Olivier Wittorski
El debate sobre los agentes de IA llegó a un punto de inflexión. Hoy, las organizaciones ya no están evaluando si utilizar inteligencia artificial, sino cómo integrarla de forma estratégica para transformar la manera en que operan, desarrollan talento y toman decisiones.
De hecho, según PwC, el 79% de los altos ejecutivos afirma que los agentes de IA ya forman parte de sus empresas, mientras que el 88% planea aumentar sus presupuestos de IA específicamente por el avance de la IA agéntica. Y esto no tiene que ver únicamente con asistentes virtuales más inteligentes o chatbots más rápidos. Estamos frente a un cambio mucho más profundo: una transformación estructural en la lógica de cómo funcionan los sistemas empresariales y cómo circula la información dentro de las organizaciones.
Para los líderes de TI, Recursos Humanos y transformación digital, esto implica una nueva pregunta estratégica: ¿Cómo construir una infraestructura capaz de coordinar inteligencia, automatización y toma de decisiones en tiempo real, sin perder control, gobernanza ni supervisión humana?
Un agente de IA es un sistema autónomo diseñado para alcanzar objetivos definidos utilizando modelos de lenguaje, reglas, herramientas y datos conectados. A diferencia del software tradicional, que sigue instrucciones previamente programadas, un agente puede interpretar objetivos, evaluar caminos posibles, adaptarse a cambios y ejecutar acciones con supervisión humana integrada.
En otras palabras, un agente no se limita a responder preguntas. Puede razonar, decidir, coordinar tareas y actuar dentro de distintos sistemas empresariales.
Aquí es donde suele aparecer la confusión. Muchas organizaciones utilizan el término “agente de IA” para describir soluciones que en realidad son simples automatizaciones o asistentes conversacionales. Sin embargo, la diferencia es enorme, porque cambia completamente quién controla la lógica del sistema, cómo se toman las decisiones y cómo se gestiona el riesgo operativo. Para entender mejor esta evolución, es importante diferenciar tres conceptos clave.
Un LLM funciona como un asistente extremadamente inteligente que responde cuando alguien le hace una pregunta.
Puede analizar información, generar contenido y entregar respuestas complejas, pero no toma decisiones por sí solo ni ejecuta acciones dentro de los sistemas empresariales.
Los modelos de lenguaje presentan dos limitaciones importantes:
En otras palabras, un LLM no inicia tareas, no recuerda automáticamente el contexto operativo y no actúa de forma autónoma.
La mayoría de las soluciones actuales de IA funcionan mediante flujos de trabajo predefinidos.
Aquí, los humanos diseñan toda la lógica: qué ocurre si pasa algo, qué acción se ejecuta y cuál es el siguiente paso.
Aunque estos flujos utilizan múltiples modelos, integraciones y automatizaciones avanzadas, siguen dependiendo completamente de instrucciones creadas por personas.
Los flujos de trabajo de IA tienen dos grandes limitaciones:
Es como seguir una receta detallada paso a paso. La IA ejecuta exactamente lo que fue diseñado, pero no decide un camino nuevo por sí misma.
Con los agentes ocurre algo distinto. En lugar de programar cada paso manualmente, se define un objetivo, ciertas restricciones y reglas de gobernanza. A partir de ahí, el agente determina cómo alcanzar el resultado.
Eso transforma la IA desde una simple automatización hacia una inteligencia operativa mucho más dinámica, adaptable y contextual.
Y justamente por eso, el desarrollo de la fuerza laboral se ha convertido en uno de los escenarios donde los agentes de IA generan mayor impacto
Los agentes de IA pueden variar enormemente en complejidad. Algunos funcionan como asistentes relativamente simples, mientras que otros son capaces de automatizar procesos que antes requerían equipos completos.
En el ámbito del desarrollo de software, por ejemplo, ya estamos viendo distintas etapas de evolución:
Esta evolución apunta hacia sistemas donde las personas podrán crear aplicaciones completas utilizando únicamente lenguaje natural.
Detrás de los agentes de IA existe una arquitectura mucho más sofisticada de lo que parece a simple vista.
Los agentes mantienen memoria operativa mediante sistemas que almacenan tanto el contexto inmediato de trabajo como información histórica relevante para futuras decisiones.
Los agentes extraen información desde APIs, bases de datos y múltiples sistemas empresariales conectados para construir contexto dinámico en tiempo real.
Son las herramientas que permiten transformar decisiones en acciones concretas: ejecutar procesos, activar flujos de trabajo, realizar cálculos o interactuar con otros sistemas.
Definen restricciones, permisos, roles y límites dentro de los cuales el agente puede operar.
Los agentes mejoran continuamente gracias a mecanismos de retroalimentación que analizan resultados previos y optimizan futuras decisiones.
No todos los ámbitos empresariales necesitan agentes de IA. Sin embargo, el desarrollo de la fuerza laboral parece diseñado especialmente para este tipo de inteligencia adaptativa.
