Agentic AI — Cobertura continua del impacto en las empresas
La Agentic AI salió de los laboratorios y llegó de lleno al centro de las estrategias corporativas. Y no es ninguna exageración. Según Gartner, mientras que menos del 1% de las aplicaciones corporativas contaban con este tipo de tecnología en 2024, la previsión es que ese número salte al 33% para 2028, con un 15% de las decisiones del día a día siendo tomadas de forma autónoma, sin intervención humana.
Pero ¿qué diferencia a la IA agéntica de la IA que todo el mundo ya conoce? La respuesta es directa: mientras la automatización tradicional sigue reglas fijas y scripts predefinidos, la IA agéntica aprende de experiencias, se adapta a situaciones nuevas y actúa de forma independiente para alcanzar objetivos. No solo responde preguntas — ella toma decisiones, ejecuta tareas e incluso se comunica con otros agentes de IA con muy poca supervisión humana.
Es un cambio de paradigma real, y las big techs ya están moviéndose a toda velocidad. Oracle, Microsoft, Cisco, Google, Salesforce, IBM, Nvidia, Adobe, ServiceNow y CrowdStrike ya movieron sus piezas en el tablero. Mientras tanto, casos reales de adopción, como el de DeVry University y Stanford Health Care, demuestran que la teoría se está convirtiendo en práctica en sectores tan diversos como educación y salud.
Solo que el camino hasta aquí no fue lineal y está lejos de ser simple. Datos de McKinsey muestran que el 39% de las organizaciones están experimentando con agentes de IA, pero apenas el 23% logró realmente escalar esa tecnología dentro de una función de negocio. Es decir, pasar del piloto a la producción sigue siendo el mayor desafío del momento. 🚧
En este artículo nos sumergimos a fondo en lo que está funcionando, en lo que todavía traba a las empresas, en los riesgos de seguridad que nadie puede ignorar y en lo que viene por delante en una carrera que prometió mucho más de lo que entregó hasta ahora — pero que también apenas está empezando.
Lo que hace diferente a la Agentic AI de todo lo que vino antes
Durante años, cuando el tema era inteligencia artificial en las empresas, la conversación giraba en torno a chatbots, asistentes virtuales y herramientas de análisis de datos. Todas esas soluciones tenían algo en común: dependían de un humano para dar el siguiente paso. La IA sugería, el humano decidía. La IA analizaba, el humano ejecutaba. Era una relación de apoyo, no de autonomía.
La Agentic AI rompe exactamente ese modelo porque no espera. Identifica el problema, elabora un plan, ejecuta acciones concretas, evalúa los resultados y ajusta el rumbo — todo esto dentro de un ciclo continuo que puede ocurrir sin que ningún ser humano necesite apretar un botón.
Esto cambia la lógica de la automatización de forma bastante profunda. Ya no estamos hablando de scripts que siguen un flujo fijo y se detienen cuando encuentran una excepción. Estamos hablando de sistemas que logran lidiar con ambigüedad, tomar decisiones en contextos que nunca fueron explícitamente programados y, en algunos casos, coordinar otros agentes de IA para dividir tareas complejas entre sí. Es lo que la industria llama sistemas multi-agentes, y son el corazón de las implementaciones más avanzadas que grandes players como Microsoft, con Copilot Studio y Agent 365, y Salesforce, con Agentforce 360, ya lanzaron al mercado.
La IA agéntica también puede permitir que las máquinas interactúen con el mundo físico con un nivel de inteligencia sin precedentes, ejecutando tareas complejas en entornos dinámicos. Esto es especialmente relevante para industrias que enfrentan escasez de mano de obra o condiciones de trabajo peligrosas. Microsoft, por ejemplo, está desarrollando tecnologías como MindJourney, un framework que permite a agentes de IA en video explorar espacios tridimensionales antes de tomar decisiones, combinando análisis de entornos 3D con razonamiento contextual y predicción de movimientos.
