Este artículo recién publicado, "Estado de la IA Agentic: Edición para fundadores", de MMC, una plataforma que recomienda encarecidamente los agentes de IA, no solo proporciona datos sólidos y análisis de los problemas, sino que también ofrece soluciones viables. 2025 es ampliamente reconocido como el año de los agentes de IA, con la "IA agentiva" alcanzando una popularidad increíble y la aparición de multitud de nuevos productos: investigación profunda, agentes de codificación, aplicaciones para navegador, aplicaciones informáticas... Por supuesto, existe mucha controversia en torno a los agentes. Algunos los consideran inútiles, mientras que otros creen que son omnipotentes. Ambas posturas son comprensibles; todo es subjetivo y las necesidades de cada usuario son diferentes. Por ejemplo, personalmente me gusta mucho programar agentes; realmente resuelven problemas. Pero este tipo de debate se vuelve mucho más convincente cuando se apoya en datos. Por ejemplo, ¿se están utilizando estos agentes en empresas reales? MMC realizó entrevistas en profundidad con los fundadores de más de 30 startups que desarrollan agentes de IA y con más de 40 usuarios reales en empresas, y redactó este informe: "El estado actual de la IA agentiva: Edición para fundadores". [1] Lo que realmente limita a los agentes de IA puede no ser que la IA no sea lo suficientemente inteligente. La mayoría de la gente cree que el mayor desafío para los agentes en este momento es que "la IA no es lo suficientemente inteligente", "las ilusiones son demasiado fuertes" o "es demasiado difícil integrarla con el sistema actual". Estos son, sin duda, problemas, pero sorprendentemente, los fundadores ni siquiera los incluyen entre los tres primeros. Según la encuesta, los tres principales problemas al implementar agentes de IA son: 1. Integración de flujos de trabajo e interacción persona-ordenador (60%) 2. Resistencia de los empleados y factores no técnicos (que representan el 50%) 3. Privacidad y seguridad de los datos (50%) En otras palabras, los mayores obstáculos son las cuestiones relacionadas con las "personas" y los "procesos". 1. "¿Cómo utilizo esto?" (Integración de flujo de trabajo) Este es el mayor desafío, representando el 60%. Por muy potente que sea un agente de IA, si se trata de una aplicación que debe abrirse por separado, lo que obliga a los empleados a abrir una nueva ventana además de su software de trabajo habitual (como DingTalk, Lark o Salesforce) para controlarla, su tasa de uso está destinada a ser baja. Una integración exitosa implica incorporar la IA en los flujos de trabajo existentes de los empleados. Por ejemplo, cuando un vendedor actualiza el estado de un cliente en el CRM, el agente de IA aparece automáticamente y dice: "He resumido las actas de la reunión para usted". Esto ya no es solo un problema técnico; exige que las empresas cambien su mentalidad. Primero deben preguntarse: "¿Cómo modifico mi flujo de trabajo actual para integrar un agente de IA?". Esto suele ser mucho más difícil que simplemente comprar un agente de IA. 2. "¿Me quitará el trabajo?" (Resistencia de los empleados) Esta es la crisis de confianza mencionada por el 50% de los fundadores. Debemos reconocer una realidad: en las empresas, la colaboración entre humanos e IA es actualmente en su mayoría desagradable. Un tipo es la "confianza excesiva": los empleados delegan todo el trabajo en la IA sin revisarlo ellos mismos, lo que provoca que la IA cometa errores, como dar al cliente un precio incorrecto, lo que puede llevar al desastre. Un tipo de escepticismo es el "excesivo escepticismo": los empleados no confían en absoluto en la IA y tienen que supervisar personalmente cada paso que da. Esto no solo no mejora la eficiencia, sino que además aumenta la carga de trabajo. En un nivel más profundo, existe el temor a ser reemplazados por la IA. Esto provoca que los empleados duden en usarla, o simplemente que se muestren complacientes en apariencia pero desafiantes en su interior, reacios a cooperar. 