Si los últimos años han estado marcados por la explosión de los modelos generativos, ahora el foco se desplaza hacia algo más ambicioso y transformador: la IA agéntica. No hablamos solo de sistemas que analizan datos o generan contenido, sino de agentes capaces de planificar, decidir y ejecutar flujos de trabajo complejos de forma autónoma.
Desde la gestión automatizada de incidencias de ciberseguridad hasta la orquestación de procesos regulatorios o la optimización de infraestructuras tecnológicas híbridas, los agentes de IA están empezando a asumir tareas que tradicionalmente requerían intervención humana constante.
La adopción de la IA ha dejado de ser una opción de vanguardia para convertirse en un imperativo de resiliencia operativa. Hablamos de una realidad emergente, pero también actual. Sin embargo, esta aceleración tecnológica ha llevado a las empresas a un punto de inflexión. La conversación ya no gira únicamente en torno a la innovación, sino también respecto a la escalabilidad, la confianza y el control.
El entusiasmo que existe alrededor de la inteligencia artificial es evidente. La industrialización, no tanto
Según el Kyndryl People Readiness Report 2025, el 95% de los líderes a nivel mundial afirma que en sus empresas ya utilizan IA en múltiples áreas. Además, aunque el 54% de las organizaciones asegura haber obtenido retornos positivos de sus inversiones en inteligencia artificial, el 62% todavía no ha pasado de la fase piloto. El entusiasmo es evidente. La industrialización, no tanto.
Este contraste refleja una realidad clara: la tecnología avanza más rápido que la capacidad organizativa para gobernarla.
Cuando la IA pasa de responder preguntas a decidir y actuar
La diferencia entre un modelo generativo y la IA agéntica es sencilla pero trascendental: el primero responde, el segundo toma decisiones y actúa. Y cuando un sistema actúa —abre tickets, modifica configuraciones críticas, gestiona datos sensibles o ejecuta decisiones regulatorias— el marco de gobernanza deja de ser un complemento y se convierte en una condición estructural.
En sectores complejos como banca, seguros, energía, telecomunicaciones o administración pública, la autonomía sin control no es una opción. Las organizaciones operan en entornos complejos y altamente regulados donde cada decisión automatizada puede tener implicaciones legales, operativas y reputacionales. Los retos son múltiples y acumulativos:
- Auditabilidad obligatoria. Cada decisión debe poder explicarse y rastrearse de manera inequívoca.
- Cumplimiento normativo dinámico. Las regulaciones evolucionan y los sistemas deben adaptarse sin fricciones.
- Guardarraíles sobre el comportamiento emergente. Los agentes no pueden operar fuera de políticas definidas, incluso ante situaciones no previstas.
- Gestión del talento y cultura organizativa. La tecnología no escala si las personas no están preparadas para convivir con ella.
Haciendo alusión, de nuevo, a al último Kyndryl Readiness Report, solo un 14% de las organizaciones —los denominados AI Pacesetters— ha logrado alinear tecnología, personas y estrategia para capturar valor real de la inteligencia artificial. La conclusión es contundente: la ventaja competitiva no reside en desplegar más modelos, sino en gobernarlos mejor.
Gobernar los flujos de IA agéntica
En este contexto emerge un concepto clave para el despliegue seguro de agentes: policy as code. Tradicionalmente, las políticas corporativas —las relacionadas con el cumplimiento, la seguridad o la regulación— se han documentado en manuales, procedimientos y marcos normativos internos; también en sistemas de gestión de reglas. Han venido funcionando como guías para que los expertos las pudiesen aplicar en los distintos procesos de una entidad, ya sea pública o privada.
Ese enfoque es insuficiente cuando los agentes toman decisiones en segundos. Policy as code implica traducir esas reglas organizativas y regulatorias en código interpretable por los agentes, de forma que estos puedan aplicarlas de forma autónoma. El objetivo es tener la libertad de decidir si el humano se integra en el flujo o simplemente lo supervisa. Por supuesto, esta decisión estará necesariamente condicionada por la legislación aplicable.
Policy as code transforma una carga cognitiva costosa en una verificación lógica instantánea y de bajo consumo de recursos
De este modo, las organizaciones deben desarrollar capacidades orientadas a crear flujos de IA agéntica gobernados por políticas especialmente diseñadas para organizaciones que operan en entornos complejos y altamente regulados. Esto es lo que va a permitir que los agentes actúen con autonomía, pero dentro de marcos definidos, verificables y auditables.
No se trata de frenar la innovación, sino de hacerla sostenible, y el enfoque de policy as code redefine cómo se despliega la IA agéntica en producción a través de varios principios fundamentales:
- Predictibilidad. Los agentes solo pueden realizar acciones permitidas por políticas predefinidas, reduciendo el riesgo operativo y evitando desviaciones no autorizadas. Aun utilizando sistemas generativos, conseguimos comportamientos (casi) deterministas.
- Bloqueo de impactos inesperados. Los guardarraíles evitan que errores o alucinaciones del modelo se traduzcan en acciones reales no autorizadas, minimizando el riesgo en entornos críticos.
- Auditabilidad por diseño. Cada paso queda registrado y es trazable, facilitando la supervisión interna y el cumplimiento normativo externo.
- Sostenibilidad operativa. La ejecución de políticas traducidas a código es significativamente más económica que su alternativa: procesar e interpretar normativas desde documentos de texto no estructurados cada vez que el sistema debe actuar. El policy as code transforma el cumplimiento de una carga cognitiva costosa en una verificación lógica instantánea y de bajo consumo de recursos.
Personas, cultura y confianza
En cualquier caso, la tecnología, por sí sola, no resuelve el desafío. La adopción efectiva de la inteligencia artificial depende tanto del liderazgo y la cultura como de las capacidades técnicas. Las organizaciones líderes no solo invierten en modelos; invierten en preparación, lo que implica:
- Programas estructurados de formación en inteligencia artificial.
- Reconfiguración de roles y procesos para integrar agentes en el día a día.
- Estrategias claras de gobernanza que acompañen el despliegue tecnológico.
- Transparencia interna sobre el uso y alcance de los agentes.
Llevar a cabo una adopción relevante a nivel empresarial requiere llevar la IA a la mesa donde se toman las decisiones, y hacerlo con un rol activo y fuerte. Asimismo, es clave adoptar una visión de ingeniería de sistemas alrededor de la inteligencia artificial que garantice la integración de los modelos y agentes en el ecosistema tecnológico; y, por último, poner siempre el foco en la operación de los agentes en producción.
Al mismo tiempo, la presión por demostrar retorno es creciente. Según otro de nuestros estudios, People Readiness Report 2025, tres de cada cinco líderes declaran sentir más presión que el año anterior en torno a la necesidad de generar ROI tangible en los proyectos de IA, con la ciberseguridad como uno de los principales casos de uso.
La cuestión estratégica en estos momentos es cómo hacer la implementación de estos agentes de forma predecible, medible y auditable, conforme a regulación.
