación de infraestructura y las operaciones de IT obtuvo 10%. Ningún participante eligió el análisis predictivo y la toma de decisiones estratégicas.
La diferencia frente a automatizar tareas aisladas es que un agente podría coordinar una cadena completa hasta obtener un resultado.
En una aseguradora, por ejemplo, eso podría significar que el cliente solicite un seguro o reporte un siniestro sin tener que conocer cada una de las áreas internas por las que pasa el proceso. El objetivo sería obtener una respuesta —positiva o negativa— con mayor rapidez y con una explicación de la decisión.
Salgado consideró que ahí es donde las organizaciones podrían encontrar el mayor valor: pasar de los pilotos y las automatizaciones parciales a procesos completos en los que los agentes participen de forma coordinada.
Ese escenario, sin embargo, aún no es la realidad generalizada de las empresas que participaron en la mesa. Entre la experimentación actual y ese nivel de autonomía persisten problemas de datos, arquitectura, costos, adopción, gobierno y capacidad para responder por las decisiones.
Como resumió Eyherabide al cierre de la conversación, tampoco hay respuestas definitivas sobre cómo recorrer ese camino.
“No hay verdades absolutas cuando se trata de inteligencia artificial. Creo que todos somos alumnos y que, si aprendemos juntos, vamos a aprender mejor y más rápido”, concluyó.
