Resumen ejecutivo — cinco hallazgos
- La brecha no es de adopción, es de impacto. McKinsey: 88% de las organizaciones usa IA regularmente —contra 78% el año anterior— pero solo el 6% atribuye a la IA un impacto de 5% o más en su resultado operacional. Casi todos la usan; casi nadie la cobra.
- El dato más incómodo del mercado. Gartner estima que, de los miles de proveedores que se presentan como "agénticos", solo alrededor de 130 lo son realmente. Llama agent washing a renombrar chatbots y automatizaciones como agentes. Si está evaluando proveedores, esa proporción debería cambiar cómo pregunta.
- Y la mayoría de los proyectos no llegará. La misma consultora proyecta que más del 40% de los proyectos agénticos se cancelará antes del cierre de 2027, por costos que escalan, valor poco claro y controles de riesgo insuficientes.
- El foso no es el modelo. El modelo es un servicio que su competidor contrata mañana. Lo que no puede copiar son sus datos gobernados y sus procesos rediseñados — y McKinsey identifica el rediseño intencional de flujos como uno de los factores de mayor contribución al impacto real.
- Casi nadie debería entrenar un modelo propio. La recomendación de "entrene su modelo con sus datos" es cara, lenta y en la mayoría de los casos innecesaria. La respuesta correcta para el 95% de las empresas es recuperación aumentada sobre datos gobernados: especificidad sin pagar el entrenamiento.
1. La aspiración correcta, la ejecución equivocada
La metáfora es buena y por eso prendió: JARVIS, el asistente de Iron Man, no responde preguntas — anticipa, ejecuta flujos completos, opera todos los sistemas y aprende de cada interacción. Es el sistema nervioso de una operación entera, no una ventana de chat.
El problema es lo que ocurre cuando esa aspiración baja a un presupuesto. La mayoría de las empresas que dicen estar "construyendo su JARVIS" están, en la práctica, contratando la misma suscripción que su competencia y poniéndole el logo de la casa.
Y los números confirman que eso no está funcionando:
Todos adoptaron. Casi nadie capturó el valor.
Fuente: McKinsey, The state of AI in 2025: Agents, innovation, and transformation. Elaboración GrowMkTech.
Ese hallazgo de McKinsey vale más que cualquier comparativa de herramientas: lo que separa al 6% no es qué modelo contrataron, sino que reconstruyeron el proceso alrededor de la IA en lugar de agregarla al final. Es una decisión organizacional, no una compra.
2. El "agent washing": el filtro que hay que aplicar antes de contratar
Antes de discutir arquitecturas conviene instalar una defensa práctica, porque el ruido comercial en esta categoría es extraordinario.
Cuánta de la oferta "agéntica" es realmente agéntica
Fuente: Gartner, comunicado de junio de 2025 sobre cancelación de proyectos agénticos y agent washing. Elaboración GrowMkTech.
Conviene ser claro sobre qué implica esa cifra: no significa que las automatizaciones no sirvan. Un flujo bien configurado que resuelve un proceso repetitivo entrega valor real y suele ser la opción correcta. El problema es pagar precio de agente por una automatización y esperar comportamientos que el producto no tiene.
3. Herramienta o activo: dónde está la diferencia real
La distinción central del tema es correcta, pero suele plantearse mal. No es "SaaS genérico contra modelo propio". Es qué capas alquila y qué capas construye.
Las capas que se alquilan y las que se construyen
Elaboración GrowMkTech.
Esta lectura por capas resuelve el falso dilema. Se puede alquilar el modelo y aun así construir un activo — siempre que las dos capas de abajo sean propias. Y a la inversa: se puede gastar una fortuna en un modelo a medida y no tener ninguna ventaja, si los datos que lo alimentan están desordenados y el proceso siguió siendo el mismo.
La recomendación cara que casi nadie necesita
"Entrene su propio modelo con sus datos" es el consejo más repetido y más costoso de este tema. Entrenar o afinar un modelo exige talento escaso, presupuesto alto y volver a hacerlo cada vez que aparece una generación nueva — que hoy es cada pocos meses.
Para la enorme mayoría de las empresas la respuesta correcta es recuperación aumentada: usar un modelo comercial de primer nivel y entregarle, en cada consulta, la información propia y gobernada que necesita para responder. Se obtiene la especificidad de dominio sin pagar el entrenamiento, y el conocimiento queda en una base que la empresa controla — y que puede llevarse a otro modelo cuando le convenga. El afinamiento se justifica en casos acotados: un formato de salida muy estricto, un lenguaje técnico muy particular o restricciones regulatorias de soberanía de datos.
4. Las cinco preguntas del diagnóstico
Una forma rápida de saber si lo que su empresa está armando es un activo o una suscripción:
Diagnóstico en cinco preguntas
- Si cancela el servicio mañana, ¿le queda algo de valor? Si la respuesta es "nada", está alquilando. Si le queda una base de conocimiento estructurada y unos procesos mejores, construyó algo.
- ¿Su asistente sabe algo que el de su competidor no puede saber? Si solo responde con información pública o genérica, no hay diferenciación posible.
- ¿Completa un flujo de cinco o más pasos sin intervención? Si solo responde preguntas, es un chatbot — lo cual está bien, siempre que no lo esté pagando como agente.
- ¿Mejora con el uso? No en el sentido mágico de "aprende solo", sino concreto: ¿existe un circuito donde lo que falla se corrige y queda incorporado?
- ¿Está conectado a sus sistemas o vive en una pestaña? Un asistente que no lee ni escribe en el CRM o el ERP es un buscador con mejores modales.
