Empieza 2026 y la conversación sobre los agentes de IA cambió de tono. Durante un par de años fue pura promesa y entusiasmo; ahora llegaron los primeros números en serio, y son crudos. Los informes que se publicaron este mes coinciden en algo incómodo: la enorme mayoría de los proyectos de IA agéntica no está llegando a producción. Muchos pilotos, poca realidad. Y lo que más me llamó la atención no es el dato en sí, que era esperable, sino la explicación unánime que dan los analistas: el problema no es la tecnología. Los modelos funcionan, y funcionan muy bien. Lo que falla es todo lo demás —el contexto, la integración, el rediseño de los procesos, el criterio para gobernar lo que se delega—. Y al leer eso sentí algo raro, una mezcla de validación y de desconcierto, porque es casi exactamente lo que escribí en este blog hace más de un año, cuando los agentes eran apenas una promesa. No lo traigo para sacar pecho, que sería de mal gusto y además poco interesante. Lo traigo porque me parece que, si el camino se veía venir desde un simple blog de reflexión, vale la pena preguntarse cómo lo torcemos para que los agentes de verdad funcionen. De eso quiero hablar.
Los números que abrieron el año#
Pongamos sobre la mesa lo que dicen los informes, sin dramatizar, porque los datos hablan solos. Gartner proyectó este mes que más del 60% de las primeras implementaciones de orquestación de agentes no van a cumplir las expectativas de costo o rendimiento hacia 2030, porque las empresas están subestimando lo que hace falta para que funcionen: integración, gobernanza, talento. La misma consultora venía anticipando que cerca del 40% de los proyectos agénticos se cancelarían para 2027. Deloitte reportó que, si bien casi cuatro de cada diez organizaciones están haciendo pruebas piloto con IA agéntica, apenas algo más de una de cada diez logró llevarla a producción de verdad. Y un estudio del MIT que dio que hablar mostró que la abrumadora mayoría de estas pruebas pilotos de IA generativa no entrega ningún retorno medible.
Son números grandes, y conviene leerlos con cuidado para no caer ni en el pánico ni en la negación. No dicen que la IA agéntica sea humo; dicen que hay un abismo enorme entre la prueba de concepto que impresiona en una demo y el sistema que funciona, confiable, en producción, día tras día. Es la distancia entre “miren lo que puede hacer” y “esto sostiene una parte del negocio sin romperse”. Y esa distancia, lejos de ser un problema nuevo, es la más vieja de nuestra industria. Lo nuevo es la velocidad con la que el entusiasmo nos hizo olvidar que existía.
Pero el dato más revelador, el que de verdad importa, es el del diagnóstico. Cuando los analistas se preguntan por qué fallan estos proyectos, la respuesta es sorprendentemente unánime y sorprendentemente poco técnica. McKinsey señaló que cerca del 80% de las organizaciones simplemente está apilando IA encima de procesos viejos, diseñados por humanos para humanos, en lugar de repensar cómo debería fluir el trabajo. Es decir: tomamos un proceso pensado para personas, le pegamos un agente arriba, y nos sorprendemos cuando no anda. El problema no está en el modelo. Está en que le pedimos que opere en un mundo que nadie rediseñó para él.
Lo que escribíamos acá, hace más de un año#
Y acá viene la parte que me dejó pensando, y por la que quería escribir este post. Porque todo esto —que el problema no sería la inteligencia del modelo sino el contexto, que automatizar no es lo mismo que delegar, que el agente no entiende la empresa por defecto— no es una revelación de 2026. Es, casi palabra por palabra, lo que escribí en noviembre de 2024, cuando los agentes recién empezaban a dejar de responder y empezaban a hacer cosas, y lo que retomé a mediados de 2025, cuando ya trabajaban de verdad.
