Estamos viviendo una época maravillosa; es probable que sea una revolución aún más grande que la que se vivió a partir del lanzamiento del Altair 8800, que fue la chispa que cambió la informática para siempre. Fue un cambio paulatino; de hecho, duró la tormenta hasta entrados los años ochenta. Me preocupa que la rapidez del cambio actual haga que, cuando miremos atrás, seamos víctimas de la peor nostalgia de todas: no la nostalgia de lo que vivimos, sino la nostalgia de lo que nunca llegamos a construir. Añorar un futuro que no pasó de la prueba de concepto. Es un escenario «que nunca jamás sucedió», que cada vez se vuelve más probable y que con cada error que cometemos y que ignoramos se vuelve más real.
Sé que soy muy intenso, por no decir pesado, con el salto a producción que muchas empresas subestiman con los proyectos de IA agéntica. El salto no es lineal; es bastante más complejo. El reto no está en construir el modelo, sino en operativizarlo. Cuando incluimos un nuevo agente en nuestros sistemas, nadie se está preguntando: ¿cómo encaja en nuestros flujos? ¿Cómo es su ciclo de vida? Y ¿qué pasa con sus versiones y permisos? El reto es pasar del prototipo aislado a un sistema robusto que conviva con los procesos, datos y ritmos del negocio. Ya llovió desde aquel chaparrón hasta hoy.
Soy consciente de que implementar sistemas de IA agéntica en una compañía no es una labor sencilla; si lo fuera, no estaríamos aquí. Por ello, me gustaría discutir contigo los pilares que ha propuesto McKinsey para transformar las organizaciones. Para ello, han definido cinco pilares sobre los que sustentarlos.
Pilar 1: el modelo de negocio
El cambio parte de la idea de diseñar sistemas AI-native. Hiperpersonalización, aunque esto no suena a nuevo, en tiempo real y tratar los datos propios como un activo con retorno medible. Obviamente, esto no pasa por meter los datos en un RAG y dar patada para delante; esto tiene que ver con estructurar los datos en modelos que sean explotables por agentes. Nada es fácil; hay que aplicar ingeniería y horas de trabajo. Por supuesto, hay que poner el foco en evitar antipatrones que están apareciendo en el camino, como el exceso de chatbots o el lock-in prematuro.
Pilar 2: el modelo operativo
La productividad no se consigue añadiendo al final del proceso un asistente de IA; se consigue rediseñando, repensando el trabajo. Nuestro enfoque debe partir de crear workflows AI-first, donde las personas orquesten y supervisen el trabajo de los agentes especializados. Esto nos va a llevar irremediablemente a decidir qué delegamos, dónde dejamos el human-in-the-loop, con un enfoque más táctico, y dónde situamos al human-above-the-loop, con un enfoque más estratégico. El riesgo aquí es claro: si no cambiamos cómo hacemos las cosas, tendremos pilotos eternos que acabarán en el Valle de la Muerte.
Pilar 3: gobierno embebido y en tiempo real
Sin duda, este es el pilar más crítico de todos si queremos escalar. El gobierno de la IA no puede ser un comité mensual o un documento guardado en un cajón. Debe partir de la idea de tener un conjunto de guardarraíles activos, agentes de cumplimiento que inspeccionen los procesos y los bloqueen en plena ejecución. Recomendaría encarecidamente basarnos en Policies-as-code, implementar una trazabilidad total, incluyendo el versionado de prompts y capacidades para accionar un kill switch. Sin todo esto, implantar IA agéntica en una compañía se vuelve inasumible.
Pilar 4: personas y cultura
Esta nueva manera de hacer las cosas redefine claramente el talento. Ya no es suficiente con ser un especialista. Debe aparecer el «M-Shaped» como un rol generalista porque domina varios campos y orquesta a equipos híbridos entre personas y agentes a través de múltiples dominios. Su trabajo no es resolver un problema concreto; eso ya lo hace el «T-Shaped«. Debe asegurar que los agentes de varios dominios sean capaces de colaborar y obtener un resultado de negocio.
Pilar 5: tecnología y datos
Por último, hay que hablar del pilar que lo soporta todo. Tenemos que ser capaces de hacer que todo esto funcione, sin atarnos a un solo vendor y, por supuesto, sin romper el legacy. Para ello necesitamos una arquitectura desacoplada y evolutiva. Necesitamos una «Agentic AI Mesh«. Debemos pensar en ella como una capa de abstracción, un registro central de agentes y herramientas, con telemetría que nos ayude a controlar el coste de una decisión y con contratos bien definidos. Son los mismos retos, o al menos muy parecidos a cuando empezamos a diseñar sistemas distribuidos. Ahora diseñaremos un ecosistema de agentes distribuidos.
En definitiva, si queremos evitar esa «nostalgia» en el futuro por no haber hecho las cosas bien ahora. Me gustaría fijar tres conceptos que Thoughtworks ha definido como claves para la operativización.
1. Hay que diferenciar AI-first de una automatización. Automatizar es poner un motor a un proceso manual; AI-first es repensar y rediseñar el proceso desde cero. Esto no es gratis; exige una «definition of done» por cada tarea de cada agente.
2. El «work chart» o red agéntica ataca directamente al organigrama. No es importante quién reporta a quién; la importancia reside en cómo fluye el valor. Los agentes no son herramientas pasivas; son sistemas que pueden razonar, planificar y actuar de forma independiente.
3. La comunicación entre agentes o agent-to-agent. Con el fin de que esta red funcione sin caer en los fantasmas del pasado con los legados, los agentes necesitan protocolos de comunicación estandarizados y un sistema de observabilidad fuerte.
El viaje para implantar IA agéntica en una compañía no puede tener como fin una demo que deje impresionados a los asistentes; esto debe ser un medio que nos ayude a habilitar estratégicamente dónde se van a cambiar las reglas del juego y, por supuesto, el tener la disciplina de medir los resultados. Porque «no hay nostalgia peor que añorar lo que nunca jamás sucedió«.