Susana López Blanco La IA agéntica está empezando a cambiar nuestro enfoque empresarial desde el uso de herramientas hacia el diseño del trabajo. Cuando un sistema puede consultar datos, utilizar aplicaciones, encadenar acciones y tomar ciertas decisiones con autonomía, hay que saber algo más que redactar instrucciones porque, para que funcione bien, necesitamos definir con bastante precisión cómo funciona el proceso.
Hasta ahora hemos utilizado la inteligencia artificial sobre todo como asistente: para resumir documentos, analizar datos, preparar presentaciones, redactar correos o generar campañas. La persona seguía marcando casi todos los pasos. Con los agentes esto cambia, porque el sistema puede recibir un objetivo, decidir qué acciones necesita realizar y avanzar durante varias etapas sin esperar una nueva instrucción cada vez.
Y ahí aparece un problema bastante común: muchas empresas no saben explicar con precisión cómo trabajan de verdad. Quién inicia una tarea, qué información necesita, dónde se toman las decisiones, qué ocurre cuando surge una excepción, qué se puede automatizar y qué debe seguir dependiendo de una persona.
Índice de contenidos
Las empresas conocen mejor su organigrama que sus procesos
Jim Lecinski, profesor de Marketing en Kellogg School of Management, lo plantea con bastante claridad en una serie publicada por Think with Google en 2026. Muchas organizaciones saben perfectamente quién depende de quién y cómo se distribuyen los departamentos, pero tienen una visión mucho menos precisa de cómo pasa el trabajo de unas personas a otras y de unas áreas a otras.
Su recomendación para empezar a utilizar agentes es bastante sensata: escoger tres o cinco procesos importantes y estudiarlos de principio a fin antes de automatizarlos. Hay que entender qué resultado se busca, qué información hace falta, quién interviene, qué decisiones se toman, qué controles existen y qué situaciones obligan a detener o modificar el proceso.
El planteamiento toca un problema empresarial bastante antiguo. Buena parte del conocimiento de una organización nunca aparece en un procedimiento escrito. Vive en la experiencia de las personas. Un comercial sabe cuándo merece la pena insistir con un posible cliente. Un editor reconoce un texto que todavía no está listo. Un responsable financiero detecta que una desviación aparentemente pequeña merece una revisión más profunda.
Mientras ese trabajo lo hace alguien con experiencia, muchas decisiones se toman casi de forma natural. En cuanto una parte del proceso pasa a manos de un agente, hay que explicar mejor qué criterios seguimos, qué puede decidir el sistema y hasta dónde llega su autonomía. La IA está obligando a poner por escrito conocimientos que antes circulaban de manera informal.
Cuando la experiencia la conviertes en sistema
Este fenómeno ya se observaba antes de la actual oleada de agentes. Erik Brynjolfsson, Danielle Li y Lindsey Raymond estudiaron la introducción de un asistente de IA entre 5.179 trabajadores de atención al cliente. Encontraron un aumento medio de productividad del 14 %, especialmente entre los empleados menos experimentados, y observaron que parte de las prácticas de los trabajadores con mejores resultados se extendían al resto del equipo a través del sistema.
El estudio analiza un caso concreto y sus resultados no pueden trasladarse sin más a cualquier profesión. Lo que sí muestra es algo interesante: una parte del conocimiento práctico puede incorporarse a una herramienta y ponerse a disposición de personas que todavía no han acumulado años de experiencia.
Los agentes amplían esa posibilidad porque pueden intervenir en procesos más largos. Pensemos en un análisis de la competencia. Un sistema puede localizar nuevas empresas, recoger información, clasificar movimientos, actualizar bases de datos y preparar un informe. Muchas de esas tareas ya se pueden automatizar.
Pero antes alguien tiene que decidir qué entendemos por competidor, qué fuentes consideramos fiables, cuándo un dato deja de ser útil, qué cambios merecen atención y cuánta incertidumbre estamos dispuestos a aceptar antes de presentar una conclusión a dirección. Esa parte exige conocimiento del negocio y criterio.
Del prompt al diseño del trabajo
El prompt tuvo mucha visibilidad porque fue una de las primeras cosas que tuvimos que aprender al empezar a trabajar con modelos generativos. Dar contexto, formular bien una petición, aportar ejemplos y definir el formato sigue siendo útil. El problema es pensar que con eso basta.
