IA sin procesos es rápida y segura de sí misma, pero frecuentemente está equivocada
La Inteligencia Artificial que actúa con velocidad y confianza puede parecer exactamente lo que toda empresa necesita. Pero hay un detalle que mucha gente ignora: cuando esa IA no está anclada en procesos sólidos, se equivoca — y se equivoca rápido, a escala.
No es una exageración.
Una investigación de Harvard Business Review Analytic Services, encargada por Appian, mostró que apenas el 16% de las organizaciones logra extraer un alto valor medible de sus inversiones en IA. Eso significa que la gran mayoría está pagando caro por algo que todavía no entrega lo que promete. Y lo peor: muchas de esas empresas ni siquiera saben exactamente dónde está el cuello de botella — si es en la tecnología en sí, en los equipos que la operan o en los procesos que deberían sustentar todo esto.
Fue exactamente ese escenario el que estuvo en el centro del AppianWorld 2026, en Orlando, donde Appian fue más allá de las diapositivas bonitas y trajo casos reales de cómo automatización de procesos e IA pueden funcionar juntas de una forma que tiene sentido, tanto para el negocio como para quien la usa en el día a día. El evento reunió a líderes de tecnología, gestores de operaciones y especialistas en transformación digital para discutir algo que raramente aparece en los titulares: la diferencia entre una IA que impresiona en una demo y una que realmente funciona en producción, bajo presión, con datos reales y consecuencias concretas.
El CEO de Appian, Matt Calkins, citó el informe del HBR durante el keynote de apertura y conectó los datos con su convicción de larga data: la IA solo se vuelve útil cuando está estructurada. Destacó una frase del propio informe — la próxima fase de madurez en IA depende de incorporar la IA en el núcleo de cómo se hace el trabajo — y completó con pragmatismo: Appian lleva años haciendo esto. El AppianWorld fue, por lo tanto, el escenario para darle sustancia a esa afirmación, con anuncios concretos y ejemplos prácticos.
La empresa tiene 25 años de historia construyendo sistemas para entornos donde equivocarse tiene consecuencias serias — bancos, farmacéuticas, agencias gubernamentales. Y ahora está posicionando la IA no como una solución mágica, sino como una capa más dentro de una estructura que ya funciona. La pregunta que vale la pena hacerse es: ¿esta propuesta se sostiene fuera del escenario del keynote? Eso es lo que vamos a explorar aquí. 👇
IA como una nueva capa de proceso
Para entender lo que Appian está intentando hacer, es importante considerar de dónde viene la empresa. Appian no es, por naturaleza, una empresa de IA. Es una plataforma de automatización de procesos que se especializó a lo largo de 25 años en digitalizar y automatizar procesos de negocio complejos en grandes organizaciones reguladas. Pensemos en bancos procesando solicitudes de préstamo, farmacéuticas gestionando ensayos clínicos o gobiernos emitiendo licencias. Procesos donde un error no es solo costoso, sino a veces francamente peligroso. Ese es el mercado donde Appian opera desde hace décadas y donde ahora está añadiendo la IA como una nueva capa.
¿Por qué esta combinación es tan importante? La respuesta está en una característica fundamental de la IA que frecuentemente se subestima. Wei Smith, Product Manager de Agentes de IA en Appian, fue directa durante una sesión en el evento: un agente de IA que no conoce tus procesos es rápido y seguro de sí mismo, pero frecuentemente está simplemente equivocado. La velocidad y la escala no ayudan si el resultado es incorrecto. Solo agravan el problema.
Jake Rank, Senior Director de Product Management para IA en Appian, lo vio en la práctica tras la disponibilidad general del Agent Studio. Los clientes querían desplegar agentes para prácticamente todo, lo cual es comprensible dado que el mercado está pidiendo agentes a gritos. Pero la experiencia mostró que una regla de negocio estándar o una integración simple simplemente funciona mejor en muchas situaciones. Appian incorporó esa lección en el Composer, que utiliza los requisitos introducidos para aconsejar cuándo necesitas un agente y cuándo no. Las organizaciones que más valor extraen de la IA no son las que despliegan agentes en todas partes, dice Rank. Son las que saben cuándo no hacerlo.
