Un informe de MIT Technology Review Insights, en colaboración con Snowflake, arroja luz sobre esta problemática. Si bien hay una mejora notable respecto al año anterior, solo el 48% de los insights generados por agentes de IA actualmente conducen a acciones que realmente mejoran el rendimiento empresarial. Esta cifra, aunque superior al 37% de hace un año, subraya que la promesa de la automatización total aún está lejos de ser una realidad plenamente confiable. Los agentes tienen el potencial de desbloquear una eficiencia sin precedentes, pero primero deben aprender a discernir el valor real en la maraña de datos a su disposición.
La Promesa frente a la Realidad: Desafíos de la Analítica Agéntica
La baja calidad de los insights en la analítica agéntica no es un problema aislado; es un tema recurrente y multifactorial. La causa principal, según el 55% de los ejecutivos encuestados, es la falta de contexto de negocio. Como bien señala Carl Perry de Snowflake, “cuando los agentes no tienen suficiente comprensión de las necesidades, requisitos y prioridades del negocio, luchan por determinar el verdadero valor de los insights que generan”. Esto significa que, aunque puedan procesar vastas cantidades de datos, carecen de la inteligencia contextual para saber qué información es relevante o cómo interpretarla para el beneficio estratégico de una empresa.
En segundo lugar, la fragmentación o inaccesibilidad de los datos es citada por el 45% de los ejecutivos como un impedimento clave. Los agentes necesitan un acceso holístico y coherente a la información para construir una visión completa. Si los datos están aislados en silos, incompletos o mal estructurados, el agente no puede funcionar a su máximo potencial. Empresas como Acceldata y Soda.io advierten sobre el riesgo inherente: los agentes autónomos pueden tomar datos deficientes y transformarlos directamente en acciones en el mundo real sin intervención humana. A diferencia de los sistemas de analítica tradicional, donde un analista humano revisaría las conclusiones antes de cualquier movimiento, la IA agéntica puede hacer que un problema de calidad se propague exponencialmente, aumentando errores y costos sin ser detectado a tiempo.
Otro desafío crítico es la tendencia de los modelos de lenguaje a “alucinar”, es decir, a generar información plausible pero incorrecta. Investigadores de OpenAI y Georgia Tech han señalado que estos modelos a menudo “alucinan porque los procedimientos de entrenamiento y evaluación recompensan la suposición sobre el reconocimiento de la incertidumbre”. Esto significa que la IA puede inventar datos o conclusiones cuando le falta información, lo que es catastrófico en un entorno empresarial donde las decisiones se basan en la precisión.
Además, existe una dependencia excesiva en el juicio del agente, incluso por parte de expertos humanos. Un estudio de Anthropic (2026) reveló que los analistas que trabajaban con agentes de IA tendieron a seguir la inclinación de su agente el 86% de las veces en decisiones cruciales. Esta 'deferencia algorítmica' puede ser peligrosa si los agentes no están operando con insights de alta calidad, amplificando los errores humanos en lugar de mitigarlos.
Los datos hablan: Cifras que marcan el rumbo
El camino hacia insights de alta calidad en la analítica agéntica está pavimentado con desafíos, pero también con una clara tendencia de mejora y adopción. Las cifras son elocuentes:
- Eficacia en Ascenso: El 48% de los insights generados por agentes impulsan mejoras comerciales, un avance significativo desde el 37% del año anterior. Un selecto grupo de “líderes de insights” incluso logra superar el 70% de insights accionables.
- Sobrecarga de Información: A pesar de la mejora, el 52% de las organizaciones reportan que sus agentes generan un volumen excesivo de insights, superando su capacidad de evaluación. Solo el 24% puede revisar la totalidad de estas conclusiones, lo que indica un problema de escalabilidad en la supervisión humana.
- Diferenciación de Insights: Los agentes demuestran ser muy competentes en la generación de insights descriptivos, con un 83% calificados como buenos o excelentes. Sin embargo, su rendimiento cae drásticamente en los insights prescriptivos (recomendaciones sobre qué hacer), donde solo el 45% alcanza una buena o excelente calificación.
- El Impacto de la Calidad de Datos: Gartner predijo que el 85% de los proyectos de IA fallarían debido a problemas de calidad de datos. Esta predicción se mantiene relevante, ya que una encuesta de LangChain de 2025 reveló que el 32.9% de los encuestados citó la calidad de las salidas como su principal barrera para la producción de agentes en entornos reales.
