El modelo operativo con agentes IA no consiste en sumar herramientas, sino en gobernar el trabajo de las máquinas con disciplina empresarial.
McKinsey en “Is that AI agent worth it? Agentic economics and the modern operating model”, plantea que las empresas necesitan administrar el trabajo de las máquinas con la misma seriedad que aplican al capital, las personas, el riesgo y las operaciones.
Estoy de acuerdo. Un modelo operativo con agentes IA no puede depender de que cada área contrate una plataforma, experimente con ella y luego solicite más presupuesto porque el consumo creció.
Los agentes ya no se limitan a apoyar tareas individuales. Pueden razonar, coordinar herramientas y ejecutar workflows completos. McKinsey estima que el gasto en inteligencia artificial podría representar cerca del 25% de los presupuestos empresariales de TI durante los próximos años.
Cuando una categoría alcanza ese tamaño, deja de ser un experimento tecnológico. Se convierte en una disciplina de gestión.
El modelo operativo empieza por el resultado
La unidad de medición de un modelo operativo con agentes IA no debería ser el token ni la llamada a una API. Debería ser el resultado completo.
Una aseguradora podría medir costo por siniestro correctamente procesado. Un banco, costo por alerta de fraude validada. Una universidad, costo por solicitud resuelta. Un equipo comercial, costo por oportunidad calificada.
Esta mirada permite comparar trabajo humano, trabajo automatizado y trabajo híbrido bajo una misma lógica.
También evita una trampa común: celebrar la actividad del agente aunque no produzca impacto. Un sistema puede generar miles de recomendaciones, pero si no aumenta ventas, reduce tiempos, evita errores o mejora decisiones, solo está generando movimiento.
La inteligencia debe asignarse como capital
McKinsey propone tratar la inteligencia como un recurso escaso que debe asignarse según el retorno esperado.
Esta idea me parece especialmente relevante. No todas las decisiones necesitan un modelo de frontera ni un agente altamente autónomo.
Las tareas repetitivas y predecibles pueden funcionar mejor con modelos pequeños, software tradicional o reglas determinísticas. Las decisiones complejas, sensibles y de alto impacto pueden justificar mayor capacidad de razonamiento y supervisión.
Un modelo operativo con agentes IA debería responder para cada workflow:
- Qué resultado busca.
- Qué modelo utiliza.
- Cuánta autonomía recibe.
- Cuánto puede gastar.
- Quién responde por su comportamiento.
- Cuándo debe detenerse.
Ningún agente autónomo debería operar sin mandato, presupuesto y regla de salida.
El contexto puede convertirse en ventaja competitiva
A medida que los modelos se parecen más entre sí, la diferencia no estará solamente en cuál compraste.
Estará en los datos y en el contexto que entregas al agente: conversaciones con clientes, decisiones anteriores, telemetría de procesos, conocimiento institucional y reglas específicas del negocio.
McKinsey sostiene que este contexto debe tratarse como un activo estratégico y, en muchos casos, mantenerse dentro de la empresa. La organización que capture mejor su conocimiento podrá obtener resultados superiores utilizando el mismo modelo comercial que sus competidores.
Por eso, externalizar todo puede ser un error. Puedes comprar modelos e infraestructura, pero deberías proteger las capas que conectan tu información, procesos y criterios propios.
Comprar, construir o asociarse
El modelo operativo con agentes IA también cambia las decisiones de sourcing.
McKinsey estima que el software comercial diseñado nativamente para agentes podría tardar entre 2 y 4 años en alcanzar suficiente madurez en muchas categorías. Durante ese período, las empresas pueden aprender construyendo selectivamente capacidades diferenciadoras.
La construcción interna debería concentrarse en tres espacios:
- Capas que conectan datos y workflows propios.
- Capacidades donde el agente crea diferenciación real.
- Proyectos que permiten desarrollar conocimiento estratégico.
El resto probablemente podrá comprarse o contratarse como servicio.
La decisión tampoco será única. McKinsey señala que muchas empresas combinarán simultáneamente 3 o 4 modalidades: APIs, nube privada, modelos abiertos y soluciones internas, utilizando una capa de enrutamiento para escoger la alternativa adecuada.
La gobernanza también compite
La misma tarea puede costar 30 veces más dependiendo de cómo actúe el agente. Eso significa que la gobernanza no es solo control: también es productividad.
Las empresas que sepan enrutar modelos, limitar autonomía, administrar contexto y evaluar resultados obtendrán más valor con el mismo presupuesto.
Yo asignaría responsabilidades concretas:
- El CIO organiza el acceso a datos y contexto.
- El CTO mejora el costo y rendimiento del trabajo de las máquinas.
- El CFO mide retorno, costo por resultado y productividad comparada.
- El líder del negocio responde por el impacto del workflow.
Cuando nadie es dueño de la capacidad, aparecen duplicaciones, contratos innecesarios y sistemas que consumen sin entregar resultados.
FAQs
¿Qué es un modelo operativo con agentes IA?
Es el sistema de roles, procesos, métricas, tecnología y gobernanza utilizado para administrar agentes de IA dentro de una organización.
¿Quién debe ser responsable de los agentes IA?
La responsabilidad debe compartirse entre líderes del negocio, tecnología, finanzas, datos y riesgo, con un propietario claramente definido.
¿Cómo se mide el trabajo de un agente IA?
Debe medirse mediante resultados empresariales, como costo por caso resuelto, ingresos generados, errores evitados o tiempo reducido.
¿Conviene comprar o construir agentes IA?
Conviene construir solo las capacidades diferenciadoras y las capas vinculadas con datos y procesos propios. Las funciones genéricas pueden comprarse.
¿Por qué el contexto empresarial es tan importante?
Porque permite que un modelo genérico actúe según la historia, las reglas, los clientes y el conocimiento específico de la organización.
Leave A Comment