Forrester lo resumió en una frase: las empresas persiguen la IA agéntica, pocas la alcanzan. El 88% de los pilotos nunca llega a producción, y la razón casi nunca es el modelo: es la falta de gobernanza, de un dueño claro y de un criterio de éxito definido antes de arrancar.
Según Gartner, el 80% de las aplicaciones empresariales lanzadas o actualizadas en el primer trimestre de 2026 ya incorpora al menos un agente de IA, frente a apenas el 33% en 2024. El salto de adopción es real y rápido. Pero cuando S&P Global Market Intelligence y McKinsey midieron cuántas empresas tienen efectivamente un agente corriendo en producción —no en demo, no en piloto interno—, el número cae a 31%. Forrester tituló su reporte de junio con una frase que resume el momento: 'Companies Are Chasing, Few Are Catching' —las empresas persiguen la IA agéntica, pocas la alcanzan.
La estadística más citada del año, aunque de origen difícil de rastrear a una sola fuente primaria, converge en un número: 88% de los pilotos de agentes de IA nunca gradúan a producción. Cuando se les pregunta a los equipos por qué, las respuestas casi nunca hablan del modelo: 64% menciona brechas en la evaluación —no saben medir si el agente funciona bien—, 57% fricción de gobernanza, y 51% problemas de confiabilidad del modelo en escenarios reales. El patrón se repite en LATAM: el piloto impresiona en la demo interna y se estanca ni bien tiene que operar con datos reales, procesos reales y la exposición de un error frente a un cliente.
Para una empresa mediana, el riesgo no es no invertir en IA agéntica: es invertir, mostrar un piloto exitoso en una reunión de directorio, y no tener un camino real hacia producción. Forrester identifica el motivo estructural: un agente que corre semanas o meses se comporta como un sistema distribuido, que exige orquestación, identidad y disciplina de contexto que la mayoría de las organizaciones nunca construyó para sus sistemas tradicionales, y mucho menos para uno que toma decisiones autónomas. Cada acción autónoma además tiene que quedar registrada y ser defendible ante un auditor o un cliente —lo que Forrester llama el 'trust tax'—, un costo que hoy resulta más caro que el beneficio que el piloto demostró.
El 12% de las organizaciones que sí llega a producción comparte un patrón consistente que no tiene que ver con mejores modelos: dueño nombrado del agente, criterio de éxito definido antes de lanzar el piloto, evaluación automatizada continua —no manual, no cada seis meses— y la disciplina organizacional de poder apagar o revertir un agente sin que eso se interprete como el fracaso de todo el proyecto.
En Synova vemos la misma película en casi todos los proyectos de IA agéntica que evaluamos: el piloto funciona en la demo porque nadie definió qué significa 'funciona' en producción. Antes de construir el próximo agente, la pregunta que hay que responder es quién es su dueño dentro de la empresa, cómo se mide si está haciendo bien su trabajo, y qué pasa el día que falla. Esa arquitectura de gobernanza y evaluación no se agrega después de un piloto exitoso: se diseña junto con el agente, o el proyecto se queda exactamente donde está hoy el 88% del mercado.
Los agentes de IA dejaron de ser pilotos y ya operan atención al cliente, logística y finanzas en producción real. Pero la mayoría de las organizaciones no tiene los datos ni los procesos preparados para sostenerlos, y esa brecha —no el modelo de IA— es lo que hoy define el resultado.
Desde el 2 de agosto, las provisiones de alto riesgo del AI Act de la UE son exigibles, con multas de hasta 15 millones de euros o 3% de la facturación global. Para empresas de LATAM sin exposición europea directa, el tema igual importa: es el primer marco regulatorio serio para algo que ya está pasando en sus propias operaciones.
