Módulo 5 — Agentes de IA por función empresarial

---

Objetivos de aprendizaje

El módulo busca que el alumno sea capaz de:

— Diferenciar las etapas del ciclo de madurez de la IA agéntica para evaluar en qué punto está una organización.
— Evaluar cómo la IA agéntica acelera el desarrollo de productos (prototipado, pruebas, optimización del lanzamiento).
— Conocer los despliegues funcionales: bots de RR. HH., copilotos de TI, asesores financieros.
— Comparar arquitecturas de agentes centralizadas vs. embebidas y decidir cuál conviene por función.
— Explorar cómo la IA transforma la subcontratación de procesos empresariales (BPO).

Índice del módulo

1. El ciclo de madurez de la IA
2. IA agéntica en el ciclo de vida del desarrollo de productos (PDLC)
3. Agentes de IA por función empresarial en toda la compañía
4. IA agéntica en el sector de la salud
5. IA agéntica en navegadores: potenciales y riesgos
6. Arquitectura de agentes en la empresa: centralizado vs. embebido
7. La función de los consultores en los procesos de transformación

Tareas del módulo: foros "La IA y el proceso de diseño" y "BPOs"; actividad evaluada "La IA y el proceso de diseño".

Idea que atraviesa el módulo

Muchas organizaciones empiezan con experimentos aislados —chatbots, resúmenes de documentos, respuestas automáticas a clientes—, pero el valor real de la IA agéntica aparece cuando deja de ser novedad y queda embebida en las funciones empresariales básicas. El recorrido es siempre el mismo: empezar pequeño, construir fundamentos y crecer con estructura e intención, pasando de la experimentación al desempeño repetible y, finalmente, a una ventaja sostenible.

---

1. El ciclo de madurez de la IA

Marco de cinco etapas desarrollado por el Dr. Sánchez, inspirado en el framework de OpenAI para identificar y escalar casos de uso de IA. Sirve para detectar casos de alto valor, cultivar preparación organizacional y sostener la transformación.

Etapa 1 — Identificar oportunidades

Se buscan tareas aptas para automatización o aumento: procesos repetitivos o cuellos de botella recurrentes. La clave metodológica es descomponer el trabajo en flujos de trabajo (acciones discretas).

Ejemplos del curso: un equipo de ventas que dedica mucho tiempo a investigar cuentas puede dividirlo en seleccionar compañías destino, enriquecer datos de perfil y redactar mensajes de contacto; un agente genera el informe preliminar en minutos en vez de horas. Ingenieros de software usando editores de código agénticos logran prototipos funcionales en un día.

Consideración crítica de esta etapa: asegurar la aceptación de las partes interesadas, demostrando beneficios tangibles y familiarizando a los usuarios con las capacidades de la IA.

Etapa 2 — Enseñar los fundamentos de la IA

Establecer una base común de conocimientos y herramientas: alfabetización en IA (elaborar prompts efectivos, interpretar resultados del modelo, anticipar limitaciones típicas).

Aquí se definen las políticas de gobernanza para mitigar la IA en la sombra, se implementan editores de LLM aprobados, plataformas de agentes e interfaces de análisis conversacional, y se fijan límites éticos: equidad, transparencia, privacidad de datos y responsabilidad.

Etapa 3 — Mapear flujos de trabajo

Analizar los procesos existentes para identificar dónde la IA es más efectiva, reimaginando las tareas diarias con apoyo agéntico.

Ejemplo de RR. HH.: la gestión de cuentas de LinkedIn se descompone en contacto de conexión, enriquecimiento de perfiles, personalización de mensajes y seguimiento del compromiso.
Ejemplo de producción: un pódcast se descompone en transcripción, generación de perfiles de invitados, creación de miniaturas y pruebas en redes sociales — con IA agéntica, un solo productor podría supervisar cientos de episodios.

Generados los mapas, se construyen prototipos y se califican según esfuerzo, valor y riesgo; las iniciativas mejor puntuadas pasan a desarrollo.