El problema real detrás de los números
Cuando miras ese 16% que logra extraer valor real de la Inteligencia Artificial, la primera reacción es pensar que el problema está en la tecnología. Que los modelos todavía no son lo suficientemente buenos, que los datos son malos, que falta potencia computacional. Solo que la realidad que emergió en el AppianWorld 2026 apunta en una dirección muy diferente: el mayor obstáculo no es técnico, es estructural. Las empresas están intentando aplicar IA sobre procesos fragmentados, mal documentados y llenos de excepciones que nunca fueron resueltas. El resultado es predecible: la IA aprende los problemas junto con los flujos y comienza a replicarlos a velocidad industrial.
Este es un punto que Appian ha venido repitiendo insistentemente en los últimos años, y que ganó aún más fuerza en esta edición del evento. Automatización sin proceso es solo caos a alta velocidad. No importa lo sofisticado que sea el modelo de lenguaje o lo preciso que sea el sistema de reconocimiento de patrones: si el flujo de trabajo que está operando no fue diseñado con claridad, con responsabilidades bien definidas y con puntos de control adecuados, la IA va a escalar justamente aquello que debería ser corregido. Y las consecuencias en sectores como salud, finanzas y gobierno pueden ser mucho más serias que una simple ineficiencia operativa.
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.
El dato de Harvard Business Review Analytic Services no es solo un número para una diapositiva de presentación. Revela una madurez organizacional que todavía está en construcción en gran parte del mercado. Las empresas que están en el grupo del 16% no necesariamente tienen la IA más avanzada o el mayor presupuesto de tecnología. Lo que tienen en común es una disciplina de procesos que precede a la adopción de la IA — una base sólida sobre la cual la automatización inteligente consigue operar con previsibilidad, auditabilidad y resultado medible.
Participante del proceso, no sustituto de él
Elegir cuándo usar un agente es una cosa, pero el desafío está en garantizar que ese agente funcione de forma confiable. Durante el keynote, Calkins explicó cómo funciona esto en la práctica: un agente de IA recibe una tarea única y bien definida, solo puede hacer lo que el proceso le permite y siempre está bajo supervisión humana. Appian incluso a veces verifica el resultado haciendo que dos modelos de IA ejecuten la misma tarea y comparando los resultados. Un proceso es una máquina de confiabilidad, dijo Calkins. Captura errores antes de que causen daño. Eso ya era verdad para los humanos, y ahora es verdad para la IA. En esa lógica, la IA no sustituye al proceso — es una nueva participante que depende del proceso para funcionar.
Siddharth Goyal, VP de Automatización Inteligente en Xebia, partner de implementación de Appian, confirma esto en la práctica. Hace dos años, sus clientes hacían fila para organizar sus datos, asumiendo que mejores datos eran la clave para una mejor IA. Esa discusión cambió, dice. La mayor parte del valor se crea cuando las organizaciones se enfocan en el proceso, no en los datos. Piensa en el proceso dentro del cual quieres que la IA opere, y el resto se acomodará naturalmente.
Agentes de IA: lo que cambió en la conversación
Uno de los temas que más calentó las discusiones en el AppianWorld 2026 fue el rol de los agentes de IA dentro de flujos de trabajo corporativos. A diferencia de lo que mucha gente imagina, agente no es sinónimo de autonomía total. En la visión que Appian presentó a lo largo del evento, un agente bien construido es aquel que sabe exactamente hasta dónde puede ir solo y cuándo necesita escalar a un humano. Esa distinción parece simple, pero representa un giro significativo en la forma en que el mercado está pensando sobre madurez en IA.
Durante años, la conversación sobre automatización giró en torno a eliminar al humano del proceso. Cuanto más automatizado, mejor. Cuanta menos intervención humana, más eficiente. Solo que esa lógica empieza a volverse problemática cuando lidias con decisiones que involucran riesgo regulatorio, impacto financiero relevante o juicio contextual que los modelos todavía no consiguen ejercer con consistencia. Lo que Appian está defendiendo — y lo que los casos presentados en el evento corroboran — es que los agentes más eficaces son aquellos diseñados para colaborar con humanos en puntos estratégicos del proceso, y no para sustituirlos de forma indiscriminada.
