Por Fernando Pérez Lizano

La IA Agéntica es la siguiente generación de inteligencia artificial (Wang et al., 2024). Mientras herramientas como ChatGPT esperan sus instrucciones y responden cada vez que pregunta, los agentes de IA trabajan independientemente para completar tareas complejas sin supervisión constante (Russell & Norvig, 2021).

Piense en la diferencia así: un asistente tradicional de IA es como un empleado que solo hace lo que usted pide en ese momento. Un agente de IA es como un gerente de área que entiende el objetivo, planifica los pasos, usa las herramientas disponibles, aprende de lo que pasa y ajusta su enfoque hasta lograr el resultado (Wooldridge, 2020).

Por ejemplo, si necesita dar seguimiento a clientes, la IA tradicional redacta un correo cuando se lo pide. Un agente de IA revisa su base de clientes, identifica quiénes necesitan seguimiento, redacta correos personalizados, los envía, monitorea respuestas y alerta sobre casos críticos. Todo sin que usted intervenga en cada paso.

¿Qué pueden hacer estos agentes?

Los agentes de IA razonan en múltiples pasos: dividen objetivos complejos en tareas específicas y las ejecutan en orden lógico, como un profesional experimentado (Xi et al., 2023). Usan las herramientas de su empresa: se conectan con sus sistemas actuales, consultan bases de datos, revisan inventario o acceden a reportes (Schick et al., 2024). Aprenden del contexto: recuerdan información de interacciones previas para tomar mejores decisiones (Park et al., 2023). Y se adaptan a cada situación: operan dentro de sus reglas pero ajustan su enfoque según el caso.

Puede usar un solo agente para un proceso directo, o varios agentes especializados que colaboran para operaciones complejas (Dorri et al., 2018).

Oportunidades y desafíos para empresas peruanas

En minería, los agentes predicen cuándo sus equipos necesitarán mantenimiento antes de fallar, coordinan movimiento de mineral entre mina y puerto optimizando rutas, y generan automáticamente reportes de cumplimiento (McKinsey & Company, 2023). Lo valioso es que integran información de geología, producción y mercado para sugerir ajustes que mejoran rentabilidad.

En retail y comercio, predicen qué productos necesitará en cada tienda, personalizan ofertas basándose en historial de clientes, y coordinan atención entre tienda física, web y redes sociales (Gartner, 2024). Pueden atender consultas en varios idiomas, abriendo mercados antes difíciles de alcanzar.

En servicios, los agentes de voz atienden llamadas en bancos, clínicas o telecomunicaciones, reduciendo tiempos de espera hasta 70% (Salesforce Research, 2024). En finanzas, evalúan solicitudes de crédito analizando no solo historial tradicional sino también patrones de pago de servicios o transacciones móviles, permitiendo atender segmentos que antes no calificaban (BID, 2023).

Los desafíos son reales. Su infraestructura puede no estar lista: sistemas que no se comunican, datos dispersos sin estandarizar, información en hojas de cálculo (CAF, 2023). Los agentes necesitan data limpia y organizada. Escasea el talento local, generando dependencia de consultores externos que aumenta costos (LinkedIn, 2024). El cambio organizacional es complejo: muchos pilotos exitosos nunca escalan porque no se maneja bien el impacto en las personas (MIT Professional Education, 2024). La conectividad fuera de Lima limita aplicaciones en tiempo real (OSIPTEL, 2023). Y existen riesgos: modelos entrenados con data extranjera generan decisiones inadecuadas para nuestro contexto (Buolamwini & Gebru, 2018), deepfakes afectan reputación, y dependencia de proveedores extranjeros expone a disrupciones.

Cinco validaciones antes de comenzar

·       ¿Tenemos la base de datos necesaria? Los agentes son tan buenos como la información que procesan (Davenport & Ronanki, 2018). Si hoy le cuesta generar un reporte consolidado porque la información está dispersa, los agentes enfrentarán el mismo problema. No necesita perfección, pero sí orden básico.