Etapa 4 — Proporcionar facilidades y recursos

Asignar recursos para llevar los pilotos a producción: equipos multifuncionales que integran los agentes en plataformas empresariales seguras, canales de datos sólidos, APIs estandarizadas y paneles de desempeño que miden ahorro de tiempo, tasas de error y productividad. El patrocinio ejecutivo y la tutoría son cruciales.

Etapa 5 — Escalar y compartir el éxito

Los procesos con IA se incorporan a los procedimientos operativos estándar. Se publican estudios de caso con arquitectura de agentes, metodología y protocolos de gobernanza; se reportan métricas (reducción de tiempos de gestión, velocidad de revisión); surgen comunidades de práctica y defensores de IA. Se crea un círculo virtuoso de adopción.

---

La IA en la sombra (shadow AI)

La democratización de la IA tiene contracara: los empleados acceden a capacidades avanzadas sin conocimiento ni autorización de TI y seguridad.

Riesgos: filtración de datos, vulnerabilidades de seguridad, incumplimiento normativo (por ejemplo el RGPD) y daño reputacional.
Formas comunes: chatbots de IA, modelos externos de machine learning, herramientas de visualización de datos con IA.

Datos clave (encuesta a 7.000 personas en EE. UU., Reino Unido, Canadá, Alemania, Australia, India y Nueva Zelanda — National Cybersecurity Alliance y CybSafe, 2024):

Cómo mitigarla

Vía organizacional: marcos de gobernanza claros con herramientas de IA autorizadas alineadas a seguridad y cumplimiento; políticas detalladas de uso; educación continua. Dar acceso fácil a soluciones aprobadas de nivel empresarial reduce la búsqueda de alternativas no autorizadas. Fomentar cultura de transparencia y experimentación segura, sin frenar la innovación.

Vía técnica: prevención de pérdida de datos (DLP), filtrado del tráfico de red, controles de acceso basados en roles, auditorías regulares del uso de herramientas, revisión de registros de entrada y salida, entornos seguros de experimentación, y equipos de gobernanza multifuncionales o centros de excelencia.

---

El modelo "gatear, caminar, correr"

Enfoque alternativo de adopción (Silver, 2025; Ripla, 2025) que permite construir capacidades de forma gradual, gestionar riesgos y generar valor en cada etapa.

---

2. IA agéntica en el ciclo de vida del desarrollo de productos (PDLC)

Se abre con un vídeo de Johnathan Thai (Hatch Duo), firma de diseño industrial, sobre cómo aprovechan la IA para mantenerse a la vanguardia.

Las fases del PDLC

Aunque cada organización use etiquetas distintas, el ciclo tiene seis fases:

1. Ideación y requisitos — generación de conceptos, entrevistas con partes interesadas, investigación competitiva.
2. Diseño — UX/UI, flujos de interacción, arquitectura temprana del sistema.
3. Prototipado — versiones de baja o alta fidelidad para obtener comentarios internos o externos.
4. Desarrollo — escribir código, integrar sistemas, preparar el lanzamiento.
5. Pruebas y garantía de calidad — validar funcionalidad, confiabilidad y seguridad.
6. Lanzamiento e iteración posterior — enviar el producto, monitorear, recopilar comentarios, mejorar.

El marco es universal: sirve igual para un visor de realidad virtual que para un soporte de cepillos de dientes.

IA generativa en el PDLC — cuatro casos

La IA generativa produce contenido, diseños, estructuras y modelos de datos a partir de patrones aprendidos. Aumenta la creatividad humana y acelera trabajo manual, pero sigue bajo dirección humana: produce opciones, sugiere direcciones, acelera la ideación.

Potenciación con IA agéntica — cuatro casos

La IA agéntica añade a lo generativo la capacidad de operar en el tiempo, actuar de forma independiente, perseguir objetivos y administrar secuencias de tareas. Deja de ser reactiva para volverse proactiva y adaptativa.

La distinción central del módulo: en estos casos la IA no solo ayuda a producir resultados; participa en dar forma a los procesos, iterar, probar y decidir. Actúa no como herramienta sino como colaborador.

