A fines de 2025, menos del 5% de las aplicaciones empresariales tenían algún agente de inteligencia artificial integrado. Gartner proyecta que ese número llegará al 40% antes de que termine 2026. No es una promesa de futuro: el 86% de las organizaciones a nivel global ya los tiene corriendo en producción. Lo que está cambiando es la escala, y con ella, los problemas.
Durante los últimos dos años, los agentes de inteligencia artificial fueron el tema favorito de las conferencias tecnológicas y los informes de consultoría. Todo el mundo hablaba de ellos. Muy pocos los tenían funcionando de verdad.
Eso cambió en 2026.
Según el reporte State of AI Agents publicado este año, el 86% de las organizaciones a nivel global ya tiene agentes de IA corriendo en producción. No en modo piloto, no en sandbox, no en prueba de concepto: en producción, dentro de flujos de trabajo reales, tomando decisiones o ejecutando tareas de forma autónoma. El crecimiento de los sistemas multi-agente (donde varios agentes colaboran entre sí coordinados por una capa de orquestación) fue del 327% en menos de cuatro meses.
Gartner lo resume en un número: a fines de 2025, menos del 5% de las aplicaciones empresariales tenían integrado algún agente de IA. Antes de que termine 2026, ese porcentaje llegará al 40%.
Qué es, exactamente, un agente de IA
Es conveniente detenerse en la definición, porque el término se usa con bastante libertad y no siempre se entiende bien qué lo distingue de un chatbot o un asistente tradicional. Un chatbot responde. Un agente actúa.
La diferencia no es superficial. Un agente de IA puede recibir un objetivo, descomponerlo en pasos, ejecutar cada uno usando las herramientas que tenga disponibles (acceso a bases de datos, sistemas internos, APIs externas, aplicaciones de terceros), evaluar los resultados intermedios y ajustar su plan sobre la marcha, todo sin que un humano esté aprobando cada movimiento.
En la práctica, eso significa que un agente en el área de finanzas no solo detecta una anomalía en una factura: investiga la causa, contacta al proveedor, propone la reconciliación en el sistema ERP y espera únicamente la aprobación final del gerente. Lo que antes tomaba horas de trabajo manual ocurre en minutos, con mínima intervención humana.
Lo que ya está funcionando
Los sectores donde los agentes de IA muestran resultados más concretos y medibles en 2026 son tres: finanzas, atención al cliente y desarrollo de software.
En finanzas, JP Morgan automatizó la revisión de contratos legales con agentes de IA y reportó un ahorro de 360.000 horas de trabajo al año, con una reducción del 80% en el tiempo de procesamiento. No es un caso aislado: la detección de fraudes en tiempo real, la gestión de portafolios y el monitoreo de cumplimiento regulatorio son áreas donde la velocidad de procesamiento de un agente supera estructuralmente la capacidad humana.
En atención al cliente, Santander reportó una reducción del 40% en consultas derivadas a agentes humanos gracias a su sistema basado en IA generativa. Una empresa de comercio electrónico en Europa pasó de resolver incidencias en cuatro horas a hacerlo en quince minutos, con el 78% de las consultas resueltas sin intervención humana.
En desarrollo de software, los números son quizás los más llamativos. El 4% de todos los commits en GitHub ya son atribuidos a Claude Code, y la proyección es que esa cifra llegue al 20% antes de fin de año. En Neon, una plataforma de bases de datos, el 80% de sus bases de datos activas en el último trimestre fueron creadas por agentes, no por personas.
El retorno sobre la inversión promedio en despliegues enterprise está en el 171%, según datos del sector.
Los problemas que el optimismo no muestra
Con esos números sobre la mesa, sería fácil concluir que los agentes de IA son la solución obvia para cualquier empresa que quiera mejorar su eficiencia. La realidad es más matizada.
Gartner documentó que el 85% de las organizaciones identifica la estabilidad del rendimiento como su principal preocupación con los agentes en producción. El 90% de los agentes construidos sobre arquitecturas heredadas falla semanas después del despliegue. Y hay un fenómeno que los analistas empezaron a llamar “maintenance trap”: agentes que, en lugar de liberar tiempo humano, terminan requiriendo más horas de supervisión y corrección que las que ahorran.
Los cuatro obstáculos más citados son la integración con sistemas existentes (mencionada por el 46% de las organizaciones como el principal cuello de botella), la gobernanza de identidades no humanas (hay 144 identidades de agentes por cada empleado en una empresa mediana, y menos del 10% de las compañías las gestiona adecuadamente), la escalabilidad del piloto al despliegue enterprise, y la falta de herramientas estándar para monitorear por qué y dónde falla un agente dentro de un flujo de trabajo complejo.
Lo que emerge de los datos es una imagen más parecida a una curva de aprendizaje que a una revolución instantánea: las organizaciones que obtienen mejores resultados son las que empiezan con casos de uso acotados y bien definidos, no las que intentan despliegues ambiciosos desde el primer día.
Qué implica esto para la región
En América Latina, el contexto tiene sus particularidades. Solo el 14% de las organizaciones de la región tiene proyectos de IA agéntica en funcionamiento, según un estudio de IDC. La brecha con el promedio global es significativa, pero también significa que la región está llegando a esta tecnología cuando ya existe una masa crítica de casos de uso documentados, errores conocidos y mejores prácticas establecidas.
Para empresas uruguayas y argentinas, eso es una ventaja relativa: no tienen que aprender pagando los costos de los errores que ya cometieron las organizaciones que llegaron primero.
El mercado global de IA agéntica pasará de USD 7.800 millones a más de USD 52.000 millones antes de 2030. La transición del piloto a la producción ya ocurrió en las empresas más grandes del mundo. La pregunta para el ecosistema regional no es si adoptar agentes de IA, sino cuándo y, sobre todo, cómo hacerlo sin caer en la trampa del mantenimiento que frenó a tantas organizaciones que llegaron primero.
