Cuando se habla de IA en el trabajo, la imagen más familiar suele ser la de un empleado que abre una ventana de chat y pide a un modelo que redacte un correo, resuma un documento o analice datos. La tarea se acelera, pero la persona sigue dando instrucciones paso a paso y llevando el resultado al resto del proceso.
Los agentes de IA desplazan ese límite.
En lugar de esperar un prompt cada vez, un agente puede recibir un objetivo, decidir qué pasos hacen falta, utilizar herramientas, revisar el resultado y continuar con varias acciones dentro de unos límites definidos. La pregunta económica deja de ser "¿cuánto puede acelerar la IA una tarea?" y pasa a ser ¿qué ocurre cuando la IA puede gestionar una secuencia de tareas a lo largo de un flujo de trabajo completo?
La OCDE publicó Agentic AI in organisations en septiembre de 2026, a partir de entrevistas con organizaciones de distintas regiones y sectores. El informe muestra que los sistemas agentic ya se están desarrollando y desplegando, mientras que la gobernanza, la medición y las prácticas operativas todavía están en una fase temprana.
Nuestro artículo anterior ¿La IA realmente quitará empleos – o hará que algunos trabajos sean más valiosos? explicó por qué la IA suele cambiar primero la tarea antes que el puesto completo. Cuando varias tareas empiezan a conectarse mediante un agente, lo que puede rediseñarse ya no es una tarea aislada, sino el flujo de trabajo entero.
Un agente de IA es más que un chatbot más inteligente
Un chatbot conocido sigue un patrón sencillo:
el usuario pregunta → la IA responde → el usuario decide qué sucede después
Un agente puede operar con un ciclo más largo:
objetivo → planificar → usar herramientas → actuar → revisar resultados → ajustar → continuar o escalar
Anthropic describe los agentes como sistemas capaces de trabajar entre aplicaciones, escribir y ejecutar código, gestionar archivos y completar tareas de varios pasos. Eso les da más autonomía, es decir, más libertad para actuar dentro de las herramientas, permisos y límites definidos por las personas.
Pensemos en ventas.
Un chatbot puede redactar un correo de seguimiento. Un agente podría recibir el objetivo "dar seguimiento a los leads con mayor potencial", consultar el CRM, revisar el estado de la cuenta, preparar el mensaje, elegir cuándo enviarlo, registrar el resultado, programar una reunión y pasar el caso a un vendedor cuando haga falta juicio humano.
La mayoría de esas tareas ya existían. Lo nuevo es poder conectarlas sin necesitar que una persona medie en cada traspaso.
La economía cambia cuando la IA pasa de tareas a flujos de trabajo
La primera etapa de la IA en el trabajo se ha centrado a menudo en la productividad individual: escribir más rápido, buscar más rápido o resumir reuniones más rápido.
Pero las empresas no funcionan como tareas aisladas. El trabajo circula entre personas, equipos, sistemas de software y cadenas de aprobación.
Un proceso de compras puede recibir una solicitud, revisar inventario, pedir cotizaciones, comparar proveedores, solicitar aprobación, crear una orden de compra, seguir la entrega y enviar información a contabilidad. El retraso puede venir menos de un paso concreto que de esperar información, volver a comprobar datos y coordinar funciones.
Ahí es donde un agente puede tener un efecto económico distinto al de un copilot utilizado por un solo empleado.
La Global Survey on AI 2026 de McKinsey encontró que el 80% de los encuestados dijo que la IA había mejorado la productividad individual, mientras que solo el 37% atribuyó al uso de IA de su organización al menos cierto impacto en el EBIT. La brecha no demuestra que los agentes vayan a resolver el problema, pero sí muestra por qué hacer más rápida a una persona no convierte automáticamente a toda la organización en más rentable.
Si el flujo sigue teniendo aprobaciones duplicadas, transferencias de archivos y sistemas desconectados, el beneficio puede quedarse en el escritorio del empleado.
El dinero puede estar en los traspasos entre pasos
Por eso, el valor empresarial de un agente no se limita a las horas de trabajo ahorradas.
Puede venir de reducir tiempos de espera, copiar y pegar, seguimiento, errores al transferir datos y la cantidad de coordinación humana necesaria entre sistemas.
Por ejemplo, un proceso de facturas puede recibir un documento, validar campos, compararlo con una orden de compra, señalar anomalías, preparar un asiento contable y enviar el caso a aprobación. Si un agente puede ocuparse de las partes estructuradas como una sola secuencia, las personas quizá solo tengan que intervenir cuando los datos no coincidan, se supere un umbral o aparezca algo inusual.
Los agentes no son trabajadores digitales de coste cero.
Las organizaciones siguen pagando por modelos, integración de software, preparación de datos, permisos, monitorización, evaluación, seguridad y revisión humana de excepciones. Algunos flujos pueden generar grandes ahorros. Otros pueden costar más de automatizar que el beneficio que producen.
Por eso, la economía de un agente debería medirse en el nivel del flujo de trabajo, no solo por el número de horas de empleados que aparentemente se han ahorrado.
El trabajo humano puede pasar de hacer cada paso a supervisar el sistema
A medida que los agentes asumen más ejecución, la posición de la persona dentro del flujo puede cambiar.
En vez de:
hacer → entregar → revisar → continuar → pedir aprobación
el patrón podría ser:
definir objetivo → establecer límites → revisar excepciones → decidir → asumir responsabilidad
Esto conecta directamente con la cuestión laboral de A10. Si la IA mejora en ciertas tareas, el valor humano puede desplazarse hacia el juicio, el contexto, la comunicación y la responsabilidad. Los agentes intensifican la cuestión porque pueden asumir secuencias, no solo tareas aisladas.