5. Qué hacer, según el tamaño de la empresa
Aquí es donde la mayoría de los análisis de este tema se vuelve inaplicable, al recomendar presupuestos anuales de cientos de miles de dólares y nombrar un ejecutivo dedicado a la IA. Para las empresas de la región la ruta es otra:
| Tamaño | Qué corresponde | Qué NO corresponde | Dónde está el activo |
|---|---|---|---|
| Hasta ~50 personas | Un asistente sobre la base de conocimiento propia, conectado al canal donde ya están los clientes | Modelos propios, plataformas de orquestación, equipos dedicados | La base de conocimiento ordenada — que además sirve para capacitar personas |
| ~50 a 250 | Uno o dos agentes sobre procesos concretos y medibles, integrados al CRM | Diez pilotos en paralelo; ninguno escala y todos consumen atención | Los procesos rediseñados y los datos con dueño |
| ~250 a 1.000 | Capa de orquestación entre varios agentes, con gobierno y métricas de valor | Entrenar modelos propios antes de tener los datos ordenados | La orquestación y el conocimiento acumulado de la operación |
| Más de 1.000 | Plataforma interna, responsable ejecutivo de IA, presupuesto propio | Comprar una plataforma antes de definir los casos de uso | La plataforma más el efecto acumulativo de los datos |
El error de secuencia más caro
Construir el asistente antes de ordenar los datos. Un agente conectado a información desactualizada, duplicada o sin dueño no falla en silencio: responde con seguridad y se equivoca, que es mucho peor. Si en su empresa dos áreas todavía reportan cifras distintas para lo mismo, ese es el proyecto anterior — lo desarrollamos en el informe sobre el gobierno de datos en el comité de TI.
6. Cómo medir si es un activo
La métrica habitual —"consultas resueltas por el bot"— mide actividad, no valor. Tres indicadores que sí distinguen:
| Indicador | Qué revela | Por qué importa |
|---|---|---|
| Tasa de resolución sin escalar a una persona | Si realmente resuelve o solo intermedia | Un asistente que deriva el 80% de los casos agrega un paso, no lo elimina |
| Crecimiento de la base de conocimiento propia | Si el activo se está acumulando o está congelado | Es la única capa que sigue valiendo si cambia de proveedor o de modelo |
| Horas devueltas al equipo, y en qué se usaron | Si el beneficio llegó al cliente o se disolvió en trabajo interno | Sin la segunda mitad de la pregunta, el ahorro se evapora sin dejar rastro |
7. Conclusión
La aspiración a un JARVIS corporativo es razonable y la dirección es correcta: en la economía de la IA, la ventaja va a estar en la inteligencia aplicada al negocio propio. Pero la evidencia obliga a corregir dos supuestos muy extendidos.
El primero: el foso no está en el modelo. El modelo es la capa que más rápido se abarata, más rápido mejora y que cualquier competidor contrata mañana. Invertir ahí buscando diferenciación es invertir en la única parte que no diferencia.
El segundo: no hace falta construir todo para que el resultado sea propio. Alquilar la interfaz y el modelo mientras se construyen los datos gobernados y los procesos rediseñados es, para la enorme mayoría de las empresas, el camino más corto hacia un activo real. Es también, según McKinsey, lo que separa al 6% que sí ve el impacto en sus resultados del 88% que solo tiene la herramienta instalada.
La pregunta no es si su JARVIS será propio o alquilado — casi siempre será las dos cosas a la vez. La pregunta es cuál de las capas es suya. Si cancela mañana todas sus suscripciones y no le queda nada, no construyó un activo: pagó una cuota. Y si lo que le queda es una base de conocimiento ordenada y unos procesos mejores, entonces el modelo era lo de menos.
Metodología y fuentes
Datos verificados en fuente primaria: McKinsey — The state of AI in 2025: Agents, innovation, and transformation (88% de las organizaciones usa IA en al menos una función, contra 78% el año anterior; alrededor del 6% atribuye a la IA un impacto de 5% o más en su resultado operacional; el rediseño intencional de flujos de trabajo es uno de los factores de mayor contribución al impacto) · Gartner — Más del 40% de los proyectos agénticos será cancelado hacia el cierre de 2027 (incluye la definición de agent washing, la estimación de unos 130 proveedores realmente agénticos entre miles, y la proyección de que el 33% de las aplicaciones de software empresarial incluirá IA agéntica hacia 2028, frente a menos del 1% en 2024).
Nota de precisión. (1) La proyección de cancelación de Gartner proviene de una encuesta a 3.412 asistentes a un seminario web de enero de 2025; es una señal relevante del sector, no un estudio con muestreo probabilístico, y así conviene citarla. (2) La cifra de que "el 33% de las experiencias de usuario se moverá a interfaces agénticas hacia 2028" que suele citarse corresponde en realidad a una proyección distinta: que el 33% de las aplicaciones de software empresarial incluirá IA agéntica hacia 2028. Son afirmaciones diferentes. (3) Las proyecciones de tamaño del mercado de agentes —del orden de USD 7.600 millones en 2025 a USD 183.000 millones en 2033— provienen de consultoras que comercializan esos informes y se omiten como dato; la estimación de "USD 15 billones de intermediación B2B por agentes hacia 2028" no pudimos verificarla y no se usa. (4) Las cifras de retorno del tipo "USD 3,50 por cada dólar invertido" corresponden a estudios patrocinados por proveedores de tecnología y describen casos de uso acotados; no son extrapolables a una estrategia de IA completa. (5) El escalamiento por tamaño de empresa, el diagnóstico de cinco preguntas, el modelo de capas alquiladas y propias y los indicadores de medición son elaboración propia de GrowMkTech a partir de la evidencia citada y de nuestra experiencia implementando asistentes y agentes en Chile y Latinoamérica.