Automatización de workflows con IA agéntica: lo que McKinsey reveló sobre las empresas que están ganando
Automatización de workflows dejó de ser tendencia y se convirtió en cuestión de supervivencia en el mundo corporativo. En los últimos tres años y medio, desde que ChatGPT apareció para la mayoría de las personas, el juego cambió de forma irreversible. La inteligencia artificial salió del laboratorio, atravesó la fase de machine learning y llegó a una nueva etapa: la IA agéntica, capaz de automatizar procesos completos de principio a fin, sin necesidad de intervención humana en cada paso. Y las empresas que entendieron esto antes están sacando una ventaja significativa.
No estamos hablando de una ventaja marginal. Estamos hablando de un 20% de aumento promedio en el EBITDA, un retorno de tres dólares por cada uno invertido y una velocidad de ejecución que deja a los competidores mirando hacia atrás sin entender qué pasó. McKinsey acaba de lanzar la segunda edición de Rewired, su framework para transformación tecnológica en grandes empresas, y las cifras son difíciles de ignorar. Qué cambió, quién está acertando en la práctica y qué separa a las organizaciones que cosechan resultados de las que se quedan atrás es exactamente lo que vamos a desglosar aquí. 🚀
Por qué McKinsey revisitó el Rewired ahora
La primera edición de Rewired ofreció a los líderes empresariales una estructura clara sobre cómo las organizaciones podían empoderarse con tecnología e inteligencia artificial. Pero el mundo no les dio opción sobre la necesidad de escribir una segunda versión, como explicó Rob Levin, uno de los responsables del proyecto. La tecnología avanzó demasiado rápido. La IA migró de modelos de machine learning a la IA agéntica, esa nueva capacidad de automatizar workflows completos de principio a fin.
El equipo detrás del framework quiso mirar la receta que había establecido tres años antes y preguntarse con honestidad: ¿el enfoque para que empresas tradicionales se organicen, se alineen, construyan, adopten y escalen IA todavía funciona? La respuesta vino acompañada de una cita del poeta griego Arquíloco que traduce bien el momento: no ascendemos al nivel de nuestras expectativas, caemos al nivel de nuestro entrenamiento. Y eso sigue siendo cierto tanto para el momento actual de la IA como para la tesis central de Rewired.
El punto central es que la mayoría de las empresas en un determinado sector coincide sobre dónde la IA puede generar valor, qué dominios pueden transformarse y cuáles son los grandes casos de negocio. Pero las empresas solo rinden realmente al nivel de sus capacidades internas. Y el gran hallazgo de esta segunda edición fue exactamente ese: las compañías que construyeron capacidades sólidas durante la fase inicial de la IA, el llamado AI 1.0, tuvieron un éxito mucho mayor en la transición hacia la IA generativa y agéntica que aquellas que no invirtieron en esa base.
Qué tiene de diferente la IA agéntica
Durante años, cuando la gente hablaba de inteligencia artificial en el contexto empresarial, lo que tenían en mente era básicamente un asistente muy sofisticado: tú preguntabas, él respondía. El modelo funcionaba bien para tareas puntuales, pero tenía un límite claro. Siempre que el proceso necesitaba avanzar a la siguiente etapa, un humano tenía que estar ahí para presionar el botón. Eso creaba cuellos de botella, retrasaba entregas y limitaba el potencial real de la tecnología. La novedad que la IA agéntica trae a la mesa es exactamente la capacidad de romper ese ciclo.
La IA agéntica no espera a que la llamen. Actúa. En términos prácticos, esto significa que un agente de IA puede recibir un objetivo, planificar las etapas necesarias, ejecutar cada una de ellas de forma secuencial o paralela, adaptar el plan según los resultados intermedios y entregar el producto final sin que ninguna persona necesite intervenir en el camino. Esto cambia radicalmente la lógica de los workflows corporativos, porque el cuello de botella humano que siempre existió entre las etapas de un proceso simplemente desaparece o, al menos, se reduce drásticamente.
Este salto no ocurrió de la nada. Es resultado de una combinación entre el avance de los grandes modelos de lenguaje, la mejora en la capacidad de razonamiento contextual de estas herramientas y la llegada de infraestructuras de orquestación que permiten conectar múltiples agentes trabajando en conjunto. Cuando pones todo eso junto, el resultado es un nivel de automatización que va mucho más allá de lo que cualquier empresa podía imaginar hace cinco años. Y lo más importante: ese nivel ya está accesible ahora, no es algo para el futuro.
