¿Es AI agencial simplemente una extensión de los proyectos AI generativa llevados a cabo hasta ahora? La respuesta es no. El enfoque ya no se centra en la optimización local a través de un único caso de uso, sino en la reinvención completa de los procesos empresariales básicos para extraer un valor tangible y cuantificable.
Un agente no es un asistente con otro nombre. Un asistente responde o genera contenido. Sin embargo, un agente persigue un objetivo empresarial específico, toma decisiones, interactúa con sistemas y ejecuta acciones. Mantiene un estado, gestiona excepciones y escala cuando alcanza sus límites. Esta diferencia no es superficial: un agente no está diseñado para «responder», sino para actuar dentro de un proceso.
De la IA genérica a AI agencial: un cambio de paradigma
El enfoque de AI agencial marca una clara ruptura con la anterior ola de GenAI, que a menudo se abordaba de forma fragmentada, caso por caso.
El debate está pasando «de las esferas conceptuales a la realidad operativa de las grandes empresas», como lo demuestran recientemente empresas como Orange, SNCF Voyageurs y el grupo Beaumanoir. Hoy en día, el tema se trata «desde arriba», directamente por los comités ejecutivos (Comex), patrocinados por la dirección general o el director de transformación. El debate está pasando de «las esferas conceptuales a la realidad operativa de las grandes empresas», como lo demuestran recientemente empresas como Orange, SNCF Voyageurs y el grupo Beaumanoir. Hoy en día, el tema se trata «desde arriba», directamente por los comités ejecutivos (Comex), patrocinados por la dirección general o el director de transformación.
Este cambio de escala es significativo. Representa un verdadero cambio de paradigma, según Hanan Ouazan, socio y AI generativa en Artefact. El objetivo ya no es mejorar gradualmente un algoritmo, sino replantear y automatizar los procesos de principio a fin para generar un retorno de la inversión (ROI) directo y cuantificable.
Hanan Ouazan también señala los límites del enfoque anterior: «Aunque hayas optimizado considerablemente tu algoritmo a nivel local, sigue siendo local. Dependes de muchos otros aspectos del proceso que también son muy importantes para alcanzar el ROI final». Al centrarse en todo el proceso, Agentic AI superar los «efectos decepcionantes» de las optimizaciones aisladas.
AI agencial AI rompe con la automatización clásica. La automatización ejecuta una secuencia definida de tareas. La agencialización introduce el arbitraje, los controles, la capacidad de interpretar un contexto y adaptar la ruta para alcanzar un objetivo. Ya no estamos hablando de un flujo de trabajo fijo, sino de un sistema que navega por un proceso empresarial.
Establecer el rumbo: el método «por qué, dónde y cómo» para la alineación empresarial
Para gestionar una ambición así, es esencial contar con un marco estratégico claro. Para estructurar esta transformación, el experto propone un marco metodológico sencillo pero potente: el tríptico «Por qué, Dónde, Cómo». El enfoque consiste en responder secuencialmente a tres preguntas fundamentales para alinear a toda la organización.
- El «porqué»: definir el objetivo estratégico de alto nivel. Este paso establece la magnitud de la ambición y justifica las inversiones necesarias. Este «porqué» puede adoptar diversas formas, como la «brújula» centrada en el cliente de SNCF Voyageurs o la priorización de Beaumanoir dela «eficiencia profesional»inmediata para sus equipos.
- El «dónde»: definir el campo de juego. Una vez establecido el objetivo, la Compañia las funciones y procesos prioritarios en los que se puede capturar valor de manera más eficaz.
- El «cómo»: definir los medios concretos. Esto implica establecer la plataforma tecnológica, la gobernanza y la estructura organizativa que respaldarán la transformación. Esta gobernanza es fundamental: AI agencial requiere aclarar quién define las reglas de negocio, quién supervisa a los agentes y quién autoriza las acciones sensibles.
Estas decisiones organizativas, más que la tecnología, permiten la escalabilidad. El marco garantiza que la iniciativa esté firmemente anclada en la estrategia Compañia.
Elegir batallas: identificar los requisitos previos y los procesos elegibles
El éxito de un proyecto AI agencial depende de una evaluación rigurosa de tres requisitos previos esenciales:
- Conocimiento de los procesos: Es imprescindible disponer de un mapa claro de las operaciones actuales, ya que a menudo existe una diferencia significativa «entre el proceso tal y como está descrito en el papel y el proceso tal y como se lleva a cabo en la Compañia». Funciones como las financieras o las jurídicas, en las que los intereses «soberanos» requieren una documentación estricta, suelen ser puntos de partida más favorables.
- Madurez del sistemaData información: La automatización a menudo se encuentra con sistemas heredados que no fueron diseñados para ser interoperables. Un agente no solo debe ser capaz de leer información, sino también de escribirla para ejecutar acciones, lo que exige sistemas abiertos. Esta capacidad requiere una arquitectura precisa: un orquestador, memoria contextual, conectores a sistemas empresariales y una capa de supervisión. El objetivo es añadir un «sistema nervioso» transversal que vincule los procesos y los sistemas de información (SI), en lugar de reinventar lo que ya existe.
