¿Cómo están usando realmente los agentes de IA las empresas?

Durante los últimos dos años, los agentes de inteligencia artificial pasaron de ser una promesa tecnológica a aparecer en prácticamente todas las conversaciones sobre el futuro del trabajo.

La narrativa más ambiciosa imagina empresas donde decenas o cientos de agentes digitales trabajan de manera autónoma, coordinándose entre sí y ejecutando buena parte de las tareas que hoy realizan las personas.

La realidad empresarial todavía es bastante más concreta.

Las organizaciones que están obteniendo valor de los agentes no suelen entregarles departamentos completos. Los utilizan para hacerse cargo de procesos específicos, repetitivos y suficientemente estructurados, mientras las personas mantienen el control sobre las decisiones importantes.

Los datos muestran precisamente esa transición.

Una encuesta global de McKinsey publicada en noviembre de 2025 encontró que el 23% de las organizaciones ya estaba escalando algún sistema de IA agéntica y otro 39% estaba experimentando con ellos. Sin embargo, en ninguna función empresarial individual más del 10% de las compañías afirmaba haber escalado agentes. (McKinsey & Company)

Microsoft, por su parte, reportó en mayo de 2026 que el número de agentes activos dentro de su ecosistema Microsoft 365 había aumentado 15 veces en un año y 18 veces dentro de grandes empresas. (Microsoft)

Los agentes están entrando en las organizaciones, pero todavía estamos lejos de una empresa completamente autónoma.

Lo interesante está en observar qué trabajo les están entregando realmente.

¿Qué es realmente un agente de IA?

Un agente de inteligencia artificial es un sistema capaz de recibir un objetivo, analizar información, decidir qué acciones necesita realizar, utilizar herramientas y ejecutar varios pasos hasta conseguir un resultado.

Esa última parte marca la diferencia frente a un chatbot tradicional.

Un chatbot puede responder:

“Estos son los clientes que deberías contactar hoy.”

Un agente puede:

1. Consultar el Customer Relationship Management (CRM).
2. Revisar qué oportunidades llevan varios días sin actividad.
3. Priorizar aquellas con mayor probabilidad de avanzar.
4. Consultar conversaciones anteriores.
5. Preparar un mensaje personalizado.
6. Enviarlo si tiene autorización.
7. Registrar la actividad.
8. Programar el siguiente seguimiento.
9. Entregar al vendedor únicamente los casos que requieren intervención humana.

El cambio consiste en pasar de generar información a ejecutar trabajo.

OpenAI describe esta transición como el movimiento desde la asistencia hacia la delegación: sistemas que pueden buscar información, trabajar con archivos, utilizar herramientas y ejecutar tareas de varios pasos de manera autónoma o supervisada. (OpenAI)

¿Cómo están utilizando los agentes las empresas?

No existe todavía un único modelo.

Los usos más consolidados están apareciendo donde existe una combinación de tres condiciones:

• Gran cantidad de tareas repetitivas.
• Información digital disponible.
• Procesos relativamente claros.

Eso explica por qué atención al cliente, tecnología, ventas, operaciones y gestión del conocimiento aparecen entre las primeras áreas de adopción.

McKinsey identifica actualmente a tecnología de información y gestión del conocimiento entre las funciones donde más organizaciones están escalando sistemas agénticos. (McKinsey & Company)

Pero los casos reales permiten entender mucho mejor qué significa esto.

1. Atención al cliente: resolver antes de derivar

Atención al cliente probablemente sea uno de los ejemplos más claros.

Un chatbot tradicional responde preguntas frecuentes.

Un agente puede recibir una solicitud, identificar al cliente, consultar su historial, buscar información, ejecutar determinadas operaciones y decidir cuándo necesita intervenir una persona.

El flujo puede parecerse a esto:

Cliente → agente → sistemas de la empresa → solución o escalamiento humano.

Esto permite automatizar problemas relativamente frecuentes sin eliminar la posibilidad de intervención humana cuando aparecen excepciones.

Cars24, una plataforma de compra y venta de automóviles, utiliza agentes basados en OpenAI para gestionar más de un millón de minutos mensuales de conversaciones. La empresa reporta un aumento del 50% en la tasa de resolución de soporte y una reducción del 80% en los tiempos de determinados procesos de servicio. (OpenAI)

OpenAI también lanzó en julio de 2026 Presence, una plataforma empresarial específicamente orientada a agentes de voz y chat capaces de responder consultas, utilizar sistemas corporativos, ejecutar acciones autorizadas y derivar conversaciones a personas cuando sea necesario. (OpenAI)

La evolución es importante.

El objetivo ya no es únicamente contestar más rápido.

Es resolver parte del problema antes de involucrar a una persona.

2. Ventas: calificar, seguir y recuperar oportunidades

Otra aplicación particularmente interesante está apareciendo en ventas.

Muchos equipos comerciales pierden oportunidades por problemas que tienen poco que ver con la capacidad del vendedor:

• Leads que llegan fuera del horario laboral.
• Prospectos que nunca reciben seguimiento.
• Propuestas que quedan olvidadas.
• Contactos antiguos que nadie vuelve a revisar.
• Vendedores dedicando tiempo a oportunidades con pocas probabilidades de avanzar.

Los agentes permiten distribuir este trabajo.

Un agente puede recibir nuevos prospectos, hacer preguntas de calificación, actualizar el CRM, determinar el siguiente paso y agendar una reunión.

Otro puede vigilar oportunidades abiertas y detectar cuáles necesitan seguimiento.

Un tercero puede recorrer una base histórica intentando identificar nuevos compradores.

Cars24 ofrece un ejemplo particularmente interesante: además del soporte, utiliza IA para volver a contactar prospectos que se habían perdido y afirma haber recuperado aproximadamente el 12% de esos leads mediante reactivación impulsada por inteligencia artificial. (OpenAI)

OpenAI también observa señales de expansión agéntica fuera del desarrollo de software. Entre febrero y junio de 2026, dentro de sus clientes empresariales, los usuarios activos semanales de Codex crecieron 41 veces en ventas, 41 veces en reclutamiento y 26 veces en marketing. Es información proveniente de clientes de OpenAI y no representa por sí sola todo el mercado, pero muestra hacia dónde están evolucionando algunos usuarios avanzados. (OpenAI)

Aquí aparece una diferencia importante frente a la automatización comercial tradicional.

Una automatización convencional podría decir:

“Si pasan tres días, envía este correo.”

Un agente puede evaluar primero:

“¿Tiene sentido contactar a esta persona ahora, qué ocurrió anteriormente y cuál debería ser el siguiente mensaje?”

3. Desarrollo de software: una de las áreas más avanzadas

Si existe un área donde los agentes ya han avanzado considerablemente, es desarrollo de software.

Los primeros asistentes ayudaban a completar código.

Los agentes actuales pueden recibir una tarea, explorar un repositorio, modificar diferentes archivos, ejecutar pruebas, encontrar errores y proponer una solución completa para revisión.

Este entorno tiene varias ventajas para la automatización.

El trabajo ocurre digitalmente, existen herramientas bien definidas y buena parte de los resultados pueden verificarse automáticamente mediante pruebas.

Eso facilita conceder más autonomía.

McKinsey señala que algunas de las reducciones de costos más reportadas por las empresas que utilizan IA están precisamente en ingeniería de software, manufactura y tecnología de información. (McKinsey & Company)

El desarrollo de software funciona así como uno de los primeros laboratorios de una idea que después comienza a extenderse hacia otros departamentos: una persona puede supervisar varias tareas que distintos agentes ejecutan simultáneamente.

4. Investigación y gestión del conocimiento

Una empresa acumula información continuamente: correos, documentos, propuestas, reuniones, manuales, contratos, CRM, procedimientos y bases de datos.

El problema tradicional consiste en encontrar la información correcta cuando alguien la necesita.

Los agentes están empezando a actuar como una capa entre esa información y las personas.

Un empleado podría solicitar:

“Analiza este cliente, revisa nuestras conversaciones anteriores, identifica proyectos parecidos y prepara los antecedentes que necesito para la reunión.”

El agente necesita consultar diferentes fuentes, seleccionar información relevante, relacionarla y preparar un resultado.

McKinsey identifica precisamente la investigación profunda y la gestión del conocimiento entre los casos donde está apareciendo mayor adopción agéntica. (McKinsey & Company)

Esto también explica por qué la conexión con los sistemas internos se está convirtiendo en una pieza fundamental de la arquitectura de agentes.

Un agente sin contexto empresarial puede razonar.

Un agente conectado al contexto adecuado puede trabajar.

5. Finanzas: investigar, reconciliar y preparar decisiones

Los agentes también están comenzando a entrar en procesos financieros.

Todavía existen límites importantes debido al riesgo asociado a movimientos de dinero, cumplimiento y errores contables, por lo que muchas implementaciones mantienen supervisión humana.

Pero buena parte del trabajo previo a una decisión financiera puede delegarse.

Por ejemplo:

• Recopilar información.
• Reconciliar datos.
• Preparar reportes.
• Investigar diferencias.
• Actualizar modelos.
• Monitorear tareas pendientes.
• Preparar previsiones.
• Gestionar documentación.

OpenAI ha documentado cómo su propio equipo financiero utiliza sistemas agénticos para planificación, forecasting, reportes, tesorería y relaciones con inversionistas. En tesorería, por ejemplo, los agentes pueden relacionar correos con proyectos bancarios, detectar bloqueos, seguir procesos de Know Your Customer (KYC), recomendar acciones y preparar respuestas. (OpenAI)

No significa que el agente sea el director financiero.

Significa que parte del trabajo que rodea sus decisiones puede empezar a ejecutarse automáticamente.

6. Banca y servicios financieros: autonomía bajo supervisión

El sector financiero también muestra claramente los límites actuales de la autonomía.

Morgan Stanley está probando asistentes para apoyar a asesores y ampliar la interacción con clientes. UBS utiliza IA para automatizar determinadas tareas de sus asesores. BNY ha comenzado a asignar tareas y responsables humanos a agentes digitales, mientras Goldman Sachs y JPMorgan desarrollan aplicaciones agénticas relacionadas con trading y tesorería. (Reuters)

El patrón es consistente: incluso organizaciones con grandes presupuestos tecnológicos están aplicando agentes inicialmente en tareas delimitadas y manteniendo supervisión humana en actividades sensibles. (Reuters)

Eso contradice parte de la narrativa más espectacular alrededor de los agentes.

Las empresas no necesitan comenzar entregando a una IA acceso irrestricto a todo.

Pueden empezar entregándole un pequeño territorio operativo perfectamente definido.

7. Operaciones: conectar sistemas que antes requerían personas

Existe una categoría menos visible pero posiblemente más importante: los procesos internos.

Muchas empresas funcionan porque una persona mueve información constantemente entre diferentes sistemas.

• Recibe un correo.

• Consulta una hoja de cálculo.

• Busca un cliente en el CRM.

• Actualiza una propiedad.

• Genera un documento.

• Envía una respuesta.

• Crea una tarea.

• Ninguna de esas actividades individualmente parece especialmente compleja.

El problema aparece cuando una organización repite ese ciclo miles de veces.

Aquí los agentes pueden convertirse en una nueva capa de coordinación.

OpenAI describe aplicaciones empresariales en procesos como Revenue Operations, atención al cliente y compras donde los agentes trabajan entre diferentes sistemas corporativos para ejecutar flujos completos. (OpenAI)

Probablemente sea una de las áreas con mayor potencial porque buena parte del trabajo administrativo consiste precisamente en transportar información y decisiones entre sistemas.

El patrón real: los agentes están recibiendo procesos, no puestos completos

Observando todos estos ejemplos aparece una característica común.

Las empresas no están comenzando por preguntar:

“¿Qué empleado podemos reemplazar?”

Las implementaciones más razonables empiezan con otra pregunta:

“¿Qué proceso podemos entregar parcialmente a un sistema?”

Una empresa puede mantener un equipo comercial humano mientras un agente recibe nuevos leads.

Puede mantener ejecutivos de atención mientras otro agente resuelve solicitudes básicas.

Puede conservar analistas financieros mientras agentes preparan información.

Puede conservar desarrolladores mientras agentes escriben, prueban y revisan determinadas partes del código.

El resultado es una división diferente del trabajo.

La frontera puede cambiar según el riesgo, la industria y la madurez tecnológica.

Pero la lógica general permanece.

¿Cuándo tiene sentido utilizar un agente?

No todas las tareas necesitan un agente.

De hecho, utilizar agentes para procesos que podrían resolverse con una automatización tradicional puede añadir costos y complejidad innecesarios.

Un buen candidato suele combinar cuatro características.

Existe un objetivo relativamente claro

“Recuperar oportunidades comerciales que dejaron de responder.”

Es mejor objetivo que:

“Mejorar nuestras ventas.”

El proceso requiere varias decisiones

Si únicamente existe una regla fija, probablemente basta una automatización.

Los agentes tienen sentido cuando necesitan interpretar contexto antes de decidir qué hacer.

Necesita utilizar varias herramientas

CRM, correo electrónico, calendario, documentos, sistemas internos o bases de conocimiento.

Cuantas más transferencias manuales existan entre sistemas, mayor puede ser la oportunidad.

Existe una forma de evaluar el resultado

Un agente debería tener criterios claros para saber si está haciendo bien su trabajo.

Por ejemplo:

• Porcentaje de casos resueltos.
• Reuniones calificadas.
• Tiempo de resolución.
• Oportunidades recuperadas.
• Errores detectados.
• Tiempo ahorrado.
• Tasa de escalamiento.

Sin métricas resulta difícil distinguir una demostración tecnológica de una mejora empresarial.

¿Por qué muchas empresas todavía no consiguen resultados?

Adoptar IA y transformar un proceso empresarial son problemas diferentes.

El 88% de los participantes del estudio global de McKinsey afirmó que su organización utilizaba IA regularmente en al menos una función. Sin embargo, aproximadamente dos tercios todavía no habían comenzado a escalar IA en toda la empresa. (McKinsey & Company)

Microsoft encontró algo parecido desde otra perspectiva. Su Work Trend Index 2026 concluyó que factores organizacionales como cultura, apoyo de los responsables y prácticas de talento estaban asociados con más del doble del impacto reportado de la IA que los factores individuales. El estudio señala expresamente que se trata de asociaciones estadísticas, no de una relación causal demostrada. (Microsoft)

La tecnología puede funcionar mientras el proceso continúa mal diseñado.

Si nadie sabe quién supervisa al agente, qué acciones puede ejecutar, cuándo debe escalar un problema o qué indicador determina su éxito, añadir inteligencia artificial probablemente no solucionará el problema.

Solo lo automatizará.

El gran límite actual: confianza y control

Cuanta más autonomía recibe un agente, mayor es el impacto potencial de sus errores.

Un asistente que redacta incorrectamente un correo puede generar una molestia.

Un agente autorizado para modificar registros, ofrecer compensaciones, realizar compras o interactuar automáticamente con miles de clientes puede generar consecuencias mucho mayores.

McKinsey encontró que el 51% de los participantes pertenecientes a organizaciones que utilizaban IA había observado al menos una consecuencia negativa relacionada con su uso. La inexactitud fue el problema mencionado con mayor frecuencia. (McKinsey & Company)

Por eso las implementaciones empresariales maduras están incorporando:

• Permisos.
• Límites operativos.
• Registros de actividad.
• Validaciones.
• Escalamiento.
• Supervisión humana.
• Evaluaciones continuas.

Microsoft incluso plantea que los agentes deben administrarse como nuevas entidades digitales, con identidades, permisos, políticas y gestión de ciclo de vida comparables a las que una organización aplica a usuarios y aplicaciones. (Microsoft)

La autonomía útil no significa ausencia de control.

Significa control diseñado desde el principio.

¿Los agentes están reemplazando empleados?

Todavía no existe evidencia para afirmar que los agentes estén sustituyendo masivamente puestos completos.

La evidencia disponible muestra algo bastante más fragmentado.

McKinsey encontró que, durante el año anterior a su encuesta, una pluralidad de empresas reportó pocos o ningún cambio en la cantidad de trabajadores como consecuencia de la IA. Sin embargo, un 32% de los participantes esperaba reducciones de al menos 3% en la plantilla total durante el año siguiente, mientras que un 13% esperaba aumentos de esa magnitud. Son expectativas de los encuestados, no resultados confirmados. (McKinsey & Company)

Microsoft ofrece otra señal interesante: el 86% de los usuarios de IA incluidos en su Work Trend Index afirmó considerar las respuestas de la IA como un punto de partida y mantener responsabilidad humana sobre el resultado. (Microsoft)

La transformación más inmediata parece ocurrir dentro de los puestos.

Una persona que antes ejecutaba diez pasos puede terminar supervisando tres agentes que ejecutan esos pasos.

• Un vendedor puede dedicar menos tiempo a perseguir prospectos.

• Un desarrollador puede escribir menos código manualmente.

• Un analista puede recopilar menos información.

• Un agente de soporte puede recibir menos preguntas repetitivas.

Eso puede terminar modificando estructuras de empleo, pero todavía es demasiado temprano para asumir que todos los sectores seguirán el mismo camino.

De automatizar tareas a rediseñar empresas

La primera generación de inteligencia artificial empresarial fue básicamente personal.

Cada trabajador tenía un asistente.

La siguiente etapa está siendo organizacional.

El agente comienza a formar parte del proceso.

Ese cambio es mucho más importante que tener acceso al modelo más avanzado.

OpenAI observa que las empresas que se encuentran entre el 10% de mayor intensidad de utilización de sus herramientas generan actualmente 8,3 veces más volumen de salida por usuario activo que las organizaciones ubicadas alrededor de la mediana, frente a una diferencia de 2,6 veces en enero de 2026. El volumen de tokens no equivale directamente a valor empresarial —algo que la propia compañía reconoce—, pero ofrece una señal de cuánto trabajo están empezando a delegar algunas organizaciones. (OpenAI)

Anthropic reportó además que, entre más de 500 líderes técnicos consultados para su 2026 State of AI Agents Report, el 80% afirmó estar obteniendo un retorno medible de sus implementaciones. Al tratarse de un estudio de un proveedor de modelos sobre organizaciones interesadas en agentes, el dato debe interpretarse como evidencia de adopción entre usuarios avanzados y no como una estimación representativa de todas las empresas. (Recursos Anthropic)

La diferencia entre experimentar y transformar probablemente estará precisamente allí.

No en cuántas personas utilizan IA.

Sino en cuánto trabajo real ha sido rediseñado alrededor de ella.

¿Qué debería hacer una empresa que quiera empezar?

El punto de partida no debería ser comprar una plataforma de agentes.

Debería ser observar cómo trabaja actualmente la organización.

Buscar procesos donde una persona:

• Repite continuamente los mismos pasos.
• Mueve información entre sistemas.
• Consulta las mismas fuentes.
• Responde preguntas similares.
• Toma decisiones utilizando reglas relativamente claras.
• Realiza seguimientos que muchas veces se olvidan.

Después conviene elegir un proceso limitado.

Definir qué puede hacer el agente.

¿Qué no puede hacer?

¿Qué sistemas necesita?

¿Cuándo debe solicitar ayuda?

¿Quién será responsable del resultado?

Y cuál será la métrica utilizada para saber si realmente está aportando valor.

Un agente útil no necesita hacer todo.

Necesita hacer algo concreto mejor, más rápido o con mayor consistencia que el proceso anterior.

La Tesis de El Ciclo

Los agentes de inteligencia artificial probablemente no llegarán a las empresas como una nueva categoría de “empleados digitales” que sustituirá inmediatamente departamentos completos.

Están entrando de una forma mucho menos espectacular y bastante más profunda: ocupando pequeños espacios dentro de miles de procesos empresariales.

Primero reciben una consulta.

Después consultan información.

Luego actualizan un sistema.

Más adelante toman una decisión limitada.

Finalmente ejecutan una parte completa del proceso bajo supervisión.

La transformación puede ocurrir paso a paso.

Y precisamente por eso puede terminar siendo enorme.

La pregunta para las empresas deja entonces de ser cuántos agentes deberían contratar.

La pregunta útil es otra:

¿Qué parte del trabajo que hoy depende innecesariamente de una persona podría ser ejecutada por un sistema, sin perder el criterio humano allí donde realmente importa?

Esa frontera —entre lo que ejecuta la máquina y lo que sigue decidiendo una persona— probablemente será una de las decisiones organizacionales más importantes de los próximos años.

Fuentes principales

• McKinsey & Company, The State of AI: Global Survey 2025. (McKinsey & Company)
• Microsoft, 2026 Work Trend Index Annual Report. (Microsoft)
• OpenAI, Enterprise Signals, actualizado el 12 de agosto de 2026. (OpenAI)
• Anthropic, 2026 State of AI Agents Report. (Recursos Anthropic)
• OpenAI, caso Cars24. (OpenAI)
• Reuters, adopción de agentes en instituciones financieras, julio de 2026. (Reuters)