Un año después del estudio del MIT, tres lecciones de quien puso agentes de IA en producción, ejemplificadas con un proyecto que atraviesa las tres.
Hace poco más de un año que el proyecto NANDA del MIT, The GenAI Divide, publicó la investigación que más ruido hizo sobre IA en las empresas. El titular dio la vuelta al mundo: el 95% de los pilotos de IA generativa en las grandes empresas no tenía retorno. Quien trabaja con esto en el día a día no necesitó el estudio para saber que pocos proyectos estaban generando valor de verdad. Lo que el estudio hizo fue ponerle número al dolor, y mostrar que existía un grupo pequeño, el 5%, haciendo algo diferente.
Para aquellos de nosotros que seguimos en la sala, que entendemos que la IA generativa en las empresas es un camino sin vuelta atrás, la pregunta que importaba era otra: ¿qué tiene en común ese grupo? Este año, pusimos agentes de IA en producción en recorridos enteros de venta, cobranza y atención, y tres conclusiones del MIT se confirmaron en la práctica con una precisión que me sorprendió:
- Los MVP de IA generativa necesitan ser aún más pequeños de lo que esperábamos.
- Los agentes de IA son como recién contratados, y necesitan criterios de promoción.
- La IA generativa se destaca en algunos lugares y tiene dificultades en otros, y la arquitectura necesita respetarlo.
A continuación, exploro cada punto a partir de un proyecto que construimos con una de las líderes en movilidad de Brasil.
1. Los MVP de IA generativa necesitan ser aún más pequeños de lo que esperábamos
Ya nos acostumbramos a construir MVP en la transformación digital. Empiece pequeño, valide, expanda. Lo que nos sorprendió es que la IA generativa exige puntos de partida aún más pequeños, por dos razones que parecen contradictorias. Por ser más flexible, entrega valor mucho más rápido que una aplicación tradicional. Por ser menos predecible, el potencial de falla se multiplica a la misma velocidad.
Los equipos que generan valor real con agentes de IA no intentan automatizar un proceso entero desde el primer día. Los proyectos así se arrastran, atrapados en la gestión interminable de casos de excepción. Los que entregan resultados empiezan con algo tan enfocado que llega a ser incómodo de justificar. Y es ahí donde empieza el trabajo real: alinear las expectativas de quien, deslumbrado por el potencial de la tecnología, espera que resuelva problemas de naturaleza diferente de una sola vez.
El auto por suscripción es un buen ejemplo. Es un producto que existe desde hace años en Brasil, pero que todavía no formó un público amplio: quien llega no conoce la oferta. En la empresa con la que trabajamos, más del 70% de los leads solo avanzaba después de largas conversaciones con un vendedor, y el recorrido completo tenía dolores parecidos. Mapeamos todo en una semana de inmersión con las áreas comercial, de marketing, de éxito del cliente y de atención. Y empezamos por una sola etapa: la venta. El prototipo estuvo listo en 3 días y se probó con clientes reales en WhatsApp, antes de cualquier contrato de construcción. Menos sexy que un agente que lo hace todo, claro. Pero fue lo que puso valor en manos del cliente en semanas, y cada etapa siguiente del recorrido entró después, con el mismo método.
El estudio del MIT vio el mismo patrón: las soluciones enfocadas en flujos de trabajo pequeños pero críticos alcanzan US$ 1,2 millones en valor anualizado en 6 a 12 meses, y tardan unos 90 días del piloto a la implementación. Los procesos amplios y complejos tardan 9 meses o más, muchas veces sin nada que mostrar.
2. Trate a los agentes de IA como recién contratados, y establezca criterios de promoción
Sus mejores colaboradores no llegaron el primer día con autonomía total. La conquistaron. Lo mismo vale para los agentes de IA. La mayoría de las empresas concede demasiada autonomía, demasiado rápido, y observa la falla. Lo opuesto es igualmente riesgoso: agentes demasiado restringidos, a la espera de la perfección, pueden no entregar valor nunca.
Un framework propuesto por investigadores de la Universidad de Washington, Levels of Autonomy for AI Agents (Feng, McDonald y Zhang, 2025), ha sido decisivo en nuestros proyectos. Describe cinco roles que la persona asume al trabajar con un agente: operador, colaborador, consultor, aprobador y observador. El punto central es que el agente no se salta etapas. Se promueve a medida que entrega resultados.
Así fue con el agente de autos por suscripción. La supervisión humana existió desde el prototipo, y fue gracias a ella que el equipo del cliente corrigió al agente mientras se construía. La autonomía creció por etapas, a medida que el agente demostraba que acertaba. En el análisis de crédito, por ejemplo, la mesa mantuvo la decisión, y pasó a recibir la recomendación lista.
Lo que dice cuándo un agente está listo para asumir más son métricas de negocio claras desde el primer día, no la precisión subjetiva del modelo: el tiempo que el equipo ahorra, cuánto necesita corregir de lo que el agente produce, cuánto de lo que el agente calificó se convierte.
3. Entienda dónde se destaca la IA generativa (y dónde tiene dificultades)
La primera ola de aplicaciones creó una ilusión: la de que todo se resolvía con ingeniería de prompts y recuperación de contexto (el RAG). No existe bala de plata. Los sistemas puramente generativos atacando flujos complejos fallaron repetidamente, y todo flujo que parece simple revela una complejidad sorprendente cuando se intenta automatizarlo, sobre todo en alto volumen, frente al cliente.
Lo que el 5% parece entender es que los proyectos exitosos se parecen más al software tradicional que a la magia. La arquitectura ganadora es híbrida: flujos determinísticos donde importa la confiabilidad, IA generativa donde realmente se destaca, que es entender y generar lenguaje, manejar la ambigüedad y adaptarse al contexto. La lógica de negocio, las reglas predecibles y el tratamiento de excepciones siguen siendo mejores en la ingeniería tradicional.
En el agente de autos por suscripción, precio, plazo y condiciones de pago vienen de reglas definidas con el negocio, nunca del modelo. El modelo entra para calificar, resolver dudas y conversar. Y lo que el cliente ve como un agente es, por dentro, un grafo de agentes más pequeños con roles definidos: uno entiende la necesidad, otro consulta precio y stock, otro explica el contrato, otro guarda la memoria de la conversación, otro da la respuesta final en el mismo tono. Un orquestador distribuye la conversación entre ellos y funciona como traba de seguridad. Cuando hace falta, la conversación pasa a una persona.
Lo que esto le pide a quien construye
Foco extremo, autonomía conquistada y arquitectura híbrida no son elecciones de herramienta. Son elecciones de enfoque, y es el enfoque, no la tecnología, lo que separa al 5% del otro 95%. En la práctica, esto tiene tres consecuencias para quien va a construir.
La primera es que la solución es a medida. Una plataforma estándar, lista para usar, por más impresionante que sea en la demostración, no conoce las reglas de crédito, la política de cobranza ni los casos de excepción de su negocio. Es ahí donde se rompe.
La segunda es que el diseño viene antes que la tecnología. Entender primero el flujo de trabajo, y solo entonces adaptar la IA a él, y no al revés.
La tercera es que nada de esto se hace sin los equipos de negocio en la sala. Son ellos quienes conocen el flujo, las reglas y las excepciones que el agente va a encontrar, y es en el intercambio con ellos donde nace el diseño. En el proyecto de autos por suscripción, ese intercambio empezó con una semana de inmersión con cuatro áreas, y el prototipo de la venta estuvo listo en 3 días. Con Kariisma, una startup de Estados Unidos de live commerce, fueron 3 días de inmersión con los fundadores y los inversores en la sala, y la plataforma salió al aire en 4 semanas. Cómo siguió cada proyecto desde ahí, con los números, está en los cases: el agente de IA para el recorrido de venta de autos por suscripción y el producto de IA que entrena, dirige y analiza lives en TikTok Shop.
La IA generativa sigue siendo un recorrido de aprendizaje, y el conocimiento de quien está construyendo es el activo más valioso. Si usted es uno de los que siguen en la sala, nos encantaría continuar esta conversación: escríbanos.