Ventajas por etapa del PDLC

Impacto organizacional

— Velocidad: los ciclos de desarrollo se reducen drásticamente, permitiendo iteración rápida.
— Rentabilidad: tareas intensivas en mano de obra (QA, documentación, revisión de diseños) pasan a los agentes.
— Escalabilidad: se administran múltiples líneas de producto o experimentos en paralelo.
— Calidad y consistencia: lógica estandarizada y monitoreo continuo imponen las mejores prácticas sin agotamiento ni distracción.

El efecto sobre los equipos: cuando la IA asume la ejecución, las personas se reorientan hacia juicio, estrategia y decisiones basadas en valores.

Preparación: cuatro palancas

— Personas: capacitar a diseñadores, desarrolladores y gerentes para trabajar con agentes — cómo hacer prompts, supervisarlos y confiar en ellos.
— Herramientas: invertir en plataformas de orquestación de agentes (marcos que conecten LLM con APIs, fuentes de datos y sistemas de tareas).
— Procesos: modificar los flujos ágiles para incorporar contribuciones de IA (por ejemplo, la IA en las reuniones diarias o en la planificación de lanzamientos).
— Mentalidad: pasar del liderazgo de comando y control a la supervisión colaborativa; la IA no reemplaza a los humanos, amplía lo que los equipos pueden asumir.

Conclusión del capítulo: el desarrollo de productos será más rápido, creativo y adaptable "no porque la IA haga el trabajo, sino porque permite a las personas hacer más del trabajo correcto".

---

3. Agentes de IA por función empresarial

A medida que las organizaciones maduran, cada función requiere capacidades especializadas. No son chatbots ni automatización básica: son sistemas que perciben contexto, deciden y actúan de forma independiente para lograr objetivos complejos.

Dos cifras de contexto: el 91 % de las compañías de servicios financieros ya usa IA o está evaluando implementarla (Rosenberg, 2024); el 87 % de los líderes de TI considera que invertir en agentes de IA es esencial para seguir siendo competitivo (Slesarenko, 2025).

Definición clave — despliegue funcional: a diferencia de las herramientas de IA de uso general, estos agentes están diseñados para los flujos de trabajo, regulaciones y requisitos únicos de su función; usan bases de conocimiento especializadas, se integran con sistemas propios de la función y cumplen estándares de la industria.

Bots de RR. HH.

De las aplicaciones más maduras. Gestionan procesos completos de múltiples pasos, no solo preguntas básicas.

• Reclutamiento y adquisición de talento: generan descripciones de puesto, buscan candidatos en múltiples plataformas, hacen evaluaciones iniciales y recomiendan contrataciones. PepsiCo clasifica candidatos según ajuste al puesto; el asistente de RR. HH. de LinkedIn sintetiza descripciones y realiza llamadas de evaluación básica.
• Incorporación y soporte al empleado: manejan el onboarding completo — recolección de documentos, provisión de accesos, comunicación de políticas, coordinación de capacitaciones. Palo Alto Networks implementó el programa FLEXWORK, que comprende contexto e intención y determina autónomamente la solución más relevante.
• Beneficios y políticas: acceden en tiempo real al HRIS, obtienen saldos de PTO desde Workday o SAP SuccessFactors, citan cláusulas exactas del manual y procesan solicitudes de permiso de forma independiente.

Implementaciones reales: la plataforma de Workativ automatiza incorporación, desvinculación, gestión de licencias y consultas de nómina, integrada con Microsoft Teams y Slack, con respuestas específicas por ubicación. Los agentes de RR. HH. de watsonx (IBM) muestran un potencial de implementación 70 % más rápida en pruebas internas, atendiendo preguntas frecuentes, permisos, nómina y beneficios con cumplimiento normativo.

Asesores financieros

Automatizan incorporación de clientes, cumplimiento y análisis de portafolios en un entorno altamente regulado donde exactitud y cumplimiento son esenciales.

