IA agéntica en México: por qué el 90% de las empresas que adoptaron inteligencia artificial todavía no están listas para el siguiente paso

IA agéntica en México: por qué el 90% de las empresas que adoptaron inteligencia artificial todavía no están listas para el siguiente paso

Adoptar IA es relativamente sencillo. Operarla de forma autónoma en procesos críticos —con gobernanza, trazabilidad y seguridad reales— es otra conversación completamente distinta. México está en el centro de esa tensión, con miles de millones de dólares en infraestructura entrando al país y la mayoría de las organizaciones aún construyendo las bases que esa infraestructura requiere.

Existe una brecha que los titulares sobre inteligencia artificial en México rara vez mencionan. No es la brecha de adopción —el porcentaje de empresas que usa IA versus las que no— sino una más profunda y más difícil de cerrar: la brecha entre las organizaciones que implementaron IA y las que están realmente preparadas para operar con sistemas que toman decisiones autónomas en procesos críticos.

Los números que definen esa brecha son reveladores. Según datos de Hitachi Vantara, aproximadamente el 90% de las organizaciones ya despliega algún tipo de iniciativa de inteligencia artificial. Pero solo el 45% cuenta con un framework formal de gobernanza de IA. Y según cifras de McKinsey & Company, menos del 10% de las organizaciones ha logrado escalar exitosamente agentes de IA dentro de alguna función empresarial crítica.

Dicho de otra forma: la mayoría de las empresas mexicanas está corriendo hacia la IA agéntica sin haber construido los cimientos que esa tecnología requiere para funcionar de forma segura.

Qué es la IA agéntica y por qué representa un salto cualitativo respecto a la IA convencional

Para entender por qué la IA agéntica plantea desafíos distintos a los de la inteligencia artificial que la mayoría de las empresas ya usa, hay que entender primero la diferencia fundamental entre ambas.

La IA convencional —chatbots, modelos de recomendación, sistemas de análisis predictivo, asistentes virtuales— opera en un modo reactivo: recibe una consulta, procesa información y genera una respuesta o recomendación. El ser humano recibe esa salida y decide qué hacer con ella. El sistema aconseja; la persona actúa.

La IA agéntica invierte esa lógica. Un agente de IA no solo recomienda: ejecuta. Puede recibir un objetivo de alto nivel —"optimiza el inventario de este almacén para los próximos siete días"— y sin intervención humana en cada paso, tomar decisiones operativas, interactuar con otros sistemas, generar órdenes de compra, ajustar parámetros de producción y reportar resultados.

Octavian Tanase, Chief Product Officer de Hitachi Vantara, articula el cambio con precisión: "El cambio que trae la IA agéntica no es incremental. Estamos pasando de una IA que aconseja a una IA que ejecuta tareas y toma decisiones operativas."

Esa distinción tiene consecuencias que van mucho más allá de la tecnología. Cuando un sistema de IA ejecuta decisiones autónomas en procesos críticos —aprobación de créditos, gestión de cadenas de suministro, operación de infraestructura industrial, monitoreo de fraudes en tiempo real— el error no es una recomendación incorrecta que un humano puede ignorar. Es una acción que ya ocurrió, con consecuencias reales que pueden ser costosas, regulatorias o de seguridad.

El ecosistema digital de México: la infraestructura está llegando más rápido que la preparación organizacional

México está viviendo un momento de inversión en infraestructura digital sin precedente reciente. Las cifras son suficientemente grandes para que su magnitud sea difícil de dimensionar en abstracto.

De acuerdo con estimaciones de la Asociación Mexicana de Data Centers (MEXDC), el país podría atraer más de 9,000 millones de dólares en inversión hacia infraestructura de data centers para 2029, impulsado principalmente por tres vectores que se retroalimentan: la demanda de procesamiento para cargas de trabajo de inteligencia artificial, la expansión de servicios de nube y el nearshoring digital que está llevando a empresas globales a establecer o ampliar operaciones tecnológicas en México.

Querétaro se ha consolidado como el hub más relevante de ese proceso. La ciudad concentra una proporción significativa de los nuevos proyectos de hyperscalers y operadores de nube en el país, con inversiones anunciadas por AWS, Microsoft y CloudHQ que se cuentan en miles de millones de dólares. La combinación de infraestructura eléctrica, conectividad de fibra, estabilidad regulatoria y acceso a talento técnico ha posicionado al corredor Querétaro-CDMX como el principal destino de infraestructura digital de América Latina fuera de Brasil.

En paralelo, la adopción de IA en empresas mexicanas avanza a un ritmo que múltiples análisis del sector estiman en torno al 40% de las compañías con algún tipo de implementación activa.

El problema no es la velocidad de la inversión en infraestructura ni la velocidad de adopción de IA. El problema es la asimetría entre ambas: la infraestructura está llegando más rápido que la preparación organizacional para operarla de forma responsable.

Los tres pilares que las organizaciones no están construyendo al ritmo que deberían

La conversación dominante sobre IA en México —y en América Latina en general— tiende a concentrarse en la capa más visible: qué modelos usar, cómo implementarlos, qué procesos automatizar. Lo que permanece en segundo plano es la infraestructura invisible que determina si esa implementación va a funcionar o va a fallar cuando las apuestas sean altas.

