Directum: por qué los negocios discuten activamente agentes de IA pero dudan en implementarlos en procesos

A las empresas ya no les satisfacen los chatbots que responden preguntas y escriben correos: las compañías necesitan sistemas de IA capaces de completar tareas de forma autónoma dentro de los procesos corporativos. Pero es precisamente donde la autonomía parece más valiosa donde surgen las principales limitaciones — infraestructura cara, errores al trabajar con múltiples sistemas y falta de claridad sobre la responsabilidad de las decisiones del agente. Directum propone distinguir entre asistentes y agentes.

Un asistente es esencialmente un conversador avanzado: responde a solicitudes, ayuda con texto, búsqueda o sugerencias, pero no gestiona el proceso por sí mismo. Un agente funciona de manera diferente: descompone objetivos en pasos, selecciona herramientas, alterna entre sistemas y devuelve el resultado a un humano. En un entorno corporativo, esto puede significar un ciclo de trabajo completo con un documento, solicitud o tarea — desde la clasificación hasta la asignación al empleado responsable.

Según la empresa, el aumento del interés en agentes no es accidental. Después de la onda de pilotos en 2024, los negocios dejaron de preguntarse si la IA puede escribir un correo o resumir una reunión, y pasaron al siguiente nivel: ¿se puede confiar en un modelo una parte del proceso que requiere recopilar datos de varios sistemas y tomar una decisión operativa? Paralelamente, los propios LLM se fortalecieron en planificación y ejecución de tareas multietapa, y estándares como function calling y MCP simplificaron la conexión de herramientas externas — desde ERP y CRM hasta ECM, calendarios y escenarios RPA.

El primer factor limitante es la infraestructura. Las empresas grandes y medianas quieren ejecutar tales soluciones dentro de su propio perímetro seguro, porque se trata de finanzas, datos personales y secretos comerciales. Pero el despliegue local de modelos de gama media requiere inversiones significativas en GPU, y aún existen problemas con el suministro, precio y disponibilidad de ese hardware en Rusia.

Una alternativa en forma de alquiler de capacidad de cómputo en centros de datos es técnicamente posible, pero frecuentemente genera dudas en los servicios de seguridad de la información. Como resultado, muchas empresas alcanzan la etapa de interés pero no la etapa de despliegue industrial. La segunda limitación está relacionada con la calidad del desempeño del agente conforme crece el número de integraciones.

Teóricamente, debería ser capaz de trabajar con ERP, sistemas de gestión de documentos, CRM, correo, bases de conocimiento y calendarios simultáneamente. En la práctica, cada nueva conexión añade riesgo: el modelo puede seleccionar la herramienta incorrecta, confundir parámetros de llamada o incluso inventar una API inexistente. Según las observaciones de Directum, después de aproximadamente 15 herramientas, la probabilidad de tales fallos aumenta notablemente, por lo que hoy es más seguro limitar un agente a un dominio estrecho o a un conjunto de 5–7 sistemas verificados.

La escalabilidad al panorama completo de TI de una empresa sigue siendo una tarea de ingeniería compleja. La tercera barrera es la responsabilidad. Incluso si un agente puede ejecutar una secuencia de acciones de forma independiente, la decisión final en escenarios sensibles sigue siendo responsabilidad de un humano.

Ningún ejecutivo está dispuesto a entregar incondicionalmente a un modelo el derecho a firmar un contrato importante, aprobar una operación arriesgada o transferir dinero sin control. Y no se trata solo de desconfianza en la tecnología: el marco legal aún no ha alcanzado el nivel de automatización. Si un agente comete un error, no está claro quién es responsable de las consecuencias — el proveedor, el integrador, el propietario del proceso o el empleado que configuró el escenario.

Hasta que esta pregunta se resuelva, la autonomía seguirá siendo limitada. Esto conduce a una conclusión bastante sobria: el mercado se mueve no hacia la sustitución completa de empleados por agentes, sino hacia un modelo intermedio donde la IA asume segmentos de proceso bien descritos bajo supervisión humana. Es precisamente por esto que los agentes de flujo de trabajo se ven actualmente más prometedores — soluciones con límites claros, un conjunto limitado de acciones y ROI predecible.

Para los negocios, esto no es un rechazo del enfoque de agentes, sino una forma de implementarlo sin riesgo innecesario: comenzar con casos de uso limitados, verificar la confiabilidad y solo entonces expandir el perímetro de automatización.