• Incorporación y KYC: recopilan datos del cliente, validan documentos de identidad, formulan preguntas de idoneidad, contactan al cliente para obtener documentación, cruzan cuentas para verificar vínculos familiares o de beneficiarios y mantienen los datos actualizados.
• Gestión de portafolios y riesgo: analizan en tiempo real comportamiento del cliente, transcripciones de resultados y patrones de negociación. La herramienta interna de Morgan Stanley permite a los asesores recuperar investigación propietaria para responder preguntas de clientes.
• Análisis predictivo: detectan tendencias y patrones que los humanos pasarían por alto, monitoreando palabras clave para identificar temas en tendencia.

Soluciones empresariales: la implementación de Kore.ai con una compañía global de servicios financieros logró −12 % en tiempo de procesamiento y +22 % en satisfacción de los empleados. Las plataformas de asesoría en AWS usan RAG para convertir historial de transacciones y patrones de gasto en asesoramiento práctico en tiempo real, integradas con apps móviles y banca en línea, manteniendo transparencia regulatoria y gobernanza de datos.

Copilotos de TI

Automatizan desde la gestión de tiques hasta el monitoreo de sistemas y la resolución de problemas, manejando flujos de varios pasos de forma independiente.

• Operaciones inteligentes de servicio de asistencia: Microsoft Copilot Studio permite manejar tiques, números de orden, aprobaciones e inventario; abren y cierran tiques, se comunican con sistemas ITSM, resuelven con información contextual y memoria, y crean órdenes de compra obteniendo aprobación gerencial.
• Monitoreo proactivo: vigilan la salud de las máquinas en tiempo real, predicen fallas de equipos, optimizan flujos autónomamente y responden a anomalías operativas junto a operadores humanos.
• Autoservicio: restablecimiento de contraseñas, instalación de software y provisión de accesos, integrando múltiples sistemas empresariales.

Casos: la transformación digital de Microsoft reduce volumen de tiques y costes con autoservicio vía chat empresarial; la integración de ServiceDesk Plus con Teams automatiza acciones rutinarias y genera resúmenes con prompts en lenguaje natural dentro de las herramientas de colaboración existentes.

Impacto en el ROI

Preguntas de autoevaluación del capítulo

1. ¿Diferencia principal entre agentes funcionales y herramientas de IA de uso general?
→ Los agentes funcionales están diseñados para dominios empresariales concretos, con conocimiento especializado y capacidades de cumplimiento normativo; las herramientas de uso general tienen aplicación más amplia.

2. ¿Tarea común que los bots de RR. HH. manejan de forma autónoma?
→ Procesar solicitudes de permisos y obtener saldos de PTO desde plataformas HRIS.

3. ¿Qué automatizan comúnmente los agentes para asesores financieros?
→ Incorporar clientes y completar verificaciones KYC.

4. ¿Característica clave de los copilotos de TI frente a chatbots tradicionales?
→ Pueden abrir, gestionar y cerrar tiques complejos de manera autónoma, incluida la creación de órdenes de compra con aprobaciones.

---

4. IA agéntica en el sector de la salud

Dato de apertura: el orquestador de IA de Microsoft diagnosticó correctamente el 85,5 % de casos médicos difíciles, frente a aproximadamente el 20 % de los médicos, y a menor coste.

Apoyo a la toma de decisiones clínicas

Los agentes analizan datos del paciente y razonan de forma iterativa como un médico: revisan síntomas, resultados de laboratorio e historiales, y luego formulan preguntas de seguimiento o solicitan pruebas automáticamente hasta llegar a un diagnóstico. Esa toma de decisiones secuencial mejora exactitud y velocidad.

• MAI-DxO (Microsoft) emula un panel de médicos; 85 % de exactitud en casos clínicos complejos —más de cuatro veces mejor que los médicos— usando menos recursos.
• Sepsis Watch (Universidad de Duke) supervisa continuamente cientos de variables de signos vitales y detecta la sepsis horas antes de que sea clínicamente evidente.

Imágenes médicas y radiología

Agentes que examinan radiografías, resonancias, tomografías y láminas de patología sin interrupción, marcando hallazgos urgentes para revisión humana. Trabajan de forma continua, sin fatiga, con vigilancia constante sobre cada imagen.