Los números que McKinsey presentó y por qué importan
El framework Rewired, en su segunda edición, no es un documento teórico lleno de buzzwords. Es un compilado de datos reales de grandes organizaciones que ya pusieron en práctica la transformación digital orientada por IA y midieron los resultados con rigor. Kate Smaje, una de las líderes del estudio, compartió tres números que dejan el panorama bastante claro, todos basados en una cohorte de 20 empresas que realmente aplicaron el framework de forma completa. 📊
El primer número: estas 20 empresas registraron un aumento promedio del 20% en el EBITDA. Para ponerlo en perspectiva, estamos hablando de un indicador que grandes corporaciones persiguen durante años enteros con programas de eficiencia operativa, recortes de costos y reestructuraciones. La IA está entregando esto en ventanas de tiempo mucho menores.
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 segundo número: en promedio, toma de uno a dos años para que la inversión se vuelva acumulativa en caja. Y un detalle interesante es que dos tercios de esta cohorte lo consiguió enfocándose en tres o menos áreas de transformación. Es decir, estas empresas no están esparciendo IA por toda la organización como mantequilla de maní. Están siendo quirúrgicas en la elección de dónde dirigir recursos.
El tercer número: por cada dólar de inversión, el retorno promedio es de tres dólares. Este dato es relevante porque rompe un argumento que todavía circula mucho en los consejos de administración, el de que el costo de implementación es demasiado alto para justificar el proyecto. Cuando el ROI promedio llega a 3x, el argumento del costo pierde fuerza muy rápidamente.
Lo que Rewired deja claro es que estos resultados no son universales. Pertenecen específicamente a las empresas que aplicaron la metodología de forma integrada. Las demás, que intentaron elementos aislados sin construir esa musculatura organizacional, quedaron por debajo de esas cifras. El riesgo real no está en invertir, sino en no invertir mientras los competidores avanzan.
Casos reales: Freeport-McMoRan, DBS y LATAM Airlines
La teoría solo gana credibilidad cuando tiene ejemplos concretos detrás. Y Rewired trae algunos que vale la pena conocer.
Freeport-McMoRan, gigante del sector minero, es un caso emblemático. En la primera edición del libro, la empresa ya se destacaba por haber construido un gemelo digital de todo su concentrador de cobre, creando eficiencias de principio a fin en el proceso de extracción del metal de la roca. Los resultados fueron expresivos. Cuando surgió la IA generativa, la empresa dirigió esa misma capacidad hacia otra área del negocio: la lixiviación, que es el proceso químico final para extraer el mineral de la roca, y generó una nueva capa significativa de valor. Este es un ejemplo perfecto de cómo las capacidades construidas durante la fase inicial de la IA siguen sirviendo increíblemente bien a las empresas a medida que la tecnología evoluciona.
DBS, banco con sede en Singapur, es otro caso que el estudio revisita con destaque. Durante tres a cuatro años, DBS hizo inversiones fuertes en fundaciones tecnológicas. Cuando llegaron la IA generativa y agéntica, el banco pudo moverse con una velocidad impresionante. El resultado tangible y verificable fue de cerca de mil millones de dólares singapurenses en beneficios generados por la IA. Pero el número que quizás sea aún más revelador es el de velocidad: cuando DBS comenzó a trabajar con IA, tomaba 18 meses poner el primer modelo en producción. Hoy, el banco pone un nuevo modelo en producción cada dos meses. Esa aceleración es la capacidad diferenciada que permite hacer más e ir más rápido de forma continua.
LATAM Airlines aparece como referencia en ingeniería agéntica. Según el estudio, la aerolínea está probablemente un año por delante de la mayoría de las empresas en términos de adopción e incorporación de ingeniería agéntica, no solo para codificación, sino para el ciclo completo de desarrollo de software. Y la velocidad resultante está siendo notable. 🛫
Dónde la automatización de workflows está generando más impacto
Cuando miramos los casos de uso que más se destacan en la práctica, algunos sectores y funciones aparecen con mayor frecuencia. Operaciones financieras, atención al cliente, cadena de suministro, generación de contenido y análisis de datos son las áreas donde la automatización basada en IA ha entregado los resultados más expresivos. Y el patrón que se repite en estos casos no es el de la sustitución total de equipos, sino el de la transformación del papel de las personas dentro del proceso. Los equipos pasan a trabajar sobre excepciones, decisiones estratégicas y mejoras continuas, mientras la IA se encarga del volumen operativo. 🤖
En retail, por ejemplo, el área de previsión y planificación es donde la IA suele generar mayor impacto. En seguros, el procesamiento de siniestros es el objetivo más común. En manufactura pesada, el foco tiende a ser rendimiento o throughput. Esta especificidad es fundamental, porque una de las trampas más comunes es intentar aplicar IA en todo al mismo tiempo, diluyendo recursos y haciendo imposible medir el impacto real en cualquier área.
