Las conversaciones que tengo desde mediados del año pasado, en reuniones, son casi siempre las mismas. Alguien del comité ejecutivo ha mandatado la adopción de IA en la empresa y, créalo o no, en algunos casos específicamente en Recursos Humanos. A partir de ahí, se ha instalado una urgencia sin que nadie supiera muy bien hacia dónde apuntar.
Lo que ocurre después es previsible, y es humano: se compra lo que está a mano. Un agente que gestiona los currículos. Otro que responde preguntas sobre vacaciones. Otro que resume reuniones. Cada uno resuelve algo, cada uno es fácil de aprobar, y ninguno obliga a decidir nada de fondo.
Al cabo de un año, la empresa tiene media docena de agentes y sigue sin estrategia. Tiene actividad.
No me sorprendieron, por tanto, los resultados del Observatorio 2026-2027 de Quidgest, que recogió respuestas de 311 profesionales entre enero y abril de este año, en cincuenta países. Es una muestra de conveniencia — quienes respondieron eligieron responder — y el propio estudio es explícito en ese sentido. No es un retrato del mercado. Es un retrato de quienes participaron, y es suficiente para el tema que quiero abordar.
El 61% de las organizaciones ya tienen o están probando agentes de IA. Solo el 20% los usa en más de un área.
Esta es la distancia. Experimentar no es adoptar, y el subtítulo que el estudio eligió lo dice de otra manera: de la prueba de concepto a la producción. La tecnología ha entrado. El proceso de trabajo, en la mayoría de los casos, ha permanecido igual.
Y no es un efecto de la muestra, ni un problema exclusivo de ningún mercado. En el Data Streaming Report de 2026 de Confluent, elaborado con 4.625 líderes de TI en catorce países, solo el 32% dice tener IA agéntica en producción. Y dos tercios de los responsables de datos encuestados por Informatica, en enero de 2025, afirman no haber conseguido llevar a producción ni la mitad de sus pilotos de IA generativa.
Tres estudios, con orígenes, muestras y geografías distintas, midiendo lo mismo: la distancia entre haber empezado y haber llegado.
Cuando pregunto por qué el proceso de trabajo ha permanecido igual, la respuesta que recibo con más frecuencia es que las personas se resisten.
Los datos de este Observatorio dicen lo contrario, y con una claridad que me sorprendió. Preguntados sobre cuál es el mayor obstáculo para la adopción, los encuestados sitúan la resistencia interna en último lugar, con un 9%. Por delante quedan la incertidumbre regulatoria, la calidad y el acceso a los datos, los costes, la falta de competencias y los sistemas obsoletos.
Vale la pena detenerse aquí, porque esto desarma una narrativa entera. En más de veinte años trabajando con organizaciones, pocas veces he visto un diagnóstico en el que la cultura quedara tan claramente exonerada. El bloqueo no es porque las personas no quieran. Es que la casa no está preparada.
Y hay una diferencia práctica enorme entre las dos cosas. Si el problema fuera resistencia, se resolvería con comunicación y formación — que es, por cierto, lo que mucha gente está comprando. Si el problema es estructural, la formación no lo toca.
Hay dos datos del Observatorio que solo tienen sentido leídos uno frente al otro.
El 70% dice que la IA ha facilitado el trabajo. Solo el 22% tiene métricas operacionales para medir su impacto — el 44% no tiene ninguna, y el 32% las está definiendo.
Es decir: la gran mayoría cree que está yendo bien, y casi nadie puede demostrarlo. Mientras la inversión es pequeña, nadie pregunta. Cuando deje de serlo, alguien va a preguntar — y la primera de las dieciocho tendencias que el estudio identifica para el futuro es precisamente esa: el retorno de la IA pasará a exigirse como el de cualquier otra inversión, con las direcciones financieras pidiendo métricas concretas antes de aprobar más gasto.
