La paradoja de la IA agéntica: por qué adoptarla no transforma tu organización

Introducción

En febrero de 2024, Klarna anunció que su asistente de IA, construido con OpenAI, atendía el volumen equivalente al trabajo de 700 agentes de servicio al cliente, resolvía conversaciones en menos de dos minutos frente a los once que tomaba un humano, y proyectaba un ahorro de 40 millones de dólares en el año. Fue, en su momento, uno de los despliegues de IA más citados del mundo corporativo. Quince meses después, en mayo de 2025, el CEO Sebastian Siemiatkowski admitió ante Forbes algo distinto: la organización había priorizado tanto la eficiencia y el costo que terminó sacrificando calidad, y esa calidad no era sostenible. Klarna empezó a recontratar agentes humanos para los casos más complejos. (Ver más)

El caso de Klarna es anterior a la ola actual de IA agéntica propiamente dicha —era, en rigor, un asistente conversacional, no un agente autónomo ejecutando tareas de varios pasos— y sería un error aplicarlo de forma literal a cada proyecto de agentes que se discute hoy en un comité de dirección. Pero el patrón sí se repite, con frecuencia incómoda, en el despliegue de IA agéntica: una organización mide lo que es fácil de medir —volumen, velocidad, costo— y descubre tarde que no midió lo que realmente determinaba el resultado. Klarna no midió la calidad con el mismo rigor con el que midió el ahorro, hasta que el cliente ya lo había sentido.

Ese patrón es, en esencia, la paradoja de la IA agéntica que documenta McKinsey en 2026: las empresas están adoptando esta tecnología a un ritmo histórico, pero la mayoría no está viendo el impacto que esa inversión debería producir en su cuenta de resultados.

McKinsey lo documentó con precisión en su reporte Seizing the Agentic AI Advantage (junio de 2025) (ver informe):«casi ocho de cada diez compañías reportan usar IA generativa, y casi el mismo porcentaje reporta no haber visto un impacto significativo en su resultado financiero.» A esto la firma lo llama la «paradoja de la IA generativa»: una brecha entre la adopción masiva y el impacto real. La causa, según McKinsey, no es la tecnología en sí, sino cómo se está desplegando: «hoy la IA se «atornilla» a los procesos existentes en lugar de integrarse en ellos, funcionando como un asistente que se sienta al lado del flujo de trabajo en vez de convertirse en un motor real de transformación.«

Gartner llega a una conclusión igual de contundente desde otro ángulo. La firma predice que «el 40% de las aplicaciones empresariales incorporará agentes de IA especializados en tareas específicas hacia finales de 2026, frente a menos del 5% en 2025» (ver informe) un crecimiento casi sin precedentes en la historia reciente del software empresarial. Pero, en un pronóstico igual de relevante, la misma firma advierte que «más del 40% de los proyectos de IA agéntica serán cancelados antes de que termine 2027, debido a costos que se disparan, valor de negocio poco claro o controles de riesgo insuficientes.» (ver informe)

Esto no es una advertencia contra la IA. Es una advertencia contra tratarla como un proyecto de tecnología en lugar de un proyecto de transformación organizacional. Y esa distinción es exactamente el territorio en el que la disciplina de mejora de procesos Lean Six Sigma, tiene algo que decir que la conversación tecnológica, por sí sola, no está diciendo. En LIT llevamos años repitiendo una idea que hoy se vuelve más relevante que nunca: la intuición no escala; los datos sí. La IA agéntica no cambia ese principio. Lo pone a prueba a una velocidad que antes no existía, porque un agente que actúa sobre datos incompletos o sobre un proceso mal definido no comete un error aislado, lo repite miles de veces antes de que alguien lo note.

Durante los últimos años, muchas organizaciones invirtieron en digitalizar procesos con la expectativa de que la tecnología, por sí misma, produjera el cambio. La IA agéntica es, en ese sentido, una versión más sofisticada de un error que la disciplina de transformación organizacional ya conoce bien: confundir la herramienta con el resultado. Este artículo no busca convencer a nadie de acelerar la adopción de IA. Busca explicar, con datos verificables, por qué el orden en el que se hacen las cosas —primero el proceso, después la tecnología— determina si esa inversión se convierte en ventaja competitiva o en otro proyecto piloto que nunca llegó a ningún lado. (Lee nuestro artículo Transformación Digital: Del Piloto al Escalamiento)

---

La paradoja de la IA generativa: mucha adopción, poco impacto

Vale la pena detenerse en la magnitud de la brecha que documenta McKinsey, porque no se trata de una minoría de organizaciones rezagadas. Es la mayoría del mercado. Casi el 80% de las compañías ya usa IA generativa en alguna forma, lo cual sugiere que la adopción tecnológica dejó de ser el problema. El problema aparece un paso después: convertir esa adopción en resultados medibles en el negocio.