• Aidoc analiza automáticamente cada tomografía de emergencia y alerta de inmediato sobre condiciones potencialmente mortales (hemorragias cerebrales, coágulos), reduciendo drásticamente los tiempos de entrega de informes.
• RadNet preselecciona mamografías para que solo los casos sospechosos lleguen al radiólogo.

Atención personalizada y coordinación

Analizan genética, historial y resultados para recomendar las terapias más efectivas.

• Watson for Oncology examina literatura médica y bases de ensayos clínicos para sugerir tratamientos adaptados al perfil tumoral.
• Juntas virtuales sobre tumores: los agentes agregan imágenes, patología e historial, resumen los puntos clave y destacan ensayos relevantes.
• Logística de la atención: en un piloto, un coordinador de IA programó la resonancia urgente de un paciente mientras otro agente verificaba el modelo del marcapasos implantado para garantizar que el examen fuera seguro; el orquestador luego alertó al oncólogo con un borrador del plan de tratamiento.

Operaciones y administración

El agente de gestión de camas de Epic procesa admisiones y altas y asigna autónomamente la cama más adecuada, considerando ubicación del equipo de atención y control de infecciones. Otros agentes gestionan calendarios de citas, predicen aumentos de admisiones y reordenan suministros.

Resumen de impactos

---

5. IA agéntica en navegadores

Por qué importa

Para el trabajador del conocimiento el navegador no es una herramienta más: es el hogar digital de su jornada. Correo, documentos, colaboración, paneles, sistemas de RR. HH. — casi todo ocurre allí. Muchos usuarios mantienen entre seis y diez pestañas abiertas simultáneamente.

El cambio de fondo: los navegadores pasaron de ser conductos pasivos —ventanas transparentes a Internet— a entornos activos con IA, difuminando la línea entre navegar y trabajar. El navegador evoluciona hacia una plataforma de agencia: no solo presenta información, también asiste en interpretarla, resumirla y aplicarla.

La comparación que usa el módulo: los navegadores anteriores funcionaban como un catálogo de fichas de los años 50 —estáticos, manuales, limitados—; los actuales operan como un asistente personal informado y analítico.

Los tres ejemplos

Casos de uso por función

— RR. HH.: resumen de perfiles de candidatos y comparaciones lado a lado según criterios, dentro de ATS y LinkedIn. El navegador acelera lo repetitivo y preserva el juicio humano para la decisión final.
— Finanzas: resumir archivos regulatorios, informes de competidores o PDF internos sin cambiar de herramienta, digiriendo información densa más rápido.
— Marketing: redacción de textos, análisis de tendencias y traducción embebidos en paneles y plataformas editoriales, en lugar de alternar con ChatGPT en otra pestaña.
— Soporte y TI: las Chrome DevTools con Gemini permiten pasar el cursor sobre un error de consola y pulsar "comprender este error"; la IA explica el problema y sugiere correcciones sin copiar y pegar.

Ventaja transversal: la consistencia entre funciones reduce el coste cognitivo del cambio de contexto.

Riesgos y limitaciones

Regla práctica del módulo: tratar la IA basada en navegador como un canal de datos potencialmente saliente mientras no existan protecciones.

Conclusión del capítulo

El navegador pasa de utilidad en segundo plano a facilitador estratégico. Los líderes no pueden dejar que la adopción se extienda informalmente: el camino replica transiciones digitales anteriores — políticas claras → prueba con equipos seleccionados → extensiones y asistentes aprobados por TI → escalado con capacitación y gobernanza.

---

6. Arquitectura de agentes: centralizado vs. embebido

La analogía

Una marca global de ropa puede operar de dos formas: (1) todas las tiendas piden desde un catálogo central, así que Nueva York y Nairobi ofrecen lo mismo — experiencia coherente, cadena de suministro optimizada, inventario fácil de gestionar; o (2) como franquicia, donde cada tienda compra localmente y refleja gustos regionales — más variación, pero oferta adaptada al clima, tradiciones y estética de cada lugar.