Hay tres pilares que los especialistas identifican de forma consistente como los más críticos y los más frecuentemente subestimados:

Calidad y arquitectura de datos. Un agente de IA es tan bueno como los datos con los que opera. Las organizaciones que construyeron sus sistemas de datos durante décadas bajo lógicas de silos departamentales —datos de ventas aquí, datos de producción allá, datos de clientes en otro sistema— tienen un problema estructural que ningún modelo de IA puede resolver por sí solo. La integración, limpieza y gobierno de datos es el trabajo previo que determina si la IA va a producir decisiones confiables o decisiones que parecen confiables pero están basadas en información fragmentada o desactualizada.

Gobernanza formal de IA. El dato de que solo el 45% de las organizaciones tiene un framework formal de gobernanza de IA no es solo una estadística de madurez tecnológica: es un indicador de riesgo operativo y regulatorio. Un framework de gobernanza de IA define quién puede implementar qué tipo de modelos, bajo qué condiciones, con qué mecanismos de auditoría y con qué protocolos de intervención cuando el sistema produce resultados inesperados. Sin ese marco, cada implementación de IA es esencialmente un experimento sin red de seguridad.

Ciberseguridad adaptada a sistemas autónomos. La superficie de ataque de un sistema de IA agéntica es cualitativamente diferente a la de un sistema de información convencional. Un agente que tiene acceso a sistemas operativos críticos, que puede ejecutar transacciones y que toma decisiones en tiempo real es también, desde la perspectiva de la ciberseguridad, un vector de riesgo nuevo. Los modelos de seguridad diseñados para proteger bases de datos y aplicaciones no son directamente trasladables a la protección de sistemas que actúan de forma autónoma.

Los sectores donde la presión es más alta: banca, manufactura y telecomunicaciones

La urgencia de resolver la brecha de preparación no es uniforme entre sectores. Hay industrias donde la combinación de alta regulación, alta exposición a riesgo operativo y alta demanda de eficiencia crea una presión particular para avanzar hacia IA agéntica de forma responsable:

Banca y servicios financieros. La automatización de decisiones de crédito, la detección de fraudes en tiempo real y la gestión de riesgos son casos de uso donde la IA agéntica puede generar valor enorme —y donde un error de gobernanza puede traducirse en consecuencias regulatorias, financieras y reputacionales severas. La CNBV y el Banco de México están comenzando a desarrollar marcos de supervisión para sistemas de IA en instituciones financieras, lo que añade una capa de urgencia regulatoria a la preparación organizacional.

Manufactura y cadena de suministro. El nearshoring está acelerando la digitalización industrial en México de forma notable. Las plantas que producen para empresas globales están bajo presión para implementar sistemas de optimización de producción, mantenimiento predictivo y gestión de inventarios que operan en tiempo real. En este contexto, la IA agéntica es la tecnología que puede integrar esos sistemas en una capa de decisión unificada —y también la que puede generar interrupciones operativas costosas si falla sin mecanismos de supervisión adecuados.

Telecomunicaciones. La gestión de redes de nueva generación —5G, fibra óptica masiva, infraestructura IoT— genera volúmenes de datos que superan la capacidad de análisis humano en tiempo real. Los agentes de IA que optimizan la asignación de recursos de red, detectan anomalías y gestionan la calidad del servicio de forma autónoma son una necesidad operativa en este sector, con los correspondientes desafíos de gobernanza y ciberseguridad que eso implica.

El consumo energético como variable que nadie está calculando correctamente

Hay una dimensión del crecimiento de la IA en México que rara vez aparece en las conversaciones sobre transformación digital pero que está comenzando a emerger como restricción real: el consumo energético.

Las cargas de trabajo de IA —especialmente el entrenamiento de modelos grandes y la inferencia en tiempo real a escala— son intensivas en energía de una forma que los modelos de planificación energética convencionales no anticiparon. Un data center optimizado para cargas de trabajo de IA puede consumir entre dos y cinco veces más energía por unidad de capacidad instalada que uno diseñado para cargas de trabajo convencionales.

Para México, donde la capacidad de generación eléctrica ya está bajo presión en algunas regiones —especialmente en el corredor industrial del Bajío y el norte del país— la expansión acelerada de data centers para IA añade una variable que los planificadores de infraestructura digital y energética necesitan considerar de forma integrada, no en silos separados.

La gobernanza como ventaja competitiva: el argumento que Hitachi Vantara está construyendo

Tanase sintetiza la dirección hacia donde se mueve la conversación en las organizaciones más avanzadas: "La conversación ya no es únicamente quién adopta IA primero, sino quién logra operarla de forma segura, gobernada y confiable dentro de procesos críticos."

Esa observación tiene una implicación estratégica directa para el mercado mexicano: en el corto plazo, las organizaciones que lleguen primero con IA agéntica tendrán ventaja. En el mediano plazo, las organizaciones que la operen de forma más confiable tendrán la ventaja duradera.

La primera ventaja es de velocidad. La segunda es de confianza. Y en industrias altamente reguladas —donde los clientes y los reguladores exigen trazabilidad, auditabilidad y control sobre los sistemas que toman decisiones que los afectan—, la confianza es el activo competitivo más difícil de construir y el más costoso de perder.

"La autonomía confiable será el verdadero diferenciador competitivo de las organizaciones en los próximos años", concluye Tanase.

Es una predicción que el estado actual del mercado mexicano hace más que plausible: ya convincente.

Datos clave para referencia y citación: