Por qué los pilotos de agentes de IA fracasan en el comercio minorista, y cómo solucionarlo

Ethan Mollick tiene una frase a la que recurro con frecuencia: incluso si la IA dejara de mejorar hoy, aún nos tomaría cinco años o más absorber y aplicar completamente lo que ya tenemos. El desafío que tenemos por delante no es esperar una mejor IA, sino aprender a utilizar realmente lo que ya está aquí.

Lo que significa que el problema con el que se encuentran la mayoría de los minoristas no es el modelo. Es todo lo que lo rodea.

Cuando la mayoría de los equipos tienen dificultades con los pilotos de agentes, es porque abordaron la implementación como si estuvieran lanzando una nueva herramienta de software: un chatbot mejor, una búsqueda más inteligente. Pero los agentes no son herramientas. Son sistemas de negocio. Esa distinción cambia todo sobre cómo planificarlos, construirlos y gobernarlos.

En la práctica, las barreras para una implementación exitosa se dividen en cuatro categorías: agentes de propósito general que intentan hacer todo a la vez; datos a los que los agentes no pueden acceder en tiempo real porque están aislados entre departamentos o bloqueados en documentos; sistemas a través de los cuales los agentes no pueden actuar porque tienen poca o ninguna exposición de API; y una propiedad y gobernanza poco claras, sin nadie responsable de si el agente está funcionando bien o no.

La barrera no es la IA. Es la integración, la arquitectura, los datos y, especialmente, las estructuras organizativas que la rodean.

Uno de los mayores obstáculos para los equipos: intentan construir un agente que lo haga todo. Un asistente todoterreno situado en la cima de su estructura, atendiendo cualquier cosa que se presente.

Estimaciones frecuentemente citadas de McKinsey indican que más del 70% del potencial de valor total de la IA provendrá de aplicaciones verticales específicas de dominio, no de modelos genéricos. Según mi experiencia, esto es exactamente correcto. Lo que la mayoría de las personas imaginan es un gran agente, pero lo que realmente está llegando son muchos agentes especializados trabajando juntos, de la misma manera que ya lo hacen sus equipos.

Los agentes que aportan valor empresarial real tienen un alcance limitado y están integrados en los sistemas donde realmente ocurre el trabajo. Un agente de inventario en tu ERP que monitorea las ventas en tiempo real, señala riesgos de reabastecimiento antes de que ocurran desabastecimientos y recomienda cantidades de reorden basadas en señales de demanda; eso no es solo responder una pregunta, es tomar acción dentro de tu negocio. Un agente de campaña en tu CDP que identifica segmentos de alto valor, genera y prueba variaciones, y optimiza el tiempo basándose en datos de rendimiento. Un agente de fraude en tu procesador de pagos que detecta patrones anómalos en tiempo real y mejora continuamente su propia detección utilizando señales históricas.

Estos funcionan porque son específicos. Tienen acceso a los datos correctos, están conectados a los sistemas adecuados, y alguien es responsable del resultado.

Y una vez que vas más allá de un solo agente, algo importante cambia. La pregunta deja de ser "¿qué puede hacer este agente?" y se convierte en "¿quién es responsable de los resultados cuando muchos agentes interactúan?". Es entonces cuando la infraestructura comienza a importar, y mucho.

Los agentes no solo ejecutarán partes de tu negocio. También representarán a tus clientes interactuando con esos sistemas.

Los asistentes de IA para clientes interactuarán cada vez más con las marcas en nombre del cliente: asistentes personales de compras que investigan y comparan productos, agentes que gestionan suscripciones y pedidos rutinarios, agentes de clientes que negocian precios y disponibilidad, y eventualmente agentes autónomos que completan transacciones entre múltiples minoristas sin ningún humano involucrado en el proceso.

Estamos entrando en un paradigma donde las interacciones humano-más-agente se convierten en la norma, tanto tras bastidores como en experiencias de cara al cliente. Incluso si hoy solo estás realizando experimentos aislados y puntuales para probar el valor y demostrar el retorno de inversión, debes esperar que en poco tiempo muchos agentes estarán interactuando en ambos lados de la transacción.

Esa es una razón para construir la base correcta ahora, no después.

El modelo mental más útil que he encontrado para desplegar agentes es tratarlos como nuevos empleados.

Si contrataras a alguien mañana, le darías tres cosas: visibilidad del negocio, las herramientas para hacer el trabajo y alguien responsable de sus resultados. No contratarías a una persona esperando que tenga éxito sin acceso a tus sistemas, sin software ni permisos, sin un gerente o un conjunto claro de KPIs.

Los agentes necesitan exactamente las mismas cosas:

1. Visibilidad — ¿puede el agente acceder a los datos que necesita, en tiempo real, de manera estructurada? Si tus datos están procesados por lotes, aislados o bloqueados en archivos PDF, el agente está operando a ciegas.

2. Herramientas — ¿tus sistemas exponen APIs o flujos de trabajo que el software pueda activar? Si no es así, el agente puede razonar todo lo que quiera, pero no puede hacer nada realmente.

3. Responsabilidad — ¿alguien es responsable del resultado? ¿Existen mecanismos de gobernanza, barreras de protección, una forma de medir si el agente está funcionando bien o desviándose del curso?

Si la respuesta a cualquiera de estas preguntas es no, el problema no es la IA. El problema es el sistema en el que le estás pidiendo que opere. Si no contratarías a un empleado sin darle estas cosas, tampoco despliegues un agente sin ellas.

Cuando los equipos preguntan por dónde empezar, lo divido en cinco categorías, los segmentos principales de su negocio que definen cómo puede operar un agente.

• Sistemas centrales de registro (ERP, finanzas, RRHH/nómina) necesitan convertirse en sistemas diseñados con IA como prioridad, para que los agentes puedan operar directamente dentro de ellos con estándares de integración claros y barreras de protección deterministas.
• Comercio y operaciones (POS, comercio electrónico, OMS, cadena de suministro) necesitan abrirse a través de APIs y arquitectura basada en eventos, con barreras de protección explícitas para que los agentes puedan actuar de manera segura.
• Sistemas de clientes y marketing (CRM, fidelización, CDP) se convierten en la capa de interacción en tiempo real, donde la automatización aparece primero en formas orientadas al cliente, impulsada por datos en streaming y orquestación de agentes.
• Contenido y conocimiento (políticas, capacitación, catálogo de productos, planogramas) están mayormente bloqueados en PDFs e intranets hoy en día. Para que los agentes puedan utilizarlos, deben convertirse en estructurados, legibles por máquinas y modulares.
• Datos y análisis (almacén de datos, marts, BI/informes) suelen funcionar por lotes actualmente. Para los agentes, necesitan cambiar hacia canalizaciones en tiempo real con capas semánticas que permitan la toma de decisiones en vivo.

Estas cinco categorías son su hoja de ruta para hacer que su arquitectura esté lista para agentes, y son exactamente donde los sistemas componibles y basados en APIs tienen una ventaja estructural sobre los monolíticos.

El objetivo de un primer piloto de agente no debería ser la perfección; debería ser el aprendizaje. Específicamente, debería ser aprender sobre la preparación de tus datos, la preparación de tus APIs y la preparación de tu gobernanza.

Esto significa comenzar con algo pequeño y ser deliberado al respecto. Tres cosas son las más importantes. Primero, elige un caso de uso específico, algo de alta frecuencia, riesgo bajo a medio, con entradas claras y una definición de finalización que puedas medir en un plazo de 30 a 60 días. Evita comenzar con algo orientado al cliente o elegir algo que requiera datos perfectos en una docena de sistemas.

Segundo, construye primero un flujo de trabajo de humano más agente. Haz que los agentes asistan antes de que actúen de forma independiente. Comienza con "recomendar → aprobar → actuar" antes de que el agente opere por su cuenta.

Y finalmente, mide una métrica principal y una métrica de riesgo: por ejemplo, tasa de desviación más precisión de escalamiento, o tiempo ahorrado más tasa de error. Dos números. Eso es suficiente para un primer piloto.

Cada piloto, incluso uno modesto, te enseña algo que necesitarás cuando comiences a escalar a muchos agentes trabajando juntos. Elige uno que te dé señales útiles rápidamente.

Los agentes se están convirtiendo en tu fuerza laboral digital, así que trátalos como empleados. Dales visibilidad, herramientas y responsabilidad. El mayor valor proviene de agentes especializados integrados en los sistemas donde ocurre el trabajo real. Y las empresas que triunfen en esta era no necesariamente tendrán los modelos más sofisticados. Serán aquellas que aprendieron más rápido y construyeron los cimientos correctos desde el principio.

La mayor ventaja competitiva vendrá de construir la base para un equipo de agentes.