Empresas luchan por escalar la inteligencia artificial agente mientras aumentan las brechas de datos y los obstáculos de gobernanza
Puntos clave
- McKinsey prevé que el mercado de inteligencia artificial agente podría superar los $199 mil millones para 2034.
- Gartner predice que más del 40% de los proyectos de inteligencia artificial agente serán cancelados para 2027.
- Qlik informa que el 97% de las empresas han asignado fondos para la inteligencia artificial agente, pero solo el 18% han desplegado completamente la tecnología.
- Los datos fragmentados y la propiedad poco clara son las principales razones por las que las pruebas se estancan.
- Los documentos internos no estructurados agregan complejidad a la toma de decisiones de la inteligencia artificial.
- Las preguntas de gobernanza, como la propiedad de los datos, la aprobación de las acciones y la supervisión humana, se están volviendo urgentes.
- El Acta de Inteligencia Artificial de la Unión Europea introduce requisitos de transparencia y rendición de cuentas para los sistemas de inteligencia artificial.
- El Protocolo de Contexto de Modelo (MCP) ofrece un estándar para el intercambio de datos seguro entre herramientas de inteligencia artificial.
- Los expertos dicen que las bases de datos sólidas y la rendición de cuentas clara son requisitos previos para escalar.
La inversión en inteligencia artificial agente está en auge, con McKinsey proyectando que el mercado saltará de $5‑7 mil millones en 2024 a más de $199 mil millones para 2034. Sin embargo, los pilotos están fracasando: Gartner prevé que más del 40% de los proyectos serán cancelados para 2027, y Qlik informa que solo el 18% de las organizaciones han desplegado completamente la tecnología a pesar de que el 97% ha asignado presupuestos. Los ejecutivos citan los datos fragmentados, la propiedad poco clara y la gobernanza débil como los principales obstáculos. Los expertos advierten que sin bases de datos sólidas y una rendición de cuentas clara, la promesa de la automatización empresarial impulsada por la inteligencia artificial permanecerá fuera de alcance.
El gasto en inteligencia artificial agente está aumentando a un ritmo vertiginoso. McKinsey predice que el mercado, que vale aproximadamente $5‑7 mil millones este año, podría aumentar a más de $199 mil millones para 2034. El aumento refleja un cambio de asistentes de inteligencia artificial generativa que simplemente sugieren acciones a agentes autónomos que planifican, interpretan y ejecutan tareas en sistemas empresariales.
A pesar del revuelo, muchas empresas están golpeando un muro. Gartner estima que más del 40% de las iniciativas de inteligencia artificial agente serán descartadas para fines de 2027. Un estudio separado de Qlik encuentra que, si bien el 97% de las organizaciones han asignado fondos para la tecnología, solo el 18% han avanzado más allá de las fases de prueba para implementarla completamente. La brecha entre la ambición y la realidad se está ampliando.
Las bases de datos frenan el despliegue
Un tema recurrente es la inmadurez de los datos. Los sistemas agente dependen de una visión coherente y confiable de la información, pero muchas empresas todavía luchan con bases de datos fragmentadas, registros duplicados y propiedad poco clara. En tales entornos, incluso los modelos más sofisticados generan resultados que los equipos no pueden confiar.
El contenido no estructurado complica el problema. Los correos electrónicos internos, los artículos de la base de conocimientos y los documentos heredados a menudo contienen contexto valioso, pero carecen de procedencia clara. Cuando un agente de inteligencia artificial se basa en dichas fuentes, verificar la oportunidad o la precisión de los datos se convierte en una tarea casi imposible, lo que erosiona la confianza en las decisiones automatizadas.
Como los agentes comienzan a interactuar directamente con flujos de trabajo operativos, desencadenando ajustes en la cadena de suministro o iniciando alertas financieras, el margen de error se reduce dramáticamente. Un paso en falso que un ser humano podría revisar antes de la ejecución ahora se traduce en una acción automatizada potencialmente costosa.
Desafíos de gobernanza e interoperabilidad
Más allá de los datos, la rendición de cuentas es un tema importante. Las empresas deben responder a preguntas básicas: ¿Quién es el propietario de los datos que alimentan al agente? ¿Quién aprueba las acciones que toma? ¿Cuándo debe intervenir un ser humano? Las líneas de responsabilidad claras son esenciales no solo para la confianza, sino también para el cumplimiento, especialmente cuando las decisiones impulsadas por la inteligencia artificial afectan los ingresos, la informes regulatorios o la gestión de riesgos.
Los marcos regulatorios están comenzando a dar forma a la conversación. El Acta de Inteligencia Artificial de la Unión Europea, por ejemplo, establece expectativas en torno a la transparencia, la rendición de cuentas y la mitigación de riesgos al comienzo del ciclo de desarrollo. Si bien algunos ven tales reglas como un freno a la innovación, muchos ejecutivos las ven como una hoja de ruta para la implementación responsable de la inteligencia artificial.
Otro obstáculo es la proliferación de asistentes de inteligencia artificial dispares en las organizaciones. Diferentes equipos a menudo adoptan herramientas variadas, plataformas de análisis, bots internos, servicios externos, creando un ecosistema fragmentado. Para que los agentes sean efectivos, necesitan formas seguras y estandarizadas de acceder a datos confiables y interactuar con otros sistemas.
Los estándares emergentes, como el Protocolo de Contexto de Modelo (MCP), buscan salvar esa brecha. Al exponer los datos y el análisis a través de interfaces coherentes, el MCP permite que varias herramientas de inteligencia artificial compartan información mientras preservan los controles de acceso y las salvaguardias de gobernanza. Las empresas que adopten dichos protocolos temprano pueden evitar integraciones personalizadas costosas más adelante.
Los líderes de la industria coinciden en que el éxito depende de preparar la infraestructura subyacente antes de escalar más allá de las pruebas. Fortalecer la calidad de los datos, establecer una gobernanza clara y adoptar estándares de interoperabilidad son los primeros pasos hacia la realización del potencial transformador de la inteligencia artificial agente.
Hasta que esas bases estén en su lugar, la promesa de la inteligencia artificial autónoma y empresarial seguirá siendo más una aspiración que una realidad.