Su implementación puede reducir tiempos operativos, ampliar la capacidad de los equipos y mejorar la toma de decisiones, siempre que trabaje con datos confiables, procesos claros y supervisión humana.
Según investigaciones del Deloitte AI Institute, cerca de tres cuartas partes de las empresas planean desplegar agentes durante los próximos dos años, aunque solamente el 21% cuenta con un modelo maduro para gobernarlos (The State of AI in the Enterprise 2026: The Untapped Edge).
Estos datos muestran una oportunidad, pero también una advertencia: implementar agentes sin preparar los datos, procesos, controles y responsabilidades puede aumentar el riesgo en lugar de generar valor.
Por ello, en INGESIS hemos vivido la evolución de la ingeniería de datos desde tareas principalmente manuales hacia agentes que ayudan a construir pipelines, monitorear la calidad, clasificar activos, documentar fuentes y administrar productos de datos.
Qlik, por ejemplo, anunció este año (2026) la disponibilidad general de capacidades de Agentic Data Engineering en Qlik Talend Cloud. Su propuesta incorpora agentes especializados para integración, calidad, gobernanza, glosarios y productos de datos, con supervisión humana en las acciones sensibles.
Snowflake y Databricks también están desarrollando plataformas para construir agentes conectados con información empresarial. Databricks informó que ya se habían creado más de 100,000 agentes mediante Agent Bricks, una señal de que las empresas están comenzando a convertir sus plataformas de datos en bases operativas para la IA.
Aquí cobra relevancia la gestión de procesos. El caso de L&G Asset Management, publicado por ARIS, demuestra cómo la documentación empresarial puede convertirse en contexto para la IA. Después de reunir y estandarizar más de 2,000 procesos, la organización logró que más de 10 agentes utilizaran esos modelos como parte de su contexto operativo. Este conocimiento también contribuyó a acelerar en un 20% la entrega del análisis empresarial para proyectos de transformación.
La evolución hacia la IA agéntica requiere, por tanto, pasar de procesos dispersos entre documentos y herramientas a una fuente confiable que permita a los agentes comprender cómo debe ejecutarse el trabajo.
Un estudio realizado durante el despliegue de agentes de programación entre decenas de miles de ingenieros de Microsoft encontró que quienes adoptaron estas herramientas fusionaron aproximadamente un 24% más de pull requests. Los investigadores aclaran que esta métrica refleja una mayor producción, pero no garantiza por sí sola mayor calidad o valor empresarial.
Esta distinción es importante. Los agentes pueden acelerar la entrega, pero no eliminan la necesidad de arquitectura, revisión de código, pruebas, AppSec y supervisión humana. El desarrollador evoluciona hacia un papel de dirección y validación, en el que delega determinadas tareas sin perder el control sobre la solución.
La IA agéntica amplía el alcance de la automatización al permitir que un agente interprete la situación y determine qué debe hacerse. Después, un robot puede ejecutar las tareas estructuradas y una persona intervenir cuando sea necesario aplicar criterio o autorizar una decisión.
UiPath resume este modelo mediante una combinación en la que los agentes razonan, los robots ejecutan y las personas lideran. Esta integración permite evolucionar de la automatización de tareas individuales hacia la orquestación de procesos completos.
BMC HelixGPT ya incorpora agentes orientados al análisis de situaciones, la evaluación de riesgos en cambios, el autoservicio de los empleados y la priorización de vulnerabilidades.
La evolución puede resumirse así: monitorear, detectar, correlacionar, diagnosticar, recomendar y remediar. El mayor avance se encuentra en las últimas etapas, donde la tecnología deja de limitarse a advertir sobre un problema y comienza a colaborar activamente en su resolución.
Sin embargo, los propios agentes crean una nueva superficie de ataque. Un agente con permisos excesivos, memoria contaminada o acceso sin restricciones a herramientas empresariales podría ejecutar acciones no autorizadas.
OWASP publicó el Top 10 for Agentic Applications 2026, elaborado con la colaboración de más de 100 especialistas, para identificar riesgos relacionados con sistemas que planifican, deciden y actúan. Esto significa que la seguridad moderna deberá proteger no solo aplicaciones y datos, sino también las identidades, herramientas, memoria, comunicaciones y decisiones de los agentes.
Entre los controles recomendados deben mencionarse identidad del agente, principio de mínimo privilegio, aprobación humana, trazabilidad, monitoreo y capacidad de detener o revertir acciones.
Qlik y Tableau están incorporando agentes capaces de responder preguntas, detectar señales relevantes, generar análisis y activar workflows. No obstante, una investigación académica de 2026 encontró que un agente analítico avanzado cambió su interpretación de las tablas en 41 de 50 preguntas al repetir las pruebas.
El hallazgo demuestra que una respuesta convincente no siempre es suficiente. Las organizaciones también deben verificar qué fuente utilizó el agente, cómo interpretó las métricas y si mantiene resultados consistentes entre ejecuciones.
En casos publicados por HubSpot, su Customer Agent ha llegado a gestionar el 91% de los chats iniciados y resolver el 75% sin intervención humana. Estas cifras corresponden a casos seleccionados por el fabricante y no representan necesariamente un promedio de la industria, pero muestran el potencial de una implementación bien contextualizada.
Otro ejemplo es un estudio sobre agentes desplegados por el banco digital Nubank, el cual encontró mejoras de 37 puntos porcentuales en el NPS transaccional y de 29 puntos en la tasa de autoservicio para un caso relacionado con la entrega de tarjetas.
El objetivo no debería ser eliminar el contacto humano, sino reservarlo para situaciones complejas, sensibles o de mayor valor, mientras los agentes atienden solicitudes frecuentes con disponibilidad permanente.
Debido a la sensibilidad de esta función, el modelo más viable es la autonomía delimitada: el agente recopila, analiza y recomienda, mientras una persona conserva la responsabilidad sobre aprobaciones, movimientos financieros, reportes regulatorios y decisiones materiales.
OWASP publicó 10 categorías prioritarias de riesgo para aplicaciones agénticas.
El objetivo no debe ser desplegar agentes en todas partes. En INGESIS recomendamos a las organizaciones comenzar por problemas empresariales medibles, preparar sus datos y procesos, definir límites de autonomía y establecer supervisión humana.
La ventaja competitiva no estará en tener más agentes, sino en contar con agentes que comprendan el negocio, utilicen información confiable, respeten los controles y generen resultados verificables.
En Centroamérica, implementar IA agéntica exige superar retos como datos fragmentados, sistemas heredados, presupuestos limitados, escasez de talento y operaciones distribuidas entre varios países. Por ello, su adopción debe ser gradual, segura y acompañada por un aliado que comprenda las necesidades tecnológicas, operativas y regulatorias de la región.
Si tu empresa busca identificar oportunidades viables, construir una hoja de ruta responsable e implementar soluciones que generen resultados medibles, ponte en contacto. ¡Hablemos! sobre cómo convertir la IA agéntica en una ventaja real, segura y sostenible para tu organización.