3. "¿Es seguro alimentar con mis datos a la IA?" (Privacidad de datos) Esta es también una preocupación fundamental mencionada por el 50% de los fundadores. Este problema es especialmente grave en sectores como el financiero y el sanitario. Las empresas se preguntan: «Si entrego mis estados financieros internos y los historiales médicos de mis clientes a este agente de IA para su análisis, ¿se utilizarán estos datos para entrenar otros modelos? ¿Se filtrarán?». Algunas de estas preocupaciones son reales, como la necesidad de certificaciones de cumplimiento como el RGPD y la ISO 27001, mientras que otras son puramente subjetivas. Independientemente del motivo, todas ellas generan reticencia en las empresas a la hora de implementar dichos sistemas. [2] Un agente de IA de alto rendimiento: alta precisión y alta autonomía Dadas tantas dificultades, ¿qué tan bien se desempeñan realmente los agentes de IA que tienen buen desempeño? Una de las conclusiones más valiosas de este informe es su enfoque para cuantificar los agentes de IA actuales desde dos dimensiones: precisión y autonomía. - Precisión: ¿Qué porcentaje del trabajo realizado por la IA es correcto y aceptable para los humanos? - Autonomía: ¿Hasta qué punto funciona la IA sin intervención humana? Idealmente, se lograrían tanto una alta precisión como una alta autonomía. Sin embargo, en la práctica, más del 90% de las startups de agentes afirman que sus soluciones alcanzan una tasa de precisión superior al 70%. Por lo tanto, MMC divide a los agentes en tres categorías (los agentes con baja precisión y baja autonomía no merecen existir): 1. Alta precisión y alta autonomía: Ideal para entornos de trabajo de bajo riesgo, alta repetitividad y fácil verificación. Por ejemplo, el etiquetado automático de grandes cantidades de correos electrónicos de marketing. Incluso si la IA etiqueta erróneamente el 30%, ya habrá procesado 1000 correos, y solo tendrá que corregir manualmente los errores más evidentes. En general, la eficiencia sigue siendo muy superior al trabajo manual. 2. Alta precisión, baja autonomía: Es idónea para campos de alto riesgo y alto valor, como el sector médico. Por ejemplo, la IA puede ayudar a redactar informes de investigación para ensayos clínicos. Debe garantizar una precisión superior al 90%, pero expertos humanos deben realizar revisiones rigurosas en cada etapa (baja autonomía). Desempeña el papel de «superasistente», no el de «responsable de la toma de decisiones». 3. Alta precisión + alta autonomía: Esto puede considerarse el punto óptimo, la dirección a la que todos aspiran. Es idóneo para ámbitos donde las implementaciones de IA están relativamente maduras o donde los límites de las reglas están claramente definidos, como la atención al cliente, la ciberseguridad o el cumplimiento normativo financiero. En estos casos, los agentes de IA ya son suficientemente fiables, alcanzando entre un 80 % y un 90 % de precisión y autonomía, y se les puede otorgar una alta autonomía para gestionar tareas de principio a fin. El informe menciona que la clave suele estar en combinar modelos probabilísticos de lenguaje complejo con métodos de IA más deterministas para mejorar la precisión y, por consiguiente, aumentar aún más la autonomía. [3] Las empresas han comenzado a pagar a los agentes. Al hablar de la aplicación práctica de los agentes de IA, el tema de los precios es inevitable, ya que depender de quemar dinero no es sostenible. La buena noticia es que las empresas están empezando a pagar por ello. El informe constató que el 62% de las startups de agentes de IA ya han recibido el "presupuesto de línea de negocio" de una empresa. Esto es una señal muy positiva. Mucha gente desconoce que las grandes empresas cuentan con dos tipos de presupuestos: uno se denomina «presupuesto para la innovación», que es un fondo pequeño o de financiación experimental. No es una gran cantidad y se agota una vez consumido. Todo el mundo quiere probar algo nuevo. El "presupuesto de línea de negocio" se refiere a los gastos de cada departamento (como el departamento de ventas, el departamento de marketing y el departamento de finanzas) para garantizar el funcionamiento de su actividad principal. Cuando el agente de IA empieza a utilizar el "presupuesto de la línea de negocio", significa que se ha transformado de un juguete prescindible en una herramienta de productividad que puede ayudarme a hacer las cosas. La mala noticia es que todavía no hemos dado con el mejor modelo de precios. Aunque todos saben que esto es valioso, ¿cómo debería fijarse su precio exactamente? El informe muestra que aún se está trabajando en ello, y los dos enfoques principales son: 1. Precios híbridos (23%): Por ejemplo, "tarifa de servicio básica + pago por uso de cualquier exceso". 