·       ¿Construimos capacidad interna o contratamos ayuda? Desarrollar expertise propio va a demandar más tiempo. Contratar consultores es rápido pero genera dependencia. Lo mejor suele ser híbrido: un socio que lo guíe mientras capacita un equipo interno pequeño. Busque partners que entiendan el contexto peruano, su estrategia y modelo de negocio, no solo la tecnología.

·       ¿Dónde procesaremos la información? Soluciones en la nube son flexibles pero generan preocupación sobre dónde están sus datos, especialmente en banca o minería (Armbrust et al., 2010). Si tiene operaciones remotas con conectividad limitada, arquitecturas híbridas que procesen localmente son más prácticas. Consulte las implicaciones de la Ley de Protección de Datos Personales (Ley N° 29733, 2011).

·       ¿Estamos preparados para gestionar el cambio? La tecnología es lo fácil. Lo difícil es que su gente la adopte (Kotter, 2012). Necesita comunicación clara sobre cómo cambian los roles (no solo qué se elimina, sino qué se crea), involucramiento de trabajadores desde el inicio, y capacitación para supervisores. Identifique líderes naturales en operaciones como embajadores del cambio.

·       ¿Cómo sabremos si funciona? Defina cómo medirá el éxito más allá de ahorrar costos (Brynjolfsson & McElheran, 2016). En retail: rotación de inventario, reducción de quiebres. En minería: disponibilidad de equipos, reducción de incidentes. En servicios: satisfacción del cliente, tiempo de atención.

Hoja de ruta para la implementación

·       Preparación (Meses 1-3): Identifique un proceso candidato: alto volumen, bajo riesgo, pasos estandarizados. Por ejemplo: atención al cliente en retail, coordinación logística en minería, pre-aprobaciones en banca. Defina quién liderará internamente. Establezca presupuesto realista según su escala, por ejemplo, para una empresa mediana del Perú, un piloto inicial puede requerir entre USD 50,000 y 150,000. Reserve un porcentaje para imprevistos.

·       Piloto (Meses 4-6): Lance el proyecto en un área acotada con proveedores establecidos. Defina claramente qué decide el agente solo y qué consulta con una persona. Establezca métricas de éxito y mida rigurosamente. Involucre a usuarios como co-diseñadores desde el primer día.

·       Evaluación (Meses 7-9): Analice resultados con honestidad: qué funcionó, qué no, y por qué. Documente errores relacionados con nuestro contexto cultural o lingüístico. Presente a la Alta Dirección un análisis actualizado con datos reales. Su recomendación debe ser clara: escalar, modificar o cancelar.

·       Escalamiento (Meses 10-18): Si el piloto funciona, crezca gradualmente. Primero a procesos similares o nuevas geografías. Formalice la gobernanza con un comité que defina políticas claras. Ejecute el plan de desarrollo de talento interno. Comunique victorias ampliamente.

·       Optimización (Mes 18+): Entre en mejora continua: monitoreo semanal, refinamiento constante, exploración gradual de casos complejos. Evalúe anualmente su portafolio de agentes: cuáles agregan valor, cuáles descontinuar, qué oportunidades emergen.

Reflexión final: Su decisión

Las empresas que adoptaron sistemas empresariales en los 90, e-commerce en los 2000, o transformación digital en los 2010, construyeron ventajas competitivas duraderas. La IA Agéntica es esa oportunidad para esta década.

La tentación es esperar. Pero cada mes que pasa, quienes ya empezaron acumulan ventajas difíciles de alcanzar. La pregunta no es si transformará su industria—lo hará. La pregunta es si usted liderará ese cambio o reaccionará tarde.

No se trata de apuestas irresponsables. Se trata de curiosidad sobre qué es posible, experimentación controlada con presupuesto modesto, y humildad para aprender. La IA Agéntica no reemplaza su criterio—lo amplifica. No elimina liderazgo—lo libera para lo estratégico.

