Se prevé que más del 40 % de los proyectos de IA agéntica se cancelen para 2027, debido, entre otros motivos, a un valor empresarial poco claro y al aumento de los costes.
En pruebas controladas de un sistema empresarial que gestiona facturas de proveedores, la configuración más capaz y más costosa obtuvo el peor resultado.
Ajustar los modelos a la tarea específica y probar los componentes en conjunto, en lugar de uno a uno, es más importante que adquirir el nivel de capacidad más alto.
La inteligencia artificial agéntica (software que planifica y actúa por sí mismo, en lugar de esperar instrucciones en cada paso) es la gran historia tecnológica empresarial de 2026. También podría ser la decepción más costosa de 2027.
Gartner prevé que más del 40 % de los proyectos de IA agéntica se cancelarán para 2027, citando la falta de claridad en el valor empresarial, el aumento de los costes y los controles de riesgo inadecuados. Las organizaciones de todo el mundo están eligiendo ahora dónde hacer su primera apuesta seria por la IA agéntica. Muy pocas lo hacen basándose en evidencias, porque públicamente existen muy pocas. Abundan las afirmaciones de los proveedores. Las comparaciones controladas son escasas.
La investigación dirigida por mí y por un coautor del Instituto Tecnológico de Massachusetts (MIT) se propuso generar algunas. Trabajando con una empresa global que procesa más de 75 000 millones de dólares en facturas de proveedores cada año, construimos un sistema de agentes de IA que investiga y resuelve por sí solo los errores en las facturas y deriva el caso a una persona cuando no puede resolverlo. Después ejecutamos cuatro configuraciones de modelos con las mismas 44 facturas de prueba, midiendo la precisión, el cómputo consumido y el tiempo empleado.
Los resultados fueron contrarios al supuesto que subyace a la mayoría de las decisiones de implantación actuales: que recurrir al modelo más capaz disponible es la opción segura. Llamémoslo la trampa de la capacidad.
La trampa de la capacidad no es hipotética
La configuración premium, que combinaba el modelo de razonamiento más potente disponible con un modelo premium de lectura de documentos, quedó en último lugar. Resolvió el 91 % de las facturas sin ayuda humana. Una configuración económica alcanzó el 95 %. Una configuración de nivel medio bien ajustada resolvió las 44, utilizando modelos con un precio muy inferior al del nivel premium.
Todos los fallos se produjeron en una sola tarea: identificar facturas duplicadas. Esa tarea específica exigía que la IA evaluara simultáneamente cinco reglas distintas y en competencia para decidir si dos facturas coincidían. El modelo más capaz era, en todo caso, demasiado deliberativo. Dudaba ante coincidencias límite que un modelo más restringido simplemente marcaba. La capacidad bruta de un modelo es fácil de evaluar sobre el papel, pero no así su adecuación al trabajo concreto, y es precisamente esa adecuación la que determinó nuestros resultados.
Una muestra de 44 facturas es, sin duda, pequeña, y estos resultados no constituyen una clasificación definitiva. Sin embargo, sí demuestran que el rendimiento no puede darse por sentado. De hecho, la configuración que todos habrían elegido solo por su reputación quedó, en realidad, en último lugar.
Tres factores detrás de la trampa
¿Por qué las configuraciones de gama alta caen en esta trampa? Nuestros hallazgos apuntan a tres factores principales: el exceso de razonamiento del modelo, la falta de compatibilidad entre componentes y una complejidad estructural innecesaria.
Elaboración excesiva cuando no es necesaria
Los modelos más grandes tienden a generar razonamientos más largos y con más matices y cualificaciones. En problemas abiertos, esa es una fortaleza. En comprobaciones sencillas basadas en reglas, introduce dudas en decisiones que los modelos más simples resuelven con claridad. Y eso es exactamente lo que salió mal al probar la detección de duplicados.
Componentes que no encajan
Nuestro resultado más útil provino de una configuración diseñada para ahorrar dinero: mantenía el agente de razonamiento premium, pero sustituía el modelo de lectura de documentos por uno más barato. Tuvo el efecto contrario. Al ejecutar el mismo agente, esa configuración consumió aproximadamente un 68 % más de cómputo por factura, porque el agente dedicaba su capacidad de razonamiento a limpiar un texto extraído más deficiente antes de poder iniciar la tarea real. El ahorro en una etapa se convirtió en pérdidas en la siguiente. Como señaló un análisis del sector, basura entra, agentes salen. Los sistemas autónomos heredan la calidad de todo lo que tienen antes de ellos en el proceso.