Esto porque las personas, las habilidades y las necesidades del negocio cambian constantemente.
Las plataformas de talento y desarrollo gestionan uno de los entornos más complejos de cualquier organización: las personas.
Los empleados:
Todo esto genera datos distribuidos, cambiantes e interconectados.
Aquí es donde los agentes de IA aportan verdadero valor.
En lugar de tratar el desarrollo de talento como una simple asignación de cursos o capacitaciones estáticas, los agentes funcionan como capas de inteligencia adaptativa capaces de:
La IA deja de ser solo automatización y se convierte en una plataforma de inteligencia operacional aplicada al desarrollo del talento.
La adopción de agentes de IA en el desarrollo de la fuerza laboral se está acelerando porque los resultados comienzan a ser medibles. Actualmente:
Detrás de estos resultados existe un patrón evidente: los agentes funcionan especialmente bien en sistemas complejos, dinámicos y altamente conectados, exactamente las características que definen la gestión moderna de la fuerza laboral.
Para las áreas de TI, los agentes representan mucho más que una nueva funcionalidad tecnológica. Cambian completamente el modelo operativo de integración, supervisión y gobernanza.
Las integraciones tradicionales ya son complejas. Sin embargo, los agentes introducen un desafío completamente distinto: habilitar sistemas capaces de coordinar acciones de forma autónoma bajo supervisión humana.
Esto implica gestionar:
La infraestructura ya no solo conecta sistemas. Ahora debe habilitar autonomía controlada.
La responsabilidad deja de enfocarse únicamente en si el sistema funciona correctamente.
Ahora las organizaciones deben preguntarse:
La calidad de las conexiones entre plataformas pasa a ser crítica para el éxito de la IA agéntica.
Cuando la lógica de control pasa del código al modelo, la supervisión cambia completamente.
Las organizaciones necesitan entender:
Por eso, conceptos como observabilidad, explicabilidad y auditoría se vuelven fundamentales para cualquier estrategia de IA empresarial.
Comprender estos patrones es clave para diseñar sistemas de IA seguros, escalables y gobernables.
Cada agente debe definirse mediante:
Objetivos y restricciones claras.
Selección adecuada del modelo.
Herramientas disponibles.
Contratos de salida estructurados.
A medida que los sistemas escalan, aparecen distintos modelos de coordinación:
Cadenas secuenciales.
Agentes orquestadores.
Ejecución paralela.
Flujos iterativos.
Monitores asíncronos.
Aunque estos patrones recuerdan arquitecturas de microservicios, existe una diferencia fundamental:
En la arquitectura tradicional, la lógica está definida por código.
En la arquitectura agéntica, la lógica depende del razonamiento dinámico del modelo.
Ese cambio transforma completamente la operación de los sistemas empresariales.
Cornerstone OnDemand desarrolla un enfoque estructurado basado en arquitectura agéntica mediante su plataforma Cornerstone Workforce AI.
En lugar de tratar la IA como una funcionalidad adicional, Cornerstone integra agentes como parte central del ecosistema de desarrollo de talento.
El razonamiento del sistema se basa en una enorme base de datos especializada en habilidades, roles, trayectorias profesionales, señales del mercado laboral y contenido de aprendizaje.
El objetivo es construir un “cerebro especializado” capaz de comprender cómo se relacionan habilidades, puestos y capacidades organizacionales.
Cornerstone aborda uno de los principales desafíos de la IA empresarial: evitar silos de agentes desconectados.
Para ello utiliza estándares abiertos como:
Esto permite que distintos agentes colaboren entre plataformas y sistemas empresariales.
La estrategia de gobernanza de Cornerstone incluye:
La confianza y la seguridad pasan a ser pilares fundamentales de la IA empresarial
Cornerstone obtuvo certificación ISO 42001, estándar internacional de gestión de IA.
Los datos de clientes nunca se utilizan para entrenar modelos externos. Esto entrega mayor seguridad y control empresarial.
La llegada de la IA agéntica exige nuevas capacidades organizacionales.
Es fundamental comprender la diferencia entre LLM, automatización y agentes autónomos.
La observabilidad y el control deben diseñarse antes de implementar agentes en producción.
La IA agéntica no es una funcionalidad puntual. Es un nuevo enfoque arquitectónico.
Los agentes generan mayor valor en procesos complejos, dinámicos y altamente dependientes del contexto.
Los agentes de IA representan un cambio arquitectónico profundo en la forma en que las organizaciones operan y desarrollan talento.
Para las áreas de TI, Recursos Humanos y liderazgo empresarial, el desafío ya no consiste solo en adoptar inteligencia artificial, sino en construir infraestructuras capaces de coordinar inteligencia, automatización y supervisión humana de forma segura, escalable y confiable.
Porque el futuro del trabajo no será definido únicamente por la tecnología, sino por la capacidad de las organizaciones para conectar personas, habilidades, datos e inteligencia en tiempo real.