El riesgo no es fallar en un piloto. Es despertar en tres años con un modelo obsoleto porque otros se movieron primero.

La tecnología está lista. El talento se forma. Los recursos son manejables.

Solo falta que usted decida.

Referencias

Armbrust, M., Fox, A., Griffith, R., Joseph, A. D., Katz, R., Konwinski, A., Lee, G., Patterson, D., Rabkin, A., Stoica, I., & Zaharia, M. (2010). A view of cloud computing. Communications of the ACM, 53(4), 50-58. https://doi.org/10.1145/1721654.1721672

Banco Interamericano de Desarrollo [BID]. (2023). Inclusión financiera y tecnologías digitales en América Latina. BID.

Brynjolfsson, E., & McElheran, K. (2016). The rapid adoption of data-driven decision-making. American Economic Review, 106(5), 133-139. https://doi.org/10.1257/aer.p20161016

Buolamwini, J., & Gebru, T. (2018). Gender shades: Intersectional accuracy disparities in commercial gender classification. Proceedings of Machine Learning Research, 81, 1-15.

Corporación Andina de Fomento [CAF]. (2023). Transformación digital en América Latina: Desafíos y oportunidades. CAF.

Davenport, T. H., & Ronanki, R. (2018). Artificial intelligence for the real world. Harvard Business Review, 96(1), 108-116.

Dorri, A., Kanhere, S. S., & Jurdak, R. (2018). Multi-agent systems: A survey. IEEE Access, 6, 28573-28593. https://doi.org/10.1109/ACCESS.2018.2831228

Gartner. (2024). Top strategic technology trends for 2024. Gartner Research.

Kotter, J. P. (2012). Leading change. Harvard Business Review Press.

Ley N° 29733. (2011). Ley de Protección de Datos Personales. Congreso de la República del Perú.

LinkedIn. (2024). Emerging jobs report 2024. LinkedIn Talent Solutions.

McKinsey & Company. (2023). The state of AI in 2023: Generative AI's breakout year. McKinsey Global Institute.

MIT Professional Education. (2024). Applied generative AI for digital transformation: Course materials. Massachusetts Institute of Technology.

Organismo Supervisor de Inversión Privada en Telecomunicaciones [OSIPTEL]. (2023). Reporte estadístico de conectividad en el Perú. OSIPTEL.

Park, J. S., O'Brien, J. C., Cai, C. J., Morris, M. R., Liang, P., & Bernstein, M. S. (2023). Generative agents: Interactive simulacra of human behavior. arXiv preprint arXiv:2304.03442.

Russell, S., & Norvig, P. (2021). Artificial intelligence: A modern approach (4th ed.). Pearson.

Salesforce Research. (2024). State of the connected customer report. Salesforce.

Schick, T., Dwivedi-Yu, J., Dessì, R., Raileanu, R., Lomeli, M., Zettlemoyer, L., Cancedda, N., & Scialom, T. (2024). Toolformer: Language models can teach themselves to use tools. Advances in Neural Information Processing Systems, 36.

Wang, L., Ma, C., Feng, X., Zhang, Z., Yang, H., Zhang, J., Chen, Z., Tang, J., Chen, X., Lin, Y., Zhao, W. X., Wei, Z., & Wen, J. R. (2024). A survey on large language model based autonomous agents. arXiv preprint arXiv:2308.11432.

Wooldridge, M. (2020). An introduction to multiagent systems (2nd ed.). John Wiley & Sons.

Xi, Z., Chen, W., Guo, X., He, W., Ding, Y., Hong, B., Zhang, M., Wang, J., Jin, S., Zhou, E., Zheng, R., Fan, X., Wang, X., Xiong, L., Zhou, Y., Wang, W., Jiang, C., Zou, Y., Liu, X., ... Gui, T. (2023). The rise and potential of large language model based agents: A survey. arXiv preprint arXiv:2309.07864.