La mayor parte del trabajo de oficina no es una pregunta única con una respuesta única. Es una secuencia: buscar una información, compararla con otra, redactar un texto, revisarlo, registrarlo en algún sistema. Una conversación aislada con un asistente de IA resuelve muy bien el primer paso de esa secuencia, y se detiene justo ahí, dejando el resto en manos de la persona.
Ese límite aparece en los números más recientes sobre adopción de IA en las empresas. McKinsey, en su informe de 2025 sobre el estado de la IA en las empresas, encontró que el 62% de las organizaciones ya experimenta con agentes de IA, pero solo el 23% logró escalar algún sistema agéntico más allá de la prueba piloto. La distancia entre esos dos números es la distancia entre "la IA responde bien una pregunta" y "la IA sostiene un proceso entero".
Para quien lidera un área de operaciones, la pregunta ya no es si vale la pena automatizar. Es exactamente dónde la automatización deja de funcionar sola, y qué colocar ahí para que el proceso siga en pie.
Dónde la automatización de una sola etapa llega hasta cierto punto
Deloitte describe el problema con precisión en un informe publicado a fines de 2025: los sistemas multiagente son redes que colaboran a lo largo de un flujo de trabajo para planificar, decidir y actuar, no una herramienta aislada respondiendo a un comando a la vez. Y, según el mismo informe, el 38% de las empresas ya experimenta con este tipo de arquitectura, pero solo el 11% tiene alguna en producción, por brechas de integración y de gobernanza.
El motivo estructural aparece en un tercer número, también de Deloitte: solo el 28% de los líderes encuestados cree que su propia empresa tiene capacidad madura para combinar automatización básica con agentes de IA, frente al 80% que se dice seguro solo de la automatización básica, más simple y más antigua. Es la misma brecha vista desde otro ángulo: la empresa sabe automatizar un paso, pero no una cadena de pasos que dependen unos de otros.
El informe del MIT sobre el estado de la IA en los negocios, publicado en 2025 a partir de entrevistas con más de 150 líderes y el análisis de 300 implementaciones reales, llega a un número todavía más duro: el 95% de los proyectos de IA generativa no muestra ningún retorno financiero medible. La propia explicación del informe apunta exactamente al límite descrito arriba: las herramientas genéricas de conversación son excelentes para el uso individual, pero se estancan en el uso corporativo porque no aprenden el flujo de trabajo de la empresa ni se adaptan a él. El 5% que funciona son, en su mayoría, sistemas construidos para integrarse profundamente con el proceso, no una conversación más.
Para una empresa de Brasil o de América Latina que ya probó un asistente de IA y se quedó con la sensación de "funciona, pero no cambió nada", esta es exactamente la razón: la herramienta resolvió una etapa, y el resto del proceso siguió dependiendo de que alguien copiara, pegara y decidiera manualmente qué venía a continuación.
Por qué "agregar un agente más" no es la solución
La reacción más común ante ese límite es comprar o construir un agente más para cubrir la siguiente etapa del proceso. Un agente busca la información, otro redacta, un tercero revisa. En teoría, tres etapas cubiertas. En la práctica, aquí es donde aparece la brecha de gobernanza que mide Deloitte: cada agente fue pensado de forma aislada, con su propio permiso, su propio dueño y su propia lógica, y nadie coordinó el traspaso entre ellos.
El resultado es previsible: el agente que redacta no sabe si la información que recibió del agente anterior ya fue validada. El agente que registra no sabe quién aprobó qué a lo largo del camino. Cuando algo sale mal a mitad de la secuencia, reconstruir lo ocurrido significa abrir tres sistemas distintos y esperar que los registros coincidan.
Apilar agentes desconectados multiplica el mismo problema que frenaba la etapa única, solo que ahora en cada eslabón de la cadena, y sin que nadie vea la cadena completa.
Lo que tiene que existir en la práctica
Una secuencia de tareas automatizada con gobernanza se apoya en mecanismos específicos, no en una herramienta aislada más.
Etapas coordinadas con un dueño del flujo, no agentes sueltos. Buscar, comparar, redactar, revisar y registrar necesitan reconocerse como una única secuencia, con un punto central que sepa en qué etapa está la tarea, no cinco herramientas que no se hablan entre sí.
Permiso propio por etapa. El agente que busca la información solo ve lo que necesita para buscar; el que redacta solo recibe lo ya aprobado para usar; el que registra solo escribe, sin poder alterar lo que vino antes. Aislar el permiso por etapa limita el daño cuando una etapa falla.
Un punto de revisión humana donde el riesgo realmente lo justifica. No toda etapa necesita aprobación, la mayoría es rutina. Pero la etapa que decide algo con peso financiero, contractual o regulatorio se detiene, dentro de la propia secuencia, y espera la confirmación de una persona antes de continuar.
Registro del camino entero, no de cada etapa aislada. El valor no está en saber que el agente 2 se ejecutó a las 14:32. Está en poder ver la secuencia completa —quién lo pidió, qué hizo cada etapa, dónde intervino una persona— como una única línea de tiempo.
Conocimiento reutilizable entre etapas. La respuesta aprobada en una etapa anterior debe poder alimentar la siguiente sin que alguien tenga que copiar y pegar manualmente el resultado de un sistema a otro.
Así fue diseñada Skyller: agentes trabajando en etapas coordinadas dentro de un mismo flujo, con permiso propio por etapa y un registro de auditoría que cubre la secuencia entera, no fragmentos de ella.
Las herramientas genéricas se estancan en el uso empresarial porque no aprenden ni se adaptan al flujo de trabajo.
Lo que cambia cuando el proceso entero está cubierto
La diferencia entre una herramienta de conversación y un flujo coordinado aparece primero en el tiempo que el equipo deja de perder entre una etapa y otra. Cuando la información aprobada en una etapa ya llega lista a la siguiente, nadie pierde tiempo buscando el archivo correcto, confirmando con un colega o rehaciendo un paso porque la versión usada estaba desactualizada.
La segunda diferencia es para quien lidera el área: en lugar de preguntar "cuántas conversaciones con IA tuvo el equipo este mes", la pregunta pasa a ser "cuántos procesos completos logró sacar el equipo de la cola". Es una métrica de negocio, no de uso de herramienta, y es esa métrica la que justifica el presupuesto, porque muestra volumen de trabajo terminado, no solo volumen de preguntas respondidas.
Y hay un efecto de largo plazo: un flujo bien diseñado una vez puede ser reutilizado por otra persona, otro equipo, otra unidad, sin que cada área tenga que redescubrir por su cuenta la misma secuencia de etapas que otra ya resolvió.
Una guía para identificar el primer proceso a automatizar
Antes de decidir qué proceso automatizar de punta a punta, vale la pena mapear las respuestas a estas preguntas con quien ejecuta la tarea hoy:
- ¿Cuántas etapas manuales tiene hoy esta tarea, entre la solicitud inicial y el resultado final entregado? Si la respuesta es "solo una", una conversación aislada ya lo resuelve: no es el proceso indicado para empezar.
- ¿En cuáles de esas etapas alguien necesita copiar información de un sistema para pegarla en otro? Cada copia manual es un punto donde el proceso depende de que alguien recuerde hacerlo bien.
- ¿Existe alguna etapa en esa secuencia que, si se salta o se hace mal, genera riesgo financiero, contractual o regulatorio? Esa etapa es donde debe entrar la revisión humana; el resto puede seguir solo.
- Si esta tarea se traba a mitad de camino, ¿alguien puede ver hoy en qué etapa se detuvo, o hay que preguntar persona por persona? La respuesta mide si existe una línea de tiempo única o solo fragmentos aislados.