Ninguno es superior. La misma disyuntiva aparece al diseñar la arquitectura interna de agentes, y la decisión influye en desempeño, gobernanza y ROI.

El modelo centralizado

Uno o dos agentes potentes que actúan como asistentes de uso general para todos los departamentos, normalmente sobre Slack o Microsoft Teams, respaldados por una capa de orquestación que dirige las consultas a los sistemas adecuados.

Es lo más útil cuando la organización recién comienza: crea una interfaz común, simplifica la gobernanza y ayuda a la dirección a ver dónde están la demanda y los puntos de fricción.

Ejemplo — Valeria y AskNova. Valeria, de operaciones en una logística mediana, abre Slack y pregunta cuántos días de PTO le quedan; recibe la respuesta al instante desde su registro de RR. HH. Más tarde pide el resumen de un contrato de proveedor de 27 páginas: AskNova extrae los términos clave, señala cláusulas inusuales y entrega un resumen en lenguaje sencillo. Nunca sale de Slack ni inicia sesión en el software de RR. HH. Detrás, una capa de orquestación basada en LLM consulta varios sistemas vía API. Ella no ve la complejidad, pero se beneficia de ella.

El modelo embebido

Al madurar aparecen los límites de la centralización: los agentes de uso general se quedan cortos en dominios especializados. Finanzas, marketing o diseño necesitan agentes entrenados con sus datos, herramientas y flujos.

En este modelo, agentes más pequeños viven dentro de los sistemas que los equipos ya usan: un agente financiero en Excel o en una plataforma de planificación, un asistente de diseño dentro de Figma o Notion. Son conscientes del contexto y ejecutan tareas más complejas o críticas.

Ejemplo — el equipo de marketing. El asistente centralizado servía para preguntas de RR. HH. y resúmenes de reuniones, pero marketing chocó rápido con sus límites: su trabajo exigía ideación creativa, matices de marca y conocimiento de campañas. El agente general daba sugerencias insípidas, ignoraba la voz de la compañía y reutilizaba eslóganes desactualizados. La solución fue un agente especializado entrenado con campañas históricas, guías de marca y perfiles de clientes, embebido en la herramienta de gestión de proyectos, capaz de generar borradores, comparar variantes de tono y sugerir textos para redes según los últimos lanzamientos.

Tabla comparativa

Seguridad, cumplimiento y gobernanza

Los agentes centralizados son más fáciles de gobernar: controles de acceso, registros y auditorías se implementan en un solo lugar, lo que facilita cumplir normas como HIPAA o protección de datos. Los embebidos acceden a distintos conjuntos de datos, operan en diversas plataformas y dependen de departamentos con niveles desiguales de madurez en seguridad; sin protocolos claros introducen riesgo por permisos mal configurados, filtraciones o puntos ciegos regulatorios.

Ejemplo HIPAA. Una red de salud puede mantener un agente centralizado de programación y preguntas frecuentes bajo controles estrictos y monitoreo. Pero un agente especializado embebido en el sistema de admisión de pacientes o en la plataforma de facturación aumenta la exposición: si genera, almacena o incluso procesa temporalmente información de salud protegida (PHI) sin cifrado, registros de acceso y acuerdos de asociación comercial, la organización enfrenta sanciones o responsabilidad legal. Aquí, centralizar el acceso a datos sensibles mediante una capa gobernada no solo mejora la eficiencia: reduce el riesgo de incumplimiento.

El camino híbrido y las fases de madurez

La mayoría evoluciona hacia un híbrido: un agente centralizado permanece como puerta de enlace generalista, maneja lo común y deriva lo complejo a especialistas embebidos; los departamentos que alcanzan cierta madurez desarrollan los suyos. Es la marca de ropa otra vez: línea principal desde el abastecimiento central, más permiso regional para producto local.

Conclusión: la elección no es binaria ni fija. La centralización ofrece claridad y control; los agentes embebidos ofrecen precisión y desempeño. Lo que importa es qué tan bien se ajusta el diseño a los objetivos y a la preparación de la organización.