En aquel primer post sobre agentes titulé una sección con una frase que hoy me resulta casi profética, y lo digo con más perplejidad que orgullo: “el agente no entiende tu empresa por defecto”. Escribía que un agente puede ser capaz de usar herramientas sin que eso signifique que entiende el contexto de una organización: no sabe qué cliente es crítico, qué proceso tiene excepciones históricas, qué parte del sistema está en migración, qué deuda técnica el equipo decidió tolerar a propósito. Puede saberlo si se lo damos, puede respetarlo si lo definimos, pero no lo adivina. Decía también que automatizar no es delegar responsabilidad, que actuar rápido no siempre es actuar bien, y que los agentes necesitan barandas: permisos, límites, trazabilidad, revisión, reversibilidad. Y a mediados de 2025, cuando los agentes empezaron a trabajar en serio, insistí en que cuanto más capaz se volvía el agente, más fino tenía que ser el arnés con que lo conducimos, no menos.
Releo todo eso hoy, a la luz de los informes de este mes, y la correspondencia es casi exacta. Los proyectos están fallando justamente por donde decíamos que iban a tensionarse: falta de contexto, ausencia de rediseño, confusión entre automatizar y delegar, expectativa de que el agente entienda solo un mundo que nadie le explicó. Lo que en 2024 era una intuición razonada, en 2026 es un dato de consultora con porcentajes.
Lo raro no es que pasara; es que no lo vieran venir#
Y acá está lo que de verdad me inquieta, y que digo con toda la humildad del caso. Si yo, desde un blog personal de reflexión, sin acceso a estudios de mercado ni a datos privilegiados, escribiendo en mis ratos para pensar en voz alta, podía anticipar más o menos por dónde iban a venir los problemas… ¿cómo es que los monstruos de la industria, las empresas con miles de ingenieros y presupuestos enormes, parecen no haberlo visto venir? ¿Cómo se invirtieron fortunas en proyectos agénticos sin haber resuelto primero las preguntas básicas que cualquiera que haya estado en producción se hace casi por reflejo?
No lo digo desde la soberbia, porque no tiene ningún mérito especial: las cosas que escribí no eran genialidades, eran sentido común de oficio, lo que sabe cualquiera que haya visto fracasar automatizaciones por falta de contexto. Y justamente por eso me desconcierta. La respuesta, creo, no es que la industria sea tonta —no lo es— sino que el entusiasmo colectivo tiene una capacidad asombrosa de hacernos olvidar lo que ya sabíamos. Cuando una tecnología deslumbra, baja la guardia crítica. La presión por no quedarse atrás empuja a lanzarse sin hacerse las preguntas incómodas. El FOMO, ese miedo a perderse la ola, es un pésimo consejero técnico. Y así, empresas que tienen de sobra el conocimiento para anticipar estos problemas igual se lanzaron de cabeza, porque el costo de parecer lento se sentía, en el momento, más caro que el costo de fallar.
Hay algo casi tranquilizador, y a la vez aleccionador, en darse cuenta de esto. Tranquilizador, porque confirma que el criterio de oficio —pensar despacio, hacerse las preguntas básicas, no dejarse arrastrar por el ruido— tiene un valor real, incluso frente a recursos enormes. Y aleccionador, porque muestra lo fácil que es, para cualquiera, perder ese criterio cuando la corriente del entusiasmo aprieta. No es un problema de inteligencia ni de recursos. Es un problema de no dejar que la prisa nos haga saltear lo que ya sabíamos.
Pero no vine a decir “te lo dije”#
Sería muy fácil, y muy estéril, quedarme acá, en el “lo veíamos venir”. El “te lo dije” es cómodo y no construye nada. Lo que me interesa de verdad es lo otro: si el camino se veía venir, entonces también se ve venir cómo cambiarlo. Si sabemos por qué fallan, sabemos —al menos en parte— cómo hacer que funcionen. Y esa es una noticia profundamente optimista, no pesimista, porque significa que el problema está a nuestro alcance. No dependemos de que los modelos mejoren todavía más; los modelos ya son extraordinarios. Dependemos de cosas que sí controlamos: cómo los integramos, qué contexto les damos, cómo rediseñamos el trabajo alrededor de ellos.
Porque eso es lo que estos informes, leídos con optimismo, en realidad están diciendo. Si el 80% de los fracasos viene de apilar IA sobre procesos viejos sin rediseñarlos, entonces el camino al éxito no es un misterio tecnológico: es rediseñar los procesos. Si el problema es la falta de contexto, la solución es darle contexto. Si el problema es confundir automatizar con delegar, la solución es no confundirlos. Ninguna de esas cosas requiere esperar al próximo modelo. Todas están en la cancha de quienes lideramos tecnología, hoy, con lo que ya existe. El reality check de los agentes no es el fin de la promesa; es la hoja de ruta de cómo cumplirla, escrita en negativo.
Cómo torcer el rumbo: rediseñar, no apilar#
Si tuviera que quedarme con una sola idea de todo este aprendizaje colectivo, sería esta: los agentes no funcionan apilados sobre lo viejo; funcionan cuando rediseñamos el trabajo para ellos. Y rediseñar no significa tirar todo, sino preguntarse de nuevo, con honestidad, cómo debería fluir un proceso si parte del trabajo lo va a hacer un agente. Un proceso pensado para que lo ejecute una persona tiene pasos, controles, supuestos y atajos que solo tienen sentido para una persona. Pegarle un agente arriba, esperando que se acomode a un molde que no es el suyo, es pedirle que fracase con elegancia.
Esto conecta con algo que vengo diciendo desde hace rato y que cada vuelta confirma: la calidad de lo que obtenemos de la IA depende, sobre todo, de la calidad del contexto y de la estructura que le damos. Un agente potente en un proceso bien rediseñado, con contexto claro, límites definidos y puntos de control humanos donde importan, puede ser transformador. El mismo agente, sobre un proceso heredado, mal documentado, lleno de excepciones que viven en la cabeza de alguien, va a tropezar una y otra vez. La diferencia entre el proyecto que llega a producción y el que muere en piloto rara vez está en el modelo elegido. Está en cuánto trabajo de oficio —rediseño, contexto, gobernanza— hicimos alrededor de él antes de soltarlo.
Y acá vuelven, intactas, las barandas y el arnés de los que escribí antes, pero con un sentido nuevo. Antes las planteaba sobre todo como protección, para que el agente no hiciera daño. Ahora veo que son también condición de éxito, no solo de seguridad. Un agente con permisos claros, contexto rico, puntos de revisión bien puestos y trazabilidad no es solo un agente más seguro: es un agente que efectivamente funciona, que llega a producción, que entrega valor sostenido. La disciplina que parecía un freno resulta ser, en realidad, el motor. Los proyectos que se saltearon esa disciplina por ir rápido son, justamente, los que hoy engrosan las estadísticas de fracaso.
El modelo mental equivocado: el “empleado digital”#
Quiero detenerme en algo más profundo que creo que está en la raíz de muchos de estos fracasos, y que tiene que ver con cómo pensamos a los agentes antes incluso de implementarlos. Buena parte del entusiasmo agéntico se vendió con una metáfora seductora: el agente como “empleado digital”, una especie de trabajador incansable al que le delegás una tarea y la hace de punta a punta, como lo haría una persona pero más rápido y más barato. Esa metáfora es atractiva y, creo, parte del problema, porque nos lleva a esperar de los agentes algo que todavía no son y a diseñar para ellos como si fueran lo que no son.
Un empleado humano, incluso uno nuevo, trae consigo algo que un agente no tiene: sentido común, capacidad de detectar cuándo algo está raro, el reflejo de preguntar antes de hacer una macana, una comprensión implícita del contexto de la organización que absorbió sin que nadie se la explicara del todo. Cuando le pedimos a un agente que sea un “empleado digital” y lo soltamos a operar como si tuviera todo eso, descubrimos rápido que no lo tiene. No es menos inteligente que un humano en lo suyo; es inteligente de otra manera, y esa diferencia importa muchísimo a la hora de diseñar. El agente ejecuta brillantemente dentro de lo que entiende, y se equivoca con seguridad y a gran velocidad fuera de eso, sin el reflejo humano de frenar ante la duda.
Por eso me parece más útil pensar a los agentes no como empleados digitales que reemplazan personas, sino como una capa nueva y poderosa que amplifica el trabajo de un equipo que sabe lo que hace. El agente no viene a reemplazar el criterio; viene a ejecutar a escala las decisiones de quien sí lo tiene. Las organizaciones que lo entienden así —que ponen al agente a potenciar a su gente en vez de a sustituirla— son las que están sacando valor real. Las que compraron la fantasía del trabajador autónomo que se las arregla solo son, en buena medida, las que hoy figuran en las estadísticas de casos pilotos que nunca llegaron a producción. La metáfora con la que pensamos una tecnología condiciona cómo la implementamos, y “empleado digital” fue, creo, una metáfora que prometió de más y preparó el terreno para la desilusión.
