¿Qué mostró el especial del Diario Financiero sobre quién implementa IA agéntica?
El especial del Diario Financiero del 21 de agosto de 2026 muestra un mercado en etapa temprana. Los casos que funcionan son acotados y documentales. Según el estudio Pulse of Change 2026 de Accenture, que entrevistó a 3 mil ejecutivos, 49% de las empresas está piloteando o desplegando agentes. Solo 23% declara valor amplio y sostenido de su IA.
El artículo, “El salto que promete la IA agéntica en las organizaciones”, firmado por Anaís Persson en la sección Ecosistema TI, recoge cuatro voces. Son la de un centro de investigación, la de un gremio, la de una firma global y la de una consultora especializada.
Christopher Chávez, cofundador y CPO de Muze AI, define la diferencia entre un agente y una herramienta generativa en una frase: “La diferencia no es de grado, es de rol”. Su ejemplo muestra que el agente es capaz de ejecutar el proceso completo:
“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”.
Según el DF, los casos que maduran en Chile comparten un patrón: “procesos de alto volumen documental o de coordinación repetitiva, con autonomía parcial y un humano en el ciclo”. El especial consigna reducciones de hasta 90% en errores de digitación en bitácoras, informes de laboratorio y reportes regulatorios.
Luz María García, gerenta general de ACTI, advierte que “todavía sería prematuro hablar de una adopción masiva”. Los avances se concentran en cinco frentes: atención al cliente, gestión documental, soporte TI, análisis de datos y back office.
La advertencia no es nueva. En el suplemento del DF de mayo de 2026 sobre cómo las empresas chilenas aprovechan la IA, García ya afirmaba que “en Chile, la implementación de IA a gran escala sigue siendo la excepción, no la norma”. Atribuía las limitaciones a factores tecnológicos, regulatorios y culturales.
¿Qué capacidades exige realmente implementar un agente de IA en producción?
Un agente en producción exige tres capacidades. La primera es integración con los sistemas donde viven los datos, como SAP, Softland o Dataverse. La segunda es un gobierno de permisos e identidades. La tercera es un diseño que limite la autonomía del agente. Construir el modelo conversacional es la parte menor del trabajo.
Sebastián Cifuentes, tech lead del CENIA, explica el riesgo de fondo, citado 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”.
De ese riesgo se desprenden las capacidades que el proveedor debe dominar:
- Delimitación de tarea y entorno: el agente opera sobre un proceso definido, con fuentes y destinos explícitos. Nunca recibe acceso abierto al tenant.
- Identificación de acciones críticas: Cifuentes nombra tres, que son eliminar, modificar y enviar información. Cada una requiere aprobación humana previa.
- Interoperabilidad con datos corporativos: García (ACTI) la señala como una gran dificultad. Involucra ciberseguridad, gobernanza de datos, gestión de identidades, permisos, supervisión humana y trazabilidad.
- Dominio del stack concreto: en el ecosistema Microsoft, esto significa Copilot Studio para el agente, Power Automate para los flujos, AI Builder para la extracción documental, Dataverse como capa de datos y Power BI para el monitoreo.
- Conocimiento del regulador: un agente que prepara reportes a SERNAPESCA, la SMA, la CMF o el SII debe respetar formatos y plazos que no figuran en ninguna documentación genérica.
Francisco Rojas, managing director de Data & AI de Accenture Chile, lo resume en el especial. “La principal barrera que vemos hoy no está necesariamente en desarrollar un agente, sino en contar con una organización preparada para escalarlo.”
¿Cómo se ve un proyecto de IA agéntica bien hecho, de punta a punta?
Un proyecto bien hecho parte por un proceso con volumen y reglas medibles. Pasa por un piloto con aprobación humana en cada acción crítica. Termina con un responsable claro de operar el agente en producción. Si falta cualquiera de esas tres piezas, el resultado es un piloto que no escala.
| Fase | Entregable verificable | Componente típico |
|---|---|---|
| Selección del proceso | Línea base de volumen, tiempo y tasa de error actual | Power BI sobre datos históricos |
| Diseño de permisos | Matriz de qué lee, qué escribe y qué propone el agente | Dataverse, roles de seguridad, Entra ID |
| Construcción | Agente con acciones críticas detrás de aprobación | Copilot Studio, Power Automate, AI Builder |
| Piloto controlado | Registro de cada decisión del agente y de cada corrección humana | Logs en Dataverse, auditoría del tenant |
| Producción y operación | Monitoreo, gestión de incidencias y ajustes cuando cambia el proceso | Alertas de Power Automate, tablero en Power BI |
Los datos del especial muestran que la última fase es donde se pierde el valor. La distancia entre el 49% que pilotea y el 23% que obtiene valor sostenido es, en buena parte, una brecha de operación.
En la experiencia de Muze, la pregunta que más se omite al contratar es quién se hace cargo del agente cuando el proveedor del proyecto ya se fue.
Como referencia concreta, Muze AI implementa agentes sobre Copilot Studio, Power Automate y AI Builder conectados a SAP, con un plazo promedio de 30 días. Según la misma empresa, logra hasta 60% menos tiempo en preparación de informes de compliance. Integra el Claude Partner Network de Anthropic. Además, puede operar los agentes después de entregarlos mediante automatización gestionada dentro del tenant Microsoft 365 del cliente.
