Enterprise on Carles Abarca

La Guía del CIO para Agentes de IA: Antes de Comprar, Haz Estas 5 Preguntas

Mon, 23 Feb 2026 00:00:00 +0000

El mercado de agentes de IA alcanzará los $236 mil millones para 2034. Todos los vendors quieren tu presupuesto. Así es como separar el hype del valor real.

Todos los vendors de software empresarial ahora venden “agentes de IA”. Salesforce tiene Agentforce. ServiceNow adquirió Moveworks por $2.85 mil millones. Microsoft promete una “empresa agéntica” a través de Copilot. Startups como Sierra han alcanzado $100 millones de ARR en menos de dos años.

La presión para actuar es real. El 89% de los CIOs consideran los agentes de IA como prioridad estratégica. El 51% de las grandes empresas ya han desplegado IA agéntica. Tu consejo está haciendo preguntas. Tus competidores se están moviendo.

Pero aquí está lo que nadie te dice: la mayoría de las compras de agentes de IA no entregan el valor esperado. No porque la tecnología no funcione — sino porque las organizaciones compran la solución equivocada para su situación específica.

Después de dos décadas liderando transformación tecnológica en un importante banco europeo y ahora impulsando la innovación digital en una de las universidades más grandes de América Latina, he desarrollado un framework para evaluar agentes de IA que atraviesa el hype de los vendors. Antes de firmar ese contrato, hazte estas cinco preguntas.

El Panorama de Agentes de IA en 2026
#

Primero, entendamos qué estás comprando. El mercado tiene tres categorías distintas:

1. Agentes Embebidos de Vendors SaaS

Tus vendors actuales están añadiendo agentes a sus plataformas:

Salesforce Agentforce: $0.10 por acción o $125-550/usuario/mes
ServiceNow AI Agents: Orquestación completa con AI Control Tower
Microsoft Copilot Studio: Incluido con M365, más add-ons
Zendesk AI Agents: $1.50 por resolución autónoma

El pitch: “Ya usas nuestra plataforma. Ahora es más inteligente.”

2. Startups de Agentes Especializadas

Empresas construyendo agentes desde cero:

Sierra (Bret Taylor, ex-Salesforce): Valoración de $10B, enfocada en servicio al cliente
Adept: Automatización de workflows
Imbue, Reflection AI: Enfoques basados en investigación

El pitch: “No estamos limitados por arquitectura legacy.”

3. Proveedores de Modelos Fundacionales

Las empresas construyendo la IA misma:

Anthropic: Claude con Computer Use y MCP (Model Context Protocol)
OpenAI: GPT-4 con Operator
Google: Gemini con Agentspace

El pitch: “Construye agentes personalizados sobre nuestra infraestructura.”

Cada categoría tiene trade-offs. Tu trabajo es entender qué trade-offs importan para tu organización.

Pregunta 1: ¿Qué Problema Estás Realmente Resolviendo?
#

Esto suena obvio. No lo es.

“Necesitamos agentes de IA” no es una declaración de problema. Tampoco lo es “necesitamos reducir costos” o “necesitamos ser más innovadores.”

Una declaración de problema adecuada se ve así:

“Nuestro equipo de servicio al cliente maneja 50,000 tickets al mes. El 60% son reinicios de contraseña y consultas de estado de pedidos. El tiempo promedio de atención es de 8 minutos. Necesitamos reducirlo a menos de 2 minutos para consultas rutinarias.”
“Nuestro equipo de compliance revisa manualmente 10,000 transacciones diarias para detección de lavado de dinero. La tasa de falsos positivos es del 95%. Necesitamos reducir los falsos positivos manteniendo la cobertura regulatoria.”

¿Notas la diferencia? Proceso específico. Línea base medible. Objetivo claro.

La trampa: Los vendors felizmente te venderán una “plataforma de agentes de propósito general” que teóricamente puede hacer cualquier cosa. En la práctica, estas plataformas no hacen nada bien. Comienza con un caso de uso de alto valor y bien definido. Prueba que funciona. Luego expande.

