La inteligencia artificial agéntica ha dejado de ser una promesa lejana para convertirse en una línea presupuestaria consolidada. Según el estudio elaborado por Enterprise Technology Research (ETR) para Qlik en agosto de 2025, el 97% de las grandes empresas ya ha destinado fondos específicos a esta tecnología. Sin embargo, solo el 18% ha logrado implementarla completamente. El principal obstáculo no está en la complejidad de los modelos, sino en la calidad y disponibilidad de los datos.
La encuesta, que recoge las respuestas de más de 200 responsables tecnológicos de grandes organizaciones, dibuja un escenario de alta ambición pero con frenos estructurales. Un 39% de las compañías planea invertir más de un millón de dólares en IA agéntica, y un 34% ha reservado entre el 10% y el 25% de su presupuesto total de IA para esta categoría. Aun así, la mayoría reconoce que no podrá desplegarla a gran escala antes de tres a cinco años.
James Fisher, Chief Strategy Officer de Qlik, lo resume con una advertencia: “Lo que falta son bases de datos y analítica adecuadas que permitan a los agentes trabajar en toda la organización con fiabilidad y control”. Para que la IA agéntica tenga impacto real en 2026, añade, es necesario invertir primero en datos de confianza e interoperabilidad.
La distancia entre planificación y ejecución no es nueva en el ámbito tecnológico, pero en este caso se acentúa por la falta de preparación de las infraestructuras de datos. Aunque el 69% de las empresas ya cuenta con una estrategia formal de IA (frente al 37% en 2024), solo el 19% ha definido un marco claro para medir el retorno de inversión. La conversación ha evolucionado, pero la capacidad de demostrar resultados sigue siendo limitada.
El informe también señala una falta de confianza interna: apenas el 42% de las organizaciones cree tener la experiencia necesaria para liderar estos proyectos sin apoyo externo. La mayoría anticipa que 2026 será un año de preparación más que de despliegue masivo. En la práctica, los agentes de IA están encontrando su primer terreno fértil en departamentos de TI y desarrollo de software, donde ya existen sistemas de telemetría y métricas claras de productividad.
En cuanto a los riesgos, la ciberseguridad, la trazabilidad de decisiones y las implicaciones legales ocupan los primeros puestos en la lista de preocupaciones. El despliegue de modelos generativos o autónomos sin una gobernanza clara puede comprometer tanto la operativa como la reputación de las empresas. La presión para auditar y explicar las decisiones algorítmicas no es solo técnica, también regulatoria.
Erik Bradley, Chief Strategist de ETR, subraya que “el gasto en IA ha pasado de la experimentación a las partidas fijas de presupuesto, pero los retos son los clásicos de cualquier gran empresa: calidad e integración de los datos, gobernanza y talento especializado”. Según Bradley, el próximo año será decisivo para convertir los pilotos de TI en implementaciones estables y medibles.
La paradoja es evidente: mientras las capacidades técnicas de los modelos avanzan con rapidez, las limitaciones están en la base. La infraestructura de datos, la interoperabilidad entre sistemas y la gobernanza siguen siendo cuellos de botella. No se trata solo de entrenar modelos, sino de conectar los resultados con procesos empresariales reales sin añadir riesgos operativos.
El estudio también revela un cambio en el tipo de expectativas. Las empresas no esperan ya transformaciones disruptivas inmediatas, sino mejoras incrementales en áreas donde los beneficios son tangibles. La reducción de costes y el aumento de productividad son las métricas más citadas, especialmente en entornos donde los datos ya están estructurados y monitorizados.
Pese a los obstáculos, la IA agéntica ha superado la fase experimental. Ya forma parte de los planes operativos de muchas organizaciones para 2026. Pero su éxito dependerá menos de la sofisticación de los algoritmos que de la capacidad para integrar datos fiables en los flujos de trabajo existentes. Hasta entonces, muchos proyectos seguirán siendo pruebas de concepto más que operaciones plenamente productivas.