---

7. La función de los consultores en los procesos de transformación

Qué es la BPO y por qué está en disrupción

La subcontratación de procesos empresariales (BPO) delega funciones no esenciales —atención al cliente, RR. HH., finanzas, contabilidad, investigación, gestión del conocimiento— a proveedores especializados como Accenture, Infosys, Tata, Cognizant o Wipro.

Trayectoria: nació en los años 40 con servicios de apoyo a la manufactura y hoy es una industria global de más de 300.000 millones de dólares, con proyecciones de superar los 500.000 millones para 2030. Cubre comercio minorista, logística, telecomunicaciones, salud, banca y seguros.

Sus dos limitaciones estructurales:
— Ineficiencias provocadas por humanos: retrasos, errores de comunicación y calidad inconsistente por las limitaciones del trabajo humano multitarea y su falta de escalabilidad.
— Limitaciones del software: el software convencional no pudo reemplazar ese trabajo porque muchas tareas de BPO exigen comprensión contextual, juicio y capacidad de operar con datos no estructurados.

Por qué el software heredado no lo resolvió

Funciona bien con tareas claramente definidas, repetitivas, de datos estructurados y poca variación. Pero atender consultas de clientes o procesar facturas requiere interpretar información no estructurada, comprender contexto y decidir con juicio. La IA moderna sí puede: procesar datos no estructurados, conectarse con múltiples sistemas y ejecutar acciones o entregar recomendaciones.

Dónde golpea la disrupción: servicio al cliente y centros de llamadas —sobre todo en sectores de alto volumen como logística, salud y seguros— y operaciones administrativas: entrada de datos automatizada, conciliación e informes.

Complejidad técnica y gestión de modelos

Las grandes BPO reconocen el potencial y ya incorporan IA, pero su modelo de negocio sigue dependiendo intensamente de mano de obra humana, lo que dificulta pasar de ingresos por servicios a ingresos por producto a gran escala.

Para quien entra al espacio, la experiencia técnica es esencial: manejar alucinaciones, seleccionar los modelos adecuados y garantizar exactitud. Las áreas más prometedoras para empezar son las que tienen KPI bien definidos —número de tiques de atención, métricas de satisfacción—, donde el ROI es claro. RR. HH. y otras funciones menos tangibles son más difíciles de cuantificar.

Tipos de agente que los consultores integran

— IA de voz: agentes que hablan con naturalidad, con latencia a nivel humano y desempeño que a veces supera al humano. Se conectan directamente a los sistemas empresariales para absorber contexto al instante, evitando la lógica circular y la sensación de guion de los chatbots antiguos.
— Agentes operadores o de uso de navegador: navegan interfaces web, aplicaciones heredadas y portales en nombre del usuario, recuperando datos y ejecutando acciones de forma autónoma — programar reuniones, recuperar datos rutinarios.

Economía: los costes se desploman

A inicios de 2023 las consultoras invertían miles de millones en infraestructura de IA y nube, pero los costes de desarrollar y desplegar modelos están cayendo rápidamente. Equipos de investigación han entrenado modelos de razonamiento potentes por unos 450 dólares, e incluso por menos de 50 dólares en créditos de computación en la nube (NovaSky, 2025; Muennighoff et al., 2025). Esa caída —de miles de millones a cientos o casi nada— pone la IA avanzada al alcance de un rango mucho más amplio de compañías.

Dato relacionado: investigadores de Hugging Face desarrollaron Open Deep Research, agente de código abierto, en menos de 24 horas tras el lanzamiento de Deep Research de OpenAI, con el objetivo de igualar su desempeño y ofrecerlo gratis.

Sam Altman ha planteado que en 2025 podrían incorporarse los primeros agentes de IA a la fuerza laboral y cambiar de forma material el desempeño de las compañías.

Dato clínico citado como contrapunto: en un estudio de exactitud diagnóstica, los médicos que usaron ChatGPT obtuvieron resultados solo ligeramente mejores que quienes no lo usaron, pero el chatbot por sí solo superó a todos los médicos (Kolata, 2024).