2. Por tarea (23%): la IA te ayuda a completar una tarea (como emitir una factura) y cobra el dinero una sola vez. El modelo de pago por desempeño (OPP), el más esperado, actualmente solo lo utiliza el 3% de las empresas. ¿Por qué? Porque es demasiado difícil. Por ejemplo, un asistente de ventas con IA ayuda al equipo de ventas a cerrar un trato importante. ¿Debería atribuirse el 80 % del mérito al equipo de ventas o el 20 % a la IA? ¿Cómo se mide esto? Si la IA no contribuye, ¿puede la empresa evitar pagarle? Es imposible calcularlo con precisión. Por lo tanto, el enfoque más realista en la actualidad es pagar en función del esfuerzo en lugar de los resultados. [4] La parte más importante: Estrategia de implementación exitosa de agentes de IA Dada la dificultad de implementar agentes de IA, ¿cómo logran las empresas de agentes exitosas convencer a los clientes empresariales? Las entrevistas de MMC proporcionaron un conjunto de experiencias de implementación muy prácticas: Consejo 1: "Piensa en pequeño" El informe resume una estrategia de implementación muy pragmática: Pensar en pequeño. Olvídese de esas grandes narrativas de "transformación total de las industrias" y "sustitución completa de los humanos". Los agentes de IA exitosos a menudo parten de un ángulo muy pequeño y muy específico: - Punto de partida: Elija una tarea de bajo riesgo y recompensa moderada. Clave: Elija una tarea que los empleados detesten. Por ejemplo, introducir manualmente los datos de los clientes es la tarea más molesta para el equipo de ventas, o verificar las facturas es la tarea más molesta para el equipo de finanzas. - Posicionamiento: Nunca diga que es un "reemplazo", diga que es un "copiloto". Tu objetivo no es conseguir que el jefe despida a los empleados, sino liberarlos de esas tareas repetitivas, aburridas e indeseadas. Cuando los empleados descubren que esta IA realmente les ahorra 5 horas a la semana rellenando formularios, finalmente se siembra la semilla de la confianza. Secreto n.º 2: Tomarse de la mano Los agentes de IA actuales distan mucho de ser plug-and-play. Las empresas no solo compran software, sino también un conjunto completo de servicios de soporte. Todas las startups exitosas utilizan el modelo de "Ingeniero de Implementación de Primera Línea (FDE)". Estas personas son tanto programadoras como consultoras; se desplazan directamente a las oficinas del cliente y le ayudan a optimizar procesos, depurar datos y ajustar la IA paso a paso. Al mismo tiempo, la interfaz de interacción persona-ordenador debe lograr las "3E": 1. Educación: La IA debería ser capaz de enseñar de forma proactiva a los usuarios "qué puedo hacer y cómo deberías usarme". 2. Entretenimiento: Interactivo y divertido. 3. Gestión de expectativas: La IA debe ser honesta con los usuarios sobre "lo que no puedo hacer" y evitar la exageración. Secreto n.° 3: El posicionamiento determina la vida o la muerte En definitiva, cómo "dices" quién eres puede ser más importante que quién "eres". - Es "copiloto", no "reemplazo": Mantén siempre una actitud humilde. Tu producto es un «copiloto», diseñado para «aumentar» las capacidades de los empleados, no para «reemplazarlas». Aunque tu tecnología pudiera realmente reemplazar al 80 % de la plantilla, nunca lo digas. - Tratar a las personas de manera diferente según su estatus: En un sector conservador como el sanitario, es mejor hablar menos de "IA" y más de "automatización" y "mejora de la eficiencia". En un sector tan radical como el financiero, hay que exagerar las bondades de la "Inteligencia Artificial Proteica" para parecer vanguardista. - El ROI debe ser específico: Para procesos maduros, diga "ahorra XX horas" o "reduce los costos en un XX%". * Para las nuevas funcionalidades creadas por la IA (como páginas web personalizadas), vincúlelas a sus herramientas existentes, por ejemplo: "Puede aumentar su tasa de conversión de Google Ads en un 20%". 【por fin】 Para ser sincero, a principios de año era escéptico respecto a los agentes de IA. Pero desde que uso Claude Code, me he convertido en un gran admirador y un firme defensor de los agentes de IA, y he seguido de cerca el desarrollo de este campo. Este informe es de altísima calidad, sobre todo los puntos que más me impresionaron: El factor más importante que determina el éxito o el fracaso de la implementación de un agente de IA ya no es la potencia del modelo, sino cómo se integra con los procesos internos de la empresa, cómo obtiene los datos de los empleados que se desplazan a pie y cómo demuestra su valor. Además, resulta bastante científico cuantificar y evaluar los agentes de IA desde la perspectiva de la precisión y la iniciativa. Actualmente, muchos agentes de IA pueden tener una alta iniciativa pero una precisión insuficiente, o una alta precisión pero una iniciativa insuficiente. Para ser un buen agente, es fundamental actuar como un humano con una alta inteligencia emocional, comprender tus necesidades incluso antes de que hables y realizar tareas por ti de forma discreta.
Recomendammc.vc/research/state…iginbaoyu.io/translations/s…co/F6NJJU0tOI Traducción: https://t.co/b4YslzEU2I