Por qué la mayoría de pilotos de agentes no llega nunca a producción
Después de un año de entusiasmo con los agentes, empiezan a publicarse los datos de lo que realmente llegó a producción. No son buenos. Según la fuente que mires, entre el 78 y el 95 por ciento de los pilotos no llega nunca a funcionar de verdad en el día a día de la empresa. Merece la pena entender por qué, porque el patrón de fracaso se repite y es evitable.
Primero, honestidad con los números
Vas a ver este dato citado con mucha seguridad y cifras muy distintas: 78 por ciento, 88, 89, 95. Conviene decirlo claro: no hay una cifra única y consolidada. Cada informe mide cosas distintas y algunos se citan entre sí hasta perder el origen. Lo que sí es consistente en todas las fuentes es la dirección: la mayoría de pilotos no llega a producción, y una minoría pequeña, en torno al 10 por ciento, acaba funcionando de verdad.
El dato mejor atribuido es una previsión de Gartner: más del 40 por ciento de los proyectos agentic se cancelarán antes de que acabe 2027, por coste creciente, valor de negocio poco claro y controles de riesgo insuficientes. Y en cuanto a retorno, sus datos apuntan a que solo alrededor de una cuarta parte de los proyectos de IA entregan el ROI que se esperaba de ellos.
Los tres fallos que se repiten
1. Nadie definió qué significaba funcionar
Es con diferencia el más común. El piloto arranca con un objetivo del tipo mejorar la atención al cliente, que no se puede medir y por tanto no se puede aprobar ni suspender. Cuando llega el momento de decidir si pasa a producción, no hay criterio, y sin criterio la decisión por defecto es no arriesgarse.
La alternativa cuesta una hora: antes de construir nada, escribe la métrica y el umbral. Resolver sin intervención humana el 60 por ciento de las consultas de seguimiento de pedido, con menos de un 2 por ciento de respuestas incorrectas. Eso sí se puede medir y decidir.
2. No hay forma de saber si va bien
Un agente en producción falla de manera silenciosa. No lanza un error: responde algo plausible y equivocado. Sin un sistema que evalúe automáticamente sus respuestas contra casos conocidos, el primero en enterarse de que algo se rompió es el cliente.
Los datos de sector apuntan en la misma dirección con bastante consistencia: los despliegues con evaluación automatizada tienen tasas de reversión sustancialmente menores que los que no la tienen. Es la diferencia entre enterarte tú de que el agente se degradó y que te lo cuente un cliente enfadado.
3. Se empezó por el proceso más difícil
Hay una tendencia natural a probar la IA en el problema más doloroso de la empresa, que suele ser también el más crítico, el más irreversible y el que más cara sale si falla. Es la peor elección posible para un primer proyecto.
Un buen primer caso de uso cumple tres condiciones: es reversible (si el agente se equivoca, se corrige sin daño), es frecuente (pasa muchas veces al mes, así que el ahorro se nota) y es acotado (se puede describir en dos frases). Clasificar correo entrante cumple las tres. Decidir descuentos comerciales no cumple ninguna.
Lo que hacen los que sí llegan
- Miden antes de construir. Saben cuánto tiempo consume hoy el proceso manual, para poder comparar después.
- Montan la evaluación a la vez que el agente, no después. Un conjunto de 30 o 40 casos reales con la respuesta correcta esperada es suficiente para empezar.
- Dejan una persona en el circuito al principio, revisando las salidas, y le van quitando supervisión según los datos lo justifican. No al revés.
- Aceptan matar el proyecto. Si a las seis semanas la métrica no se acerca al umbral, se para. Los que no tienen criterio de parada acumulan pilotos zombis que consumen presupuesto sin entregar nada.
El coste de equivocarse ha bajado
Hay un matiz optimista que cierra el círculo con lo que contábamos hace unas semanas sobre precios: la razón por la que muchos pilotos se cancelaron por coste ya no aplica igual. Operar un agente cuesta hoy una fracción de lo que costaba a principios de año. Si tu empresa archivó un caso de uso por caro, esa decisión merece revisarse con los números actuales.
Lo que no ha cambiado es la parte organizativa, que es donde están casi todos los fracasos. El modelo casi nunca es el problema.
Conclusión
Que la mayoría de pilotos no llegue a producción no significa que la tecnología no funcione: significa que la mayoría de proyectos se plantean sin criterio de éxito, sin medición continua y sobre el proceso equivocado. Los tres son problemas de planteamiento, no de IA, y los tres se arreglan antes de escribir la primera línea.
Fuentes citadas: previsiones publicas de Gartner sobre cancelacion de proyectos agentic y ROI de proyectos de IA; informes de sector 2026 sobre adopcion empresarial de agentes. Las cifras de tasa de fracaso varian entre fuentes y se recogen aqui como rango, no como dato unico.
Sigue leyendo
¿Tu piloto va camino de producción o de archivarse?
30 minutos para revisar un caso de uso concreto y detectar los tres fallos que hacen que los pilotos se queden por el camino.
Agendar Auditoría Gratuita