Las organizaciones están pasando de probar agentes de IA a integrarlos en las operaciones empresariales, pero un nuevo informe de MIT Technology Review Insights sostiene que muchas empresas no han preparado los sistemas de datos que esos agentes necesitan. El informe, publicado el 12 de agosto y basado en una encuesta a 300 ejecutivos de datos y tecnología, identifica el acceso limitado a la información corporativa y la infraestructura heredada como grandes barreras para tomar decisiones confiables y rápidas.

Los hallazgos sugieren que el próximo obstáculo para la IA agéntica podría depender menos de la capacidad del modelo que de si los agentes pueden الوصولa los datos correctos, entender su contexto empresarial e interactuar de forma segura con los sistemas donde ocurre el trabajo. Eso importa para los equipos de producto y los compradores empresariales que planean despliegues que van más allá de responder preguntas para tomar acciones operativas.

Lo que encontró la encuesta

Según el informe, los sistemas de IA pueden acceder, en promedio, al 45% de los datos de la empresa en las organizaciones encuestadas. El acceso cae al 30% o menos en el grupo clasificado como “rezagados en datos”, mientras que los “líderes en datos” proporcionan acceso a más del 70% de sus datos.

El informe relaciona esa diferencia con la confianza en los agentes de IA. Solo aproximadamente la mitad de todos los encuestados dijo confiar en que las decisiones de sus agentes fueran precisas y relevantes. Sin embargo, entre los líderes en datos, el informe afirma que el 100% expresó esa confianza.

El informe también identifica una brecha en escala y velocidad. El 66% de los rezagados en datos dijo que los sistemas de datos heredados limitan su capacidad para escalar agentes de IA, mientras que el 68% afirmó que esos sistemas impiden que los agentes tomen decisiones con rapidez. Entre los líderes en datos, solo el 8% informó alguna de esas limitaciones.

Esas cifras presentan el acceso a los datos como un requisito operativo y no como un simple problema de infraestructura de fondo. Un agente que no puede recuperar registros actualizados de la cadena de suministro, información de punto de venta o datos de recursos humanos puede producir una respuesta plausible, pero aun así no ser capaz de completar un flujo de trabajo de forma fiable.

Por qué importan los sistemas heredados

Los entornos de datos empresariales tradicionales se diseñaron, por lo general, para aplicaciones, informes y usuarios humanos con rutas de acceso definidas. Los agentes de IA generan una demanda distinta: pueden necesitar combinar registros estructurados con documentos no estructurados, interpretar información en contexto y tomar decisiones mientras están conectados a sistemas operativos en vivo.

El informe sostiene que incluso los sistemas heredados relativamente recientes pueden crear fricción cuando los agentes necesitan ese tipo de acceso. Los datos pueden estar distribuidos en plataformas incompatibles, regirse por permisos inconsistentes o almacenarse sin las definiciones empresariales que un agente necesita para distinguir un registro autorizado de uno desactualizado o incompleto.

Esa distinción es importante para la IA empresarial. Dar a un agente un acceso más amplio sin mejorar la calidad de los datos, los permisos, el linaje y el contexto podría aumentar el número de acciones que puede realizar sin hacer esas acciones más fiables. Para los desarrolladores, por tanto, el problema no es simplemente conectar un modelo a más fuentes. Es crear un acceso controlado a información que sea actual, interpretable y adecuada para una tarea concreta.

El informe señala que mejorar el acceso a datos estructurados y no estructurados es la iniciativa principal para escalar agentes. También destaca una gobernanza de datos más sólida que incorpore contexto empresarial, junto con una mayor automatización de la gestión de datos.

Evidencia y límites de las afirmaciones

La evidencia central proviene de una encuesta a 300 ejecutivos de datos y tecnología descrita en el informe de MIT Technology Review Insights. Las categorías de líderes y rezagados en datos, así como los porcentajes informados de acceso, confianza y restricciones del sistema, son por tanto resultados de encuesta y no mediciones auditadas de forma independiente de despliegues empresariales.

El informe también cita una predicción de Gartner según la cual los agentes de IA podrían complementar o automatizar el 50% de las decisiones empresariales para 2027. Eso es una previsión, no un resultado establecido, y el material proporcionado no identifica la metodología ni los supuestos que la respaldan.