Complejidad estructural innecesaria
Un tercer resultado apunta en la misma dirección. Probamos dos diseños con entradas idénticas: un flujo simple, en el que los agentes se ejecutan en un orden fijo, y otro más sofisticado, en el que un supervisor revisa cada resultado y puede devolver el trabajo para un nuevo intento. El diseño sofisticado fue más lento, consumió más cómputo y produjo la misma precisión. Ni un solo caso fue resuelto por un diseño y omitido por el otro.
Hay una salvedad importante: nuestras facturas de prueba contenían errores claramente definidos, y en las excepciones genuinamente ambiguas, que son las más difíciles para los equipos humanos, la capacidad de volver a intentarlo podría resultar decisiva. Pero la complejidad debe añadirse porque un problema medido lo exige, no porque parezca seria.
Dónde reside realmente el valor
En la empresa global que estudiamos, una división regional procesa sin intervención humana el 97 % de sus facturas, mientras que otra solo gestiona el 67 %. Cerrar esa brecha de 30 puntos porcentuales trasladaría cientos de miles de facturas al año al procesamiento sin intervención, y los obstáculos son prosaicos: proveedores con varias cuentas bancarias en distintas monedas, tratamientos fiscales incoherentes y notas de crédito que los sistemas existentes no pueden gestionar. Son juicios contextuales que la automatización basada en reglas nunca ha sabido realizar, y se multiplicarán a medida que las jurisdicciones, incluida la Unión Europea, avancen hacia la facturación electrónica obligatoria.
La evidencia más amplia apunta en la misma dirección. Un estudio del Project NANDA del MIT, citado por Fortune, analizó 300 implantaciones públicas junto con entrevistas y encuestas a directivos empresariales, y concluyó que solo alrededor de un piloto de cada 20 generó un rápido aumento de los ingresos. Sus autores atribuyen la brecha no a modelos débiles, sino a un mal ajuste con los flujos de trabajo que las herramientas pretendían transformar. Este hallazgo ha sido objeto de debate, y el porcentaje exacto es discutible. La tendencia es más difícil de rebatir y coincide con lo que observamos: el éxito dependió menos de la potencia bruta del propio modelo de IA y mucho más del sistema construido en torno a él.
Los directivos financieros a los que entrevistamos fueron claros: no querían una organización autónoma, sino una organización asistida por IA. Nuestro sistema se diseñó con ese enfoque: registra cada paso de razonamiento para su auditoría y, cuando no puede resolver una incidencia, redacta un resumen y una acción recomendada para que una persona la revise, en lugar de actuar por su cuenta. La gobernanza incorporada desde el inicio cuesta mucho menos que la gobernanza añadida a posteriori tras un incidente.
Probar supera a comprar
La trampa de la capacidad no es un argumento contra la adopción de la IA agéntica. Es un argumento contra considerar la capacidad como sustituto de la evidencia. Dos hábitos cambiarían la mayoría de las decisiones de implantación:
Evaluar con referencia a tareas específicas, no a clasificaciones publicadas. El nivel de modelo que lidera las clasificaciones generales puede quedar en tercer lugar en la tarea concreta que realmente hay que realizar; la única forma de saberlo es ejecutándolo.
Probar la cadena, no solo el eslabón. Un agente es una secuencia de componentes, y mejorar uno de forma aislada dice muy poco sobre el coste o la fiabilidad del sistema en su conjunto.
Ambos hábitos dependen de una tercera decisión tomada antes: acotar el problema con la suficiente precisión como para que el resultado pueda medirse. Un piloto ambicioso produce una historia. Uno acotado produce evidencias, y las evidencias son lo que sobrevive a una revisión presupuestaria.
Las organizaciones que eviten la tasa de fracaso del 40 % que predice Gartner no serán las que se muevan más rápido ni las que compren los modelos más capaces. Serán las que midan, prueben sus componentes en conjunto y mantengan a las personas en los puntos en que el juicio es realmente importante. Nuestros propios resultados surgieron de un problema deliberadamente pequeño, y los tres hallazgos fueron contrarios a lo que esperábamos. Desplegar agentes sin ese tipo de prueba no es una decisión tecnológica. Es una suposición con un presupuesto asociado.
Este artículo se basa en la investigación del trabajo final de máster realizada con un coautor en el MIT Center for Transportation and Logistics. La organización patrocinadora no se menciona a petición suya.