Casos reales que muestran la tecnología en acción
El caso de DeVry University es un buen ejemplo de lo que esta tecnología significa en la práctica. La institución, que ya utilizaba IA en sus aulas desde hace diez años y comenzó a experimentar con bots de NLP y casos de uso de IA generativa tan pronto como la tecnología se hizo ampliamente disponible, implementó su primer agente de IA en abril de 2025. Los agentes pasaron a apoyar a estudiantes a lo largo de sus trayectorias académicas, desde dudas sobre matrícula hasta soporte personalizado para retención de alumnos. El resultado fue una operación más ágil, con atención disponible a escala y sin la necesidad de ampliar proporcionalmente el equipo humano.
Otro caso relevante vino de Stanford Health Care. Nigam Shah, Chief Data Officer de la institución, demostró durante el Microsoft Build 2025 cómo la IA agéntica está ayudando a redefinir la atención en oncología. Los médicos frecuentemente quedan sobrecargados con tareas administrativas de la medicina, lo que lleva al burnout. Los agentes de IA se están usando para aliviar esa carga, permitiendo que los profesionales de salud se enfoquen en lo que realmente importa: el cuidado directo de los pacientes.
Reciba el mejor contenido sobre innovación en su correo electrónico.
Todas las noticias, consejos, tendencias y recursos que buscas, directamente en tu bandeja de entrada.
Al suscribirte al boletín informativo, aceptas recibir comunicaciones de Método Viral. Nos comprometemos a proteger y respetar siempre tu privacidad.
Walmart también está apostando fuerte. Según Hari Vasudev, EVP y CTO de la empresa en Estados Unidos, la estrategia de inteligencia artificial de la compañía de 815 mil millones de dólares va a desempeñar un papel central para mantener su posición de liderazgo en el retail. La IA agéntica se está integrando en procesos que van desde la gestión de la cadena de suministro hasta la experiencia del consumidor.
La carrera de las big techs por dominar el ecosistema agéntico
Si hay algo que quedó claro en los últimos meses, es que todas las grandes empresas de tecnología están apostando alto por la Agentic AI — cada una con su propio enfoque y ángulo competitivo.
Microsoft y el control del ecosistema de agentes
Microsoft ha sido quizás la más agresiva en esta carrera. Además de Copilot, que tuvo su precio reducido para pequeñas y medianas empresas a 21 dólares por usuario al mes, la empresa lanzó Agent 365 (A365), un plano de control que permite a los clientes desplegar y gobernar el uso de agentes de IA a medida que se conectan a datos corporativos. La preocupación no es solo crear agentes — es evitar lo que la empresa llama agent sprawl, una proliferación descontrolada de bots que se vuelve imposible de gestionar.
La empresa también lanzó el Microsoft Agent Framework, un SDK y runtime de código abierto para construir, orquestar y desplegar agentes y flujos de trabajo multi-agentes, con soporte completo para .NET y Python. Y los nuevos agentes Researcher y Analyst de Copilot ahora pueden detallar en tiempo real cómo se están analizando los datos para llegar a los resultados, aportando una capa de transparencia que el mercado exige cada vez más.
Google y la interoperabilidad entre agentes
Google entró con fuerza con Agent2Agent (A2A), un protocolo abierto presentado en Cloud Next que busca resolver uno de los mayores problemas del mercado: agentes construidos en ecosistemas diferentes de proveedores no logran comunicarse entre sí. A2A busca crear un estándar de interoperabilidad que permita que agentes de distintas plataformas trabajen juntos de forma coordinada.
Además, Gemini Enterprise sustituyó a Agentspace como puerta de entrada a la IA agéntica en el entorno laboral, ofreciendo funciones de búsqueda empresarial para acceder a datos de diferentes aplicaciones. Google también lanzó el Agent Development Kit (ADK), un framework de código abierto que permite construir un agente de IA en menos de 100 líneas de código Python, y reveló el Agent Payments Protocol (AP2), desarrollado con más de 60 empresas de pagos y tecnología para soportar transacciones seguras lideradas por agentes.
Oracle, Salesforce, IBM y el avance en las aplicaciones empresariales
Oracle reformuló sus Fusion Cloud Applications con el lanzamiento de los Fusion Agentic Applications, incorporando agentes de IA directamente en flujos de trabajo transaccionales. La empresa también añadió agentes preconstruidos a su Fusion Cloud CX para automatizar procesos de ventas, servicio y marketing.