Hay una recomendación que di en 2024 y que el reality check de 2026 vuelve a validar: conviene empezar por lo acotado y de bajo riesgo, no por lo crítico. Mucho del fracaso que muestran los informes viene de organizaciones que, deslumbradas, apuntaron sus agentes directamente a procesos centrales y complejos, y se estrellaron contra toda la complejidad de golpe. El que en cambio empezó por tareas delimitadas, reversibles, donde un error no era catastrófico, pudo aprender cómo se comporta el agente, calibrar el contexto, ajustar los límites, ganar confianza de a poco, y recién entonces escalar hacia lo importante.
No es una estrategia tímida; es una estrategia inteligente. La madurez con los agentes, igual que con cualquier tecnología poderosa, no está en automatizar lo más posible lo más rápido posible, sino en saber qué delegar, con qué arnés, en qué momento. Las organizaciones que entendieron esto —ese 11% que llegó a producción, ese puñado que la está sacando barata— casi siempre son las que fueron pacientes, las que hicieron el trabajo poco glamoroso de rediseñar y dar contexto, las que resistieron la tentación de soltar un agente potente sobre lo crítico solo porque la demo impresionaba. La paciencia con criterio, que nunca consigue aplausos en el momento del hype, es la que aparece en las estadísticas de éxito un par de años después.
Lo que me deja este arranque de año#
Termino donde quería llegar desde el principio. El reality check de los agentes no me deja una sensación de derrota ni de “se los dije”; me deja, sobre todo, una confirmación esperanzadora. Confirmación de que el criterio de oficio —pensar despacio, hacerse las preguntas básicas, no dejarse arrastrar por el ruido— sigue valiendo, y mucho, incluso frente a recursos enormes. Y esperanzadora porque el diagnóstico, lejos de ser una condena, es una hoja de ruta: sabemos por qué fallan los proyectos agénticos, y eso significa que sabemos, en buena medida, cómo hacerlos funcionar. No hace falta esperar magia tecnológica; hace falta hacer el trabajo que ya sabíamos que había que hacer.
Era posible un camino como este. Era posible anticipar, desde la reflexión y el oficio, que los agentes iban a fallar no por falta de inteligencia sino por falta de contexto y rediseño. Y si era posible verlo venir, también es posible dar el volantazo. Los agentes no son una promesa incumplida; son una promesa que recién ahora, después del primer golpe de realidad, empezamos a saber cómo cumplir. Los que entiendan que el trabajo está en el rediseño y el contexto, no en el próximo modelo, van a ser los que en un par de años miren para atrás y vean que valió la pena la paciencia.
Les dejo, para arrancar el año, una pregunta para llevarse al propio equipo. Si los proyectos agénticos fracasan sobre todo por apilarse encima de procesos que nadie rediseñó, la próxima vez que vayamos a sumar un agente a nuestro trabajo, ¿vamos a preguntarnos primero cómo debería fluir ese proceso si parte del trabajo lo hace una máquina, o vamos a pegarle el agente arriba a lo que ya teníamos y esperar que la magia ocurra sola? Porque a esta altura ya lo sabemos, y lo sabíamos desde antes: la magia, cuando ocurre, casi siempre es el nombre que le ponemos al trabajo que alguien se tomó en serio.
Fuentes consultadas#
- Gartner, predicciones sobre IA agéntica, enero de 2026 (más del 60% de las implementaciones de orquestación agéntica no cumplirán expectativas hacia 2030; ~40% de proyectos cancelados para 2027).
- Deloitte, State of AI in the Enterprise (datos sobre brecha entre pilotos y producción), 2026.
- MIT NANDA Initiative, The GenAI Divide (95% de los pilotos de IA generativa sin ROI medible), 2025.
- McKinsey, State of AI (organizaciones que apilan IA sobre procesos legacy sin rediseñar), 2025-2026.