Manel Martorana, de NTT Data, durante su intervención en el congreso 'The Wave' E. E.
Manel Martorana (NTT Data): "Una IA no te va a quitar el puesto de trabajo, pero alguien que sepa trabajar con IA, sí"
La IA agéntica marcará el paso de las empresas hacia organizaciones más autónomas, eficientes y decisivas, pero solo si se integra con buen diseño, gobernanza y supervisión humana.
Más información: Begoña Villacís: "Si queremos que nuestros datos estén en Europa y no en China, hay que apostar por centros de datos"
La inteligencia artificial agéntica ya no es una promesa lejana, sino la próxima gran palanca de transformación empresarial. Ya no será solo un apoyo puntual para automatizar tareas aisladas, sino que va a convertirse en una capa estructural de la empresa, que obligará a repensar procesos de extremo a extremo.
Ante ello, Manel Martorana, socio responsable de Tecnologías digitales en NTT Data, explica en esta entrevista por qué el verdadero reto no es solo incorporar IA, sino rediseñar procesos, gobernanza y modelos de decisión para que las organizaciones puedan trabajar con agentes capaces de actuar, colaborar y aprender con una supervisión cada vez más selectiva.
P.- ¿Cómo definiría la inteligencia artificial agéntica en términos sencillos para una audiencia empresarial?
R.- La inteligencia artificial agéntica es aquella que es capaz de razonar, planificar, usar otras herramientas (por ejemplo, otros agentes) para resolver un objetivo, que es el que se la marcado, con una supervisión humana limitada o, incluso, sin ella.
P.- ¿Qué diferencia a la IA agéntica de la IA generativa o de los asistentes tradicionales?
R.- Mientras la IA generativa trabaja con prompts más o menos sofisticados para generar contenido, ya sean respuestas a preguntas o creaciones nuevas como textos, imágenes o videos, la IA Agéntica se compone, precisamente, de un conjunto de agentes IA que son capaces de colaborar entre sí y de usar otras herramientas (por ejemplo, una calculadora, que es capaz de hacer cálculos matemáticos mucho más precisos) para resolver un objetico marcado.
P.- ¿En qué tipos de procesos productivos cree que aporta más valor hoy: planificación, ejecución, control de calidad, logística?
R.- En prácticamente todos ellos, pero no diferenciaría entre planificación y ejecución, por ejemplo. Hay que identificar procesos end to end y repensarlos, no atacar a las fases que tienen hoy. Por ejemplo, vamos a tener agentes especializados en compras a proveedores.
Les marcaremos unos objetivos, como maximizar precio, calidad o disponibilidad, y algunos guardarraíles, desde lista de proveedores aceptables, evitar prácticas ilegales o poco éticas, etc. La IA agéntica será capaz de conectarse con agentes de los proveedores y llevar a cabo todo el proceso, o quizá lo llevará hasta presentarle al analista de compras tres opciones para que él decida.
P.- ¿Qué tareas deberían seguir en manos humanas y cuáles podrían delegarse a agentes autónomos?
R.- Lo más importante aquí es entender que, como antes de la IA, se delegan tareas, pero no responsabilidades, que siempre van a ser humanas. En cuanto a las tareas, los agentes podrán ir llevando a cabo aquellas de menor criticidad o en las que la velocidad prime sobre la precisión.
Por ejemplo, si puedo tener un agente, o un conjunto de ellos, analizando posibles fraudes en transacciones bancarias y decidir pararlas en milésimas de segundo, aunque algunas no las detecte o se produzcan falsos positivos, mientras la precisión sea aceptable, será mejor que esperar a que un humano lo pueda analizar. No es una cuestión de coste, si no de poder hacer algo que es humanamente imposible. Por supuesto, después una persona revisará los casos y corregirá los que tenga que corregir.
Infinidad de tareas seguirán siendo hechas por humanos, desde las más artesanales, las de dirección y supervisión, las más creativas, etc. Pero, incluso aquellas que se van a ver más impactadas, por ejemplo, el desarrollo de software, van a exigir a los profesionales adaptarse a trabajar de una manera diferente que les va a permitir producir a niveles impensables hace poco tiempo.
P.- ¿Qué cambios organizativos suele exigir su implantación en una empresa? ¿Pone en riesgo el empleo o lo potencia generando nuevos perfiles profesionales?
R.- Los cambios organizativos tienen que ver con orientar la empresa a los procesos que lleva a cabo o a los productos que produce y mucho menos a los departamentos clásicos de una organización funcional (marketing, ventas, producción, etc.).
La IA agéntica despliega todo su valor cuando transformamos los procesos de forma integral y para ello, los departamentos pueden ser silos que supongan una dificultad seria. De todas formas, la orientación a producto / proceso ya era una transformación que muchas empresas venían acometiendo los últimos años, la IA agéntica es un acelerador de ese cambio.
En cuanto al empleo, aunque no paran de haber noticias de EREs y despidos masivos vinculados a la IA, diferentes estudios serios apuntan a que el valor neto de creación de empleo es cero o incluso positivo. En muchos casos se explican reducciones de personal por el impacto de la IA porque resulta más atractivo a inversores y mercado que dar otros motivos de negocio.
