Agentes de IA e IA Agéntica en la era del dato

La IA agéntica está transformando la forma de trabajar en las empresas, al permitir disponer de sistemas que procesan información, toman decisiones y ejecutan acciones de forma continua. Ahora bien, los cimientos de una estrategia sólida de IA, y muy especialmente de una basada en agentes, dependen por completo del dato. Estamos, más que nunca, en la era del dato: es crucial acceder a él lo antes posible, asegurar su calidad, procesarlo para tomar las mejores decisiones y almacenarlo adecuadamente.

Toda la industria explora el salto hacia los agentes de IA y la automatización inteligente, pero la pregunta que debemos hacernos no es solo qué modelos usamos, sino sobre qué datos operan y bajo qué reglas. Hoy, muchas organizaciones están construyendo agentes sin resolver antes el gobierno del dato, lo que limita su escalabilidad y la confianza en los resultados.

En este panel se abordó la visión de las compañías líderes sobre la IA agéntica y sus enormes posibilidades, pero también el papel crucial de contar con una sólida arquitectura de base y la importancia de incorporar capas semánticas que unifiquen y faciliten la gobernanza de los datos, el punto del que parte todo lo demás.

En la conversación sobre inteligencia artificial agéntica el protagonista suele ser el agente, y el dato queda relegado a un segundo plano. Es un error de enfoque. La IA va siempre de la mano del dato, y cuando una organización pide IA en realidad tiene que hablar de datos.

Muchas empresas descubren, al iniciar sus proyectos, que no tienen preparado el andamiaje necesario para hacerlos realidad. Los estudios de analistas lo confirman. Tres de cada cuatro proyectos de IA agéntica fracasan por los datos, ya sea por falta de acceso, por políticas de seguridad o por ausencia de contextualización.

Con la IA tradicional, la máxima era conocida: Garbage in, Garbage out (“si entra basura, sale basura”). La IA generativa añade un matiz peligroso, porque es tan elocuente que sus respuestas parecen correctas aunque no lo sean.

El resultado ya no es basura evidente, sino “convincing mistakes out”: errores convincentes. Por eso los proyectos que llegan a producción no lo hacen gracias a nada especialmente sofisticado, sino a lo de siempre: control del dato, rigurosidad y calidad.

La gestión de incidencias de infraestructura ilustra bien el camino. El flujo tradicional arrancaba con una incidencia mal reportada, “me falla tal aplicación”, seguía con el peloteo entre equipos para averiguar a quién correspondía, se gestionaba a base de la experiencia de quien la atendía y terminaba con una documentación apresurada antes de pasar a la siguiente.

La tentación es pensar que basta con poner un agente encima. No funciona así, la clave está en depurar el histórico, cuidar la calidad del dato y generar los artículos de conocimiento que alimentarán el sistema, habitualmente mediante RAG.

Con esa base se despliega el resto. Ayudar a abrir correctamente el ticket, gestionar la incidencia con el conocimiento depurado y documentar el cierre de forma asistida, cerrando un círculo virtuoso que se retroalimenta.

Solo entonces tiene sentido abordar el triaje asistido y la automatización del flujo completo. Sin esa capa inicial de conocimiento, el obstáculo es insalvable.

Hay otra derivada que suele pasar desapercibida. Los propios sistemas agénticos hay que operarlos. Monitorizarlos genera a su vez datos que hay que procesar para decidir si toca un despliegue, una actualización o una intervención.

Y el volumen al que un agente accede y genera datos será exponencial respecto al actual, lo que exige una fundación de datos de nueva generación.

Esto es, estrategia, plataformas eficientes, gobierno y monetización en un ciclo que nunca se cierra, porque cada pocas semanas aparecen nuevos estándares, capas semánticas compatibles con agentes y modelos cada vez más potentes o, en la dirección contraria que muchos olvidan, más compactos, especializados y de consumo moderado.

El funcionamiento interno de un agente lo explica todo: recibe una pregunta, analiza el contexto, planifica pasos, consulta fuentes, actúa según una política de permisos y evalúa su respuesta. Cada uno de esos pasos depende de los datos y de criterios que habría que tener definidos con o sin IA.

Lo que está haciendo la IA agéntica es desvelar de forma muy visible la falta de criterios, políticas e información que arrastran muchas organizaciones: ahora cualquiera puede preguntarle a un agente y comprobar que la respuesta no es la esperada.

De ahí los errores que se repiten. Desde Data Lakes sin gobernanza que acaban convertidos en pantanos hasta accesos abiertos a todo que permiten a los agentes llegar donde no deben y disparan los costes. La secuencia correcta es la inversa a la habitual. Primero ver qué datos se tienen y luego decidir qué agentes se quieren.

Y antes que nada, una evaluación honesta del propio estado de madurez, evadiéndose del ruido ambiental. Que la competencia presuma de tener 200 agentes en producción no dice nada sobre su valor real.

Un agente sin gobierno es lo que gráficamente se ha bautizado como el becario motivado. Llenar la compañía de becarios motivados sin contexto ni supervisión garantiza el circo.

La evolución reciente es vertiginosa. Los LLM explotaron en 2022-2023, las arquitecturas RAG se asentaron en 2024 para apuntalar las alucinaciones con bases de conocimiento, en 2025 llegaron los agentes que toman acciones y, a finales de ese año, emergió la memoria como necesidad.

Un estudio académico reciente que analizó cientos de empresas concluyó que solo el 5% de las iniciativas con agentes genera retorno aunque, cuando lo genera, es muy alto. El problema no era la infraestructura, ni el talento, ni los modelos, era la falta de aprendizaje y continuidad.

Sin memoria persistente, cada conversación empieza de cero. No hay continuidad, los objetivos construidos durante horas de interacción se olvidan, no hay adaptación al comportamiento ni estrategias que sobrevivan a una sesión, y no hay personalización que aproveche el feedback acumulado.

