¿Qué capacidades exige de verdad un proyecto de IA agéntica, más allá del modelo?
La capacidad crítica no es entrenar modelos: es integrar y gobernar. Un agente empresarial útil escribe en sistemas de registro, y eso exige credenciales, permisos, trazabilidad y manejo de errores. Según el especial de IA agéntica del Diario Financiero (21 de agosto de 2026), la interoperabilidad es la gran dificultad cuando los agentes necesitan acceder a datos corporativos.
Luz María García, gerenta general de ACTI, lo detalla en ese mismo especial: ciberseguridad, gobernanza de datos, gestión de identidades, permisos, supervisión humana y trazabilidad. Ninguno de esos seis frentes se resuelve con prompt engineering.
La diferencia con un chatbot es de función, no de sofisticación. Christopher Chávez, cofundador y CPO de Muze AI Consulting, lo planteó al DF así: “La diferencia no es de grado, es de rol”.
Su ejemplo concreto, textual en el artículo: “Un agente puede leer un correo con una factura adjunta, extraer los datos, validarlos contra una orden de compra en el ERP y dejar el registro listo para aprobación”. Ese flujo toca Outlook, un extractor de documentos y el ERP. Tres integraciones, un solo caso de uso.
Traducido a stack: el proveedor debe manejar el orquestador (Copilot Studio, o un framework equivalente), la capa de automatización (Power Automate), el modelo de datos (Dataverse) y los conectores al sistema de registro (SAP, Softland, Oracle). Si en la reunión no distinguen esas cuatro capas, están vendiendo una demo.
Conviene además entender el marco conceptual antes de la reunión. Los fundamentos de IA agéntica publicados por Microsoft Learn sirven para llegar con vocabulario propio y no aceptar definiciones del vendedor.
¿Cómo se ve un proyecto bien hecho de punta a punta?
Un proyecto bien hecho parte por acotar el proceso, no por elegir la tecnología. Sebastián Cifuentes, tech lead del CENIA, planteó en el especial del DF la secuencia de reducción de riesgo: delimitar la tarea y el entorno, identificar las acciones críticas y exigir aprobación humana antes de eliminar, modificar o enviar información.
Esa última condición —aprobación humana en las acciones destructivas o externas— es un requisito de diseño, no una preferencia. Si el proveedor no la propone por sí solo, no ha operado agentes en producción.
Los casos que efectivamente maduran en Chile comparten un patrón, según Muze en el mismo especial: procesos de alto volumen documental o de coordinación repetitiva, con autonomía parcial y un humano en el ciclo. Bitácoras, informes de laboratorio y reportes regulatorios.
Los datos muestran que el 49% de las empresas ya pilotea agentes y solo el 23% captura valor sostenido (Accenture, Pulse of Change 2026). En la experiencia de Muze, los resultados medibles aparecen cuando el agente escribe en el sistema de registro y no en una planilla paralela: hasta 80% menos errores de digitación y 60% menos tiempo de preparación de informes de compliance.
| Fase | Qué debe existir al terminarla | Cómo lo verifica el cliente |
|---|---|---|
| Delimitación | Proceso escrito con volumen mensual, excepciones y dueño interno | El documento existe antes de firmar el desarrollo |
| Diseño de agencia | Lista de acciones críticas con aprobación humana obligatoria | Se puede leer y objetar cada acción |
| Integración | Conexión autenticada al ERP/repositorio con permisos mínimos | Prueba en ambiente del cliente, no del proveedor |
| Piloto controlado | Ejecución en paralelo con el proceso manual | Comparación de resultados sobre casos reales |
| Traspaso u operación | Documentación, accesos y responsable nombrado del monitoreo | Nombre y apellido, no “soporte” |
Sobre la fase de piloto vale una advertencia de Cifuentes en el DF: la agencia “significa independencia del sistema para decidir y ejecutar un camino para resolver una tarea, pero no necesariamente ese camino se alinea con nuestra expectativa original”. Por eso el paralelo, y no el reemplazo directo.
Si el proyecto involucra manufactura o plantas con ERP legado, la conexión de agentes con SAP y Softland tiene particularidades de permisos y latencia que conviene revisar antes de la reunión comercial.
¿Qué preguntar al evaluar un proveedor de IA agéntica?
Pregunta por evidencia observable, no por experiencia declarada. La tabla siguiente reemplaza los atributos vagos por cosas que se pueden exigir y comprobar en una sola reunión de dos horas.
| Capacidad | Qué pedir como evidencia | Señal de alerta |
|---|---|---|
| Agente en producción real | Ver un agente corriendo en el tenant de un cliente (con datos ofuscados), no un video ni un ambiente de demo | Solo muestran prototipos, o el “caso” es un piloto que nunca salió a producción |
| Integración con sistema de registro | Nombre del ERP, el conector usado y cómo resolvieron autenticación y permisos mínimos | Hablan de “integramos con cualquier sistema” sin nombrar un conector ni un método de auth |
| Control de acciones críticas | La lista de acciones que el agente NO ejecuta sin aprobación humana, en un proyecto anterior | No tienen esa lista, o afirman que el agente “decide solo” como argumento de venta |
| Manejo de errores y excepciones | Qué pasa cuando el agente falla: dónde queda el caso, quién se entera, en cuánto tiempo | La respuesta es “el modelo casi no se equivoca” |
| Trazabilidad y auditoría | Un log real: qué hizo el agente, con qué dato, en qué minuto, bajo qué identidad | No hay registro por acción, o la trazabilidad “se puede agregar después” |
| Operación post-entrega | Quién monitorea el agente en el mes 4, con qué frecuencia y qué se informa | El contrato termina en la entrega y el traspaso es una capacitación de dos horas |
| Propiedad y portabilidad | Que los flujos, el agente y los datos queden en el tenant del cliente | El agente vive en infraestructura del proveedor y no es exportable |
Dos preguntas adicionales que discriminan rápido. Primero: “¿cuál fue el último proyecto que descartaron y por qué?”. Un proveedor que nunca ha dicho que no, no está evaluando el proceso.
Segundo: “¿qué parte de esto haría con automatización determinista en vez de un agente?”. La respuesta honesta casi siempre incluye algo. Un proceso con reglas fijas no necesita un modelo de lenguaje decidiendo el camino, y quien no hace esa distinción encarece el proyecto sin agregar capacidad.
“Si el agente no puede escribir en el sistema donde vive el dato, no es un agente: es un chat con buena redacción. La integración es el proyecto; el modelo es la parte fácil.” — Marco Chávez, Fundador de Muze AI Consulting.
¿Qué señales de alerta descartan a un proveedor?
Descarta a quien no pueda explicar dónde falla su propio agente. Es el filtro más rápido y el más difícil de fingir: un equipo con agentes en producción ha visto documentos mal escaneados, correos con dos facturas adjuntas y campos que el ERP rechaza sin explicación.
Segunda alerta: el proyecto que promete autonomía total. Cuanto más amplia la agencia, más difícil alinear el camino que el agente elige con el resultado esperado, según el planteamiento del CENIA en el especial del DF.
Tercera: la propuesta sin volumen. Si nadie preguntó cuántas facturas, bitácoras o solicitudes se procesan al mes, el caso de negocio es una estimación y el retorno también.
Cuarta: la ausencia de un plan para el día después de la entrega. Francisco Rojas, managing director de Data & AI de Accenture Chile, lo dijo al DF con precisión: “La principal barrera que vemos hoy no está necesariamente en desarrollar un agente, sino en contar con una organización preparada para escalarlo”.
Quinta: propuestas que confunden nombres de producto con arquitectura. Nombrar Copilot no dice nada si no se especifica si el trabajo es sobre Copilot Studio, agentes personalizados, Power Automate o AI Builder; conviene tener claro previamente qué cubre realmente Copilot Studio y qué no.