Bandera roja: Si no puedes articular el proceso específico, las métricas actuales y la mejora objetivo, no estás listo para comprar.

Pregunta 2: ¿Construir, Comprar o Extender?
#

Tienes tres caminos. Permíteme ilustrar cada uno con escenarios reales.

EXTENDER: Añadir Capacidades de Agentes a Tus Plataformas Existentes
#

Qué significa: Ya usas Salesforce, ServiceNow o Microsoft 365. Activas sus funciones de agentes incorporadas.

Ejemplo real — Retailer Global con Salesforce: Una empresa de retail con 200 representantes de servicio al cliente ya usaba Service Cloud. Activaron Agentforce Service Agent en tres semanas. Configuración, no desarrollo. El agente ahora maneja el 40% de las consultas entrantes (estado de pedidos, políticas de devolución, horarios de tienda) sin intervención humana. Costo: $0.10 por acción del agente. Sin nueva relación con vendor. Sin proyecto de integración.

Ejemplo real — Aseguradora con ServiceNow: Una aseguradora usando ServiceNow ITSM habilitó AI Agents para categorización y enrutamiento de incidentes. El agente lee tickets entrantes, identifica el sistema afectado, asigna prioridad y enruta al equipo correcto. Implementación: 6 semanas. Resultado: 60% de reducción en tickets mal enrutados, 25% tiempos de resolución más rápidos.

Cuándo Extender:

Ya estás pagando por la plataforma
Tu caso de uso es común (servicio al cliente, helpdesk de TI, consultas de RRHH)
Necesitas resultados en semanas, no meses
No tienes talento de ingeniería de IA

La limitación: Estás restringido a lo que tu vendor ofrece. Si Salesforce Agentforce no soporta tu workflow específico, estás atrapado esperando su roadmap.

COMPRAR: Adquirir una Solución de Agentes Especializada
#

Qué significa: Traes una startup o vendor especializado que hace una cosa excepcionalmente bien.

Ejemplo real — Marca E-commerce con Sierra: Una marca direct-to-consumer con $500M de ingresos no estaba satisfecha con su chatbot existente. Desplegaron Sierra para servicio al cliente. Los agentes de Sierra manejan conversaciones complejas: procesando devoluciones mientras sugieren alternativas, gestionando modificaciones de suscripciones, resolviendo disputas de facturación. Los agentes acceden a su backend de Shopify, procesador de pagos y sistemas de envío. Implementación: 4 meses. Resultado: 70% de conversaciones resueltas sin escalación humana. Satisfacción del cliente aumentó 15 puntos.

Ejemplo real — TI Empresarial con Moveworks (ahora ServiceNow): Antes de la adquisición, las empresas compraban Moveworks específicamente para automatización de helpdesk de TI. El agente podía reiniciar contraseñas, aprovisionar software, solucionar problemas de VPN y responder preguntas de políticas — todo a través de conversación natural en Slack o Teams. Entendía contexto: “No puedo acceder al servidor” disparaba workflows diferentes que “Necesito instalar Photoshop.”

Cuándo Comprar:

Los agentes de tu vendor actual no son suficientemente buenos para un caso de uso estratégico
Una startup tiene tracción probada en tu dominio específico
Puedes permitirte 3-6 meses de implementación
El caso de uso es lo suficientemente importante para justificar una nueva relación con vendor

El riesgo: Viabilidad de la startup. ¿Qué pasa si Sierra es adquirida? ¿Si la startup pivotea? Dependes de una empresa que puede no existir en cinco años. Mitiga esto asegurando portabilidad de datos y evitando personalizaciones profundas que te amarren.

CONSTRUIR: Crear Agentes Personalizados Usando Modelos Fundacionales
#

Qué significa: Usas las APIs de Claude, GPT-4 o Gemini para construir agentes adaptados a tus procesos únicos.

