Solo el 17,5% de las empresas tiene sus datos listos para la IA agéntica

Solo el 17,5 % de las organizaciones cuenta con una infraestructura de datos completamente optimizada para implementar inteligencia artificial agéntica, según el Data and AI Impact Report 2026 de SAS, basado en una investigación de IDC. El resultado revela una brecha entre el interés empresarial por automatizar procesos y la preparación tecnológica necesaria para hacerlo de manera confiable.

En Colombia, el desafío también es evidente. El estudio Colombia AI Pulse, elaborado por Endeavor Data Uniti, señala que el 61 % de las empresas considera la inteligencia artificial una prioridad estratégica, pero apenas el 37,7 % afirma haberla integrado significativamente en sus operaciones cotidianas.

La diferencia cobra importancia con la llegada de los agentes de IA, sistemas capaces de ejecutar tareas, activar procesos y participar en decisiones empresariales con diferentes niveles de autonomía.

“Los agentes de IA cambian la conversación porque ya no hablamos solo de sistemas que analizan o recomiendan, sino de capacidades que pueden actuar dentro de procesos empresariales”, afirmó Manisha Khanna, Product Marketing Leader de AI, GenAI and Agentic AI de SAS.

Cinco chequeos antes de implementar IA agéntica en las empresas

La incorporación de agentes inteligentes exige revisar aspectos que van desde la calidad de los datos hasta la supervisión de las decisiones. SAS identifica cinco condiciones que las organizaciones deberían evaluar antes de llevar estos sistemas a producción.

1. Verificar la calidad de los datos. No basta con almacenar información. Las empresas deben comprobar que sus datos estén actualizados, integrados, sean confiables y cuenten con permisos de utilización. También deben conocer su origen y las transformaciones realizadas.

2. Definir los límites de autonomía. Cada organización necesita establecer qué tareas puede ejecutar un agente y cuáles requieren autorización humana, especialmente cuando existen consecuencias financieras, legales o reputacionales.

3. Probar antes de automatizar. Las simulaciones y los datos sintéticos permiten evaluar cómo responderían los agentes frente a situaciones extraordinarias, errores, posibles fraudes o cambios inesperados en la operación.

4. Garantizar explicabilidad y monitoreo. Es necesario registrar qué información utiliza cada agente, qué decisiones toma y cuáles son sus resultados. Esto facilita auditorías, correcciones y seguimiento del desempeño.

5. Medir resultados empresariales. El éxito de la IA agéntica no debería limitarse a las horas ahorradas. También debe evaluarse mediante reducción de errores, eficiencia operativa, experiencia del cliente, gestión del riesgo y resultados financieros.

La gobernanza de datos sigue siendo una barrera para la IA

El informe de SAS señala que el 49% de las organizaciones identifica los entornos de datos en la nube descentralizados o insuficientemente optimizados como una barrera para avanzar en IA, mientras el 44 % menciona deficiencias en los procesos de gobernanza.

La preparación de la información resulta especialmente importante en sectores como banca, telecomunicaciones, energía y salud, donde una decisión automatizada puede afectar directamente la operación o a los usuarios.

El estudio también encontró que las organizaciones con prácticas sólidas de IA confiable tienen 15 veces más probabilidades de obtener un retorno elevado de sus inversiones en esta tecnología. Se trata de una asociación estadística, no de una garantía de rentabilidad.

“A medida que las organizaciones avanzan hacia sistemas de inteligencia artificial capaces de ejecutar tareas y participar en decisiones empresariales, la confianza debe construirse desde el diseño”, señaló Manisha Khanna, de SAS.

Para las empresas colombianas, avanzar hacia la IA agéntica implica decidir qué procesos automatizar, quién supervisará los resultados y cómo se evaluará el impacto sobre el negocio. La inversión en agentes inteligentes deberá acompañarse de controles, datos confiables y responsabilidades claramente definidas para evitar que una automatización más rápida también multiplique los errores.