Salesforce actualizó su propuesta con Agentforce 360 y el Trusted AI Foundation, evolucionando de una plataforma de aplicaciones a un sistema operativo para ecosistemas de IA empresarial. Por su parte, IBM lanzó el servicio de consultoría Enterprise Advantage para ayudar a CIOs a llevar aplicaciones de IA agéntica de la experimentación a producción a gran escala, además de añadir capacidades de AgentOps a watsonx Orchestrate con monitoreo en tiempo real y controles basados en políticas.
Por qué escalar sigue siendo el mayor cuello de botella de las empresas
Si hay un número que resume bien el momento actual de la Agentic AI en las empresas, vino de McKinsey: el 39% de las organizaciones están probando agentes de IA en algún nivel, pero apenas el 23% logró escalar a una función de negocio real. Esa brecha entre experimentación y producción no es casualidad. Refleja una serie de desafíos técnicos, culturales y operativos que las empresas todavía están aprendiendo a navegar.
Desafíos técnicos de integración
Desde el punto de vista técnico, integrar agentes de IA con sistemas legados es frecuentemente el primer obstáculo. Gran parte de las empresas opera con infraestructura que fue construida hace décadas, con bases de datos, ERPs y plataformas de CRM que no fueron diseñados para comunicarse con sistemas autónomos. Hacer que un agente de IA acceda, interprete y actúe sobre datos distribuidos en múltiples sistemas exige un esfuerzo de integración que va mucho más allá de la implementación del modelo en sí. Es arquitectura, es gobernanza de datos, es orquestación de APIs y, en muchos casos, es una revisión profunda de cómo la empresa organiza su información.
Este es exactamente el problema que el análisis publicado por CIO World llamó la trampa del modelo único — la idea de que basta tener un buen LLM para que todo funcione en producción. En realidad, los agentes de IA fallan porque el entorno operativo es caótico: las solicitudes cambian de formato, los presupuestos de latencia entran en conflicto, las herramientas fallan, los costos se disparan, las restricciones de política cambian y los modos de fallo se acumulan. Es un escenario mucho más complejo de lo que cualquier demostración de laboratorio puede simular.
Databricks reconoció este desafío al anunciar la adquisición de Neon, una empresa de Postgres serverless de código abierto, específicamente porque la IA agéntica exige un nuevo tipo de arquitectura. Los flujos de trabajo tradicionales crean cuellos de botella que perjudican velocidad y rendimiento, y sin la infraestructura de datos adecuada, los agentes simplemente no logran operar de forma confiable a escala.
Resistencia cultural y el factor humano
Desde el punto de vista cultural, el desafío es igualmente grande. Delegar la toma de decisiones a un sistema autónomo exige un cambio de mentalidad que no sucede de un día para otro, especialmente en sectores regulados como salud, finanzas y derecho. Equipos acostumbrados a aprobar cada etapa de un proceso necesitan aprender a confiar en sistemas que toman decisiones sin pedir permiso — y eso genera resistencia legítima.
Una encuesta citada por CIO World reveló una división interesante: mientras la mayoría de los CIOs y CTOs están optimistas con la IA agéntica, creyendo que pronto se volverá esencial, los profesionales de TI de nivel operativo — justamente los que serán responsables de implementar los agentes — tienen dudas serias. Esa desconexión entre liderazgo y ejecución es un factor que puede retrasar significativamente la adopción a gran escala. 🤔
Investigaciones de seguridad también añadieron peso a una verdad que los profesionales de infosec ya habían percibido: los agentes de IA todavía no son muy inteligentes en ciertos contextos y pueden ser fácilmente engañados para hacer cosas erróneas o peligrosas. Los agentes aún necesitan humanos para enseñarles — el conocimiento procedimental específico es fundamental para que desempeñen bien sus funciones, y no pueden enseñarse a sí mismos, como sugiere una investigación reciente.