Ejemplo real — Agente de Análisis de Deals de un Banco de Inversión: Un banco de inversión tier-1 construyó un agente personalizado para analistas de M&A. El agente ingiere documentos de la SEC, transcripciones de earnings, artículos de noticias e investigación interna. Los analistas hacen preguntas en lenguaje natural: “¿Cuáles son los riesgos clave en la estructura de deuda de Acme Corp?” o “Compara el perfil de margen de estos tres objetivos de adquisición.” El agente sintetiza información que a un analista le tomaría horas compilar manualmente. Construido sobre Claude con RAG personalizado (retrieval-augmented generation) sobre bases de datos propietarias. Desarrollo: 8 meses. Equipo: 6 ingenieros, 2 especialistas en ML. El output es ventaja competitiva propietaria — ningún vendor ofrece esto.

Ejemplo real — Agente de Ensayos Clínicos de una Farmacéutica: Una empresa farmacéutica construyó un agente para monitorear datos de ensayos clínicos en tiempo real. El agente identifica patrones de eventos adversos, señala desviaciones del protocolo y genera reportes listos para reguladores. Este no es un caso de uso que ningún vendor sirva — el conocimiento del dominio es demasiado especializado, los requisitos regulatorios demasiado específicos. Construido sobre GPT-4 con fine-tuning extensivo y guardrails de seguridad personalizados. Desarrollo: 12 meses.

Ejemplo real — Ecosistema Académico Personalizado de Universidad (TecGPT): En el Tecnológico de Monterrey, construimos TecGPT — nuestro ecosistema de IA académico, integrado con nuestro LMS, asistiendo tanto a profesores como a estudiantes, y alineado con nuestra normativa académica. Ningún vendor podía ofrecer lo que necesitábamos out-of-the-box.

Cuándo Construir:

Tu proceso es genuinamente único y define ventaja competitiva
No existe solución de vendor para tu dominio
Tienes talento de ingeniería de IA/ML (o puedes adquirirlo)
Puedes invertir 6-12 meses antes de ver valor en producción
El valor a largo plazo justifica el costo de mantenimiento continuo

El reality check: Construir es caro. Un agente personalizado no es un proyecto de una sola vez — es un producto continuo. Necesitas ingenieros para mantenerlo, mejorarlo y adaptarlo conforme los modelos fundacionales evolucionan. Presupuesta 2-3 FTEs indefinidamente, no solo la construcción inicial.

La Matriz de Decisión
#

Factor	Extender	Comprar	Construir
Tiempo a valor	Semanas	3-6 meses	6-12 meses
Personalización	Baja	Media	Ilimitada
Riesgo de vendor	Bajo	Alto	Medio
Talento requerido	Admins	Integradores	Ingenieros + ML
Costo total (3 años)	$$	$$$	$-$$$$
Ventaja competitiva	Ninguna	Baja	Alta

Mi Recomendación
#

Comienza con Extender para tu primer despliegue de agentes. Incluso si no es perfecto, aprenderás qué funciona, qué necesitan realmente los usuarios y dónde están las brechas. Ese aprendizaje es invaluable antes de comprometerte con Comprar o Construir.

Muévete a Comprar cuando hayas probado el valor de los agentes y necesites capacidades que tu vendor de plataforma no ofrece. Elige startups con tracción fuerte, enfoque claro en casos de uso y clientes empresariales que puedan servir como referencias.

Construye solo cuando hayas agotado las opciones de Extender y Comprar, o cuando el proceso sea tan único que genuinamente diferencie tu negocio. Si estás construyendo agentes para procesos commodity (servicio al cliente, helpdesk de TI), estás desperdiciando talento de ingeniería que podría crear ventaja competitiva real.