Inversiones de las grandes consultoras

Reingeniería de procesos y modelos de subcontratación

El núcleo de la BPO es la gestión de procesos, así que al redefinir la IA el enfoque de procesos, los consultores resultan esenciales para reestructurar flujos y reimaginar los modelos de subcontratación:

— Superar las limitaciones humanas: la BPO tradicional sufría respuestas lentas, errores de comunicación y calidad inconsistente, agravados por gestionar proyectos entre zonas horarias y culturas distintas. La IA aporta calidad y velocidad constantes.
— Transformar funciones y responsabilidades: tareas de analistas de datos o procesadores de facturas migran a la IA. Hay que rediseñar puestos, mejorar competencias de la fuerza laboral existente y redefinir el paradigma de colaboración humano–IA.
— Reconsiderar lo básico frente a lo no básico: con IA cambia la definición misma de "proceso no esencial subcontratable". Ahora hay procesos que conviene automatizar por completo con agentes en lugar de subcontratarlos a equipos humanos.

Escalar operaciones y crear mercados

— Asequibilidad y escalabilidad: al transferir trabajo humano al software, los servicios tipo BPO se abren a compañías pequeñas que antes no podían permitírselos, democratizando capacidades avanzadas.
— Expansión estratégica: las grandes empresas pueden entrar en nuevas líneas de producto o asumir operaciones administrativas adicionales, porque los agentes escalan sin aumentar la dotación.
— Optimización de estructuras de costes: organizaciones con costes previsibles por volumen —procesamiento de facturas ligado a ventas— encuentran la IA especialmente atractiva si aplana o reduce esa curva.
— Creación de nuevos mercados: a medida que los servicios de IA demuestran valor, crean mercados nuevos y restan ingresos a la BPO tradicional; los consultores guían tanto la entrada a esas oportunidades como la defensa ante competidores impulsados por IA.

Preguntas de autoevaluación del capítulo

1. ¿Qué característica de la BPO tradicional ayuda a superar la IA?
→ Su naturaleza impulsada por humanos, que conduce a tiempos de respuesta más lentos, errores de comunicación y calidad inconsistente.

2. ¿Qué tipo de agente automatiza tareas rutinarias navegando interfaces web, aplicaciones heredadas y portales para recuperar datos y ejecutar acciones de forma autónoma?
→ Agentes operadores o de uso de navegador.

---

Elementos interactivos del módulo (enlaces)

---

Glosario del Módulo 5

Tomado de Glosario_M5.pdf, material oficial descargable del módulo.

---

Preguntas de reflexión del módulo

De la sección "Reflexión" de la Guía de Referencia. Son las preguntas abiertas que el curso propone para cerrar el módulo:

1. ¿De qué manera el vibe coding podría cambiar quiénes desarrollarán software en el futuro, y qué nuevos desafíos supondría esto para las organizaciones?
2. ¿De qué manera una arquitectura de múltiples agentes puede ofrecer ventajas sobre un sistema de agente único al resolver problemas complejos del mundo real?
3. Si tuviera que elegir entre IA de código abierto y de código cerrado para su organización, ¿qué inconvenientes consideraría más significativos y por qué?
4. ¿Qué oportunidades ve para las BPO basadas en IA en su compañía?
5. ¿Cómo puede su organización equilibrar la democratización de las herramientas de IA con los requisitos necesarios de gobernanza y seguridad?

---

Precisiones que aporta la Guía de Referencia

Detalles que el PDF aclara y que no aparecían explícitos en el reproductor:

— Nike A.I.R. significa Athlete Imagined Revolution (proyecto de 2024).
— El caso de L'Oréal se atribuye en el PDF a McMillan (WSJ, 2025) y a un reportaje de Forbes sobre el laboratorio CREAITECH presentado en VivaTech 2024, mientras que el reproductor lo atribuye al anuncio conjunto con IBM. Son fuentes complementarias sobre la misma iniciativa.
— El caso de GM se atribuye a DeNittis (2023).
— El PDF añade el marco crawl–walk–run de Georgian (2024) como fuente del modelo gatear/caminar/correr, junto a Silver y Ripla.