Seguridad, gobernanza y los riesgos que no se pueden ignorar
Cuando un sistema de IA actúa de forma autónoma, la superficie de riesgo crece proporcionalmente a su capacidad de acción. Y este es un punto que las empresas necesitan tomarse muy en serio antes de expandir cualquier implementación de Agentic AI. Agentes que tienen acceso a datos sensibles, que pueden ejecutar transacciones, enviar comunicaciones o modificar configuraciones de sistemas representan un vector de ataque mucho más atractivo que un chatbot simple. Si un agente es comprometido, manipulado mediante prompt injection o simplemente mal configurado, las consecuencias pueden ir mucho más allá de una respuesta incorrecta en una conversación.
El papel del MCP y sus riesgos
El Model Context Protocol (MCP) se convirtió en el estándar plug-and-play para que las aplicaciones de IA agéntica accedan a datos en tiempo real de múltiples fuentes. Miles de servidores MCP ya están disponibles de una amplia gama de proveedores, permitiendo que los asistentes de IA se conecten a datos y servicios empresariales. Sin embargo, como todo protocolo ampliamente adoptado, el MCP también introduce riesgos significativos de seguridad. La manera en que se despliega puede crear vulnerabilidades que actores maliciosos están más que dispuestos a explotar.
Frameworks de seguridad y enfoque zero trust
Cisco, que lanzó su plataforma AI Defense específicamente para abordar estas cuestiones, identificó que la mayoría de las empresas no tiene visibilidad adecuada sobre lo que sus agentes de IA están haciendo en tiempo real. La empresa está implementando capacidades de gestión de identidad y acceso, un toolkit para que los clientes incorporen controles de seguridad en agentes de IA y recursos de automatización que permiten que los equipos de operaciones de seguridad vean y respondan rápidamente a los problemas.
CrowdStrike también hizo una apuesta masiva en esta área, lanzando su Agentic Security Platform y la Agentic Security Workforce tras adquirir Onum por 290 millones de dólares. El objetivo es superar a adversarios que también están usando IA con inteligencia en tiempo real, automatización y un lenguaje común de defensa.
Las lecciones del OWASP Top 10 para gestión de riesgos de IA agéntica también son relevantes. Los chatbots alimentados por LLMs ya tienen riesgos que aparecen en los titulares casi a diario, pero los chatbots están limitados a responder preguntas. Los agentes de IA, sin embargo, acceden a datos y herramientas y ejecutan tareas, haciéndolos infinitamente más capaces — y más peligrosos para las empresas.
Lo que las empresas más maduras en este tema han estado haciendo es adoptar un enfoque de confianza cero aplicado específicamente a agentes de IA. Esto significa que cada agente opera con el mínimo de permisos necesarios para su función, que todas las acciones se registran y son auditables, y que existen mecanismos de revisión humana para decisiones que superan determinados límites de impacto. IBM y Google han estado impulsando exactamente esta dirección con sus respectivas plataformas, y el mercado de herramientas de observabilidad para IA está creciendo rápidamente justamente porque la demanda de seguridad y transparencia no es opcional. Es un prerrequisito.
La transformación de sectores enteros — del retail a la ciberseguridad
La IA agéntica no está afectando solo el área de TI. Está remodelando sectores enteros de la economía, y los ejemplos más interesantes vienen de lugares que no siempre se asocian con tecnología de punta.
Herramientas que usamos a diario
Retail y la limpieza de datos
En el retail, tantos desafíos dependen de datos de productos no confiables. Los agentes de IA están siendo evaluados por su capacidad de limpiar y organizar esos datos lo suficiente como para marcar una diferencia real en las operaciones. Si funciona para el retail, el mismo enfoque puede aplicarse a otras verticales de negocio que sufren el mismo problema de calidad de datos.
Ciberseguridad en la línea de frente
En la ciberseguridad, la IA agéntica ya salió de las demostraciones de laboratorio hacia despliegues reales en Centros de Operaciones de Seguridad (SOC). A diferencia de los scripts tradicionales de automatización, los agentes de software están diseñados para actuar con base en señales y ejecutar flujos de trabajo de seguridad de forma inteligente — correlacionando logs, enriqueciendo alertas e incluso tomando acciones de contención de primera línea. Al mismo tiempo, los profesionales de seguridad advierten que la IA agéntica es tanto aliada como amenaza, ya que los adversarios también están usando estas mismas capacidades para sofisticar sus ataques.
El futuro del RPA y de las aplicaciones SaaS
Otra transformación significativa involucra el futuro del RPA (Robotic Process Automation). El sector está acelerando hacia una encrucijada, con líderes de TI y especialistas debatiendo si agentes de IA más poderosos van a sustituir esta tecnología que tiene dos décadas de existencia o si agentes y RPA van a trabajar codo a codo. Hay argumentos fuertes para ambos lados.
De la misma forma, una teoría emergente sugiere que los agentes de IA pueden acabar con el modelo de negocio SaaS tal como lo conocemos. La afirmación no es nueva, pero está resurgiendo con figuras como el CEO de Microsoft, Satya Nadella, vocalizando esta posición. Nadella llegó a afirmar que los agentes van a sustituir todo el software. El CEO de Nvidia, Jensen Huang, prevé que pronto veremos cientos de millones de agentes digitales dentro de las empresas. Son declaraciones audaces, pero el consenso entre especialistas aún está dividido sobre cuánto de esta visión se concretará — y en qué plazo.
Lo que viene a continuación en esta carrera
Con Gartner proyectando que el 33% de las aplicaciones corporativas van a incorporar Agentic AI para 2028, y que el 40% del software empresarial tendrá agentes de IA específicos para tareas a finales de 2026, queda claro que la pregunta ya no es si esta tecnología se volverá mainstream — sino a qué velocidad y con qué nivel de madurez va a suceder.
La carrera entre las big techs ya está definida en cuanto a quiénes son los jugadores principales, pero el diferencial competitivo en los próximos años dependerá mucho menos de quién lanzó el agente más poderoso y mucho más de quién logre construir los ecosistemas más confiables, más seguros y más fáciles de integrar con la realidad operativa de las empresas.
Nvidia, que a primera vista puede parecer una empresa de hardware, está cada vez más posicionada como infraestructura crítica para la IA agéntica, con sus GPUs sirviendo de base sobre la que corren la mayoría de los grandes modelos y plataformas de agentes. El lanzamiento del toolkit AgentIQ para conectar agentes y frameworks distintos, además de la familia de modelos abiertos Nemotron 3, refuerzan esta posición. La empresa apuesta a que los agentes de IA necesitan cooperar, coordinar y ejecutar en grandes contextos y largos periodos de tiempo, lo que exige un nuevo tipo de infraestructura — una que sea abierta.
Mientras tanto, Oracle está apostando por una integración profunda con sus propios sistemas de ERP y CRM, creando un argumento convincente para empresas que ya viven dentro del ecosistema Oracle y quieren reducir la complejidad de implementación. AWS creó una división dedicada exclusivamente a promover la IA agéntica en su plataforma. Y Red Hat hizo de la IA agéntica el tema dominante de su Summit, anunciando mejoras en el Linux empresarial con soporte mejorado para contenedores, dispositivos de borde y, por supuesto, agentes de IA.
Un ejecutivo de EY advirtió que las empresas que están luchando por seguir el ritmo de la llegada de los agentes de IA deben prepararse: tecnologías de IA agéntica aún más complejas están llegando rápidamente, incluyendo IA física con robots y computación cuántica. El mensaje es claro — quien cree que el momento actual ya es desafiante aún no ha visto nada.
El horizonte de 2028 parece distante, pero al ritmo en que esta tecnología está evolucionando, tres años es tiempo suficiente para que empresas que comenzaron a experimentar ahora lleguen a implementaciones robustas y escalables, mientras que aquellas que se quedaron esperando tendrán una brecha difícil de recuperar. La automatización inteligente, la toma de decisiones autónoma y la seguridad por diseño ya no son conceptos del futuro. Se están construyendo ahora, en producción, con resultados reales. Y las empresas que entiendan esto más temprano tendrán una ventaja que va mucho más allá de la eficiencia operativa. 🚀