Pregunta 3: ¿Cómo Medirás el Éxito?
#

Antes del despliegue, define:

Métricas de eficiencia:

Tiempo ahorrado por tarea
Tareas manejadas sin intervención humana
Reducción de tasa de errores

Métricas de calidad:

Satisfacción del cliente (para agentes de cara al cliente)
Precisión de compliance (para procesos regulatorios)
Calidad de decisión (medida contra línea base de experto humano)

Métricas de negocio:

Costo por transacción
Impacto en ingresos (si aplica)
Satisfacción del empleado (los agentes deben ayudar a los trabajadores, no amenazarlos)

La regla de los 90 días: Si no puedes demostrar mejora medible dentro de 90 días, algo está mal. Ya sea que el caso de uso fue mal elegido, la implementación fue defectuosa, o el vendor sobre-vendió capacidades. No extiendas pilotos indefinidamente esperando resultados.

Métrica oculta: Adopción. El agente más sofisticado no vale nada si tu equipo no lo usa. Rastrea uso real, no solo disponibilidad.

Pregunta 4: ¿Cuál es Tu Estrategia de Human-in-the-Loop?
#

En 2026, ninguna organización responsable despliega agentes totalmente autónomos para decisiones consecuentes. La pregunta es dónde colocar la supervisión humana.

El espectro:

Iniciado por humano: Humano inicia tarea, agente asiste, humano aprueba resultado
Iniciado por agente con aprobación: Agente identifica oportunidad, propone acción, humano aprueba
Ejecutado por agente con auditoría: Agente actúa autónomamente, humano revisa después del hecho
Totalmente autónomo: Agente actúa sin supervisión (apropiado solo para acciones de bajo riesgo y reversibles)

Mi framework para elegir:

Nivel de Riesgo	Reversibilidad	Enfoque Recomendado
Bajo	Fácil de revertir	Totalmente autónomo
Bajo	Difícil de revertir	Ejecutado por agente con auditoría
Alto	Fácil de revertir	Iniciado por agente con aprobación
Alto	Difícil de revertir	Solo iniciado por humano

Ejemplos:

Reinicio de contraseña → Totalmente autónomo (bajo riesgo, reversible)
Reembolso de cliente menor a $50 → Ejecutado por agente con auditoría
Decisión de crédito → Iniciado por agente con aprobación
Presentación regulatoria → Solo iniciado por humano

La realidad regulatoria: Servicios financieros, salud y otras industrias reguladas requerirán supervisión humana para la mayoría de las decisiones consecuentes en el futuro previsible. Planifica para esto. Agentes que “recomiendan y explican” son más valiosos que agentes que “deciden y actúan” en estos contextos.

Pregunta 5: ¿Cuál es Tu Estrategia de Datos?
#

Los agentes de IA son tan buenos como los datos a los que pueden acceder. Antes de comprar, audita:

Disponibilidad de datos:

¿Puede el agente acceder a todos los sistemas necesarios para el caso de uso?
¿Hay APIs disponibles, o necesitarás integraciones personalizadas?
¿Cuál es la latencia? Agentes que esperan 30 segundos por búsquedas de datos frustran a los usuarios.

Calidad de datos:

¿Tus datos son precisos y actualizados?
¿Hay problemas conocidos de calidad de datos que causarán errores del agente?
¿Quién es responsable de la higiene de datos?

Gobernanza de datos:

¿A qué datos puede acceder el agente? ¿Qué está fuera de límites?
¿Cómo previenes que los agentes expongan información sensible?
¿Qué trail de auditoría existe para el acceso a datos del agente?

El impuesto de integración: La mayoría de las empresas subestiman el esfuerzo de integración por 3-5x. Si el vendor dice “integramos con todo,” pide referencias de clientes ejecutando tu combinación específica de sistemas. Las afirmaciones genéricas no significan nada.

MCP y el futuro: El Model Context Protocol (MCP) de Anthropic está emergiendo como estándar para comunicación agente-a-sistema. Considera si tu plataforma elegida soporta estándares abiertos o te encierra en integraciones propietarias.

El Framework de Decisión
#

Después de responder estas cinco preguntas, deberías poder completar esta declaración:

“Desplegaremos [tipo específico de agente] para resolver [problema específico] en [proceso específico]. Esperamos lograr [mejora métrica específica] dentro de [plazo]. Nuestro modelo de supervisión humana es [enfoque]. Hemos confirmado acceso a datos a [sistemas] y definido políticas de gobernanza para [tipos de datos sensibles].”

