¿Qué es realmente un “agente de IA” y quién controla lo que hace?

Un chatbot responde. Un asistente ayuda. Un agente de inteligencia artificial, en cambio, puede actuar. Esa diferencia, que hasta hace poco parecía más conceptual que práctica, estuvo en el centro de SAP Connect 2026. La compañía mostró una serie de ejemplos en los que sistemas de IA ya no se limitan a contestar una consulta, sino que analizan información, toman una decisión dentro de ciertas reglas y ejecutan el siguiente paso de un proceso empresarial.

La forma más sencilla de entenderlo es imaginar un problema cotidiano dentro de una empresa. Si una persona pregunta cuánto inventario queda de un producto, una IA tradicional puede entregar el dato. Un agente puede ir más lejos: detectar que el stock está bajando, revisar la demanda prevista, buscar proveedores, comparar precios y plazos, recomendar una alternativa y, si tiene autorización, iniciar la compra.

Christian Klein, CEO de SAP, resumió la diferencia durante el encuentro: cuando se trata de mover dinero o ejecutar procesos empresariales, “una buena respuesta no es suficiente. Necesitas la respuesta correcta. Cada vez”.

Del chatbot al agente

Los agentes combinan modelos de inteligencia artificial con acceso a datos, reglas empresariales y herramientas que les permiten ejecutar acciones.

Eso los diferencia de servicios como los primeros chatbots generativos, cuyo trabajo terminaba normalmente cuando entregaban una respuesta en pantalla.

Un agente puede participar en una cadena de acciones: observar → analizar → decidir → recomendar → ejecutar → verificar.

La clave está en que no trabaja en el vacío. Para operar dentro de una empresa necesita saber quién es el cliente, qué proveedores existen, cuánto inventario queda, qué permisos tiene el usuario, qué normas deben respetarse y qué ocurrió antes en ese proceso.

SAP denomina a ese elemento business context: el contexto de negocio. “Los grandes modelos de lenguaje todavía no tienen idea de cómo funciona tu negocio”, planteó Klein. Para la compañía, ahí está precisamente la diferencia entre una IA general y una diseñada para operar procesos empresariales.

Caso 1: detectar una falla y cambiar de proveedor

Una demostración encabezada por Cristina Ricaurte mostró cómo distintos agentes pueden coordinarse en una cadena de suministro.

En el ejemplo, una empresa ficticia comienza a recibir más pedidos de camisetas de lo previsto. Al mismo tiempo, las inspecciones detectan problemas de calidad.

Un agente identifica que la tela de un nuevo proveedor no cumple con los estándares. Otro determina qué productos pueden repararse y cuáles deben desecharse. El sistema busca después proveedores alternativos y compara calidad, costo, capacidad y tiempo de entrega.

Pero no realiza la compra inmediatamente. La persona responsable recibe las alternativas y aprueba una de ellas. Solo después, el sistema inicia procurement, actualiza el plan de producción y prepara los cambios necesarios en transporte.

El ejemplo muestra un principio que SAP repitió durante el evento: autonomía no necesariamente significa ausencia de intervención humana.

Caso 2: Novartis y las negociaciones con proveedores

En Novartis, los agentes están siendo probados en un proceso bastante menos visible para un consumidor, pero relevante para una gran empresa: sourcing, es decir, búsqueda, evaluación y negociación con proveedores.

Christoph Buerki, Head of Procurement de Novartis, explicó que tareas como elaborar solicitudes de propuestas, comparar ofertas y preparar negociaciones siguen requiriendo mucho trabajo manual.

La farmacéutica comenzó un piloto con Joule Sourcing Assistant para que los agentes hagan parte de ese análisis.

Según Buerki, Novartis espera reducir en 25% los tiempos de ciclo y obtener un 35% de aumento de productividad.

El objetivo no es solo trabajar más rápido. “Queremos que nuestros profesionales de sourcing utilicen su tiempo en estrategia y relaciones con proveedores, no procesando manualmente tablas de ofertas”, señaló.

Y entregó una recomendación importante: no comenzar entregando a los agentes tareas críticas.

“Primero, pon en orden tus datos”, dijo. Después, recomendó elegir procesos donde una decisión equivocada pueda corregirse antes de avanzar hacia funciones más sensibles.

Caso 3: responder a un supermercado en cinco minutos

Morgan Foods mostró otro tipo de impacto. La compañía produce cientos de alimentos de marca privada y debe coordinar pronósticos de demanda, ingredientes, producción, bodegas y distribución.

Steve Hankins, CFO de la empresa, explicó que responder a una solicitud importante de un retailer podía requerir anteriormente entre tres y cuatro semanas.

Hoy, aseguró, pueden determinarlo “en aproximadamente cinco minutos”. La reducción no surgió simplemente de instalar un agente. Primero fue necesario conectar datos y procesos. “Tienes que tener toda la operación conectada”, explicó.

Su consejo se parece al de Novartis: antes de pensar en autonomía, las empresas necesitan datos correctos, procesos documentados y una base tecnológica integrada.