Este enfoque tiene un nombre técnico que ganó popularidad recientemente: human-in-the-loop. Pero en el contexto del AppianWorld, ganó una capa práctica que va más allá del concepto. La plataforma de Appian permite que los equipos configuren con precisión qué decisiones un agente puede tomar de forma autónoma, cuáles necesitan revisión humana y cuáles deben ser bloqueadas hasta que un responsable las valide. Ese nivel de control granular sobre el comportamiento de los agentes es exactamente lo que diferencia una implementación madura de IA de una apuesta tecnológica sin guardrails. Y para sectores altamente regulados, eso no es un diferencial — es una exigencia.
Pero existe un riesgo sutil que Mark Talbot, Director de Arquitectura e IA en Appian, destacó con franqueza. Appian enfatiza la importancia del humano en el loop, pero ¿y si esa persona deja de mirar realmente? Si alguien siempre acepta la sugerencia de la IA sin pensar, la supervisión humana se convierte en una fachada, dijo. La supervisión real requiere conocimiento del proceso. Necesitas mantener eso. Appian se toma este riesgo en serio. En el Doc Center, el módulo que permite a las organizaciones procesar y revisar documentos automáticamente, la plataforma rastrea quién acepta consistentemente todas las salidas de la IA y quién realmente hace correcciones. No como castigo, sino como señal: si nadie está corrigiendo nada, la pregunta no es si la IA es lo suficientemente buena, sino si el humano en el loop todavía está realmente ejerciendo supervisión.
No empieces por la tecnología: las lecciones de Pfizer y Carlyle
Pfizer demostró en el evento lo que significa poner el proceso antes que la tecnología. La farmacéutica trabaja con Appian desde hace años para gestionar contratos con profesionales de la salud en 143 países. Cada día, 75 mil empleados trabajan con el sistema, en una industria donde equivocarse no es una opción. Anne Furey, VP de Meetings, External Engagements y Travel en Pfizer, fue clara durante el keynote: en nuestra industria, el cumplimiento normativo no es una elección, es nuestra licencia para operar.
Antes de la implementación, cerrar un contrato llevaba de seis a ocho semanas, a veces más. Ahora ese tiempo se ha reducido a menos de 24 horas. Pero esa ganancia no vino de implantar la IA primero. Su colega Kathy Maltz, Senior Director de Digital y Technology, explicó la lógica: no puedes automatizar la complejidad, necesitas eliminarla primero. Así que no empezamos por la tecnología, empezamos escuchando. Solo después de que Pfizer simplificó el proceso, estandarizó etapas y eliminó pasos innecesarios, la IA fue añadida como capa extra. El resultado es un sistema donde la IA procesa documentos, verifica datos y señala discrepancias, pero un empleado siempre toma la decisión final.
Un patrón similar está surgiendo en Carlyle, firma de inversiones que gestiona más de 470 mil millones de dólares en activos, distribuidos en miles de entidades legales y cuentas bancarias en 27 países. Allí, los procesos de pago no son una función de back-office — son el núcleo de cómo suceden las operaciones. Trabajando con Appian, Carlyle construyó un sistema de pago global donde la IA procesa facturas y extrae datos automáticamente, pero los humanos proporcionan la aprobación. El resultado: una reducción del 40% en el tiempo entre la fecha de la factura y el pago, medida en más de 14 mil solicitudes de pago y más de 4,5 mil millones de dólares en transacciones en los primeros tres meses. Shakira Fraser, Head de Operaciones Financieras en Carlyle, fue directa al subir al escenario: esto no es un roadmap, no es un piloto, no es una prueba de concepto. Esta es una plataforma de producción que ya está entregando resultados reales.
Esencial para una misión de la NASA
Quizás el ejemplo más impresionante vino de la NASA. La agencia espacial estadounidense construyó un sistema de gestión de contratos completamente nuevo — el NASA Contract Management System (NCMS) — con Appian en apenas nueve meses. Para una organización con once integraciones de sistemas complejas, activa en todos los centros de la NASA y responsable de aproximadamente el 85% del presupuesto de la agencia, eso es excepcionalmente rápido.