Si no puedes completar esta declaración con confianza, no estás listo para comprar.

Mis Recomendaciones para 2026
#

Para la mayoría de las empresas: Comienza con las capacidades de agentes de tu vendor existente. Salesforce Agentforce, ServiceNow AI Agents o Microsoft Copilot Studio manejarán el 80% de los casos de uso comunes. La integración ya está hecha. Los frameworks de gobernanza existen. El riesgo es manejable.

Para servicio al cliente: Sierra tiene tracción probada. Si la experiencia del cliente es estratégica y los agentes de tu vendor actual no cumplen, evalúa Sierra seriamente. Sus $100M de ARR en 21 meses señalan entrega de valor real.

Para procesos únicos: Construye sobre Anthropic Claude u OpenAI, pero solo si tienes el talento de ingeniería para mantener soluciones personalizadas. Los modelos fundacionales son extraordinarios. La ingeniería requerida para productizarlos no es trivial.

Para todos: Empieza pequeño. Un caso de uso. Prueba de valor en 90 días. Luego expande. Los vendors quieren que compres plataformas. Tú deberías comprar soluciones a problemas específicos.

La Conclusión
#

El mercado de agentes de IA es real. El valor es real. Pero también lo es el hype.

El 62% de las empresas que invierten en IA agéntica esperan más del 100% de ROI. Algunas lo lograrán. Muchas no — no porque la tecnología falló, sino porque compraron la solución equivocada para el problema equivocado con el enfoque de implementación equivocado.

No seas una estadística. Haz las cinco preguntas. Completa el framework de decisión. Entonces — y solo entonces — firma el contrato.

Los agentes están listos. Asegúrate de que tú también lo estés.

La Banca Nunca Volverá a Ser la Misma: Una Visión Desde Dentro Sobre los Agentes de IA

Sun, 22 Feb 2026 00:00:00 +0000

La Banca Nunca Volverá a Ser la Misma: Una Visión Desde Dentro Sobre los Agentes de IA
#

Lideré la transformación digital de un banco europeo de €200B. Los agentes de IA cambiarán todo lo que creía saber.

Entre 2001 y 2023, pasé más de dos décadas en Banco Sabadell, una de las instituciones financieras más grandes de España, ascendiendo desde roles tecnológicos hasta CIO y finalmente CTO. Supervisé la integración tecnológica de TSB en el Reino Unido, navegué una de las crisis de TI bancarias más públicas de la historia reciente, y lideré una transformación digital multianual que tocó cada rincón de una organización de 25,000 empleados.

En aquel entonces, creíamos que las APIs revolucionarían la banca. Estábamos pensando demasiado pequeño.

La revolución de los agentes de IA hará que nuestra transformación de APIs parezca un ejercicio de calentamiento.

Por Qué la Banca Es Perfecta para los Agentes de IA
#

Los bancos son únicos. Operan en un entorno que parece hostil a la automatización — regulación pesada, aversión al riesgo, sistemas legacy — pero que en realidad es ideal para los agentes de IA.

Procesos repetitivos con reglas claras. Verificación KYC. Monitoreo de transacciones. Resolución de disputas. Reportes de cumplimiento. Estos procesos siguen reglas explícitas que los humanos aplican miles de veces al día. Reglas que pueden ser codificadas, ejecutadas y auditadas por agentes.

Datos estructurados en todas partes. A diferencia de las industrias creativas, la banca funciona con datos estructurados: transacciones, contratos, saldos, tasas. Esto es exactamente lo que los agentes procesan con excelencia.

La regulación como ventaja. Esto suena contraintuitivo. Pero considera: los agentes pueden seguir reglas de manera más consistente que los humanos. No se cansan. No toman atajos. No olvidan pasos. En un mundo donde las fallas de cumplimiento cuestan miles de millones, los agentes que demostrablemente siguen cada regulación se convierten en activos, no en riesgos.

La economía lo exige. Los bancos europeos operan con márgenes muy ajustados. Ratios de costo-ingreso por encima del 60% son comunes. Las matemáticas son brutales: reducir costos operativos o morir. Los agentes ofrecen un camino que no requiere otra ronda de despidos — ofrecen un camino para hacer más con las mismas personas.

El Mapa de Transformación con Agentes
#

Así es como veo a los agentes de IA transformando las operaciones bancarias centrales:

Función	Hoy	Con Agentes
KYC/Onboarding	3-5 días, múltiples traspasos	15 minutos, agente + aprobación humana final
Detección de Fraude	Alertas generan colas → humanos investigan	Agente investiga, escala solo preocupaciones genuinas
Servicio al Cliente	Chatbots limitados, transferencias frustrantes	Agente con contexto completo, maneja 80% de extremo a extremo
Monitoreo de Cumplimiento	Ejércitos de revisores muestreando transacciones	Monitoreo continuo por agentes, humanos manejan excepciones
Decisiones de Crédito	Score + juicio humano + comité	Análisis de agente + recomendación + aprobación humana
Reportes Regulatorios	Recopilación manual de datos, infierno de conciliación	Agente ensambla, valida, humanos verifican y envían

El patrón es consistente: los agentes manejan el volumen, los humanos manejan el juicio. La proporción cambia de 90% trabajo humano / 10% supervisión a 10% trabajo humano / 90% supervisión.

Los Verdaderos Desafíos (Desde Adentro)
#

Estaría mintiendo si dijera que esta transformación será fácil. Habiendo vivido dentro de un gran banco, sé que los obstáculos son formidables.

Los sistemas legacy no van a ninguna parte. COBOL todavía ejecuta sistemas críticos en la mayoría de los grandes bancos. Los mainframes procesan millones de transacciones diariamente. Estos sistemas funcionan. Están pagados. Ningún CEO aprobará eliminarlos por un experimento de IA. La estrategia ganadora no es el reemplazo — es una capa de agentes que se interface con sistemas legacy a través de APIs existentes y screen scraping donde sea necesario.

Los reguladores son conservadores — pero están evolucionando. Los reguladores bancarios se mueven lentamente por diseño. Recuerdan 2008. Pero no son ciegos al potencial de la IA. La clave es involucrarlos temprano, demostrar auditabilidad, y enmarcar a los agentes como herramientas de reducción de riesgo, no de introducción de riesgo.

La cultura resiste el cambio. Los bancos son instituciones aversas al riesgo llenas de personas aversas al riesgo. “Siempre lo hemos hecho así” no es un cliché — es una creencia profundamente arraigada. La gestión del cambio importa más que la selección de tecnología.

La brecha de talento es real. Los banqueros no entienden IA. Los ingenieros de IA no entienden banca. Encontrar personas que hablen ambos idiomas es casi imposible. Construir ese puente — a través de capacitación, contratación y alianzas — es esencial.

Los silos de datos persisten. Los datos de clientes que necesitas para agentes inteligentes están dispersos en docenas de sistemas que no se comunican entre sí. Los proyectos de unificación de datos han fallado durante décadas. Los agentes no resolverán esto mágicamente — pero pueden trabajar alrededor de ello mejor que los enfoques de integración tradicionales.

Lo Que Haría Diferente Hoy
#

Si estuviera de vuelta en esa silla de CTO hoy, sabiendo lo que sé sobre agentes de IA, esto es lo que cambiaría:

Dejar de comprar SaaS “potenciado por IA”. Cada proveedor ahora afirma capacidades de IA. La mayoría son wrappers alrededor de los mismos modelos fundacionales con personalización limitada. En su lugar: construir una capa de agentes sobre tus sistemas existentes. Posee la inteligencia, alquila la infraestructura.

Empezar con back-office, no con cara al cliente. Los reguladores escudriñan la IA orientada al cliente. Las operaciones de back-office tienen más libertad. Demuestra valor internamente — conciliación, reportes, investigación interna de fraude — luego expande a puntos de contacto con clientes con evidencia y confianza.

