El 38% de los proyectos de inteligencia artificial (IA) agentica se estanca por un mismo error: no definir protocolos de escalamiento antes de poner el primer agente en producción. Las empresas que priorizan la velocidad sobre la preparación operativa duplican la probabilidad de enfrentar fallas después de incidentes graves (32% contra 18%), según el estudio Agentic AI: Preparation Beats Speed for ROI de la empresa Salesforce, basado en una encuesta a 2.000 lideres empresariales con agentes de IA en producción.
La tentación del atajo tiene un costo medible. Quienes se saltan los controles iniciales obtienen un retorno apenas más rápido (7,2 meses frente a 9,3), pero pagan con proyectos empantanados y equipos que desconfían de la herramienta. Las organizaciones que invierten primero en gobernanza, datos conectados y barreras de contención logran una adopción interna por encima del 53% y un salto del 29% en satisfacción del cliente.
Estos números aterrizan en una Argentina donde la IA autónoma ya llego a las empresas y obliga a apurar el salto, pero donde la mayoría todavía tropieza al intentar convertir la promesa tecnológica en impacto real. De hecho, el 95% de los proyectos corporativos de IA falla en lograr resultados medibles, lo que refuerza la urgencia de prepararse antes de correr.
Silvia Tenazinha, directora general de Salesforce en la Argentina, lo sintetizó así: la IA agentica no premia al más rápido ni al más sofisticado, sino al más pragmático. En la siguiente entrevista con iProfesional, Tenazinha desglosa los hallazgos del estudio, y desarma las trampas más frecuentes que enfrentan las empresas locales y aporta casos concretos como Coto, Flores Avenida y Andina ART, que ya miden resultados reales.
Silvia Tenazinha. Fotografía provista por Salesforce.
-¿Por qué la preparación operativa previa resulta sustancialmente más valiosa para la rentabilidad que la velocidad de implementación?
-Lanzar agentes de IA a toda velocidad sin la preparación adecuada en gobernanza y datos es una ilusión de agilidad que después se paga caro. Sí, saltarte los controles iniciales te puede dar un ROI apenitas más rápido a corto plazo (7,2 meses vs. 9,3 meses), pero la falta de preparación duplica la probabilidad de que las fallas críticas aparezcan recién después de errores graves (32% vs. 18%). Y hay un dato que no falla: el 38% de los proyectos estancados admite que su gran error fue no definir protocolos de escalamiento a tiempo.
La preparación previa (casos de uso específicos, datos conectados, barreras de contención) es lo que protege el presupuesto y la reputación del negocio. Y ahí es donde se ve la diferencia: adopción interna real (53%), +29% en CSAT, y una captura de valor que es rentable y sostenible en el tiempo.
-¿Cuáles son los principales cuellos de botella que detectan en las empresas locales al intentar ordenar estos tres pilares y cómo impactan en la adopción efectiva por parte de los empleados?
-Acá hay una falacia que veo todo el tiempo: la de la “base de datos perfecta“, esa parálisis por querer limpiar el 100% de la información antes de arrancar. Sumale la falta de protocolos claros para que el agente derive tareas a una persona, y la resistencia a meter la IA directamente en los sistemas que el equipo ya usa todos los días.
¿El resultado? Los empleados ven al agente como algo poco confiable, que genera reprocesos o los obliga a salir de sus aplicaciones habituales. En cambio, cuando la IA se enfoca en un proceso acotado, tiene supervisión clara y vive nativamente en el flujo de trabajo, la adopción del equipo supera rápido el 53-55%.
-La industria de alta tecnología lidera el volumen de implementación de agentes de IA, pero registra uno de los ROI más lentos: 10,1 meses. ¿A qué atribuyen esta demora y qué lección deja para el resto del entramado productivo argentino?
-Las empresas de alta tecnología caen en la tentación de la sobre ingeniería. Por ser “nativos digitales” terminan desplegando agentes en proyectos gigantes o experimentalmente complejos, sin poner el foco prioritario en el valor operativo inmediato. Y abrir demasiados frentes técnicos a la vez estira la curva de aprendizaje y atrasa la monetización hasta los 10,1 meses.
La lección para el empresariado argentino es simple: el éxito con la IA agéntica es pragmatismo comercial puro. Ser el más avanzado tecnológicamente no te asegura rentabilidad, lo que importa es resolver problemas reales del negocio con objetivos financieros claros.
-Sectores como servicios profesionales o cadena de suministro y logística alcanzaron ROI en 6,5 meses en promedio. ¿Qué fortalezas les permitieron capitalizar el valor antes que los nativos digitales?
-Estos sectores tienen algo a favor: flujos de trabajo altamente estandarizados, con secuencias lógicas bien claras: seguimiento de envíos, gestión de inventario, procesamiento de reclamos, facturación. Al implementar agentes de IA en tareas específicas con reglas de negocio predefinidas, la tecnología empezó a ejecutar acciones (actions-to-outputs) y a generar valor de inmediato.
Y hay algo más: en lugar de rehacer toda la infraestructura digital, conectaron semánticamente sólo la información necesaria para ese caso puntual. Ese enfoque pragmático y centrado en el proceso les permitió lograr el retorno en solo 6 meses, superando por lejos a la alta tecnología.
-¿Cómo deben balancear los directivos argentinos la tensión entre captura rápida de valor y protección del negocio?