El Work Trend Index 2026 de Microsoft para Tailandia señaló que el 32% de los trabajadores tailandeses de su muestra eran "Frontier Professionals", frente a un promedio global del 16%, mientras que las organizaciones tailandesas seguían teniendo dificultades para pasar del uso individual de IA a integrarla en los flujos centrales de la organización.
Son datos de plataformas y encuestas de Microsoft, no una estadística laboral representativa de todo el país. Pero subrayan una diferencia importante: ser bueno utilizando IA de forma individual no es lo mismo que rediseñar una organización alrededor de ella.
Más autonomía no significa sacar a las personas del sistema
El atractivo de un agente es que puede seguir trabajando con menos supervisión paso a paso. Esa misma propiedad también amplía el riesgo.
Si un chatbot da una respuesta incorrecta, una persona puede detectarla antes de actuar. Si un agente interpreta mal un objetivo y tiene acceso a varios sistemas, el error puede recorrer varias etapas antes de que alguien lo vea.
Anthropic identifica riesgos que van desde interpretar mal la intención del usuario hasta ataques de Prompt Injection que intentan manipular al agente para que haga algo que no debería.
Esto hace que el diseño human-in-the-loop sea más matizado que obligar a una persona a aprobar cada clic.
Una organización puede definir:
- a qué sistemas puede acceder el agente
- límites de transacción o gasto
- acciones que requieren aprobación
- datos que no pueden salir de un límite definido
- excepciones que deben escalarse a una persona
- puntos en los que el proceso debe detenerse para esperar una decisión humana
El objetivo no tiene por qué ser eliminar a las personas del flujo. Se trata de elegir dónde aporta más valor el juicio humano.
Las grandes empresas y las pymes quizá no se beneficien al mismo ritmo
El rendimiento de un agente depende de algo más que del modelo de IA. También depende de la calidad de los datos, la integración de sistemas, los permisos y de lo claramente definido que esté el flujo existente.
Una empresa con CRM, ERP, APIs, gobernanza de datos y un equipo de TI parte de una posición distinta a la de una pequeña empresa que todavía trabaja con hojas de cálculo, aplicaciones de chat y documentos repartidos entre varios sistemas.
La D4SME Survey 2026 de la OCDE encontró que el uso de IA en las pymes está aumentando y que algunas empresas experimentan con agentes de IA, pero la integración estratégica y segura en las operaciones sigue siendo desigual. La falta de tiempo, los costes de mantenimiento y las brechas de habilidades figuran entre las barreras.
Esto plantea una cuestión competitiva más interesante que quién consigue primero un chatbot.
Si los agentes realmente reducen los costes de coordinación, las empresas con mejores datos y sistemas podrían reducir el coste por transacción o procesar más trabajo antes que competidores más pequeños. Si esa ventaja se acumula, la brecha de productividad entre empresas podría ampliarse.
También es posible lo contrario. Los agentes empaquetados, baratos y fáciles de desplegar podrían reducir la desventaja tecnológica de las pymes. Todavía es demasiado pronto para asumir que las grandes empresas serán las únicas beneficiarias.
¿Qué pasa si esto avanza mucho más hacia la AGI?
Los agentes de IA actuales no son Artificial General Intelligence o AGI, un concepto usado para una IA con capacidades amplias en muchos ámbitos.
Un marco de alfabetización en IA de la OCDE y la Comisión Europea describe la AGI como sistemas capaces de igualar o superar la versatilidad cognitiva y competencia de un adulto con buena formación, y afirma que esos sistemas no existen actualmente.
Las películas suelen mostrar algo mucho más amplio: una mente digital capaz de aprender, planificar, decidir y actuar por sí sola en casi cualquier ámbito. Esa imagen está muy lejos de los agentes con los que las empresas experimentan hoy.
Los agentes actuales todavía operan con objetivos, herramientas, permisos y límites proporcionados por personas, y pueden fallar incluso en tareas aparentemente ordinarias.
Si algún día los sistemas pasan de gestionar flujos especializados a capacidades generales amplias como las asociadas con la AGI, las implicaciones para las empresas y el trabajo serían una cuestión de otro orden. Antes de llegar ahí, la pregunta más práctica es dónde deberían situarse las personas dentro de un flujo a medida que los agentes asumen más ejecución.
Qué observar a continuación
La primera señal es la velocidad con la que los agentes pasan de pilotos a flujos de producción. Una demostración exitosa no es lo mismo que operar todos los días con datos, clientes y dinero reales.
La segunda es si las empresas empiezan a medir el ROI a nivel de flujo de trabajo. Si los informes siguen centrándose solo en tasas de adopción u horas de empleados ahorradas, el efecto económico puede seguir sin estar claro.
La tercera es cuánto permiso están dispuestas a dar las organizaciones a los agentes: acceso de solo lectura, redacción, transacciones o acciones sin aprobación. Eso revela tanto la confianza como el riesgo aceptado.
La cuarta son las tasas de excepciones y los puntos de escalado humano. Un sistema que parece autónomo en pantalla todavía puede depender de una cantidad considerable de trabajo humano invisible.
Para Tailandia, otra señal es si las pymes pueden acceder a sistemas de agentes fiables a un coste asequible. Si los flujos agentic requieren infraestructura de datos e integración caras, la brecha de productividad entre empresas podría ampliarse. Si los sistemas empaquetados reducen mucho esos costes, las empresas pequeñas podrían beneficiarse antes de lo esperado.
La primera ola de IA en el trabajo nos hizo preguntar: "¿Puede la IA ayudar con esta tarea?" Los agentes de IA llevan la pregunta más lejos: "¿Seguimos necesitando diseñar el flujo de trabajo de esta manera?" Ahí puede estar un impacto empresarial más profundo que simplemente disponer de un asistente de escritura más rápido.