- Madurez organizativa: Es indispensable contar con una estructura capaz de supervisar los nuevos procesos, integrar la intervención humana («human in the loop») y gestionar el cambio.
Tener en cuenta estas tres dimensiones es decisivo para una fase de implementación fluida.
Una hoja de ruta pragmática para la implementación
Una vez identificados los procesos elegibles, la metodología de implementación debe ser decididamente pragmática.
El primer paso consiste en priorizar los procesos sopesando el valor potencial (ganancia esperada) frente a la complejidad de la transformación (técnica, humana, organizativa). A continuación, un paso crucial es reescribir el proceso objetivo «en un mundo ideal», sin limitaciones, y posteriormente medir la diferencia con la realidad.
Sin embargo, Hanan Ouazan advierte sobre un gran escollo: «intentar recrear inmediatamente el proceso del mañana». Este enfoque está condenado al fracaso. La mejor práctica es elaborar una hoja de ruta por «tramos», comenzando por los nichos de valor más accesibles.
Oney ofrece un ejemplo concreto con su prueba de concepto Agentic: la filial de BPCE se centró en el objetivo específico de «agilizar el proceso de suscripción de préstamos personales». En lugar de reinventarlo todo, comenzaron por automatizar el análisis de los 42 documentos necesarios. Esta única medida ahorra tres días en el proceso global y genera beneficios inmediatos.
Este enfoque incremental garantiza el éxito del proyecto, pero no elimina todos los obstáculos. Entre los antipatrones observados en la práctica se incluyen: crear un agente antes de aclarar el proceso, dar demasiada libertad a un agente crítico sin medidas de seguridad o asumir que un agente «sustituirá» a una función sin necesidad de reorganización. Por el contrario, imaginar que un agente es un producto acabado cuando requiere supervisión y ajustes continuos es otro error.
Desafíos más allá de la tecnología: gobernanza, legado y madurez de las herramientas
Los proyectos AI agencial se enfrentan a retos que van mucho más allá del marco puramente tecnológico.
Una de ellas es la evolución extremadamente rápida de las herramientas, que Hanan Ouazan compara con «intentar fotografiar un TGV que pasa a 300 km/h». Apostar por tecnologías aún en fase de desarrollo es arriesgado, de ahí la importancia de «elegir bien las batallas».
Un segundo impedimento importante es de carácter organizativo. La transformación de los procesos es intrínsecamente transversal y choca frontalmente con las organizaciones compartimentadas en las que «todos se pisan los unos a los otros». Como ilustra el reto de SNCF Voyageurs de «llegar a toda la organización», estas iniciativas están condenadas al fracaso si no cuentan con un mandato claro por parte de los más altos niveles.
Por último, la madurez de las herramientas actuales es motivo de preocupación. El Artefact identifica una «gran brecha» entre soluciones como los chatbots empresariales y las complejas plataformas de desarrollo destinadas a perfiles expertos. Hanan Ouazan cree que se necesitan herramientas «low-code» que permitan a los usuarios empresariales crear agentes, así como plataformas de supervisión «end-to-end» independientes del modelo.
Normas para la interoperabilidad y supervisión de agentes
En cuanto a protocolos como Agent to Agent (A2A) o MCP, aún se encuentran en una fase inicial y el mercado carece claramente de madurez. El experto señala que un actor del CAC40 que utilice varios modelos (Mistral, OpenAI, Google, Azure) no puede supervisar actualmente todos sus sistemas. Según él, se espera que los proveedores resuelvan este problema de interoperabilidad y gestión a gran escala. Deben ser capaces de ofrecer soluciones que «escalen la construcción de agentes de forma fiable y robusta» y permitan una«gobernanza fiable»de estos agentes.
Ante la ausencia de protocolos y plataformas de supervisión unificados, las empresas se ven obligadas actualmente a realizar una «gran apuesta» (apostarlo todo por un único modelo) o a gestionar «interfaces», lo que limita enormemente su capacidad de escalabilidad. El principal reto tecnológico radica en la falta de estándares y soluciones de gestión maduras para la interoperabilidad y la supervisión de agentes de múltiples proveedores.
El panorama está destinado a evolucionar rápidamente en los próximos 12 a 24 meses: la aparición de plataformas low-code dedicadas a los usuarios empresariales, la estandarización de los conectores transaccionales, el refuerzo de las capacidades de observabilidad y la aparición de agentes especializados integrados directamente en las herramientas cotidianas.
La pregunta ya no será «¿es factible?», sino «¿qué secuencia de procesos debe transformarse y cómo podemos supervisarla de manera eficaz?».
Vea la Repetición la presentación:
