El psicólogo Abraham Maslow advirtió una vez: “es tentador, si la única herramienta que tienes es un martillo, tratar todo como si fuera un clavo.” La IA agentica se está convirtiendo en la versión empresarial de ese martillo.

Una vez que las personas comprenden lo que la IA agentica puede hacer, la lista de casos de uso posibles crece rápidamente.

Aunque este entusiasmo es digno de aplauso, puede conducir a estrategias al revés: “Si la IA es la respuesta, ¿cuál es la pregunta?”. Cuando llega el momento de mirar resultados y si la inversión en IA ha sido fructífera, resulta difícil identificar qué se logró y por qué era importante hacerlo en primer lugar.

Empieza con el valor, no con el agente

En la vorágine tras ChatGPT, muchas organizaciones implementaron herramientas de IA para sus plantillas sin un valor definido ni un objetivo claro. Las personas comenzaron a trabajar de forma diferente casi de inmediato, pero sin una línea de base, no había forma de saber qué había mejorado realmente. ¿Quién sabe cuánto tiempo toma redactar un correo coherente y cuánto tiempo se ahorra al que ChatGPT lo reformule por ti?

Este fenómeno es lo que McKinsey llama la “paradoja de la gen AI”. En su encuesta de 2025, solo el 39% de las organizaciones reportaron algún impacto financiero a nivel empresarial proveniente de su inversión en IA, a pesar de su adopción masiva.

Las organizaciones deben ser precisas respecto a qué quieren medir. Hay tres capas en esto y la mayoría solo captura la primera.

• Adopción: ¿las personas lo están usando?
• Comportamiento: ¿las personas hacen su trabajo de manera diferente?
• Resultado: ingresos por vendedor, tickets cerrados por ingeniero, tiempo de ciclo en una etapa de revisión.

La adopción y el resultado juntos muestran una correlación; por ejemplo, las personas que usan IA venden más. Pero es la capa de comportamiento, a menudo pasada por alto, la que convierte esa correlación en causalidad: venden más porque ahora pueden usar IA para completar más informes para el cliente, dejando más tiempo para atender las llamadas.

Conoce tu flujo de trabajo

Si las organizaciones no pueden ver cómo se está haciendo realmente el trabajo, ocurren dos cosas: la líneas base mide el proceso equivocado, haciendo que cualquier mejora parezca insignificante, y un agente con los pasos incorrectos no puede completar el trabajo.

Un proceso de adquisiciones en Atos parecía de cuatro pasos en papel, pero tras un examen profundo y al preguntar a quienes lo ejecutan, resultaba ser cercano a diez. Las personas se movían entre ERP, Outlook y hojas de cálculo, copiando información, esperando respuestas y volviendo a ingresar datos manualmente.

Una línea base de cuatro pasos habría medido un proceso equivocado y un agente con solo cuatro pasos no podría completar un trabajo que toma diez.

No every problema necesita un agente

Entender el flujo de trabajo también muestra si la IA agentica es la tecnología adecuada. Si las tareas siguen reglas fijas “si esto ocurre, haz aquello”, la respuesta podría ser Automatización Robótica de Procesos (RPA), automatización de flujos de trabajo o un cambio de proceso.

La IA agentica es más adecuada para flujos de trabajo donde el sistema necesita interpretar contexto, coordinar entre herramientas, hacer recomendaciones o actuar dentro de límites definidos. Aun así, requiere una medida clara de éxito y un caso de negocio creíble. La economía de desplegar IA agentica todavía está en una fase temprana, pero esto funcionará como un filtro natural para solo los casos más valiosos.

Demuestra el valor antes de construir

El valor es donde llega el trabajo duro de un caso de negocio claro. Demostrar el valor de “Agentificar” un proceso antes de escribir código.

Esto exige acceso a buenos conjuntos de datos. Se necesita evidencia de costo y valor empresarial antes de introducir IA agentica para justificar el presupuesto. Donde los beneficios son medibles y existe suficiente datos abiertos, es posible construir algo real en una semana. Cuando los datos aún requieren trabajo, siempre vale la pena refinar los datos disponibles antes de intentar justificar un caso de negocio.

Gestionar el trabajo desde el inicio ahorra costos y tiempo y aporta evidencia de valor.

Build a portfolio, not a queue

Una vez que hay una lista corta de casos de uso, las organizaciones pueden priorizar en función de impacto financiero, viabilidad, impacto en el proceso, requisitos tecnológicos, impacto humano y riesgo. Puntuar en múltiples factores en lugar de clasificar solo por ROI crea una cartera en lugar de una cola. Un caso de menor valor con impacto rápido podría demostrar valor temprano y generar credibilidad para los casos que siguen. Un caso de alto valor con un horizonte de dos años quizá deba esperar.

Presupuesto para una nueva hipoteca

Aun cuando se elige el caso correcto, muchas organizaciones siguen sin ver el impacto porque se enfocan en la construcción y luego subestiman el esfuerzo necesario para hacer realidad el cambio.

Gartner lo llama una “hipoteca de transición”, donde la adopción de IA exige más apoyo que la tecnología tradicional, a menudo requiriendo un 25% más de esfuerzo de formación y hasta un 200% de gestión de cambios adicional. En nuestra propia organización, desencadenamos herramientas independientes en diferentes regiones y equipos para resolver el mismo problema de negocio. Ahora hemos instaurado una supervisión más clara de nuestros casos de uso. El problema no era la calidad de las herramientas, sino el esfuerzo duplicado, el costo y los recursos.

No every flujo de trabajo necesita un martillo

Los líderes de la alta dirección deben empezar con un número reducido de casos de uso donde el valor y los flujos de trabajo sean claros, la línea base sea medible, los datos estén disponibles y el papel del agente esté bien definido. Luego deben presupuestar comunicaciones, adopción, medición y escalabilidad.

El valor de la IA agentica no se mide por la cantidad de agentes que una organización despliega. Se mide por si el trabajo cambió y si la organización puede demostrarlo. La IA agentica es un martillo poderoso, pero el éxito radica en entender qué problemas son clavos y cuáles no.

Este artículo forma parte de TechRadar Pro Perspectives, nuestro canal para presentar a las mentes más brillantes de la industria tecnológica hoy.

Las opiniones expresadas aquí son las del autor y no necesariamente las de TechRadar Pro o Future plc. Si estás interesado en contribuir, haz clic para saber más.