McKinsey propone cuatro pasos para escalar la IA agéntica sobre datos de calidad

McKinsey ha publicado recomendaciones para las empresas que intentan escalar la IA agéntica y se topan no con los modelos, sino con los datos. La tesis central es sencilla: sin una base de datos común, workflows claros y una gobernanza estricta, los agentes no salen de los pilotos para entrar en un proceso de negocio real.

Por qué se atascan los pilotos

Según McKinsey, casi dos tercios de las empresas ya han experimentado con agentes de IA, pero menos del 10% ha logrado llevarlos a una escala que aporte un valor de negocio apreciable. En ocho de cada diez casos, la barrera son los datos: están en sistemas dispersos, tienen contextos distintos, no pasan controles de calidad unificados y se adaptan mal a las decisiones autónomas. Mientras una persona une las fuentes a mano y revisa el resultado, el piloto aún puede funcionar. Cuando esas mismas acciones hay que hacerlas de forma constante y en tiempo real, la estructura empieza a desmoronarse.

El problema se agrava a medida que crece la autonomía. Un solo agente puede recorrer varios sistemas en secuencia y tomar decisiones a partir de información fragmentada, y un grupo de agentes especializados puede, además, transmitirse errores entre sí. Por eso McKinsey sitúa en el centro no el modelo, sino la capacidad de la empresa para dar a los agentes acceso estable a los datos, definiciones claras, trazabilidad y reglas de acceso. De lo contrario, la automatización luce bien en la demo, pero se rompe con el primer volumen serio de operaciones.

Los cuatro primeros pasos

McKinsey propone no reconstruir toda la empresa de golpe, sino empezar por cuatro pasos enlazados que conectan estrategia, arquitectura y modelo operativo. La lógica es esta: primero elegir los procesos donde la autonomía realmente se rentabiliza, después preparar la infraestructura y solo entonces aumentar la escala. Este enfoque busca evitar meses de pilotos caros sin un efecto repetible y no arrastrar los viejos problemas de datos a la nueva capa de agentes.

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

McKinsey hace hincapié en que los cuatro pasos deben darse de forma coordinada. Si la 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 registro de acciones, el escalado se convertirá rápido en un riesgo para la seguridad, el cumplimiento normativo y la calidad de las decisiones de negocio. McKinsey también aconseja probar el enfoque en pilotos acotados con métricas claras y buscar de inmediato datos que luego puedan reutilizarse en workflows vecinos.

Qué cimientos hacen falta

Por arquitectura preparada para agentes, McKinsey entiende no un nuevo monolito, sino un conjunto de capas modulares. Los datos deben entrar una sola vez en la empresa y usarse después tanto para analítica como para machine learning e IA generativa, sin canalizaciones paralelas para cada tarea. La capa semántica cumple 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, grafos de conocimiento y productos de datos con un responsable, una calidad y unas interfaces de acceso claros.

McKinsey subraya aparte el trabajo con datos no estructurados: documentos, imágenes, correspondencia, historial de consultas. Para que los agentes usen ese contenido con fiabilidad, hay que etiquetarlo, clasificarlo, indexarlo mediante embeddings y vincularlo con el resto del modelo de datos corporativo. En los datos estructurados la prioridad es otra: no una limpieza manual periódica, sino monitorización constante de la calidad, validación automática, detección de anomalías y almacenamiento del lineage. Los mismos estándares deben aplicarse a los datos que generan los propios agentes.

La última capa es la gobernanza del ciclo de vida de los agentes. La empresa debe definir de antemano qué puede hacer el agente, a qué datos tiene acceso, dónde se requiere confirmación humana y quién responde del resultado. Esto incluye la emisión de credenciales, telemetría, logs de acciones, control del rendimiento y comprobaciones automáticas de cumplimiento de políticas. En este esquema, los equipos de negocio responden de sus workflows y su modelo de dominio, y los equipos centrales de datos e IA, de las plataformas comunes, los guardrails y la supervisión.

Qué significa

El mercado se desplaza poco a poco de la pregunta «qué modelo elegir» a «sobre qué datos y procesos actuará». Para las empresas es una mala noticia para las demos rápidas, pero buena para quienes están dispuestos a construir la IA agéntica como parte del sistema operativo del negocio y no como un experimento aislado.