El 2025 fue catalogado como “el año de los AI Agents” por analistas tecnológicos y medios especializados como IBM. Ahora bien, a día de hoy, cuando ya ha transcurrido más del 80% del año, ¿podemos confirmarlo? Pues los reportes indican que el 70% de los líderes empresariales los ve como algo que transformará sus operaciones en los próximos tres años, pero solamente el 15% entiende qué son y cómo funcionan. Así que si tuviera que decir algo sobre la afirmación inicial, diría que en su lugar el 2025 ha sido el año de reconocer la brecha que hay entre las expectativas y el conocimiento actual sobre las herramientas que definen el futuro del trabajo y de la tecnología como tal.

Si bien en los últimos cinco años hemos presenciado una adopción y evolución acelerada de la tecnología con modelos que responden preguntas complejas o el procesamiento de lenguaje natural, la constante ha sido que siempre han dependido de instrucciones claras y explícitas. Ahora bien, los “AI Agents” tienen como premisa la autonomía. Percibir el entorno, razonar sobre problemas complejos y planificar y ejecutar acciones sin supervisión constante hacen parte de la promesa de valor de esta tecnología.

Un análisis publicado en Medium señala que esta adopción masiva responde a presiones económicas concretas: las empresas enfrentan volúmenes crecientes de datos, expectativas de respuesta instantánea y necesidad de operar 24/7, todo con presupuestos que no crecen proporcionalmente. Es ahí donde entran los AI Agents y su promesa de autonomía para atender estas necesidades.

¿Qué son los AI Agents?

IBM define los AI Agents como sistemas de inteligencia artificial que operan con autonomía para alcanzar objetivos definidos, tomando decisiones y ejecutando acciones sin intervención humana constante. Sin embargo, esta definición esconde algunas complejidades.

La taxonomía de estos modelos importa. Un estudio reciente en ArXiv distingue tres categorías: la IA tradicional ejecuta tareas predefinidas (clasificar emails); los copilots asisten en tiempo real sugiriendo opciones (autocompletar código); los agentes toman decisiones autónomas y actúan en consecuencia (dentro de parámetros establecidos).

Por otra parte, un artículo publicado en ScienceDirect identifica cuatro componentes esenciales:

• Percepción: Capacidad de interpretar datos del entorno, ya sean documentos, APIs o sistemas heredados
• Razonamiento: Procesamiento mediante modelos de lenguaje para entender contexto y relaciones
• Planificación: Descomposición de objetivos complejos en secuencias de acciones viables
• Acción: Ejecución real mediante integración con herramientas y sistemas

Tal y como se puede evidenciar, lo que distingue a los AI Agents de otros modelos o de otros tipos de inteligencia artificial es la capacidad de gestionar la ambigüedad y la variabilidad, características que posibilitan la autonomía.

Varios medios y expertos han denominado a estos sistemas como “la próxima generación” de la inteligencia artificial. Se les atribuye este nombre por su capacidad para combinar capacidades que antes requerían múltiples herramientas especializadas.

En otras palabras, los AI Agents combinan procesamiento de lenguaje natural, análisis predictivo, optimización de decisiones y ejecución automatizada, todo en un sistema cohesivo que aprende y mejora continuamente.

Cómo funcionan los AI Agents: arquitectura y capacidades

Al combinar diversas tecnologías, la arquitectura de estos modelos se divide en capas donde cada componente se programa para interactuar con los otros. Veamos.

Investigadores de UC Berkeley explican que la capa de percepción traduce información heterogénea (correos, bases de datos, sensores IoT, documentos escaneados) a representaciones que el sistema puede procesar. Si bien esto puede sonar a un OCR, la inteligencia artificial juega un papel clave para entender el contexto, establecer relaciones semánticas, jerarquizar información y mantener coherencia temporal.

La capa de razonamiento emplea modelos de lenguaje grandes (LLMs) combinados con lógica simbólica. Una investigación publicada en ArXiv documenta cómo estos sistemas predicen y construyen cadenas de razonamiento verificables. Ahora bien, en el contexto de los AI Agents, este componente ejecuta razonamiento lógico sobre relaciones numéricas, identifica anomalías y propone explicaciones fundamentadas.

Por su parte, la planificación es la que facilita el “entendimiento” de los objetivos para los AI Agents. Por ejemplo, si el objetivo es “reducir costos operativos en 15%”, el agente podría identificar: analizar gastos históricos, detectar patrones de ineficiencia, simular escenarios de optimización, proponer cambios específicos y proyectar impacto. Esta descomposición no es lineal; el sistema ajusta el plan dinámicamente según resultados intermedios.

Finalmente, la ejecución no solo requiere la suma de las otras capas operando e interactuando entre sí, sino también de una integración profunda con herramientas y datos empresariales. Un ejemplo de esto es Microsoft, que documenta públicamente cómo sus AI Agents se conectan nativamente con CRMs, ERPs, plataformas de comunicación y bases de datos. Esto último lo logran, en esencia, mediante APIs y conectores que facilitan la integración de estas tecnologías en un solo modelo.

No obstante, La investigación de Berkeley advierte que el aprendizaje de estos modelos debe monitorearse cuidadosamente para evitar que los agentes desarrollen estrategias no alineadas con las esperadas.

¿Qué beneficios ofrecen para las empresas?

Los números respaldan el entusiasmo tecnológico que hay detrás de estos modelos. La consultora Álvarez y Marsal reporta que empresas que implementaron AI Agents en operaciones de soporte técnico redujeron sus tiempos de resolución en un 50%, y a su vez mejoraron satisfacción del cliente un 35%.

La eficiencia operativa se manifiesta eliminando cargas manuales repetitivas. Un agente procesando PQRS, analizando documentos, generando documentos listos para aprobar y haciendo tareas que antes consumían días de trabajo humano en cuestión de minutos no es sinónimo de reducir el personal; es más una invitación a reasignarlos a casos complejos que requieren juicio humano mientras la productividad aumenta de la mano de la IA.

Además de su agilidad y efectividad, otro de los principales beneficios en el campo empresarial es la disponibilidad. Los agentes no duermen, no se enferman, no toman vacaciones. Esto importa especialmente en operaciones globales donde las zonas horarias varían drásticamente y se aprecia la capacidad y efectividad de respuesta.

El ROI demostrable convence a los escépticos. El reporte AI Agents para flujos de trabajo empresariales de Ampcome nos habla de implementaciones donde las empresas recuperaron la inversión inicial entre cuatro y seis meses. La rentabilidad se debe a la reducción de costos operativos, la aceleración de procesos y captura de oportunidades que antes se perdían por respuesta lenta.

Estos beneficios se ven reflejados en la inversión y en el valor que se le está dando a estas tecnologías en el mercado. Las proyecciones de Álvarez & Marsal estiman que el mercado de AI Agents crecerá un 42% para 2030. Y esto no es especulación, sino una proyección gradual que responde a la demanda empresarial que hay alrededor de los resultados que ofrecen.

¿Cuáles son las limitaciones de los AI Agents?

En la actualidad, la realidad técnica puede distar un poco del potencial y de algunas expectativas que se tienen con estos modelos. IBM reconoce que la tasa de éxito en tareas complejas ronda el 30-40%. Esto significa que 6 de cada 10 intentos requieren intervención humana o fallan completamente.

Algunos análisis detallan cómo los agentes “luchan” contra contextos amplios (cuando una decisión requiere considerar docenas de variables interrelacionadas) y con tareas no estructuradas donde las reglas cambian constantemente.

Otro asunto son las “alucinaciones”. UC Berkeley documenta casos donde agentes tomaron decisiones técnicamente correctas pero éticamente cuestionables porque sus funciones objetivo no capturaron la complejidad de los valores humanos.

Por otra parte, existen desafíos de implementación que pueden ser vistos como limitantes. Por ejemplo, el hecho de integrar agentes con sistemas heredados (ERPs antiguas, bases de datos en formatos incompatibles con los actuales o aplicaciones internas de las empresas que operen sin APIs) puede llegar a consumir mucho más tiempo de implementación y limitar al agente en ciertos aspectos.

Las consideraciones éticas complican la ecuación. La transparencia en decisiones sigue siendo desafío técnico sin resolver completamente. En muchas ocasiones, los modelos de lenguaje que impulsan estos agentes operan como “cajas negras” donde millones de parámetros interactúan de maneras que ni siquiera sus creadores comprenden completamente.

En sectores regulados como finanzas o salud, esta opacidad puede violar marcos legales que exigen explicaciones comprensibles para decisiones que afectan a personas. IBM enfatiza que desarrollar “IA explicable” (XAI) que se integre con agentes autónomos representa uno de los desafíos técnicos más complejos de la próxima década, pues requiere re-adaptar las condiciones actuales en las que las tecnologías que componen a los agentes se integran entre sí. Por el momento, la práctica ideal es mantener supervisión humana constante sobre cómo operan los modelos.

Las expectativas vs la madurez técnica

La historia de la tecnología empresarial está plagada de ciclos de entusiasmo seguidos de desilusión. Los AI Agents ocupan un espacio peculiar en este patrón: suficientemente maduros para demostrar valor real, pero no tanto como para cumplir todas las expectativas que su marketing genera.

La realidad es que a día de hoy se sigue habiendo una brecha considerable entre su potencial y la ejecución práctica. Los datos de IBM sobre tasas de éxito del 30-40% en tareas complejas reflejan limitaciones fundamentales que, a priori, no son tan fáciles de resolver y son altamente circunstanciales.

Adicionalmente, nos encontramos con la brecha del 55% entre líderes que creen en su potencial transformador (70%) y quienes realmente comprenden cómo funcionan (15%). Esto revela que muchas organizaciones están tomando decisiones de inversión basándose en narrativas prometedoras más que en evaluación técnica rigurosa.

Los datos presentados ofrecen una lección importante: los AI Agents funcionan excepcionalmente bien dentro de límites definidos. A lo largo de este artículo presentamos algunos casos como los reportados por Álvarez y Marsal sobre la reducción de tiempo en ciertos procesos o el aumento en satisfacción del cliente.

Estos son logros medibles y repetibles en contextos apropiados donde hay casos bien documentados, procesos estandarizados con variables limitadas o tareas donde el error tiene bajo costo. Ahora bien, fuera de estos límites, cuando el contexto se amplía, las variables se multiplican o las implicaciones éticas entran en juego, los resultados se degradan rápidamente.

Así que por ahora, la invitación para las organizaciones interesadas en estos modelos es a evaluar procesos específicos donde autonomía controlada genere valor verificable. Probar en entornos de bajo riesgo, medir resultados rigurosamente y escalar solo cuando los datos justifiquen confianza.