-Tenemos que evitar la falsa dicotomía entre la parálisis regulatoria y la aceleración sin control. Sí, prescindir de esquemas de supervisión te acelera marginalmente el ROI inicial, pero duplica el riesgo de incidentes graves que te destruyen la confianza del cliente y la rentabilidad del proyecto.
El equilibrio pasa por una “gobernanza proporcional y progresiva“: desde el día uno, protocolos claros de supervisión y límites de autonomía para los procesos críticos (Human-in-the-Loop), mientras en paralelo desplegás agentes autónomos en casos de bajo riesgo que muestran resultados rápido y que impactan positivamente en el flujo de caja.
-¿Qué estructuras mínimas de supervisión recomienda establecer antes de poner en producción el primer agente autónomo?
-Lo primero, sin vueltas: protocolos explícitos de escalamiento humano (Human-in-the-Loop), que definan bajo qué criterios de complejidad o riesgo el agente tiene que transferir la interacción, de forma transparente, a una persona. La falta de esto explica el estancamiento del 38% de los proyectos que fallaron.
Y lo segundo: un marco de límites operativos y monitoreo continuo en tiempo real (los famosos guardrails), que asegure que el agente actúa dentro de las políticas de la empresa y que te permita auditar constantemente el cumplimiento, la precisión de las respuestas y la satisfacción del usuario.
-¿De qué manera una capa semántica permite destrabar valor sin quedar atrapados en proyectos infinitos de limpieza de datos?
-En base a nuestro estudio de IA Agéntica en empresas, solo el 31% de las organizaciones tenía sus datos totalmente unificados antes de lanzar. Por eso, la capa semántica funciona como un traductor inteligente, le da contexto operativo a los datos dispersos o no estructurados, sin necesidad de rehacer la arquitectura de datos desde cero.
Al estructurar semánticamente la información relevante para un caso de uso puntual, la organización logra que el agente entienda e interactúe con los sistemas existentes de inmediato. Eso reduce el ROI a 7,3 meses, contra los 8,8 meses que enfrentan las empresas que se meten en proyectos masivos e interminables de depuración de datos.
-¿Por qué se degrada la experiencia del usuario cuando la IA se agrega como un parche externo? ¿Qué rol juegan ecosistemas integrados como Slack o MuleSoft?
-Cuando metés la IA como una pestaña o app flotante fuera de los sistemas habituales, obligás al usuario a cambiar de pantalla todo el tiempo y a duplicar tareas. Eso fragmenta la experiencia y te tira abajo la adopción interna. La IA tiene que vivir donde la gente ya colabora y trabaja, así de simple.
Ahí es donde entran Slack y MuleSoft: Slack te da el entorno de colaboración nativo, donde humanos y agentes interactúan conversacionalmente en el flujo cotidiano. MuleSoft es la capa de integración que conecta de forma segura las APIs y bases de datos legadas, para que el agente tenga el contexto correcto y ejecute acciones en tiempo real sin salir del ecosistema de la empresa.
-¿Qué métricas o casos locales en Argentina confirman que los agentes de IA están pasando de ser una prueba piloto de eficiencia a un motor de ingresos?
-Los números globales ya lo confirman y tienen impacto directo en Argentina: en Retail, las marcas que operan con agentes de IA crecieron en ventas online 4 veces más rápido que sus competidores sin IA agéntica. Y a nivel general, +29% en CSAT y un ROI promedio de 8 meses.
Esto demuestra que los agentes de IA ya superaron la fase de “prueba para reducir costos“, hoy gestionan interacciones comerciales personalizadas 24/7 y cierran ventas en tiempo real, así que se consolidan como aceleradores directos del canal de ingresos.
Y para bajarlo a tierra: el caso de Flores Avenida, la tienda online de regalería y florería. A principios de 2025 implementaron el CRM de Salesforce, integrando gestión de clientes con marketing. Arrancaron centralizando la información de sus clientes y activando email marketing para llegar a cada persona en el momento justo, después sumaron agentes disponibles 24 horas. En poco tiempo, un 30% de crecimiento en ventas gracias a ese seguimiento personalizado.
Y hay más casos concretos en la región: en Argentina, Coto ya usa un agente de WhatsApp para FAQs y seguimiento de pedidos, logrando una primera respuesta 15 veces más rápida en más de 80 sucursales. Andina ART, otra aseguradora argentina, coordina por WhatsApp el traslado de trabajadores accidentados y redujo el tiempo de respuesta de 23 horas a solo 8 minutos — un 99% más rápido. A nivel regional, Volaris implementó en solo 30 días un agente que recomienda vuelos y vende asientos, logrando una reducción del 70% en los costos operativos.”
-¿Cuál es la recomendación estratégica clave para que un CEO argentino transforme la IA agéntica en una ventaja competitiva sostenible en 2026?
-La recomendación para cualquier CEO en 2026 es liderar con pragmatismo y gobernanza: dejar de perseguir la “base de datos perfecta” y concentrar las inversiones en 2 o 3 casos de uso comerciales de impacto, estructurando semánticamente solo los datos que esos flujos necesitan.
Y algo más: hay que garantizar que la IA se integre de forma nativa en las herramientas de todos los días del equipo, con protocolos sólidos de supervisión humana detrás. Convertir la IA agéntica en ventaja competitiva no es experimentar por moda, es ejecutar procesos de negocio con velocidad, seguridad y foco en la rentabilidad.
