Dos años después de que la IA generativa entrara en los presupuestos de tecnología de las grandes empresas, todo hace indicar que hay un patrón que se repite: la adopción es alta, pero no está tan claro cómo se debe implementar a escala. Las razones son conocidas y ya es hora de dar los pasos necesarios para llevar la IA a producción. Veamos qué propone este webinar práctico organizado por Avvale y SAP sobre SAP Business AI Platform.
El informe GenAI Divide, publicado hace justo un año, ya avanzaba una interesante conclusión: el 95% de los pilotos de IA generativa en grandes empresas no produce un impacto medible en la cuenta de resultados. No por falta de inversión —el gasto global en IA empresarial superó los 500.000 millones de dólares en 2025— sino por un problema estructural: la distancia entre lo que funciona en una demo y lo que puede sostenerse en producción, a escala, e integrado con los datos reales del negocio.
El propio informe advierte de que sus resultados son una aproximación, no un análisis exhaustivo, pero su diagnóstico central coincide con lo que después han venido documentando otros estudios.
El gap entre los pìlotos de IA y su puesta en producción es fruto de la ausencia de un contexto de negocio adecuado
Por ejemplo, McKinsey, en su State of AI de noviembre de 2025, encontró que casi dos tercios de las organizaciones encuestadas no habían empezado todavía a escalar la IA en sus operaciones. Solo el 23% reportaba haber desplegado agentes de IA en entornos de producción, frente al 62% que aseguraba estar al menos experimentando con ellos. El 39% de las organizaciones reconoció algún impacto de la IA en su cuenta de resultados, pero solo el 6% lo clasificó como de «alto rendimiento», superior al 5%.
A partir de ahí ha habido muchos estudios sobre el gap entre los pilotos de IA y su puesta en producción. Pero, sobre todo, destacando las ventajas competitivas que consiguen aquellas organizaciones que sí han conseguido dar el paso, demostrando retornos medibles en crecimiento de los ingresos y del margen, o una reducción de costes en las áreas donde aplican IA.
Procesos, contexto y reglas de negocio
Lo que sí parece claro es que la brecha no está en el acceso a la tecnología, sino en cómo se despliega y en qué procesos. De hecho, otro discurso clave que aparece reflejado en la mayoría de estos estudios es que los modelos funcionan; no ocurre lo mismo con la capa que debería conectarlos con los procesos, los datos y las reglas de negocio de cada organización. Un modelo sin acceso al contexto operativo real de la empresa genera respuestas que no pueden convertirse en decisiones.
Esto es algo en lo que se incidió mucho durante la reciente edición de SAP Sapphire 2026. La diferencia es el contexto. SAP lleva años construyendo su respuesta a ese problema, y en mayo presentó en Orlando su SAP Business AI Platform, una arquitectura unificada que integra SAP Business Technology Platform, SAP Business Data Cloud y SAP Business AI en un único entorno gobernado para construir y desplegar agentes de IA empresarial.
De los copilotos a los agentes
Un copiloto sugiere; un agente actúa, y lo puede hacer también sobre procesos de negocio críticos: cierre financiero, gestión de pedidos, conciliación de facturas, planificación de la cadena de suministro… Pero, para ello, exige algo que los modelos de propósito general no tienen por defecto: conocimiento de la lógica de los procesos, acceso a los datos correctos en el momento adecuado y un marco de gobernanza que garantice que cada acción es trazable y auditable.
Para que un agente actúe se requiere lógica de procesos, datos correctos y un marco de gobernanza
Como demostración de su propuesta, junto con su suite de soluciones, SAP también presento en Sapphire 2026 más de 50 asistentes Joule específicos para finanzas, compras, cadena de suministro, recursos humanos o experiencia de cliente, que coordinan a su vez más de 200 agentes especializados.
Para ello, la arquitectura de SAP Business AI Platform se articula en torno a tres capas: la de contexto, construida sobre el SAP Knowledge Graph; la de construcción, centrada en Joule Studio; y la de gobernanza, el SAP AI Agent Hub. Esta última capa tiene una relevancia que va más allá de los requisitos de cumplimiento, tal y como asegura el informe de Deloitte State of AI in the Enterprise 2026, publicado en enero de este año. Una de sus conclusiones: el despliegue de agentes está avanzando más rápido que la capacidad de las organizaciones para supervisarlos.
Implicaciones para una organización SAP
En su informe, Deloitte divide a las organizaciones en tres grupos según cómo están usando la IA: el 34% está transformando en profundidad su negocio, creando productos nuevos o reinventando procesos core; el 30% está rediseñando procesos clave; y el 37% restante usa la IA a un nivel superficial, sin cambios estructurales. En este contexto, el 66% reporta mejoras en productividad y eficiencia, pero solo el 20% ha conseguido hacer crecer sus ingresos a través de la IA.
Es evidente que SAP es uno de los grandes actores en panorama de agentes de IA; no compite con los grandes hyperscalers generalistas en modelos fundacionales, sino que aparece como una referencia clara cuando se trata de aplicar la IA sobre la capa de datos empresarial.
De hecho, una de las claves de la estrategia de SAP pasa por reforzar su ecosistema de alianzas —como las recientes con Perplexity y Palantir, que amplían las capacidades de Joule y SAP Business Data Cloud— y por diferenciarse en el gobierno del dato, el contexto de negocio y la seguridad. Esto es lo que le permite posicionarse como “capa de IA empresarial” por encima de los LLM de propósito general: el valor está en entender la semántica de pedidos, facturas, órdenes de producción, estructuras organizativas o contratos, y en garantizar cumplimiento normativo y trazabilidad.
El próximo 15 de julio, Avvale y SAP abordan en un webinar la parte práctica de esta necesaria transición: cómo pasar de licencias de IA a agentes en producción sobre procesos de compras, finanzas y supply chain, qué arquitectura lo hace posible sin comprometer la seguridad ni el cumplimiento normativo, y cómo se gobierna un entorno donde los agentes toman decisiones sobre datos operativos críticos.