Quien haya previsto la medición desde el principio podrá responder. Quien no lo haya hecho, tendrá que explicar un año de gasto con una percepción.
El dato que más me incomodó fue otro.
Solo el 37% de las organizaciones tienen políticas definidas sobre lo que sus sistemas de IA pueden y no pueden hacer. El 23% las están creando, el 20% no tiene nada formalizado, y el 21% no sabe responder. Sumando, casi dos tercios no tienen un marco claro que defina los límites de sus sistemas.
Esto no es un problema de cumplimiento normativo para resolver más adelante. Es la definición de no tener estrategia. Una organización que no ha escrito qué puede hacer la herramienta no ha decidido para qué la quiere — ha decidido únicamente tenerla.
Y nótese el orden en que están ocurriendo las cosas: la herramienta entra primero, la regla viene después, si llega. En cualquier otro ámbito de decisión sobre personas, eso sería inaceptable, y lo sabemos bien: nadie aplica un instrumento de evaluación sin definir antes qué va a hacer con el resultado.
Júntese todo. Hay presión desde arriba para mostrar movimiento. No hay estrategia escrita. No hay métricas que digan qué ha funcionado. No hay políticas que digan qué puede hacer la herramienta.
En estas condiciones, comprar un agente cada vez no es irracional — es lo único que se puede aprobar. Cada compra es pequeña, defendible, y no obliga a tocar nada. Es la decisión que el sistema permite.
El problema es que media docena de esas decisiones, tomadas una a una, no suman una capacidad. Suman seis herramientas que no se comunican entre sí, cada una con su proveedor, sus datos y su contrato. Es el mismo patrón de fragmentación que el software de gestión ya produjo en las últimas dos décadas, solo que ahora con un ciclo de compra mucho más rápido.
Los agentes solo deshacen silos si comparten una base común. Sin eso, son silos nuevos con mejor vocabulario.
No propongo aquí una estrategia de IA. Propongo únicamente buscar respuesta a cuatro preguntas, que son las que yo haría antes de aprobar el siguiente agente.
¿Qué decisión ayuda a tomar mejor este agente? Si la respuesta es «ahorra tiempo», no está equivocada. Sin embargo, el 70% de las personas dan esa respuesta y solo el 22% puede probarlo. Ahorrar tiempo es un buen efecto secundario. Pero es un mal objetivo.
¿Cómo sabremos dentro de seis meses si ha funcionado? Si no hay respuesta hoy, no la habrá dentro de seis meses. La métrica se define antes, o no se define.
¿Qué no puede hacer esta herramienta? Si nadie lo ha escrito, no hay límite. Y la pregunta no es hipotética: casi dos tercios de las organizaciones de este estudio están exactamente en esa situación.
¿Y dónde encaja esto con lo que ya tenemos? Es la pregunta que con más frecuencia no se hace. ¿Tenemos los datos necesarios disponibles? ¿Y los sistemas legacy que conviven en la organización?
Ninguna de las cuatro exige presupuesto. Exigen que alguien decida — y eso es precisamente lo que la presión por mostrar movimiento hace más difícil.
El comité ejecutivo tiene razón en preguntar qué está haciendo la empresa con la IA. La respuesta correcta raramente es comprar otro agente.
En The Key Talent, no empezamos preguntando “¿qué agente quiere implementar?”. Empezamos por el problema que hay que resolver, por los datos disponibles y por la decisión que se quiere mejorar.
Nuestra aproximación de IA Agéntica y Selfware parte de un núcleo de datos centralizado y permite construir, sobre esa base, desde un único agente hasta una plataforma a medida — integrándose con los sistemas que la organización ya utiliza.
Sobre el Autor
Partner de Consultoria da The Key Talent.
Especializado en servicios innovadores de evaluación para Recursos Humanos.
El diagnóstico de tus procesos de The Key Talent analiza lo que describe este artículo.
Son 30 minutos, sin compromiso.