El impulso, por cierto, no fue entusiasmo — fue necesidad. La NASA perdió 135 personas a través de un programa de salida voluntaria y no las reemplazó, mientras la misión Artemis estaba acelerando. A medida que la carga de trabajo aumentaba, la plantilla disminuía. Antes de la implementación, los especialistas en contratos trabajaban con un mosaico de sistemas desactualizados y aislados. Estaban tan frustrados que muchos preferían redactar sus contratos en Word en vez del sistema oficial. Para la organización, eso significaba ningún dato centralizado, ninguna visión general y ningún control sobre su propio proceso de compras.
Eso cambió con Appian, dice Melanie Landers, quien lideró la implementación técnica como Enterprise Applications Program Lead. El sistema desempeñó un papel directo en la misión Artemis II, con la que la NASA envió humanos de vuelta a la Luna por primera vez desde las misiones Apollo. Para esa misión, 2.700 proveedores de 47 estados estadounidenses colaboraron: empresas que suministraron piezas, materiales y servicios especializados para la construcción de la cápsula Orion y del vehículo de lanzamiento. Todo contrato necesario pasó por el NCMS. Allison Sandt, Directora Interina del E-Business Systems Office, quien lideró el lado funcional del proyecto, resumió: sin procesos de compras que funcionen bien, ningún cohete despega. El 85% del presupuesto de la NASA pasa por compras. Somos parte esencial de toda misión exitosa.
Proceso como cimiento, no como burocracia
Existe un prejuicio silencioso en el mundo de la tecnología cuando el tema es proceso. Mucha gente asocia gestión de procesos con burocracia, con diagramas de flujo interminables, con aprobaciones en cadena que traban más de lo que ayudan. Pero lo que el AppianWorld 2026 dejó claro es que el proceso, cuando está bien diseñado, es exactamente lo opuesto a eso. Es lo que permite que la automatización y la Inteligencia Artificial operen con velocidad sin perder confiabilidad. Es la diferencia entre un coche sin frenos yendo rápido y un coche bien calibrado que consigue acelerar y frenar con precisión.
Appian construyó su reputación sobre esa premisa. En los 25 años de la empresa, el foco siempre estuvo en crear plataformas que permitieran a las organizaciones mapear, automatizar y monitorear procesos complejos en entornos donde el margen de error es mínimo. Cuando la ola de IA llegó con fuerza, la empresa no necesitó reinventar su propuesta de valor. Simplemente posicionó la IA como una capacidad más dentro de un ecosistema que ya había sido diseñado para soportar complejidad con control. Eso es madurez de producto y también es madurez de visión estratégica.
Pero no toda implementación exitosa tiene la escala de Pfizer o de la NASA. Mark Talbot describió en una conversación con Techzine un proveedor de telecomunicaciones donde su equipo construyó un agente que verifica planos arquitectónicos recibidos: ¿los tipos de documento corresponden a este tipo de proyecto? Parece simple, pero ahorra tres días de tiempo de espera por solicitud, dijo. El agente tiene acceso a la base de conocimiento, recorre los pasos de forma independiente y registra su razonamiento. Un empleado puede ver exactamente cómo se alcanzó la decisión después. A eso le siguió un segundo caso de uso: identificar envíos duplicados de proyectos. Dos pasos pequeños, ambos con ahorro de tiempo demostrable. Eso es exactamente lo que queremos decir con IA Seria, dice Talbot. No es espectacular, pero es confiable y medible.
La tecnología es prometedora, pero todavía no está completa
Los casos de los clientes son impresionantes, pero no cuentan toda la historia. Detrás de los éxitos existe una realidad que la propia Appian no esconde: la tecnología es prometedora, pero todavía no está completa. Los agentes todavía no se perfeccionan automáticamente, la gobernanza entre usuarios de negocio es una cuestión abierta y el camino del piloto a la producción es más largo de lo que muchas organizaciones esperan.