Adoptar un modelo de aprobación híbrido. Durante los próximos 3-5 años, el patrón ganador es: el agente propone, el humano aprueba. Esto satisface a los reguladores, construye confianza, y crea datos de entrenamiento para automatización completa futura. No intentes eliminar humanos demasiado rápido.

Invertir en observabilidad. Los agentes deben ser auditables. Cada decisión, cada acceso a datos, cada recomendación debe ser registrada y explicable. Esto no es opcional — es la base de la aceptación regulatoria.

Predicciones para 2027-2030
#

Basado en lo que estoy viendo en el mercado y mi experiencia dentro de la banca:

50% de reducción en personal de back-office. No a través de despidos, sino a través de attrition y reubicación. El trabajo no desaparecerá — se transformará. Los bancos necesitarán menos procesadores y más supervisores de agentes.

Surgirán bancos “agent-first”. Nuevos entrantes — probablemente de Asia y América Latina — construirán bancos diseñados alrededor de agentes desde el primer día. Operarán con 1/10 del personal de los bancos tradicionales. Esta es la verdadera amenaza competitiva.

Los reguladores crearán certificación de agentes de IA. Así como tenemos auditorías de software hoy, tendremos auditorías de agentes. Los bancos que logren la certificación temprano tendrán una ventaja competitiva.

Las M&A se acelerarán. La inversión requerida para construir capacidades de agentes favorece la escala. Los bancos más pequeños que no puedan pagar la transformación se fusionarán o serán adquiridos. La industria se consolidará aún más.

Surgirá el rol de “banquero de IA”. Una nueva categoría de trabajo: profesionales que entienden tanto las operaciones bancarias como la orquestación de agentes de IA. Serán el talento más buscado en servicios financieros.

La Elección por Delante
#

Cada ejecutivo bancario enfrenta la misma pregunta hoy: invertir fuertemente en agentes de IA ahora, o esperar y ver.

Esperar se siente seguro. No lo es.

Los bancos que se muevan primero reducirán costos, mejorarán el cumplimiento, y — crucialmente — atraerán el talento necesario para seguir mejorando. Los bancos que esperen se encontrarán compitiendo contra instituciones que operan a la mitad de su estructura de costos.

He visto la banca transformarse antes — de sucursales a cajeros automáticos, de papel a digital, de monolitos a APIs. Cada ola recompensó a los que se movieron temprano y castigó a los rezagados.

Esta ola será más rápida y más decisiva.

La pregunta no es si tu banco usará agentes de IA. La pregunta es si serás tú quien los despliegue — o el que sea reemplazado por un banco que sí lo hizo.

Carles Abarca es VP de Transformación Digital en el Tecnológico de Monterrey. Pasó 22 años en Banco Sabadell, incluyendo roles como CIO y CTO, liderando la transformación digital del banco y la integración tecnológica de TSB. Escribe sobre IA, transformación digital y el futuro de la tecnología empresarial en carlesabarca.com.

Enterprise on Carles Abarca

La Guía del CIO para Agentes de IA: Antes de Comprar, Haz Estas 5 Preguntas

El Panorama de Agentes de IA en 2026 #

Pregunta 1: ¿Qué Problema Estás Realmente Resolviendo? #

Pregunta 2: ¿Construir, Comprar o Extender? #

EXTENDER: Añadir Capacidades de Agentes a Tus Plataformas Existentes #

COMPRAR: Adquirir una Solución de Agentes Especializada #

CONSTRUIR: Crear Agentes Personalizados Usando Modelos Fundacionales #

La Matriz de Decisión #

Mi Recomendación #

Pregunta 3: ¿Cómo Medirás el Éxito? #

Pregunta 4: ¿Cuál es Tu Estrategia de Human-in-the-Loop? #

Pregunta 5: ¿Cuál es Tu Estrategia de Datos? #

El Framework de Decisión #

Mis Recomendaciones para 2026 #

La Conclusión #