McKinsey distingue dos tipos de despliegue de IA. Por un lado, los casos de uso «horizontales» —copilotos y chatbots de uso general que cualquier empleado puede activar— que se han escalado rápido pero producen ganancias difusas y difíciles de medir. Por otro lado, los casos de uso «verticales» —específicos de una función o proceso del negocio, con mayor potencial transformador— de los cuales, según la misma investigación, «alrededor del 90% permanece atascado en fase piloto.» Ahí está el verdadero cuello de botella: no en la adopción general de la tecnología, sino en la capacidad de la organización para llevar un caso de uso específico desde el piloto hasta la operación real, a escala, con impacto medible.

Un reporte posterior de McKinsey, Building the Foundations for Agentic AI at Scale(abril de 2026) (ver informe), confirma el patrón con otra cifra: «casi dos tercios de las empresas en el mundo ya han experimentado con agentes de IA, pero menos del 10% los ha escalado hasta el punto de generar valor tangible.» La misma investigación identifica una causa concreta y muy poco glamorosa detrás de ese estancamiento: «ocho de cada diez compañías citan las limitaciones de sus datos como la principal barrera para escalar la IA agéntica.» No es un problema de qué tan sofisticado es el modelo de IA que se contrata. Es un problema de si los procesos, los datos y los roles de la organización están lo suficientemente claros como para que un agente de IA pueda operar dentro de ellos con sentido.

---

Por qué el piloto no llega a escalar

Cuando un piloto de IA agéntica no escala, la explicación que primero aparece en la mayoría de los comités de dirección es tecnológica: «el modelo no es lo suficientemente bueno todavía», «necesitamos un proveedor más robusto», «hay que esperar a la siguiente versión». Esa explicación rara vez es la correcta, y sostenerla tiene un costo: la organización sigue invirtiendo en la variable equivocada. (Lee nuestro artículo El cementerio de los proyectos de transformación: Por qué el 70% de las iniciativas Lean Six Sigma fallan (y no es por la metodología))

La explicación que documenta McKinsey es distinta. Textualmente, la firma plantea que para que la IA agéntica genere impacto real, las organizaciones deben dejar de preguntarse «¿cómo añadimos IA?» y empezar a preguntarse algo más incómodo: cómo quieren que se tomen las decisiones, cómo debe fluir el trabajo y cómo deben interactuar las personas en un entorno donde el software también puede actuar. Esa pregunta no la responde un proveedor de tecnología. La responde el rediseño del proceso de negocio.

Aquí es donde aparece la conexión directa con la disciplina que ya domina buena parte del mercado latinoamericano a través de Lean Six Sigma: un agente de IA que automatiza un proceso mal diseñado no soluciona el problema, lo ejecuta más rápido. Si el proceso tiene pasos redundantes, decisiones sin dueño claro, o datos inconsistentes entre áreas, la IA agéntica hereda exactamente esas mismas fallas, solo que ahora ocurren a mayor velocidad y con menos supervisión humana directa. La automatización sin rediseño no elimina el desperdicio; lo acelera.

Esto explica también por qué Gartner proyecta una tasa de cancelación tan alta para los proyectos de IA agéntica. Un proyecto que se cancela por «costos que se disparan» casi siempre es un proyecto que subestimó el trabajo de preparación —limpieza de datos, clarificación de procesos, definición de gobernanza— y sobreestimó lo que la tecnología podía resolver por sí sola.

Vale la pena volver al caso de Klarna, porque el desenlace es menos dramático —y más útil— de lo que sugiere el titular de «la IA fracasó». Klarna no desmanteló su asistente; lo mantuvo operando la mayor parte del volumen rutinario. Lo que cambió fue el diseño: redefinió qué casos resolvía el agente de forma autónoma y cuáles debían escalar a un humano —disputas, reembolsos complejos, dificultad financiera del cliente—. En otras palabras, hizo después del despliegue el rediseño que debió hacer antes: definir el alcance de la autonomía del agente según el riesgo de cada tipo de caso. Es la misma decisión de gobernanza que este artículo describe más adelante como una de las cuatro dimensiones que deben resolverse antes de escalar, no después de que el cliente ya sintió el problema.

---

El verdadero cuello de botella: el modelo operativo, no el algoritmo

Si el problema no es el algoritmo, ¿dónde está exactamente el trabajo que hay que hacer antes de escalar? La investigación de McKinsey y Gartner, leída en conjunto, apunta a cuatro dimensiones que deben estar resueltas antes de que un piloto de IA agéntica pueda convertirse en una capacidad organizacional real:

1. Modelo operativo. Cómo están diseñados los procesos, las decisiones y los flujos de trabajo que el agente de IA va a tocar. Un agente no puede operar con claridad dentro de un proceso que la propia organización no tiene claro. Este es, precisamente, el terreno donde metodologías como DMAIC (Definir, Medir, Analizar, Mejorar, Controlar) ya tienen décadas de práctica resolviendo ambigüedad de procesos, mucho antes de que existiera la IA agéntica. En LIT nos referimos a DMAIC como el sistema operativo de las organizaciones que logran sostener sus mejoras en el tiempo: no es una lista de pasos que se ejecuta una vez, es el criterio permanente con el que una organización decide qué medir, qué mejorar y qué controlar. Un agente de IA desplegado sobre ese sistema operativo hereda su disciplina. Un agente desplegado sin él hereda su ausencia.
2. Gobernanza. Qué puede decidir un agente de forma autónoma, qué requiere supervisión humana, y quién es responsable cuando algo sale mal. Gartner ha señalado que aplicar el mismo nivel de gobernanza a todos los agentes de IA, sin distinguir su nivel de autonomía y alcance, es una causa directa de fallas en producción: la firma proyecta que un porcentaje relevante de empresas terminará degradando o desactivando agentes autónomos hacia 2027 precisamente por brechas de gobernanza que solo se detectan después de que ya ocurrió un incidente. La gobernanza no es un documento legal que se redacta al final del proyecto; es una decisión de diseño que debe tomarse antes de desplegar el agente, y debe variar según qué tan autónoma y qué tan riesgosa sea la decisión que ese agente específico puede tomar. Tratar la gobernanza como un interruptor único —»todo permitido» o «todo bloqueado»— ignora que un agente que reordena inventario y un agente que aprueba pagos a proveedores no deberían operar bajo la misma regla de supervisión.
3. Personas y cultura. Cómo evolucionan los roles humanos cuando parte de una tarea la ejecuta un agente, qué nuevas habilidades se necesitan y cómo se gestiona el cambio cultural que eso implica. Un agente de IA que reemplaza tareas sin que nadie haya rediseñado el rol de la persona que las hacía antes, genera confusión operativa, no eficiencia.
4. Datos e infraestructura. La arquitectura técnica y la calidad del dato que sostiene al agente. Como ya se mencionó, esta es la barrera que más organizaciones reportan enfrentar, y es también la más subestimada al planear el presupuesto de un proyecto de IA agéntica.

Ninguna de estas cuatro dimensiones es, en sentido estricto, un problema de inteligencia artificial. Son, en esencia, el mismo trabajo de diagnóstico, rediseño de procesos y gestión del cambio que una consultoría de transformación organizacional lleva años estructurando con o sin IA de por medio. La diferencia en 2026 es que ese trabajo ya no es opcional antes de escalar tecnología: es la condición para que la tecnología escale.

---

Aplicación en la organización: decisiones antes de escalar IA agéntica

Convertir esto en una hoja de ruta exige que la organización tome decisiones concretas antes de ampliar cualquier piloto de IA agéntica, no después de que el piloto ya muestre señales de estancamiento:

• ¿El proceso que queremos automatizar con un agente de IA ya fue rediseñado y simplificado, o estamos a punto de automatizar un proceso que todavía tiene desperdicio, redundancia o ambigüedad?
• ¿Quién es responsable de la decisión que el agente va a tomar de forma autónoma, y qué pasa cuando esa decisión resulta equivocada?
• ¿Los datos que alimentan al agente están limpios, consistentes y disponibles entre las áreas que participan en el proceso, o dependen de hojas de cálculo paralelas que cada equipo mantiene a su manera?
• ¿Las personas cuyo rol cambia con la llegada del agente saben qué se espera de ellas ahora, o solo saben que «una parte de su trabajo ya no la hacen ellas»?
• ¿Existe un criterio claro de cuándo un piloto está listo para escalar, o la decisión de escalar depende del entusiasmo del patrocinador del proyecto más que de datos de desempeño del piloto?

Imagina un proceso de atención a proveedores que hoy depende de tres personas revisando manualmente facturas y conciliaciones. La organización decide automatizarlo con un agente de IA que detecta discrepancias y sugiere conciliaciones. Si el proceso no fue rediseñado antes, el agente heredará las mismas excepciones mal documentadas, los mismos criterios inconsistentes entre proveedores y la misma falta de un dueño claro de la decisión final, solo que ahora a mayor velocidad. Si, en cambio, el equipo primero simplifica el proceso, define con claridad qué tipo de discrepancia puede resolver el agente de forma autónoma y cuál debe escalar a una persona, y limpia la base de datos de proveedores antes de desplegar el agente, el mismo proyecto tiene una probabilidad mucho mayor de escalar más allá del piloto. La tecnología es la misma en ambos escenarios. La diferencia la hace el trabajo de rediseño que ocurre antes de encenderla.

Este mismo razonamiento aplica sin importar el tamaño de la organización o el sector. La diferencia entre una compañía que escala su primer agente de IA con éxito y otra que lo cancela dieciocho meses después, casi nunca está en qué tan avanzado era el modelo de lenguaje que contrataron. Está en si alguien, antes de encender el agente, se sentó a mapear el proceso completo, a decidir con claridad quién es dueño de cada paso, y a limpiar los datos que ese proceso iba a necesitar. Ese trabajo no lo hace un proveedor de tecnología; lo hace la misma disciplina de diagnóstico y rediseño que ya se aplica en cualquier proyecto serio de mejora continua, con o sin inteligencia artificial de por medio.

---

¿Tu organización está lista para escalar IA agéntica?

Checklist:

1. Audita el proceso antes que el algoritmo. Antes de evaluar proveedores de IA, confirma si el proceso que quieres automatizar ya fue simplificado y tiene un flujo claro, sin ambigüedades ni pasos redundantes.
2. Define la gobernanza por nivel de autonomía, no de forma uniforme. No todos los agentes deben regirse por las mismas reglas de supervisión; el nivel de gobernanza debe corresponder al nivel de autonomía y al impacto de la decisión que el agente puede tomar.
3. Resuelve la calidad del dato antes de invertir en el piloto. Si el dato que alimentará al agente está disperso o es inconsistente entre áreas, esa es la primera inversión, no la última.
4. Rediseña el rol humano, no solo la tarea. Cuando un agente asume parte de un proceso, define explícitamente qué hace ahora la persona que antes lo hacía, en lugar de dejar que la ambigüedad la resuelva cada quien por su cuenta.
5. Establece criterios de escalamiento medibles antes de lanzar el piloto. Decide de antemano qué resultado debe mostrar el piloto para justificar su expansión, en lugar de decidirlo por entusiasmo una vez el piloto ya está en marcha.
6. Trata esto como un proyecto de transformación organizacional, con patrocinio directivo, y no solo como un proyecto de TI. La experiencia de Lean Six Sigma en rediseño de procesos y gestión del cambio es exactamente el tipo de disciplina que separa un piloto que escala de un piloto que se cancela. Transforma tu organización con mejora continua

---

Conclusión

La paradoja de la IA agéntica no la resuelve un mejor modelo de inteligencia artificial. La resuelve la misma disciplina que durante años ha sostenido los proyectos de transformación organizacional más exitosos: procesos claros, datos confiables, gobernanza definida y personas que entienden su nuevo rol antes de que la tecnología se despliegue. Las organizaciones que están escalando IA agéntica con éxito no son necesariamente las que compraron la tecnología más avanzada; son las que ya habían hecho, o están dispuestas a hacer, el trabajo de rediseño que la tecnología por sí sola no puede hacer por ellas.

La pregunta que vale la pena llevarse de este artículo no es qué proveedor de IA agéntica elegir. Es si tu organización ya resolvió el modelo operativo, la gobernanza, los datos y los roles humanos que esa tecnología va a tocar, o si está a punto de automatizar, a mayor velocidad, los mismos problemas que ya tenía. En LIT acompañamos a las organizaciones que quieren resolver esa pregunta con rigor metodológico antes de escalar. Si quieres estructurar el cambio de tu organización con ese nivel de disciplina, conoce nuestro Programa Ejecutivo en Dirección Estratégica y Transformación Digital.

---