La inversión en IA avanza, pero convertirla en resultados sostenibles sigue siendo un reto. Según recoge un reciente estudio de KPMG, el 65% de las organizaciones españolas afirma que sus casos de uso ya generan valor empresarial, pero solo el 23% obtiene retorno en múltiples casos. La diferencia entre ambos porcentajes refleja una de las principales dificultades a las que se enfrentan las empresas: trasladar el valor conseguido en iniciativas concretas a una adopción más amplia dentro del negocio.
La apuesta por la IA agéntica hace que esta cuestión sea cada vez más relevante. En España, el 81% de las empresas ya invierte en integrar agentes de IA en sus sistemas para conseguir, entre otros objetivos, el nivel de personalización y automatización al aspiran desde hace tiempo para mejorar su posicionamiento en el mercado, la atención al cliente y su satisfacción. Sin embargo, su funcionamiento introduce nuevos costes que pueden condicionar el retorno.
Una consulta a un asistente puede resolverse con una pregunta y una respuesta. Pero para completar una tarea, un agente puede tener que razonar, buscar información, utilizar herramientas, comprobar los resultados y actuar. Cada uno de estos pasos consume tokens, es decir, las unidades que utilizan los modelos para procesar la información y que determinan el coste de muchos servicios de IA.
Parte de la información generada durante ese proceso puede permanecer en el contexto y volver a procesarse en los pasos posteriores. De esta forma, el consumo de tokens no se limita a acumularse, sino que puede multiplicarse hasta que el agente completa la tarea.
El coste de la IA agéntica, por tanto, no depende únicamente del precio del modelo o del gasto en infraestructura. También está condicionado por cómo los agentes descubren la información, cuánto contexto recuperan, cuántas veces repiten una consulta y qué controles se aplican antes de que los datos lleguen al modelo.
Índice de temas
El coste de trabajar con datos fragmentados
En la práctica, los agentes no suelen encontrar toda la información que necesitan en una única fuente. Los datos están repartidos entre diferentes almacenes de datos, como lakehouses o warehouses, aplicaciones SaaS, sistemas operacionales, documentos, API y otras plataformas, cada una con sus propios esquemas, lenguajes, definiciones, políticas y mecanismos de acceso.
Para localizar los datos adecuados, el agente puede tener que examinar distintos catálogos y vías de acceso. Durante esa búsqueda consulta metadatos y definiciones de herramientas, además de realizar intentos que pueden fallar. Todo ello consume tokens antes incluso de que encuentre el dato que necesita.
El consumo aumenta aún más cuando se trasladan registros en bruto al contexto para que el modelo los filtre, combine o agregue.
Estas operaciones pueden resolverse con mayor eficacia mediante un agente especializado en datos que devuelva al agente encargado del proceso un resultado con datos compactos y correctos en cuanto a contenido, semántica y políticas aplicables. La función del agente encargado del proceso debería ser interpretar la tarea, recurrir al agente especializado en datos y explicar el resultado, en lugar de procesar grandes volúmenes de datos empresariales.
El 65% de las organizaciones españolas afirma que sus casos de uso ya generan valor empresarial, pero solo el 23% obtiene retorno en múltiples casos
Del mismo modo, las diferencias de significado entre sistemas también generan costes. Conceptos como cliente activo, ingresos netos o exposición al riesgo pueden tener distintas interpretaciones según la fuente consultada. Sin este agente especializado en datos, no hay definiciones comunes y el agente puede escoger una métrica incorrecta y tener que corregir la consulta. Cada nuevo intento alarga el proceso y consume tokens sin mejorar el resultado.
Lo mismo ocurre cuando se recupera información en exceso. Todo campo irrelevante que llega al modelo genera un coste, aunque no contribuya a la respuesta. Si además contiene datos restringidos o no autorizados, también aumenta la posible exposición de información sensible.
El agente especializado en datos es el encargado de proporcionar los datos necesarios a todos los agentes especializados en procesos, en el momento oportuno, de la manera adecuada y conforme a las políticas necesarias. De esta manera, conseguimos que todos los procesos de las diferentes áreas funcionales sean coherentes y utilicen una única “fuente de la verdad” de la manera más eficiente y rentable. Además, evitamos trasladar al universo de la IA agéntica los silos que históricamente han supuesto un impedimento en el mundo tradicional y que, ahora más que nunca, podrían hacer que la opción de la IA agéntica no fuera viable.
Preparar los datos antes de ampliar los agentes
Reducir este consumo no significa dejar a los agentes sin el contexto que necesitan. Una información demasiado limitada podría impedirles comprender la tarea o tomar decisiones fiables. El objetivo es que reciban datos actualizados, relevantes y contextualizados, con el significado empresarial y los controles adecuados.
Para conseguirlo, el conjunto de metadatos que complete el requerimiento debe estar disponible en un mismo formato que permita trabajar con ellos sin que influya su origen técnico, con los metadatos traducidos a un lenguaje de negocio para constituir una capa semántica que permita una interacción adecuada con los expertos de negocio, y con los controles, políticas y validaciones necesarios para conformar una capa contextual perfecta. De esta forma, se ofrece a los agentes una representación completa, adecuada y gobernada de la información distribuida, que les permite localizar los datos desde un único punto e interpretarlos a partir de definiciones y relaciones compartidas, independientemente del sistema del que procedan.
Los filtros, las combinaciones y las agregaciones se ejecutan en el agente especializado en datos, por lo que el modelo recibe un resultado compacto en lugar de los registros utilizados para obtenerlo. Además, las políticas de acceso, de privacidad, y de cumplimiento normativo se aplican antes de que la información llegue al agente, lo que garantiza que reciba únicamente los datos relevantes y permitidos para cada tarea.
Así, los agentes obtienen respuestas preparadas para el negocio sin tener que descubrir, trasladar y reconciliar los datos sistema por sistema. Esto reduce las consultas fallidas, las correcciones posteriores y el consumo de tokens asociado a ambos procesos.
Esta forma de acceso ayuda a mejorar el retorno al evitar que cada nuevo agente repita las mismas búsquedas, procese datos innecesarios o corrija consultas fallidas. El coste queda así ligado a las respuestas útiles en vez de al número de fuentes e intentos que necesita el agente.
A medida que las organizaciones incorporen nuevos agentes, fuentes y casos de uso, que los datos y su uso estén preparados para la IA determinará si el retorno puede obtenerse y mantenerse en el tiempo. Una capa de acceso y contexto común permitirá ampliar la adopción sin que los costes, la complejidad y el riesgo crezcan en la misma proporción. Es más, con buenas prácticas, las sinergias que se obtienen al disponer de esta capa semántica y contextual común a todas las fuentes de datos hacen que los sucesivos casos de uso sean más fáciles, rápidos y baratos. Solo así, el avance de la IA agéntica puede traducirse en valor sostenible para el negocio.