Una empresa no funciona a base de instrucciones aisladas. Funciona mediante procesos en los que participan personas, datos, herramientas y decisiones. Por eso empieza a cobrar importancia el diseño de los flujos de trabajo: entender cómo se llega de una necesidad concreta a un resultado y qué papel desempeña cada persona o sistema durante el recorrido.
Un lanzamiento de producto sirve como ejemplo. Puede implicar investigación de mercado, análisis financiero, fijación de precios, cuestiones legales, operaciones, creatividad, marketing, ventas y atención al cliente. Cada área aporta información y toma decisiones que afectan a las demás. Automatizar una parte sin entender esas relaciones puede acabar creando más problemas de los que resuelve.
Para diseñar un proceso en el que intervengan agentes conviene dejar claras varias cosas:
- Objetivo: qué resultado buscamos y cómo sabremos si es bueno.
- Información: qué datos, documentos y sistemas necesita el proceso.
- Decisiones: qué hay que decidir y con qué criterios.
- Responsabilidades: qué hace una persona, qué puede hacer un agente y qué queda en manos de otros sistemas.
- Autoridad: qué puede recomendar el sistema, qué puede ejecutar y qué necesita aprobación.
- Excepciones: qué situaciones obligan a detener el proceso o pedir ayuda.
- Evaluación: cómo sabremos si hemos mejorado tiempo, calidad, coste, riesgo o resultado.
Este enfoque tiene una ventaja importante: sigue siendo válido aunque cambien las herramientas. ChatGPT, Gemini, Claude y los productos que aparezcan en los próximos años evolucionarán. Una empresa seguirá necesitando entender cómo se toman sus decisiones y cómo circula el trabajo.
Además, cuando se estudia un proceso con detalle aparecen problemas que llevaban años ahí: aprobaciones que nadie sabe muy bien por qué existen, información repetida, sistemas que no se comunican entre sí o decisiones que varias personas creen que les corresponden. Automatizar un proceso mal organizado puede hacer que sus fallos se reproduzcan más deprisa.
Automatizar obliga a decidir qué autoridad cedemos
Una de las cuestiones más delicadas tiene que ver con los límites. Clasificar oportunidades comerciales, modificar una campaña, conceder un descuento, publicar un contenido o realizar un pago son acciones muy distintas, aunque todas puedan automatizarse.
Las consecuencias de un error tampoco son comparables. Si un agente clasifica mal un posible cliente, un comercial puede corregirlo. Si modifica precios sin límites, aprueba una operación o mueve dinero, el nivel de control tiene que ser mucho mayor.
Por eso hay que dejar claro qué puede hacer el sistema por su cuenta, qué puede recomendar, qué decisiones necesitan una segunda revisión y cuáles deben quedar fuera de su alcance.
El marco de gestión de riesgos de inteligencia artificial del NIST trata precisamente cuestiones como las responsabilidades, la documentación, la supervisión, el seguimiento de riesgos y la revisión humana. Su perfil específico para IA generativa insiste en que la relación entre personas y sistemas debe adaptarse al uso y al nivel de riesgo.
También conviene concretar mejor qué entendemos por supervisión humana. No basta con decir que una persona revisará el resultado. Hay que saber qué revisa, con qué información, cuándo puede intervenir y si tiene autoridad suficiente para detener una acción.
Si un agente genera cientos de decisiones cada hora y una persona se limita a pulsar “aceptar”, existe una supervisión formal, pero el control real es muy pequeño. La intervención humana también hay que diseñarla bien.
Dirigir también significa diseñar cómo funciona el sistema
Marketing permite ver este cambio con bastante claridad porque trabaja desde hace años con grandes volúmenes de datos, automatización, producción creativa y decisiones continuas. Un departamento puede utilizar agentes para vigilar a la competencia, analizar campañas, detectar anomalías, preparar segmentos, generar variantes creativas o elaborar informes.
La responsabilidad de dirección está en decidir cómo se organiza todo eso. Qué objetivos persigue el sistema, qué información utiliza, qué acciones puede realizar por su cuenta, qué límites protegen a la marca y qué decisiones deben seguir dependiendo de una persona.
