🧱 Todos quieren agentes de IA. Casi nadie puede alimentarlos.
Mientras el mercado corre detrás de los agentes, la ventaja real está en quién resuelve primero el acceso a sus propios datos.
Bienvenidos a la edición #46 de AmaroDigital
Llevo semanas viendo la misma escena en distintas empresas: comités aprobando presupuesto para pilotos de IA sin haber resuelto si sus sistemas centrales pueden compartir el dato que esos pilotos necesitan. No es un problema de ambición. Es un problema de orden.
📡 Señales que no puedes ignorar:
🔓 El piloto no muere por el modelo, muere por el acceso
McKinsey le puso nombre a algo que ya sientes: “purgatorio del piloto.” Pasa cuando la carrera por implementar IA generativa avanza más rápido que los datos, procesos y sistemas que deberían sostenerla. Casi la mitad de las áreas de TI ya invierte en IA generativa, mientras la inversión en los sistemas centrales que cargan la operación se queda atrás. La brecha entre lo que la empresa quiere hacer con IA y lo que sus sistemas permiten, crece.
Esto no depende del proveedor. Aplica igual a un sistema robusto que a uno legado de quince años: si la arquitectura no expone datos hacia afuera, ningún agente puede trabajar con información que no alcanza.
¿Y esto por qué importa?
🧱 La pregunta ya no es “qué tan buena es la IA”, es “puedo conectarla a mis sistemas”.
⚠️ Un piloto aislado de la operación core es solo la ilusión de progreso.
💰 La integración, no el modelo, es el gasto que descarrila el presupuesto.
🎯 Quien resuelve el acceso a sus datos primero, gana velocidad real.
La tecnología ya está lista. El acceso ordenado a los datos sigue siendo lo menos glamoroso, y lo que realmente decide quién avanza.
🔗 Fuente: McKinsey — “Bridging the great AI agent and ERP divide to unlock value at scale”
🧱 El agente es barato, conectarlo no
Construir un agente de IA para un caso de uso puntual cuesta relativamente poco hoy. Lo caro es conectarlo a lo que ya tienes. Cada integración a un ERP, CRM o base de datos interna cuesta entre $5,000 y $15,000 dólares en desarrollos a medida, y cuando el sistema es legado y no expone APIs documentadas, el proyecto fácilmente salta a más de $80,000.
Es la parte que casi nadie presupuesta a tiempo. La demo convence en la sala de juntas, pero el trabajo real empieza después: mapear datos, resolver autenticación, descubrir que el sistema legado ni siquiera fue diseñado para hablar con nada más.
¿Y esto por qué importa?
🧮 El costo real de un proyecto de IA rara vez está en el modelo, está en la integración.
🐌 Cada sistema sin API documentada multiplica tiempo, presupuesto y riesgo.
📉 Subestimar esto es la razón número uno por la que los pilotos se salen de presupuesto.
🔑 Negociar el acceso a tus sistemas centrales debería ser el primer paso, no el último.
Nadie vende esto en la demo. Se descubre después, cuando ya comprometiste presupuesto y tiempo de equipo.
🔗 Fuente: Savi — “¿Cuánto costará construir un agente de IA en 2026?”
🔓 La solución no era otro sistema, era soltar el dato
En la empresa donde trabajo lo vivimos con inventarios. Cada vez que buscábamos optimizar y analizar mejor la operación, la respuesta por defecto fue instalar otra capa: un WMS, un módulo adicional. Un WMS tiene su lugar cuando necesitas ejecutar y controlar la operación física del almacén. El error es usarlo como la vía por defecto para poder analizar el inventario, cuando el dato para eso ya existe en otro lado.
La data transaccional de inventarios ya se genera todos los días dentro del sistema central. La tecnología permite analizarla en crudo, con reglas y gobernanza, y ejecutar decisiones de optimización con IA directamente sobre ella. Antes de comprar un sistema nuevo para poder ver y decidir, la pregunta es si el dato ya existe y simplemente no lo puedes sacar.
¿Y esto por qué importa?
🧱 El dato que necesitas para decidir probablemente ya existe, solo no lo puedes sacar.
💸 Instalar un sistema nuevo solo para tener visibilidad es resolver el síntoma, no la causa.
⚙️ Una herramienta nueva no sirve si la arquitectura de abajo sigue fragmentada.
