Automatizar con IA no falla por el modelo: falla por el sistema

La IA ya puede hacer trabajo con valor económico real. La pregunta ya no es si funciona, sino cómo ponerla a operar con gobernanza, costos predecibles y mejora continua antes de que los pilotos sueltos se conviertan en deuda.

El piloto funcionó. El problema empezó después

El agente que clasifica tickets de soporte lleva tres semanas en producción. Funciona. Ventas ya pidió uno para cotizaciones, finanzas quiere otro para conciliaciones y alguien en operaciones armó el suyo con una cuenta personal.

Nadie sabe cuántos agentes hay, qué datos leen ni cuánto van a costar a fin de mes.

Ese es el punto donde la mayoría de las iniciativas de IA se atascan. No por falta de tecnología, sino por falta de sistema. Y los números lo confirman:

Cifra	Qué significa
Más del 40% de los proyectos de IA agéntica serán cancelados antes de fines de 2027 (Gartner, 2025)	Las causas señaladas son costos crecientes, valor de negocio poco claro y controles de riesgo insuficientes. Ninguna es un problema del modelo.
Cerca del 95% de los pilotos de IA generativa no muestra impacto medible en resultados (MIT NANDA, 2025)	El cuello de botella está en la integración con los procesos y el aprendizaje organizacional, no en la capacidad técnica.

El 23 de septiembre, Jared Spataro, CMO de AI at Work en Microsoft, publicó una carta a sus clientes con una tesis que comparto: no existe un producto ni un manual único que resuelva esto. Hace falta construir un sistema sobre tres bases: plataforma, modelo económico y acompañamiento en el cambio.

En este artículo le propongo cómo traducir esa idea en decisiones concretas para su organización, independientemente del proveedor que elija.

Casarse con un solo modelo es un riesgo innecesario

Los laboratorios de IA se superan unos a otros cada pocas semanas. Ningún modelo es el mejor en todo, y como cada uno se entrena distinto, cada uno falla distinto.

Microsoft lo reconoce abiertamente: su plataforma ya integra modelos de Anthropic, OpenAI y otros. Para usted, la lección es de arquitectura, no de marca.

Diseñe sus automatizaciones para que el modelo sea una pieza reemplazable. Eso implica:

• Separar la lógica del proceso (reglas, aprobaciones, integraciones) de la llamada al modelo.
• Evaluar cada caso de uso con sus propios criterios, no con benchmarks públicos.
• Poder cambiar de modelo sin reescribir el flujo completo.

Apostar todo a un modelo en un mercado que cambia cada mes no es una estrategia. Es una deuda técnica con fecha de vencimiento.

Gobernar antes de escalar: los cuatro pilares

La gobernanza no es un comité que frena proyectos. Es lo que permite pasar de cinco agentes a quinientos sin perder el control. La carta de Microsoft insiste en tener un solo lugar para monitorear, asegurar y gobernar agentes en toda la organización. Ese principio aplica con cualquier stack.

Inventario y propiedad

Todo agente tiene un dueño de negocio y un dueño técnico.

• Registro central de agentes activos, su propósito y su estado.
• Nada entra a producción sin responsable asignado.

Datos y permisos

Un agente nunca debe ver más de lo que vería la persona que lo usa.

• Heredar permisos existentes en lugar de crear accesos paralelos.
• Clasificar qué datos pueden salir hacia un modelo y cuáles no.

Observabilidad

Si no puede ver lo que hace un agente, no puede defenderlo ante auditoría.

• Trazabilidad de cada acción: qué leyó, qué decidió, qué ejecutó.
• Alertas por comportamiento anómalo, no solo por caída del servicio.

Límites y supervisión humana

Automatizar no significa soltar el volante.

• Definir qué acciones requieren aprobación humana (pagos, envíos a clientes, cambios en sistemas productivos).
• Topes de gasto y de volumen por agente.

Un agente desplegado es un agente a medio hacer

Esta es, para mí, la idea más valiosa de la carta: el día del despliegue no es el final, es el punto de partida.

Las organizaciones que sacan ventaja hacen tres cosas. Definen qué es un buen resultado. Lo miden contra esa definición. Y mejoran el agente de a poco, hasta que supera lo que habrían podido especificar al inicio.

En la práctica, eso significa tratar cada agente como un producto:

• Criterio de calidad escrito: qué respuesta es correcta, aceptable o inaceptable, con ejemplos reales.
• Conjunto de evaluación: casos de prueba que se corren antes de cada cambio de modelo, prompt o integración.
• Retroalimentación del usuario: un mecanismo simple para marcar errores que alimente el siguiente ciclo.
• Revisión periódica: métricas de negocio (tiempo ahorrado, errores evitados, casos resueltos), no solo métricas técnicas.

La ventaja competitiva no está en el agente que lanzó. Está en cuántas veces lo mejoró desde entonces.