Lecinski habla de responsables de marketing que empiezan a trabajar como diseñadores de sistemas. Microsoft plantea una evolución parecida en su estudio sobre el trabajo en 2026. Entre los usuarios más avanzados de IA encuentra con mayor frecuencia procesos documentados, pasos bien definidos entre personas y agentes y criterios claros para valorar la calidad del resultado.
Conviene leer estos informes con cierta distancia porque tanto Google como Microsoft tienen un interés comercial evidente en acelerar la adopción empresarial de inteligencia artificial. Aun así, resulta significativo que, después de varios años hablando casi exclusivamente de productividad individual, las grandes tecnológicas empiecen a hablar de procesos, organización y control.
La razón es bastante sencilla: un agente puede hacer cada vez más cosas, pero funcionará bien o mal según cómo esté organizado el proceso en el que participa.
Cuando producir es fácil, las decisiones son lo que valen
La inteligencia artificial abarata la producción de muchos resultados. Podemos generar más análisis, informes, propuestas, imágenes, previsiones y contenidos con los mismos recursos. El trabajo no desaparece, pero cambia el lugar donde hace falta más criterio.
Si puedo generar veinte escenarios estratégicos en unos minutos, alguien tiene que decidir cuáles parten de supuestos razonables. Si puedo producir cien anuncios, necesito saber cuáles representan bien a la marca. Si puedo revisar miles de documentos, necesito distinguir qué señales merecen atención y cuáles solo añaden ruido.
Por eso vuelven a cobrar importancia capacidades que nunca dejaron de ser necesarias: formular buenos objetivos, distinguir una evidencia de una impresión, establecer criterios, detectar excepciones, revisar resultados y asumir la responsabilidad de las decisiones.
La IA nos permite producir muchas más opciones. Elegir bien entre ellas sigue dependiendo del conocimiento y del criterio.
La formación en IA tendrá que acercarse al trabajo real
Durante la primera fase de adopción era lógico enseñar herramientas. Los profesionales necesitaban entender qué podían hacer los modelos y cómo utilizarlos. Esa alfabetización sigue siendo necesaria, pero ya no basta.
Trabajar con agentes dentro de una organización exige entender los procesos, localizar dónde se toman las decisiones, repartir responsabilidades entre personas y sistemas, establecer controles y comprobar si el resultado mejora de verdad.
Podríamos ordenar esas capacidades de una forma sencilla:
- Analizar los procesos.
- Entender cómo se relacionan entre sí.
- Diseñar flujos de trabajo.
- Definir quién toma cada decisión.
- Coordinar personas y agentes.
- Establecer límites y controles.
- Decidir cuándo debe intervenir una persona.
- Evaluar los resultados.
Los nombres cambiarán con el tiempo. Lo importante es que el aprendizaje termine en algo que pueda demostrarse: rediseñar un proceso comercial, montar un sistema de vigilancia de la competencia, automatizar parte de un cierre financiero sin perder controles o definir cuándo un agente puede actuar y cuándo debe pedir ayuda.
Eso dice mucho más sobre la capacidad profesional de una persona que afirmar simplemente que sabe utilizar inteligencia artificial.
Empieza por un proceso real
Si quieres empezar a probar, hazlo con unos pocos procesos. Escoge uno que sea importante, observa cómo funciona, habla con las personas que lo ejecutan y detecta dónde se pierde tiempo, qué conocimiento solo está en la cabeza de algunos trabajadores y qué decisiones requieren más criterio.
Después puedes introducir inteligencia artificial allí donde aporte una mejora concreta y medir qué ocurre. En algunos casos un agente podrá asumir buena parte del proceso. En otros será más útil como apoyo. Y a veces descubrirás que el problema ni siquiera necesitaba inteligencia artificial: bastaba con eliminar una aprobación absurda, conectar dos sistemas o aclarar quién tenía autoridad para decidir.
La IA agéntica está obligando a muchas empresas a mirar con más atención cómo funcionan cada día. Los organigramas seguirán siendo útiles, pero explican solo una parte de la organización. También necesitamos entender cómo circula el trabajo, dónde se toman las decisiones, qué información utiliza cada proceso y qué responsabilidad corresponde a las personas y a los sistemas.
Una empresa que conoce bien todo eso estará mucho mejor preparada para trabajar con agentes de IA que otra que simplemente acumule herramientas.