🎯 Quien construye el puente hacia su dato lo reutiliza. Quien compra sistema tras sistema, empieza de cero cada vez.
Me lo pregunto seguido, a mi propio equipo: ¿necesitamos otro sistema, o necesitamos poder ver lo que el que ya tenemos guarda?
🔗 Fuente: AtroCore — “Desafíos de gobernanza de datos que realmente frenan el progreso”
💬 Lo que está en el aire
Todo el mundo habla de agentes. Gartner ubica a la IA agéntica en el pico más alto de su ciclo de hype 2026, y solo 17% de las organizaciones realmente ha desplegado un agente en producción. El resto está en la conversación, no en la ejecución.
Lo interesante es lo que Gartner puso justo al lado, en el mismo pico: los datos listos para IA. 57% de las organizaciones reconoce que sus datos no están listos. El propio Gartner confirma que el hype de los agentes y el problema del acceso a datos viven en el mismo momento de exageración. Solo que uno vende demos y el otro no.
Lo que conviene observar: quién en tu industria ya resolvió el acceso a sus sistemas centrales, no quién ya “tiene un agente”. Lo que puedes ignorar sin culpa: la presión de sumarte a la conversación de agentes solo porque todos hablan de eso.
La pregunta que me hago es simple: ¿estamos discutiendo agentes porque ya resolvimos lo básico, o porque es más cómodo hablar de lo nuevo que de lo que llevamos años sin arreglar?
🙋🏼 La pregunta incómoda
¿Dónde debería enfocar mi presupuesto este trimestre: en arreglar el acceso a mis datos, o en avanzar con el piloto de agentes que ya está en marcha?
Es la pregunta que casi ningún comité de dirección se hace en voz alta, porque las dos cosas suenan a lo mismo: “invertir en IA.” Pero no lo son. Una resuelve la plomería. La otra construye sobre ella. Y ahora mismo, la mayoría de las empresas está poniendo el dinero en la segunda sin haber resuelto la primera.
Los números lo confirman. Solo 17% de las organizaciones ha desplegado agentes de IA en producción, aunque más del 60% planea hacerlo en los próximos dos años, según Gartner. Es la curva de adopción más agresiva que ha medido para cualquier tecnología emergente. Pero McKinsey advierte que por cada dólar que se invierte en desarrollar el modelo, se necesitan tres en gestión del cambio y en la infraestructura que lo sostiene. La proporción rara vez se respeta, y ahí es donde el piloto se queda varado.
La respuesta incómoda es que el piloto no va a escalar sin resolver el acceso a los datos primero. Seguir invirtiendo en él sin atender eso es financiar una demo cara, no un proyecto que llega a producción. Esto no significa detener el piloto ni frenar la conversación de agentes. Significa dejar de tratar el acceso a datos como la fase dos, cuando en realidad es la condición para que la fase uno valga el gasto.
Tu siguiente paso, esta semana: lleva esta pregunta a tu próximo comité: “¿cuánto costaría resolver el acceso a los datos que necesita nuestro piloto, y quién sería el dueño de esa tarea?” Si nadie tiene esa cifra, ahí está tu prioridad real este trimestre, no en el piloto.
📋 Recomendación útil de la semana:
Estoy a la mitad de Rewired, la segunda edición del playbook de McKinsey sobre transformación con IA (Lamarre, Smaje, Levin, Singla y Sukharevsky). No es una app ni una plataforma, es un libro, y lo recomiendo porque conecta directo con todo lo que hablamos hoy: una de las seis capacidades que McKinsey identifica como no negociables es tener los datos embebidos en toda la organización, no como proyecto aparte, sino como condición de base.
Lo que he encontrado hasta ahora no es teoría. Son más de 30 casos reales con lo que sí funcionó y lo que no, organizados en frameworks que puedes llevar directo a una conversación de comité, no solo a la mesa de TI.
Es para el líder que ya superó la pregunta de “si” adoptar IA y está en la pregunta de “cómo”, con presupuesto real de por medio. Cuesta entre $26 dólares en digital y $45 en pasta dura. No es una lectura de fin de semana, es más bien una referencia que vas a regresar a consultar.
Mientras el mercado sigue vendiendo la próxima demo de agentes, la ventaja se la va a llevar quien resuelva primero algo mucho menos glamoroso: el acceso a su propio dato.