Talbot es directo sobre lo que los agentes de Appian son en su esencia: wrappers alrededor de un LLM, al igual que herramientas comparables como LangChain o LangGraph. Lo que diferencia a Appian no es el agente en sí, sino la capa de proceso a su alrededor. El refinamiento de los agentes todavía es un trabajo mayoritariamente manual hoy. Su equipo alimenta manualmente datos de feedback en un modelo externo y después ajusta los prompts del agente a mano. El próximo paso es que la plataforma haga eso sola, dice Talbot. Toda la entrada, salida y razonamiento de un agente ya están registrados en Appian. Los datos están ahí. Ahora el sistema necesita aprender de ellos por su cuenta, sin que nadie tenga que intervenir.
Rank explica por qué ese paso es tan importante. Sin un loop de aprendizaje, la precisión de un agente cae en cuanto las condiciones de negocio cambian, surgen nuevas situaciones o se alteran las políticas. Estarías constantemente arreglando cosas. Con un loop de aprendizaje, ese mismo cambio se convierte en input, dice. El agente reconoce el patrón y rinde mejor la próxima vez. Pero hay un límite claro: la definición de un agente no cambia automáticamente con base en el feedback de los usuarios. Los ajustes fundamentales siempre vuelven al entorno de desarrollo, con todas las verificaciones asociadas. El desarrollador decide.
La cuestión de la gobernanza en el desarrollo low-code por usuarios de negocio es otro punto donde Talbot es transparente. Appian posiciona su plataforma en parte como un entorno donde incluso empleados no técnicos pueden construir agentes. Pero ¿qué significa eso para el control y el cumplimiento normativo? Es un desafío, dice Talbot. Creo firmemente en involucrar al negocio, porque ellos entienden el trabajo que estamos intentando automatizar. Pero, para ser honesto, no sé si nuestro enfoque actual es escalable. Su colega Rank lo ve de forma diferente. En su visión, la responsabilidad del cumplimiento recae sobre el negocio de todas formas, no sobre TI. Cuanto más acerquemos las herramientas al negocio, mejor podrán asumir efectivamente esa responsabilidad. Las dos perspectivas no son mutuamente excluyentes, pero muestran que Appian todavía está buscando internamente la respuesta correcta a una pregunta que es al menos igual de urgente fuera de la empresa.
El éxito puede aumentar la complejidad
Más allá de los desafíos técnicos y de gobernanza, Goyal identifica otro riesgo a partir de la experiencia de implementación: las organizaciones subestiman sistemáticamente cuánto tiempo lleva que las capacidades realmente entreguen valor. Esto no es un interruptor que enciendes. Es un camino de varios años, dice.
Eli Zogby, VP de Process and Platform Excellence en Canada Life, una aseguradora canadiense que atiende a millones de clientes, fue notablemente honesto en el escenario sobre lo desafiante que es ese camino en la práctica. Si lo expliqué bien aquí en el escenario hoy, puede parecer que tenemos todo bajo control, dijo. Pero no es así. Canada Life construyó casos de uso exitosos, acortó ciclos y estandarizó procesos. Pero cada vez que un proyecto tiene éxito, surge un nuevo peligro. Irónicamente, el éxito del proyecto puede en realidad aumentar la complejidad de la organización, dijo Zogby. Resuelves un problema local, celebras y empiezas de nuevo. Pero sin estándares compartidos, estás constantemente reinventando la rueda. El paso más difícil, por lo tanto, no es el primer caso de uso. El más difícil es lo que viene después: escalar, estandarizar y lograr una adopción real.
Lo que separa a las empresas que extraen valor de las que no
Volviendo a ese 16% que logra extraer valor medible de la IA, vale la pena entender qué hacen diferente. Con base en lo que fue presentado en el AppianWorld 2026 y en lo que los datos de la investigación revelan, algunas características se repiten.
Herramientas que usamos a diario
La primera de ellas es la existencia de una capa de datos limpia y bien gobernada antes incluso de que cualquier iniciativa de IA sea iniciada. Parece obvio, pero en la práctica es uno de los mayores cuellos de botella que enfrentan las empresas. La IA necesita datos de calidad para funcionar bien, y los datos de calidad son resultado de procesos bien estructurados.
La segunda característica es la presencia de una estrategia clara de automatización que va más allá de casos de uso aislados. Las empresas que están en la cima no están automatizando tareas aleatorias. Están mapeando recorridos completos, identificando dónde la IA puede agregar más valor y dónde la intervención humana todavía es insustituible. Esa claridad estratégica evita el desperdicio de recursos en automatizaciones que impresionan en una POC pero no escalan a producción con el mismo rendimiento.