En el área de operaciones y cadena de suministro, el impacto es igualmente expresivo. Workflows que antes involucraban múltiples aprobaciones manuales, intercambio de correos entre departamentos y días de espera ahora se ejecutan en minutos. Un agente de IA puede monitorear inventarios, identificar riesgos de ruptura, consultar proveedores alternativos, comparar precios y activar pedidos automáticamente, todo dentro de un único flujo orquestado. Este tipo de capacidad operativa era impensable sin un equipo dedicado y costoso. Hoy, es infraestructura.
Un punto planteado en el estudio que merece atención especial es el caso de una gran empresa automotriz que reinventó completamente su cadena de suministro. Tan difícil como la transformación tecnológica en sí fue el trabajo siguiente: convencer a cientos de proveedores de operar de la forma que el gemelo digital de la cadena indicaba como ideal. Este tipo de desafío de adopción, que va mucho más allá de la parte técnica, frecuentemente se trata como detalle y termina convirtiéndose en el principal obstáculo para el éxito.
La revolución silenciosa en el desarrollo de software
Uno de los puntos más impactantes que Rewired aborda es el cambio radical en la productividad del desarrollo de software. Estamos hablando de un aumento de hasta 20 veces en la productividad de creación de código, impulsado por herramientas de IA. Esto no es una proyección futura. Ya está ocurriendo.
Este cambio está colapsando el modelo tradicional de los equipos de desarrollo. El concepto del equipo de dos pizzas, popularizado por empresas de tecnología como Amazon, que presupone alrededor de ocho personas trabajando juntas en un proyecto, se está reduciendo a dos profesionales: un dueño de producto que sabe definir qué necesita hacerse y cómo debe verse el resultado ideal, y un ingeniero full-stack que puede trabajar con sistemas de generación de código, depurar resultados e integrar todo a la arquitectura existente. Este es un cambio gigantesco en la dinámica de trabajo y en el tipo de talento que las organizaciones necesitan buscar. ⚙️
Al mismo tiempo, el panorama tecnológico nunca fue tan complejo para tomar decisiones de arquitectura. Cada proveedor en cada capa del stack se está posicionando como el centro de gravedad de tu estrategia de IA, y muchos de esos proveedores vienen con costos operativos continuos elevados. La tentación de adoptar soluciones puntuales o plataformas de agentes para cada función del negocio es real, pero cuando das un paso atrás y miras el conjunto, el resultado puede ser una arquitectura frágil, ineficiente y menos segura.
Qué diferencia a quienes aciertan de quienes se quedan atrapados en el piloto
Existe un fenómeno muy común en las grandes empresas que está siendo llamado piloto eterno: la organización hace un proyecto de IA, obtiene resultados prometedores a pequeña escala, y ahí se frena. El proyecto no escala, no se integra al negocio real y se convierte en una vitrina interna que no genera resultado financiero medible. Esto ocurre por razones muy específicas, y entenderlas es el primer paso para no caer en esa trampa.
La principal razón es la falta de integración entre la estrategia de negocio y la estrategia de IA. Cuando el proyecto de automatización nace dentro de un departamento aislado, sin conexión con los objetivos financieros de la empresa y sin patrocinio ejecutivo real, difícilmente va más allá de la fase de demostración. La transformación de verdad ocurre cuando el liderazgo de la empresa ve la automatización de workflows como una palanca estratégica, no como un experimento tecnológico.
Uno de los primeros errores identificados por el estudio es la mentalidad de que el papel del liderazgo ejecutivo es escuchar propuestas sobre IA, asignar recursos y después delegar la ejecución al equipo de tecnología. Este enfoque replica un paradigma antiguo de trabajar con TI que simplemente ya no funciona. La transformación necesita ser liderada por el negocio y distribuida por todo el equipo de liderazgo.
Otro factor determinante es la construcción de capacidades internas. Las empresas que dependen exclusivamente de proveedores externos para operar sus sistemas de IA quedan rehenes de plazos, costos y limitaciones de personalización. Las que invierten en formar equipos internos con conocimiento real sobre cómo funcionan los agentes, cómo se orquestan los workflows y cómo los modelos pueden ajustarse al contexto del negocio tienen una ventaja enorme en velocidad de iteración y costo a largo plazo.
Quién debe liderar esta transformación
Una pregunta inevitable surge cuando todos estos puntos convergen: ¿quién es el dueño de esta transformación? ¿Dónde está la responsabilidad final? La respuesta, según el estudio, es que necesita ser al mismo tiempo de arriba hacia abajo y distribuida. En todos los cientos de transformaciones estudiadas, ninguna fue exitosa sin que el proyecto estuviera entre las prioridades número uno o dos del CEO.
Al mismo tiempo, la ejecución necesita distribuirse por todo el equipo de liderazgo. Kate Smaje lo describe como un deporte corporativo de equipo. Una señal reveladora de problema, según ella, es cuando alguien hace una pregunta en una reunión de gestión y todos en la sala voltean a mirar a la persona que tiene IA en el título de su cargo. Cuando eso pasa, es señal de que la cosa no va a funcionar.