Por otro lado, es evidente que, no solo aparecen nuevos perfiles especializados en IA, si no que todas las profesiones tienen que reiventarse para trabajar con ella. Una IA no te va a quitar el puesto de trabajo, pero alguien que sepa trabajar con IA, sí.
P.- ¿Cuáles son los principales beneficios medibles que una empresa puede esperar: productividad, costes, tiempos, calidad o resiliencia?
R.- Productividad y tiempos son los más evidentes. Existen ya múltiples casos de uso donde el tiempo necesario para realizar determinadas tareas cae de forma notable (aunque también se publican eficiencias derivadas de usos muy sencillos que, cuando los llevas a escala no son tan grandes).
Los costes son algo que aun hemos de ver, existe una relación financiera entre los distintos gigantes tecnológicos de la industria (los que hacen las tarjetas gráficas, los de los centros de datos, los de los modelos de IA, etc.) que no está claro cuáles van a ser los costes reales una vez la tecnología entre en un estado de madurez. Hoy en día, elegir bien el caso de uso y elaborar un buen business case apriorístico, el clave.
La mejora en la calidad, es, para nosotros, el verdadero game changer. Ejemplos como el del analista de fraudes que puede detectar ahora casos en milisegundos o el del ingeniero que puede generar infinitas simulaciones de aquello que esté diseñando son ya muy claros.
Y la resiliencia es lo que vendrá al final, quien no adopte esta tecnología, acabara siendo expulsado del mercado.
P.- ¿Qué riesgos ve más críticos al introducir agentes de IA en procesos productivos, especialmente en sectores sensibles?
R.- Los principales riesgos no son tanto tecnológicos como de diseño y gobierno.
El primero es la pérdida de control o trazabilidad: si no diseñamos bien cómo decide un agente, puede ser difícil explicar por qué ha tomado una determinada decisión, algo crítico en sectores regulados.
El segundo es el riesgo de sesgos o decisiones no alineadas con los valores de la organización, especialmente cuando los sistemas aprenden de datos históricos que pueden no ser neutrales.
El tercero es la dependencia excesiva de automatismos: delegar decisiones sin definir bien los límites puede generar errores a gran escala, porque estos sistemas operan con mucha velocidad y capacidad de ejecución.
Y, por último, está el riesgo de ciberseguridad y manipulación, ya que estos agentes no solo analizan información, sino que también actúan sobre sistemas y procesos.
Por eso, más que un problema de tecnología, es un reto de arquitectura, gobernanza y diseño responsable desde el inicio.
P.- ¿Cómo se controla y supervisa a un agente para evitar errores, decisiones opacas o comportamientos no deseados?
R.- El control de agentes de IA no se basa en supervisarlos como a un empleado, sino en diseñar bien el sistema desde el principio.
Hay tres elementos clave. El primero son los guardarraíles: definir qué puede y qué no puede hacer el agente, con reglas claras de negocio, cumplimiento y ética.
El segundo es la trazabilidad: todos los agentes deben dejar rastro de qué información han usado, qué decisiones han tomado y por qué, para poder auditar y corregir.
Y el tercero es el modelo de supervisión humana progresiva: no todos los procesos requieren el mismo nivel de control. En los más críticos, el humano valida; en otros, supervisa a posteriori.
A esto se suma el uso de arquitecturas donde distintos agentes se validan entre sí, reduciendo errores y aumentando la robustez del sistema.
En definitiva, no se trata de eliminar el control, sino de rediseñarlo para un entorno autónomo
P.- ¿Qué barreras frenan más su adopción: tecnología, cultura, regulación, inversión o falta de casos de uso claros?
R.- La principal barrera hoy no es la tecnología, que está avanzando muy rápido, sino la cultura y la forma de entender la organización.
Muchas empresas siguen estructuradas en silos y procesos fragmentados, mientras que la IA agéntica requiere repensar los procesos de extremo a extremo.
También existe una barrera de confianza: delegar decisiones en sistemas autónomos genera resistencia, especialmente en entornos donde el error tiene impacto relevante.
La regulación es un factor importante, sobre todo en sectores como banca, salud o administración pública, pero en muchos casos actúa más como marco a diseñar que como freno real.
Y, por último, hay una barrera práctica: la dificultad de escalar casos de uso. Muchas organizaciones tienen pilotos exitosos, pero llevarlos a operación real exige rediseñar procesos, datos y gobierno.
El reto no es tanto “qué puede hacer la IA”, sino cómo transformamos la organización para que pueda aprovecharla.
P.- ¿Qué consejo daría a una empresa que quiere empezar a aplicar IA agéntica sin cometer errores de implementación?
R.- El principal consejo es no empezar por la tecnología, sino por el proceso. Identificar un proceso concreto con fricción real -coste, tiempo, errores- y rediseñarlo desde cero pensando en autonomía, no en automatizar lo que ya existe.
El segundo es empezar acotado pero con ambición de escala: un caso de uso bien definido, pero diseñado desde el inicio para poder crecer dentro de la organización.
El tercero es establecer desde el principio un buen modelo de gobernanza, datos y control, porque corregir esto después es mucho más complejo.
Y, por último, invertir en las personas: formar a los equipos para trabajar con estos sistemas y no verlos como una amenaza, sino como una extensión de sus capacidades.
Las compañías que lo están haciendo bien no son las que más tecnología tienen, sino las que mejor están rediseñando cómo trabajan con ella.
