Por qué el 89% de agentes IA en la pyme fracasa antes de empezar

Una pyme industrial decide pilotar un agente de IA para gestionar las incidencias de soporte. La idea es buena: el equipo de atención dedica demasiadas horas a clasificar, escalar y responder consultas repetidas. El agente debería liberar tiempo. Tres meses después, el piloto se ha desactivado. El agente clasificaba mal porque los tickets venían de tres sistemas distintos, escalaba a personas que ya no estaban en esos puestos, y respondía con información desactualizada extraída de un manual que llevaba dos años sin revisarse.

La conclusión interna fue que «la IA no estaba lo suficientemente madura». La conclusión correcta era otra: el proceso que se intentó automatizar nunca estuvo diseñado. Funcionaba porque Martín sabía hacerlo. Y un agente no es Martín.

Lo que está pasando este año con la IA agéntica

Deloitte ha llamado a 2026 el año de los «agent-first process models» en su informe Tech Trends. La idea de fondo es que las empresas que están sacando partido a la IA agéntica no son las que están automatizando procesos existentes, sino las que están rediseñando esos procesos para que los trabaje una fuerza híbrida de personas y agentes. Es un cambio conceptual importante. Automatizar es coger un proceso y hacerlo más rápido. Rediseñar es preguntarse si ese proceso, tal como está, tiene sentido cuando una parte de las decisiones la toma un agente.

Las cifras del mismo informe ayudan a entender la distancia entre intención y realidad. El 75% de las empresas habrá invertido en IA agéntica antes de cerrar 2026. Solo el 11% ha llevado alguna implementación a producción. Esa brecha no es un problema de tecnología disponible. Es un problema de terreno preparado.

PwC, en sus Digital Trends 2026, añade el dato que más se repite en cualquier proyecto que llega a una oficina técnica: el 87% de las empresas reconoce que la mala calidad del dato ha frenado sus iniciativas digitales. Un agente que se alimenta de datos sucios no es un agente inteligente. Es un generador de decisiones equivocadas a alta velocidad.

Los tres errores que se repiten en cada piloto fallido

El primer error es injertar el agente sobre un proceso que nadie ha documentado. En la mayoría de las pymes, los procesos existen en la cabeza de las personas que llevan años haciéndolos. Cuando llega el momento de explicarle al agente cuándo escalar, cuándo responder, cuándo derivar y cuándo no hacer nada, no hay un documento al que acudir. Se construye el agente sobre suposiciones, y el agente devuelve resultados que confirman esas suposiciones, no la realidad operativa.

La figura que puede ayudar aquí no es el proveedor de IA. Es la que acompaña a dirección en las decisiones tecnológicas antes de que llegue ningún proveedor. Lo que en Anasinf llamamos oficina técnica.

El segundo error es asumir que el agente puede trabajar dentro de un único sistema. No funciona así. Un agente útil necesita leer del ERP, escribir en el CRM, consultar el sistema de tickets, mirar el calendario compartido y dejar trazas en un sistema documental. Si esas piezas no están integradas, el agente se queda atascado en la primera consulta. La realidad de muchas pymes es que tienen un ERP, una herramienta de marketing distinta, un CRM heredado y varias hojas de cálculo críticas que nadie ha tocado en años. La IA agéntica no resuelve ese paisaje. Lo amplifica.

El tercer error es introducir el agente sin preguntarse qué pasa cuando se equivoca. ¿Quién lo audita? ¿Qué datos toca? ¿Qué decisiones puede tomar de forma autónoma y cuáles requieren validación? Gartner ha situado las «AI security platforms» entre las tendencias prioritarias de 2026 y predice que el 50% de las empresas las habrá adoptado en 2028. El motivo es evidente. Un agente que actúa sobre datos sensibles sin gobernanza es un objetivo de ataque y una fuente de errores con consecuencias legales.

Qué hay que ordenar antes de meter el agente

Antes de hablar de qué agente, de qué proveedor o de qué plataforma, hay cuatro elementos que deben estar resueltos. No son fases consecutivas. Son condiciones simultáneas.

Proceso documentado, no proceso heredado. Si el proceso que se quiere automatizar vive en la cabeza de alguien, lo primero no es contratar IA. Es documentar. Esto significa describir cuándo se inicia, qué entradas necesita, qué decisiones se toman, con qué criterios y qué salidas produce. Un agente puede ejecutar un proceso. No puede inventarlo.

Dato gobernado, no dato disperso. El gobierno del dato no es un proyecto independiente. Es la condición que hace que un agente pueda funcionar. Quiere decir saber dónde está cada dato, quién lo introduce, con qué frecuencia se actualiza, qué fuente es la fuente de verdad cuando hay duplicidad y qué calidad tiene. En la mayoría de las pymes, esto no está resuelto. Y mientras no lo esté, cualquier capa de IA que se ponga encima va a producir resultados que parecen plausibles pero no son fiables.

Integraciones funcionando, no integraciones prometidas. Un agente trabaja entre sistemas. Si Odoo no habla con el CRM, si el CRM no habla con la herramienta de soporte, si la herramienta de soporte no escribe en el ERP, el agente no puede cerrar un ciclo. Las integraciones tienen que existir, estar mantenidas y tener trazabilidad. No basta con conectar dos sistemas; hay que poder saber qué dato pasa, cuándo y con qué resultado.

Controles de seguridad y auditoría desde el día uno. Cualquier agente que opere sobre datos de negocio necesita una capa de control. Quién puede activarlo, qué puede hacer, qué registra y cómo se revisa lo que ha hecho. Esto no es burocracia. Es la diferencia entre un piloto que se queda en piloto y una herramienta que puede entrar en producción. Y para una empresa con ISO 27001 o que aspire a tenerla, es una conversación que no se puede aplazar.

El papel de la oficina técnica no es montar el agente

La oficina técnica no aporta valor configurando el agente. Eso lo hace cualquier integrador. Aporta valor preparando el terreno para que el agente, cuando se monte, funcione. Y ese trabajo, en una pyme, es mucho menos vistoso pero infinitamente más rentable.

Implica revisar la arquitectura de sistemas y decidir qué integraciones son críticas. Implica auditar el gobierno del dato y decidir por dónde empezar a ordenarlo. Implica documentar los procesos que tienen sentido para automatizar, dejando fuera los que están rotos por diseño. Implica acompañar a dirección en la conversación sobre qué puede y qué no puede delegarse en un agente.

Una empresa que llega a la IA agéntica con esta preparación tarda menos en obtener resultados, gasta menos en correcciones y tiene una probabilidad real de pasar del piloto a la producción. Una empresa que llega sin esta preparación se incorpora al 89% que no lo ha conseguido.

Hay una conversación paralela que también merece atención: qué cambia en el equipo comercial cuando la IA agéntica entra en juego. Pero esa conversación solo se puede tener cuando la base está ordenada. Si el proceso de ventas no tiene un pipeline limpio, un CRM que se actualiza solo y datos de cliente que no se contradicen entre sistemas, no hay agente capaz de mejorarlo. El orden tecnológico precede al crecimiento comercial, no al revés. Es la lógica que recorre el modelo MITKORE y la razón por la que Anasinf y orbetec trabajan en secuencia, no en paralelo.

Lo que sí merece la pena preguntarse antes de invertir

La pregunta no es «¿qué agente probamos?». La pregunta es «¿qué proceso resistiría que un agente lo ejecutará sin que nadie tuviera que arreglar la salida después?». Si la respuesta honesta es ninguno, no es momento de IA.
Es momento de que alguien con visión técnica y de negocio revise el terreno antes de que llegue ningún agente. Eso es exactamente lo que hace Anasinf.