- Adopción Futura: La confianza en la IA agéntica sigue creciendo. Se espera que el 53% de los ejecutivos adopte la evaluación automatizada por agentes de IA como su método principal en los próximos dos años, un salto considerable desde el 29% actual. Además, el 60% anticipa que la orquestación de equipos de agentes de IA será una función central para los analistas en el mismo periodo, redefiniendo su rol.
- Inconsistencia de GenAI: Estudios como el de Rutgers Business Review (2025) han mostrado que la precisión de herramientas como ChatGPT mejoró solo marginalmente del 76.5% (GPT-3.5, 2024) al 80% (GPT-5 mini, 2025) en tareas críticas, y con una consistencia deficiente, lo que resalta la necesidad de una mejora continua y robusta en la fiabilidad.
Qué significa para América Latina: Oportunidades y Barreras en una Región en Auge
América Latina se encuentra en un punto de inflexión respecto a la adopción de la IA agéntica. La región está experimentando un notable aumento en la integración de estos sistemas, aunque con sus particularidades. Se proyecta que el mercado de IA agéntica en el “Resto de América Latina” (excluyendo Brasil y México, que son líderes) crecerá de 91.0 millones de dólares en 2025 a 855.0 millones de dólares en 2030, con una impresionante Tasa de Crecimiento Anual Compuesto (CAGR) del 37.7%, superando las tasas globales.
Sin embargo, la realidad regional presenta una brecha. Aunque el 65% de los consumidores latinoamericanos ya utiliza herramientas de IA (superando el promedio global), esta adopción se concentra en herramientas de consumo y no se traduce en una integración organizacional profunda. La CEPAL (2025) señala que la región, si bien representa el 14% de las visitas globales a soluciones de IA, solo atrae el 1.12% de la inversión global en esta tecnología. Esta disparidad sugiere un potencial inmenso aún por explotar a nivel empresarial e industrial.
Los desafíos estructurales para América Latina incluyen la heterogeneidad de la infraestructura digital, la marginación lingüística (donde gran parte del contenido y desarrollo de IA se centra en inglés) y una fragmentación regulatoria. El progreso en la gobernanza de la IA ha sido lento; si bien países como Perú (Ley 31814, 2025) y Brasil (Proyecto de Ley No. 2338, 2023) han avanzado, la mayoría de la región carece de marcos regulatorios vinculantes o mecanismos de coordinación regional. Esto crea un mosaico de normativas que puede dificultar la implementación a gran escala.
Además, los salarios relativamente bajos en la región pueden reducir el incentivo económico para la sustitución de mano de obra por IA, lo que podría ralentizar la adopción en comparación con mercados más desarrollados. A pesar de esto, la IA agéntica ya está penetrando sectores clave como los servicios financieros, la manufactura y el servicio al cliente. Empresas latinoamericanas están desplegando agentes para identificar oportunidades de venta en tiempo real o para optimizar procesos industriales, demostrando que, a pesar de las barreras, la innovación avanza.
El Camino a Seguir: Hacia Insights de Mayor Calidad
Para que la analítica agéntica cumpla su promesa, es imperativo abordar la raíz de la baja calidad de los insights. Esto implica una estrategia multifacética que comienza con la mejora de la calidad de los datos. Sergio Gago, CTO de Cloudera, subraya que la calidad de los datos debe ser una preocupación operativa continua, no solo analítica, con monitoreo constante de la salud de los pipelines de datos.
La clave también reside en dotar a los agentes de un contexto de negocio robusto. Esto va más allá de alimentarles con datos; implica entrenarlos con un entendimiento profundo de los objetivos estratégicos, las prioridades y las idiosincrasias de cada organización. La orquestación humana, lejos de ser eliminada, se transformará. Los analistas del futuro no solo interpretarán datos, sino que se convertirán en “directores de orquesta” de equipos de agentes de IA, configurando sus parámetros, evaluando su desempeño y asegurándose de que sus insights sean contextualmente relevantes y éticamente sólidos.
En resumen, la analítica agéntica es una fuerza transformadora con un potencial inmenso. Pero su éxito no dependerá únicamente de la sofisticación algorítmica, sino de nuestra capacidad para asegurar que sus agentes actúen con la inteligencia, el contexto y la calidad de datos necesarios para generar insights que verdaderamente impulsen el valor en el mundo real. La colaboración entre humanos y máquinas, con una clara jerarquía de supervisión y una obsesión por la calidad de la información, será la fórmula para liberar todo su poder.