La memoria a corto y largo plazo, con contexto sobre el entorno y el lenguaje de cada empresa, convierte el esfuerzo invertido en activo. Y tiene impacto directo en costes. Los humanos preguntamos casi siempre lo mismo con palabras distintas.

Si esa pregunta, en lugar de lanzarse un millón de veces al LLM, se guarda vectorizada y se resuelve por similitud semántica, se ahorran millones de consultas. En plena tokenización de los presupuestos, con organizaciones que consumen en tres meses lo previsto para el año, ese ahorro importa.

Si la memoria es todo lo acumulado, el contexto es su instanciación para resolver una situación puntual. La agéntica se sostiene sobre tres patas: buen prompting, contexto y razonamiento. Los LLM ya aportan lo tercero, y el gran reto es generar contexto específico y dinámico.

Frente a la capa semántica que muchas organizaciones ya construyen para el autoservicio analítico, los agentes, a los que ya no solo se consulta, sino a los que se pide que hagan cosas, con flujos cada vez más cercanos al Zero Touch, necesitan un motor que, para cada situación, recorra sistemas y datos gobernados y componga la información relevante.

Y ese motor funciona mejor sobre grafos, porque exige relacionar entidades (el cliente con sus contratos, sus productos, sus aprobaciones históricas) saltando de un nodo a otro, algo que una base vectorial por sí sola no resuelve.

El dato debe estar listo y priorizado antes de abordar un proyecto de IA agéntica, pero conviene evitar el bucle en el que caen muchas organizaciones: “el dato va primero, pero no tengo caso de uso”.

Siempre hay un Quick Win, un punto de apoyo con la calidad de dato mínima disponible para empezar a mover la rueda con una visión más ambiciosa, poniendo después el foco en todo lo que rodea al caso agéntico, la operación, el gobierno y la seguridad.

En lo tecnológico, todo cambia por semanas, estándares como MCP ceden paso a otros nuevos, surgen plataformas y formas de conectar con el dato. De ahí se pueden enunciar tres consejos de arquitectura.

Uno, ser lo más modular posible, sin dependencias fuertes de ningún framework, porque cualquier componente puede cambiar el paso. Dos, priorizar la interoperabilidad, porque un agente aislado no hace nada y el valor llega cuando se entierra en los procesos y se conecta con todos los servicios necesarios.

Y tres, adoptar una visión 360 que incluya plataforma, gobierno y seguridad. Un agente sin control es el becario motivado. Llenar la compañía de becarios motivados sin contexto garantiza el circo.

El reto principal es acompasar la ola agéntica con la realidad de cada empresa. Hacer una evaluación propia, mirar hacia dentro y construir en función del estado real, quitándose el ruido. El hecho de que la competencia tenga 200 agentes en producción no dice nada sobre su valor.

Los retos se resumen en tres palabras: costes, valor y riesgos. Tras la efervescencia inicial llegaron las facturas y los incidentes, y con ellos el frenazo. El consejo es empezar por un gobierno transversal de la IA, del que emanarán la arquitectura, los casos de uso con valor real y la contención de costes y riesgos.

A ello se suma el “tokenazo”, los costes disparados, con organizaciones que consumen en tres meses el presupuesto anual. La memoria semántica ayuda, evitando lanzar al LLM un millón de veces la misma pregunta formulada con palabras distintas.

En lo tecnológico destaca la modularidad para no depender de componentes que pueden cambiar el paso, interoperabilidad real con procesos y servicios, y simplicidad, ni monolito ni mil cajas.

¿Hay burbuja de IA? El mercado suele descontar el hype por anticipado, como ocurrió con el ferrocarril, la fibra óptica o las puntocom. Hubo burbujas, pero las tecnologías funcionaban. Con la IA ocurre algo parecido, con una diferencia, todo se acelera tan rápido que el valor que debía llegar dentro de años ya ha llegado.

La IA generativa y la agéntica funcionan, basta preguntar en cualquier sala quién las usa para que todos levanten la mano, y si nos las quitaran hoy, en un par de días se notaría. El impacto económico final será un darwinismo que las compañías empezarán a abordar.

El año que viene se pasará de los casos de uso cotidianos a la integración final de los agentes en los procesos empresariales, con procesos multiagente reales más allá del RAG y el chat. Las empresas ya se están preparando con plataformas para orquestar más de un agente.

En paralelo, el mercado necesita más madurez en las tecnologías de IA, como pasó con el Big Data, donde se procesaba mucha información sin capas superiores, para construir casos de uso eficaces, integrables y eficientes en coste. Sin perder de vista lo fundacional, debajo de todo agente, del becario motivado, hay datos que gestionar, gobernar y securizar, atendiendo a almacenamiento, seguridad y acceso.

Y aprovechando lo aprendido, los agentes aprenden, y la memoria dará continuidad y contendrá unos costes que ya aprietan. Las claves de siempre, decidir bien el caso de uso, ir poco a poco y simplificar, prefiriendo lo abierto a multiplicar herramientas de nicho.

La siguiente evolución tras la IA predictiva, la generativa y la agéntica ya tiene nombre: la fuerza de trabajo digital. Agentes modelados como empleados, con ámbito de actuación y responsabilidades, integrados en equipos híbridos donde personas y agentes colaboran, comparten colas de trabajo, como en un contact center que discrimina qué resuelve un humano y qué un trabajador digital, y generan conocimiento conjuntamente.

Los primeros flujos híbridos ya operan en 2026. Para quien todavía vea todo esto como ciencia ficción, debe entender el propio punto de partida, buscar el camino propio y avanzar con gobierno, controlando costes, valor y riesgos.