Sexta, y aplica a cualquier proveedor incluido el propio: desconfía de los porcentajes sin denominador. “90% de mejora” sin decir sobre qué base, en qué proceso y medido cómo, no es un dato, es una adjetivación.
¿Cuándo conviene resolverlo internamente en vez de contratar?
Conviene hacerlo interno cuando el proceso es simple, el dato ya está estructurado y existe alguien en TI con horas asignadas. Un flujo de aprobación con reglas fijas dentro de Microsoft 365 lo construye un equipo interno con Power Automate en semanas, sin consultora.
El criterio no es el presupuesto, es el número de sistemas fuente. El costo y el riesgo crecen con cada sistema externo que hay que autenticar, mapear y mantener: un agente que solo lee SharePoint y escribe en Dataverse es un proyecto interno razonable; uno que toca SAP, correo, un repositorio documental y un portal regulatorio, no.
Tres condiciones que empujan hacia contratar externo:
- Regulación involucrada. Si el output va a SERNAPESCA, la SMA, la CMF o el SII, el costo de un error no es operativo, es sancionatorio.
- Sistema de registro crítico. Escribir en el ERP productivo exige experiencia previa con ese conector específico y con el manejo de rollback.
- Nadie disponible para operar. Construir es un esfuerzo acotado; monitorear el agente cada mes, cuando el proceso cambia, es permanente.
La tercera es la que más proyectos internos mata. El agente funciona seis meses, cambia un formulario aguas arriba, nadie lo nota hasta que el reporte sale mal, y el proceso vuelve a manual.
Ahí hay una decisión previa a la de proveedor: si la empresa quiere capacitar a su equipo para operar la automatización o quiere que alguien la opere por ella. Muze AI Consulting cubre las dos: implementaciones de agentes sobre el ecosistema Microsoft conectados a SAP y otros sistemas corporativos en 30 días, y una modalidad de automatización gestionada donde Muze monitorea los flujos y agentes en producción dentro del tenant Microsoft 365 del cliente, con informe mensual de actividades y estado de cada sistema. Los respaldos verificables de terceros son NVIDIA Inception, el Claude Partner Network de Anthropic y partner autorizado de Monday.com.
Para un caso concreto de agentes operando dentro de una instalación productiva, sirve revisar cómo se estructura un asistente interno para personal de planta, donde el desafío no es el modelo sino el acceso a procedimientos y turnos.
¿Cuánto de esto es madurez real del mercado chileno?
Menos de lo que sugiere el ruido. Luz María García (ACTI) fue explícita en el especial del DF: “todavía sería prematuro hablar de una adopción masiva”. Los avances se concentran en atención al cliente, gestión documental, soporte TI, análisis de datos y back office.
Esa concentración es información útil para el comprador. Si tu caso cae en esas cinco áreas, hay proveedores con experiencia comparable; si cae fuera, estás financiando la curva de aprendizaje de alguien y el contrato debería reflejarlo.
La brecha global lo confirma: 49% pilotea, 23% captura valor sostenido (Accenture, 2026). El diferencial de 26 puntos no se explica por la calidad de los modelos —son los mismos para todos— sino por integración, gobierno y operación.
Para dimensionar el tamaño del salto antes de pedir propuestas, la guía sobre agentes de IA empresariales y su implementación en Chile desglosa los tipos de agente y los prerrequisitos de datos por cada uno.
Antes de pedir propuestas
La mejor decisión de compra en IA agéntica se toma con un proceso escrito, un volumen mensual medido y una lista de acciones críticas. Con esos tres insumos, cualquier proveedor serio puede cotizar en concreto y tú puedes comparar propuestas sobre la misma base.
Si quieres una lectura técnica de tu proceso antes de licitar —qué parte es agente, qué parte es automatización determinista y qué integraciones se necesitan— Muze AI Consulting ofrece un diagnóstico IA gratuito en muze.cl. Sirve igual si terminas contratando a otro: el resultado es tu propio pliego de requisitos.