Gartner: 4 de cada 10 proyectos de IA agéntica empresarial se cancelarán antes de 2027 por mal diseño, no por el modelo

Por Zendoric · 31 de julio de 2026.

Solo el 23% de las organizaciones ha logrado llevar sus proyectos con agentes de inteligencia artificial —sistemas capaces de planificar y ejecutar tareas de varios pasos sin supervisión constante— más allá de un piloto, y casi siempre dentro de un único departamento. El dato procede de una encuesta State of AI de McKinsey, que sitúa en el 62% las organizaciones que al menos experimentan con agentes. La brecha entre probar y escalar es el verdadero cuello de botella de la IA agéntica en 2026.

Gartner añade una cifra que pone números al fracaso: más del 40% de los proyectos de IA agéntica empresarial se cancelará antes de 2027, principalmente por costes descontrolados, retorno de inversión difuso y controles de riesgo insuficientes. La misma consultora calcula que los agentes especializados en tareas concretas estarán presentes en el 40% de las aplicaciones empresariales a finales de 2026 —frente a menos del 5% en 2025— y que podrían generar cerca del 30% de los ingresos del software empresarial en 2035. La adopción crece a toda velocidad y, al mismo tiempo, buena parte de esa adopción está condenada a morir en el camino.

¿Por qué fallan tantos proyectos que arrancan bien? Según recoge The AI Journal, el problema no suele estar en la calidad del prompt —la instrucción en lenguaje natural que se le da al modelo— sino en la ausencia de una arquitectura de flujo de trabajo: quién decide qué en cada paso, qué pasa cuando algo falla, dónde interviene un humano y cómo se conserva el contexto entre una tarea y la siguiente. Un prototipo sostenido por instrucciones ingeniosas funciona en la demo; en producción, con sistemas heredados y datos cambiantes, esas mismas instrucciones se rompen en cuanto aparece una ramificación que nadie anticipó.

Las organizaciones que mantienen sus agentes en producción comparten, según el artículo, un puñado de prácticas: límites de rol bien definidos para cada agente, memoria persistente que evita reiniciar el contexto en cada paso, puntos de control donde un humano revisa antes de que el proceso avance, rutas de recuperación explícitas para los fallos previsibles y criterios de éxito medibles desde el diseño inicial. Ninguna es un truco de prompting: son decisiones de ingeniería de procesos, las mismas que cualquier sistema crítico de software ha necesitado siempre.

Dos voces citadas en el reportaje resumen hacia dónde se mueve el debate. Harrison Chase, cofundador de LangChain, defiende en el podcast Training Data de Sequoia Capital que el valor real está en la capa de orquestación —el software que coordina qué agente hace qué y cuándo— y reclama arquitecturas cognitivas restringidas y específicas de dominio frente a la autonomía sin límites. Guillermo Rauch, consejero delegado de Vercel, pide tratar a los agentes como "usuarios de primera clase" del software: rediseñar interfaces y APIs pensando en que quien las use no será una persona, sino un proceso automatizado con otro tipo de necesidades. Deloitte, por su parte, cifra el premio de hacerlo bien: una orquestación sólida puede desbloquear entre un 15% y un 30% más de valor de mercado que un despliegue de varios agentes mal coordinado.

Nuestra lectura: esta cifra de cancelaciones no contradice la tesis de fondo sobre la IA agéntica, la confirma. Es la fase dura y predecible de cualquier tecnología transformadora. Ocurrió con las bases de datos relacionales, con Internet y con la nube: primero se prueba en pequeño con atajos, después la mayoría de esos atajos no soportan la escala, y solo sobreviven quienes invierten en la infraestructura menos vistosa —memoria, permisos, recuperación de errores— que nunca aparece en una demo. Lo relevante no es que el 40% de los proyectos vaya a fracasar, sino que el reparto entre quién fracasa y quién no ya no depende de tener acceso al mejor modelo, sino de saber rediseñar los procesos internos alrededor de él.

Esto conecta con algo que venimos observando en la transformación del trabajo administrativo sector a sector: las empresas que capturan valor real de la IA no son las que compraron el modelo más caro, sino las que se sentaron a redibujar el flujo de trabajo antes de escribir una línea de código. Es la misma lógica que vemos en banca, seguros o administración de empresas, donde sobreviven los perfiles que orquestan el proceso y se reducen los que antes solo lo ejecutaban paso a paso. La IA agéntica no destruye ni crea empleo de forma directa: reordena quién diseña el trabajo y quién se limitaba a seguir instrucciones sueltas.

A largo plazo, esta fase de fracasos masivos es el peaje hacia la abundancia que defendemos desde Zendoric. Cuando la orquestación de agentes madure como disciplina de ingeniería —con patrones, estándares y herramientas tan asentados como los que hoy damos por hechos en el desarrollo de software—, la automatización fiable de procesos completos dejará de ser un privilegio de quien tiene el mejor equipo técnico y se convertirá en infraestructura accesible para cualquier organización. El camino pasa, como casi siempre, por la parte menos vistosa del problema.