Herramientas que usamos a diario
El CHRO necesita despertarse por la mañana pensando en cómo será una organización agéntica. El CFO necesita reconfigurar los mecanismos de financiamiento para permitir reinversión continua. Los dueños de las áreas de negocio, que son el corazón real de la transformación, necesitan asumir esa responsabilidad también. La época en que era posible delegar esto a la función de tecnología y cruzar los dedos esperando un buen resultado quedó definitivamente atrás.
La transformación de IA es, ante todo, una transformación de personas
Toda transformación de IA, en su esencia, es una transformación de personas. Y esto nunca fue tan cierto como ahora. La densidad de talento en los equipos importa, especialmente el talento técnico. Al mismo tiempo, conforme los agentes asumen más tareas de coordinación, rutina, ejecución y toma de decisiones, el papel humano sube en la cadena de valor.
El estudio sugiere que las empresas comiencen a pensar sobre qué significa tener empleados de carbono y silicio trabajando juntos en una misma organización. Esto implica repensar roles, entrenar equipos para trabajar con agentes y aceptar que la definición de muchas funciones va a cambiar fundamentalmente. Si no estás pensando en tu transformación de IA como un conjunto de cambios de personas, probablemente hay algo mal en el camino. 👥
- Integración estratégica: la automatización necesita estar conectada a los objetivos financieros y operativos de la empresa, no solo al roadmap de TI.
- Patrocinio ejecutivo real: proyectos de transformación que no tienen apoyo de la alta dirección difícilmente escalan más allá del piloto.
- Equipos internos capacitados: depender solo de terceros para operar IA limita la velocidad de evolución y aumenta el costo a largo plazo.
- Foco en workflows de alto impacto: comenzar por los procesos que tienen mayor volumen, mayor costo o mayor riesgo de error es el camino más rápido hacia resultados medibles.
- Pensar en dominios, no en casos de uso: tres o menos áreas de enfoque que muevan la aguja son más eficaces que decenas de proyectos dispersos.
- Métricas claras desde el inicio: sin indicadores definidos antes de la implementación, es imposible saber si el proyecto está entregando valor real.
- Preparación para adopción y escala: planificar solo hasta el MVP no es suficiente. Es necesario pensar en producción, repetición y escala desde el principio.
Construyendo convicción en torno a la IA
Uno de los últimos puntos abordados en el estudio se refiere a algo que no aparece en ninguna hoja de cálculo: la convicción. ¿Cómo construir convicción sobre IA, tanto para uno mismo como líder como para toda la organización?
La mejor manera de construir esa convicción es enfocarse en el valor. Seguir donde está el dinero y resolver problemas reales del negocio. Ese es el corazón de la cuestión. No se trata de adoptar tecnología por ser nueva o impresionante, sino de probar que resuelve problemas concretos que importan para el resultado de la empresa.
Y después, un consejo que puede parecer contraintuitivo: date un poco de margen. Esto es difícil, y uno de los beneficios de la IA agéntica es que el costo de iteración bajó. Es más fácil equivocarse, corregir el rumbo y pivotar. El proceso se está convirtiendo menos en encontrar la respuesta perfecta a la primera y más en probar, validar y construir convicción a lo largo del camino. A veces, lo que queda en el piso de la sala de edición, y el motivo por el cual fue descartado, es donde el valor real se esconde. 💡
El momento es ahora
El momento que estamos viviendo es raro. La tecnología avanzó lo suficientemente rápido para que la automatización de workflows con inteligencia artificial sea viable a escala real, pero todavía existe una ventana de ventaja competitiva para las empresas que se muevan primero. Esa ventana no va a quedarse abierta para siempre. A medida que las herramientas se vuelven más accesibles y los casos de uso más conocidos, la diferenciación va a depender cada vez más de la calidad de la ejecución y de la profundidad de las capacidades construidas internamente.
Las empresas que se están destacando no son necesariamente las más grandes o las más ricas. Son las que construyeron el músculo organizacional para transformar insight en decisión y decisión en acción con velocidad. Operan a una tasa metabólica diferente, como describió Kate Smaje. La latencia entre percibir una oportunidad y capturarla es fundamentalmente menor. Y esa velocidad no es solo operativa. Es acumulativa. Cada ciclo de aprendizaje hace que el siguiente sea más rápido y más eficiente.
Quien empiece ahora va a llegar al momento de madurez del mercado con más experiencia, más datos y más ventaja. Y quien espere va a enfrentar la realidad de que sus competidores ya estarán operando en otro nivel. La transformación orientada por IA ya no es una opción entre muchas. Es el camino.