La tercera, y quizás la más importante, es la cultura de medición continua e iteración. Las organizaciones que extraen valor real de la IA no tratan la implementación como un proyecto con inicio, desarrollo y fin. La tratan como un proceso vivo, que necesita ser monitoreado, ajustado y evolucionado constantemente. Eso exige herramientas que permitan visibilidad en tiempo real sobre el rendimiento de los agentes, sobre las desviaciones en los flujos automatizados y sobre el impacto medible de cada decisión tomada por el sistema.
Posicionamiento de mercado y la capa alrededor de la IA
La pregunta que queda después de todas estas observaciones honestas es cómo se posiciona Appian en un mercado donde proveedores como Microsoft, Salesforce y ServiceNow ven las mismas oportunidades. El CEO Calkins tiene una respuesta clara: posiciona a Appian no como competidor de los grandes players de plataforma, sino como un complemento indispensable. No quien suministra la energía, sino el cableado que garantiza que la luz realmente se encienda.
La IA va a cambiar todo de verdad, dijo Calkins en una entrevista con Techzine. Pero no puede hacerlo sola. Necesita una capa que la haga confiable en procesos críticos. Nosotros somos esa capa.
En octubre de 2025, Gartner posicionó a Appian como Líder en el segmento recién definido de BOAT — Business Orchestration and Automation Technologies — junto a Pegasystems y ServiceNow. Pero Gartner también observó que, hasta esa publicación, Appian había sido más lenta que algunos competidores en la adopción de agentes de IA, con el Agent Studio todavía en beta en ese momento. Jonty Padia, Practice Director en la firma de análisis Everest Group, ve a Appian como una empresa con una posición tecnológica fuerte pero un estilo de comunicación cauteloso. Appian prefiere mostrar lo que ya está funcionando en lugar de lo que está por venir, dijo Padia. Eso construye confianza, pero en un mercado donde los competidores están lanzando roadmaps ambiciosos, puede significar que su historia no resuena tan fuerte como podría.
El CTO y fundador Mike Beckley delineó en el keynote de cierre cómo esa incertidumbre va a evolucionar en los próximos años. Su mensaje fue estratégicamente relevante no solo para Appian, sino para cualquier persona que esté pensando en dónde está el valor real de la IA. Presentó un panorama de diez benchmarks de IA de los últimos años y señaló un patrón frecuentemente ignorado en la discusión sobre el mejor modelo: los modelos están convergiendo. La distinción ya no está en el modelo que eliges, dijo Beckley. Sea el último modelo comercial o una alternativa abierta, eso importa cada vez menos. Lo que cuenta es lo que construyes a su alrededor: los procesos, la gobernanza, la estructura que permite al modelo hacer su trabajo.
Beckley también describió cambios específicos en cómo las empresas van a desplegar IA en los próximos años. El data fabric — la capa arquitectónica que hace que datos de diferentes sistemas estén disponibles en tiempo real sin mover físicamente esos datos — se está volviendo más inteligente. Hoy, la plataforma ya sabe dónde están los datos y cómo están conectados los sistemas. Lo que viene es una comprensión más profunda de la naturaleza de esas conexiones, para que un agente no solo encuentre los datos correctos sino que también entienda lo que esos datos significan en el contexto de una decisión específica.
Los números de Gartner dejan claro lo que todo esto significa para el mercado. Hoy, apenas el 5% de las empresas usa una plataforma de automatización consolidada que reúne procesos, agentes, bots y personas. Gartner espera que ese número llegue al 70% para 2030. La carrera por conquistar esa posición ya comenzó.
El AppianWorld 2026 dejó un mensaje claro en el aire: la carrera por la Inteligencia Artificial no la va a ganar quien tenga el modelo más avanzado o el mayor presupuesto de tecnología. La va a ganar quien sepa integrar IA con procesos maduros, automatización responsable y agentes bien calibrados. Y quien todavía esté intentando atajar ese camino va a seguir formando parte de ese 84% que invierte mucho y cosecha poco. 🤖