Licencia por persona y costo por trabajo: no mezcle las lógicas

Durante veinte años, el software empresarial tuvo un precio predecible: una tarifa mensual por usuario, sin importar cuánto lo usara. La IA llegó con ese mismo modelo, pero los agentes no funcionan así.

Hoy conviven dos costos, y el error más frecuente, según la propia Microsoft, es evaluar uno con la lógica del otro:

Licencia por usuario	Cobro por uso
Acceso amplio con precio fijo por persona	Ligado al trabajo ejecutado, no a quién lo ejecuta
La capacidad mejora y el precio se mantiene	Varía según la duración y complejidad de las tareas
Se gestiona como gasto operativo de productividad	Se gestiona como inversión en capacidad, igual que la contratación de personal

En el caso de Microsoft, la licencia de Copilot cubre la experiencia de productividad para cada empleado, y el trabajo agéntico se cobra en Copilot Credits, una moneda común que agrupa el consumo de toda la plataforma.

Lo que importa para su conversación con finanzas es el enfoque: el costo variable de los agentes no es un gasto que se descontroló, es capital invertido en capacidad. Pero solo se puede defender así si tiene visibilidad del consumo por agente y límites configurados antes de que llegue la factura, no después.

La parte difícil no se compra

La tecnología es lo más sencillo. Lo difícil es rediseñar cómo se hace el trabajo y lograr que la gente confíe en el resultado.

Aquí es donde se estancan la mayoría de los esfuerzos. Un agente que nadie usa, o que todos revisan línea por línea porque no confían en él, no genera ahorro: genera doble trabajo.

Tres prácticas que marcan la diferencia:

• Rediseñar el proceso, no solo automatizarlo. Si el flujo actual tiene cinco aprobaciones innecesarias, el agente solo las ejecutará más rápido.
• Involucrar a quienes hacen el trabajo hoy. Son los que saben dónde están las excepciones y los que definirán si el agente se adopta.
• Comunicar qué cambia en cada rol. La incertidumbre sobre el propio puesto es el mayor freno a la adopción.

Microsoft respalda esta etapa con ingenieros desplegados junto a los equipos del cliente. Usted puede no tener ese recurso, pero sí puede designar un equipo interno con esa función.

Cómo construir el sistema en 90 días

1. Inventario (semanas 1–2): identifique todos los agentes y automatizaciones con IA activos, incluidos los que nacieron fuera de TI.
2. Política mínima (semanas 2–4): defina dueños, reglas de acceso a datos y acciones que requieren aprobación humana.
3. Plataforma común (semanas 3–6): concentre la construcción y el monitoreo en un solo entorno gobernado.
4. Dos casos de alto impacto (semanas 5–10): elija procesos con volumen, reglas claras y métrica de negocio medible.
5. Ciclo de mejora (semanas 8–12): instale evaluaciones, retroalimentación y revisión quincenal por agente.
6. Modelo de costos (semana 12): presente a finanzas el consumo real, los topes y el retorno por caso de uso.

Lo que le van a preguntar (y cómo responder)

“¿No es mejor esperar a que el mercado se estabilice?” No se va a estabilizar pronto. Esperar no reduce el riesgo; solo deja que la adopción ocurra sin control dentro de su organización. Construir el sistema de gobernanza ahora es lo que le permitirá cambiar de modelo o proveedor más adelante sin empezar de cero.

“La gobernanza va a frenar la innovación.” Una gobernanza mal diseñada, sí. Una bien diseñada acelera: los equipos saben qué pueden hacer sin pedir permiso y qué requiere revisión. Lo que frena de verdad es el incidente de datos que obliga a apagar todo.

“No podemos presupuestar un costo variable.” Puede, si lo trata como capacidad y no como licencia. Con consumo medido por agente, topes definidos y métricas de resultado, el costo variable se vuelve tan predecible como una nómina que crece con la demanda.

El sistema es la ventaja

Hay mucho ruido en la IA: modelos nuevos cada semana, benchmarks récord, promesas cada vez más grandes. Nada de eso gana por sí solo.

Las organizaciones que van a capturar valor no son las que tengan el modelo más potente, sino las que construyan el sistema para operarlo: plataforma flexible, gobernanza clara, costos visibles y un ciclo que mejora cada agente semana a semana.

La IA ya hace trabajo real. Lo que falta en la mayoría de las empresas es el sistema que lo sostenga.

El modelo lo puede cambiar mañana. El sistema es lo que se queda.

Fuentes

• Spataro, J. — Building the system for AI at work (Microsoft AI at Work Blog, 23 de septiembre de 2026)
• Gartner — Gartner Predicts Over 40% of Agentic AI Projects Will Be Canceled by End of 2027 (junio de 2025)
• MIT NANDA — The GenAI Divide: State of AI in Business 2025