La publicación incluye una aclaración importante: el contenido fue producido por Insights, la división de contenido personalizado de MIT Technology Review, y no por el equipo editorial de MIT Technology Review. El informe dice que la encuesta y la redacción fueron producidas por investigadores, redactores, editores, analistas e ilustradores humanos, con herramientas de IA limitadas a procesos de producción secundarios sujetos a revisión humana.

Esa aclaración no invalida la encuesta, pero significa que los lectores deben tratar las comparaciones y conclusiones más firmes como contenido respaldado por investigación asociado a un informe personalizado. La fuente no aporta estudios de caso independientes, auditorías técnicas ni despliegues empresariales identificados que verifiquen si los líderes en datos lograron los resultados informados en flujos de trabajo específicos.

Implicaciones para desarrolladores y compradores empresariales

Para los desarrolladores de IA, los hallazgos desplazan la atención hacia los sistemas que rodean a un modelo. Un agente utilizado para compras, operaciones con clientes, finanzas o gestión de personal necesita más que recuperación de información. Necesita políticas de acceso, registros actualizados, una prioridad clara de las fuentes, manejo de errores y una forma de explicar qué datos influyeron en una decisión.

Los equipos de producto también deben definir qué puede hacer un agente cuando la información falta o entra en conflicto. Un sistema que se detiene para revisión humana puede ser más lento, pero puede ser más fiable que uno que rellena huecos con una suposición no respaldada. La supervisión debe abarcar no solo las respuestas del modelo, sino también las llamadas a herramientas, la frescura de los datos, los fallos de permisos y los efectos posteriores.

Para los compradores empresariales, el informe recuerda evaluar la preparación de los datos antes de ampliar un piloto de agentes. Las preguntas deben incluir si el sistema propuesto puede conectarse a sistemas operativos sin crear copias no controladas de datos sensibles, si el acceso puede limitarse por rol y tarea, y si los usuarios de negocio pueden auditar las decisiones de un agente.

Esto también crea una oportunidad competitiva para los proveedores de infraestructura. Las herramientas que unifican el acceso a los datos, automatizan la gestión de metadatos, aplican gobernanza y conectan agentes con sistemas operativos pueden llegar a ser tan importantes para la economía del despliegue como la selección del modelo. Pero una conectividad más amplia por sí sola no garantizará mejores resultados; la fiabilidad depende de la calidad y el significado de la información expuesta.

Qué vigilar a continuación

La primera señal será si las empresas pasan de pilotos aislados a agentes que operan en múltiples sistemas. Un despliegue más amplio debería mostrar si el acceso a los datos mejora en la práctica o si las organizaciones siguen restringiendo a los agentes a tareas estrechas y de bajo riesgo.

Una segunda señal es la aparición de parámetros de referencia independientes sobre la preparación de datos para agentes. Las métricas útiles podrían incluir la proporción de datos relevantes a la que un agente puede acceder, la frescura de los datos, la precisión de los permisos, la recuperación ante información faltante y la tasa de acciones que requieren corrección humana.

Los compradores también deberían observar cómo los proveedores abordan la gobernanza y la auditabilidad. Las afirmaciones sobre agentes confiables serán más significativas cuando los proveedores divulguen tasas de fallo, comportamiento de escalamiento y rendimiento en flujos de trabajo reales, en lugar de basarse solo en métricas de modelos o encuestas de adopción.

Por último, la previsión de Gartner citada por el informe deberá contrastarse con la automatización real de las decisiones empresariales. Si la adopción crece sin mejoras correspondientes en confianza y controles, las empresas pueden usar agentes ampliamente mientras los mantienen alejados de las decisiones donde su valor sería mayor.

Perspectiva de Creati.ai

El mensaje central del informe es creíble como advertencia de despliegue: los agentes no pueden actuar de forma fiable sobre información a la que no pueden acceder ni interpretar. Pero sus cifras deben leerse como señales de encuesta, no como prueba de que los líderes en datos hayan resuelto la IA empresarial. La conclusión más útil para los desarrolladores es considerar el acceso a los datos, la gobernanza y la integración de sistemas como parte del propio producto agente.

Probablemente el mercado se dividirá entre los proveedores que simplemente facilitan lanzar agentes y aquellos que hacen que sus acciones sean medibles, reversibles y responsables. Para los equipos empresariales, la prueba práctica es sencilla: antes de preguntar si un agente es lo suficientemente inteligente, hay que determinar si dispone de los datos de confianza y los permisos controlados necesarios para actuar.