McKinsey señala cuatro pasos para escalar agentic AI con datos de calidad

McKinsey ha lanzado recomendaciones para empresas que intentan escalar agentic AI pero encuentran obstáculos no en los modelos, sino en los datos. El punto principal es directo: sin una base de datos común, workflows claros y governance robusto, los agentes nunca salen de pilotos hacia procesos reales de negocio.

Por qué los pilotos se estancan

Según McKinsey, casi dos tercios de las empresas ya han experimentado con agentes de AI, pero menos del 10% han logrado escalar hasta un nivel que entregue valor empresarial significativo. En ocho de cada diez casos, los datos se convierten en la barrera: están en sistemas fragmentados, tienen contextos diferentes, fallan en controles de calidad unificados y son mal adecuados para soluciones autónomas. Mientras los humanos manualmente unen fuentes y revaldan resultados, el piloto aún funciona.

Cuando las mismas acciones deben hacerse constantemente y en tiempo real, la estructura comienza a desmoronarse. El problema se hace más agudo conforme aumenta la autonomía. Un agente individual puede secuencialmente visitar múltiples sistemas y tomar decisiones basadas en información fragmentada, mientras un grupo de agentes especializados puede pasar errores entre sí.

Por eso McKinsey coloca en el centro no el modelo en sí, sino la capacidad de la empresa de proporcionar a los agentes acceso estable a datos, definiciones claras, trazabilidad y reglas de acceso. De otro modo, la automatización se ve impresionante en una demostración pero se quiebra bajo el primer volumen serio de operaciones.

Cuatro primeros pasos

McKinsey propone no reestructurar la empresa completa de una vez, sino comenzar con cuatro pasos interconectados que vinculan estrategia, arquitectura y modelo operacional. La lógica es: primero elegir procesos donde la autonomía realmente compensa, luego preparar la infraestructura, y solo entonces escalar. Este enfoque es necesario para evitar gastar meses en pilotos costosos sin efecto repetible y para prevenir que antiguos problemas de datos se transporten a nueva infraestructura de agentes.

• Seleccionar 1-2 workflows de alto impacto y evaluarlos por valor, viabilidad e impacto estratégico
• Actualizar capas de arquitectura de datos para que los agentes puedan intercambiar contexto de forma segura
• Pasar de limpiezas puntuales a control continuo de calidad de datos estructurados y no estructurados
• Introducir un modelo operacional y governance: roles, derechos de acceso, logs, políticas y puntos de aprobación humana

Se pone énfasis particular en ejecutar los cuatro pasos de forma coordinada. Si una empresa eligió el caso correcto pero mantuvo la arquitectura antigua, el agente chocará con sistemas incompatibles. Si la arquitectura ya es moderna pero faltan reglas de acceso y logging de acciones, escalar rápidamente se convertirá en un riesgo para la seguridad, el cumplimiento normativo y la calidad de las decisiones de negocio. McKinsey también recomienda validar el enfoque en pilotos enfocados con métricas claras e inmediatamente buscar datos que después puedan reutilizarse en workflows adyacentes.

Qué fundamento es necesario

Bajo una arquitectura agent-ready, McKinsey entiende no un nuevo monolito sino un conjunto de capas modulares. Los datos deben entrar en la empresa una vez y luego usarse para analytics, machine learning e generative AI, sin pipelines paralelos separados para cada tarea. Una semantic layer juega un papel importante: describe qué significa cada entidad, cómo se relacionan los objetos y qué reglas de negocio se aplican.

En la práctica, esto conduce a ontologías, knowledge graphs y data products con propiedad clara, calidad e interfaces de acceso. McKinsey enfatiza por separado el trabajo con datos no estructurados: documentos, imágenes, correspondencia e historiales de tickets. Para que los agentes usen tal contenido de forma confiable, debe etiquetarse, clasificarse, indexarse mediante embeddings y vincularse al resto del modelo de datos corporativo.

Para datos estructurados, la prioridad es diferente: no limpieza periódica manual, sino monitoreo continuo de calidad, validación automatizada, detección de anomalías y rastreo de lineage. Los mismos estándares deben aplicarse a datos creados por los propios agentes. La capa final es governance alrededor del ciclo de vida de los agentes.

La empresa debe determinar de antemano qué pueden hacer los agentes, a qué datos pueden acceder, dónde se necesita confirmación humana y quién es responsable de los resultados. Esto incluye aprovisionamiento de credenciales, telemetry, logs de acciones, monitoreo de desempeño y verificaciones automáticas de cumplimiento de políticas. En este esquema, los equipos de negocio poseen sus workflows y modelos de dominio, mientras que los equipos centrales de datos e IA poseen las plataformas comunes, guardrails y supervisión.

Qué significa esto

El mercado está gradualmente cambiando de la pregunta "qué modelo elegir" a "en qué datos y procesos operará". Para las empresas, esto es mala noticia para demostraciones rápidas, pero buena para aquellas listas para construir agentic AI como parte del sistema operacional del negocio en lugar de un experimento aislado.