Caso 4: Nestlé y qué factura cobrar primero

En Nestlé, el ejemplo se trasladó a finanzas. Una empresa de esa escala puede gestionar grandes cantidades de cuentas por cobrar simultáneamente. El problema para los equipos financieros es decidir diariamente cuáles requieren mayor atención.

Luca Dell’Orletta explicó que un agente puede priorizar automáticamente las facturas pendientes utilizando factores como riesgo, historial de la relación con el cliente y valor de la deuda.

Luego puede recomendar la “next best action”: llamar al cliente, enviar un correo electrónico u otra acción de cobranza.

Incluso puede preparar la comunicación. En ese caso, el agente no reemplaza completamente al equipo financiero. Funciona como un sistema que analiza miles de señales y ordena el trabajo para que las personas decidan dónde intervenir.

Caso 5: PwC y detectar un error antes de que llegue la factura

Jill Notz, Chief Accounting Officer, Controller y Business Services Leader de PwC, llevó la discusión a los servicios profesionales. La compañía está trabajando con SAP en un Billing Assistant que busca detectar problemas en facturación antes de que lleguen al cliente. “El asistente ayudará a detectar problemas en el origen en vez de corregirlos después”, explicó.

Para Notz, existe además una diferencia entre una IA general y otra que comprende una industria.

“Una IA genérica ejecuta tareas, pero una IA sectorial entiende por qué esas tareas existen y con qué se conectan”, señaló.

No es lo mismo, ejemplificó, la lógica que necesita una empresa de salud —donde entran regulación y seguridad de pacientes— que una empresa de transporte, preocupada por rutas, capacidad y tiempos de entrega.

Entonces, ¿quién controla al agente?

Ahí aparece la pregunta más compleja. Si un agente puede comprar, contratar, cobrar, modificar una producción o intervenir en un proceso financiero, ¿qué ocurre cuando toma una mala decisión?

Marielle Ehrmann, Chief Security Officer de SAP SE, planteó que el problema ha cambiado a medida que la IA se vuelve más autónoma.

“Hace apenas un año la pregunta era qué tan rápido podemos desplegar IA. Hoy la pregunta cambió: qué tan rápido podemos desplegar IA sin convertirnos en los titulares de mañana”, dijo.

Y fue más allá: “La mayor amenaza hoy no es la IA maliciosa. Es la IA sin gestionar”.

SAP plantea tres formas de mantener supervisión sobre los agentes.

Human in the loop: la IA analiza y recomienda, pero una persona debe aprobar la acción antes de que se ejecute. Es lo que ocurrió, por ejemplo, en la demostración donde se debía elegir un nuevo proveedor.

Human on the loop: el agente puede operar por sí mismo, pero existe supervisión humana permanente y posibilidad de intervenir.

Human in command: en decisiones de alto riesgo, una persona conserva la autoridad final para detener o revertir las acciones.

La regla que presentó Ehrmann es sencilla: “Cuanto más autónomamente opera el agente, más estricta debe ser la supervisión”.

Un agente tampoco debería tener acceso a todo

Otro principio consiste en limitar los permisos. Según Ehrmann, cada agente debería operar con las autorizaciones de la persona a la que representa.

Eso significa que, si un trabajador no puede consultar ciertos datos financieros, el agente que trabaja en su nombre tampoco debería poder hacerlo.

La misma lógica se aplica a las acciones: un agente puede analizar una compra sin necesariamente tener autorización para aprobarla.

Para SAP, esto forma parte de un enfoque denominado Zero Trust, donde cada acceso debe verificar identidad, propósito y sensibilidad de los datos.

La trazabilidad es otra pieza relevante. Si una persona toma una decisión dentro de una compañía, existe normalmente alguna forma de saber quién la tomó. Con los agentes debería ocurrir lo mismo.

“Cada acción queda documentada. Cada decisión es trazable”, explicó Ehrmann.

La compañía resume la gobernanza en tres preguntas: “¿Quién es responsable de esta decisión de IA? ¿Quién puede ver qué está haciendo ahora? ¿Y quién puede detenerla?”.

Los agentes no eliminan a las personas, al menos por ahora

Los ejemplos presentados en SAP Connect muestran una situación bastante distinta a la idea de una empresa completamente manejada por máquinas.

Los agentes aparecen principalmente como una capa que detecta, analiza y coordina tareas, mientras las personas siguen tomando decisiones en puntos sensibles.

Incluso empresas que ya experimentan con estas tecnologías mantienen cautela.

Hankins lo resumió desde Morgan Foods: “No pueden reemplazar el juicio. Las personas tienen juicio y experiencia”.

Buerki, desde Novartis, dijo algo similar de manera práctica: comenzar por procesos donde una equivocación sea recuperable y construir confianza antes de entregar funciones críticas.

La promesa de los agentes de IA, por ahora, no parece ser una empresa sin personas.

Es una empresa donde las máquinas pueden asumir cada vez más partes del trabajo y donde la pregunta empieza a cambiar: ya no solo qué puede hacer la inteligencia artificial, sino cuánto estamos dispuestos a dejarla hacer por sí sola.