“Antes de mirar el modelo, pregunte quién va a mirar el agente el día 31. Un agente sin dueño operativo en producción es un piloto que nadie apagó.” — Marco Chávez, Fundador de Muze AI.
¿Qué preguntar al evaluar a un proveedor de agentes de IA?
Pida evidencia, no adjetivos. Cada criterio de la tabla siguiente se puede exigir y comprobar en una reunión de evaluación, sin importar a qué proveedor termine contratando. Si un proveedor no puede mostrar al menos cuatro de estas cinco cosas, todavía no tiene un agente en producción comparable al suyo.
| Capacidad | Qué pedir como evidencia | Señal de alerta |
|---|---|---|
| Control de acciones críticas | Demostración en vivo de un agente que se detiene antes de eliminar, modificar o enviar y espera aprobación | ”El agente es autónomo de punta a punta” sin mostrar dónde interviene un humano |
| Modelo de permisos | Matriz escrita de qué datos lee y escribe el agente, con roles de Dataverse o Entra ID nombrados | Pide una cuenta de servicio con permisos de administrador “para simplificar” |
| Trazabilidad | Un log real, anonimizado, donde se vea cada decisión del agente y quién la aprobó | No puede explicar cómo reconstruir por qué el agente tomó una acción |
| Integración con sus sistemas | Conector o flujo funcionando contra SAP, Softland u otro ERP equivalente al suyo | Solo muestra demos sobre archivos Excel o datos de ejemplo |
| Línea base medible | Propuesta que define volumen, tiempo y tasa de error actuales antes de construir | Promete porcentajes de ahorro sin haber medido su proceso |
| Operación posterior | Documento que dice quién monitorea, quién resuelve incidencias y cómo se informa cada mes | La propuesta termina en “capacitación al equipo” sin plan de operación |
| Conocimiento regulatorio | Ejemplo de un reporte a SERNAPESCA, la SMA, la CMF o el SII ya generado con automatización | Habla de “cumplimiento” en general sin nombrar el formato ni el plazo |
Para profundizar en cada punto, hay una guía sobre qué debe demostrar un implementador de IA agéntica antes de firmar el contrato que desarrolla las preguntas de la reunión técnica.
¿Qué señales de alerta descartan a un proveedor de IA agéntica?
La señal más clara es un proveedor que no distingue entre un agente y un chatbot. Si su demostración solo conversa y nunca ejecuta una acción sobre un sistema real, no está vendiendo IA agéntica en el sentido que describe el DF.
Otras señales que justifican descartar o, al menos, pedir más evidencia:
- Cifras sin línea base: un porcentaje de ahorro prometido antes de medir su proceso no es un resultado, es una hipótesis presentada como dato.
- Autonomía total como argumento de venta: el patrón que describe el DF es “autonomía parcial y un humano en el ciclo”. Ofrecer lo contrario contradice la evidencia publicada.
- Silencio sobre identidades y permisos: ACTI identifica la interoperabilidad con datos corporativos como una dificultad central. Un proveedor que no la menciona no la ha enfrentado.
- Plataforma propietaria que saca los datos del tenant: si el agente procesa información fuera de su Microsoft 365, la gobernanza de datos deja de estar bajo su control.
- Ningún plan para el día después: sin responsable de monitoreo, cada cambio en el proceso o en el ERP rompe el agente sin que nadie lo detecte.
Hay un desglose de estos riesgos aplicados a casos operacionales en el artículo sobre qué revisar antes de implementar IA agéntica en Chile.
¿Cuándo conviene construir el agente internamente en vez de contratar?
Conviene construir internamente cuando la empresa ya tiene tres cosas. La primera es un equipo con experiencia en Power Platform. La segunda es un modelo de gobierno de datos en Dataverse. La tercera es capacidad para operar el agente en producción. Si falta una de las tres, contratar reduce el riesgo de quedar en el grupo que pilotea sin obtener valor.
Los hechos y el criterio se separan así. Los datos del especial muestran que la barrera es organizacional, según Rojas, y de interoperabilidad, según García. El criterio de Muze es que esa barrera se resuelve mejor con un equipo interno cuando el proceso es estable y el equipo de TI tiene horas disponibles para mantenerlo.
Una regla práctica de decisión:
- Construir internamente: el proceso es único del negocio, el equipo de TI conoce Copilot Studio y Power Automate, y existe un dueño operativo con tiempo asignado.
- Contratar el proyecto y operar internamente: la integración con SAP o con el regulador es compleja, pero el equipo puede asumir el monitoreo una vez entregado el agente.
- Contratar proyecto y operación: el equipo interno no tiene horas para monitorear flujos ni para ajustar el agente cuando cambia el proceso, o el agente toca reportes regulatorios donde un error tiene costo legal.
En cualquier escenario, conviene que el agente quede dentro del tenant de la empresa. Así, si cambia el proveedor, la operación se puede traspasar sin reconstruir.
