De la automatización a la agentic automation: lo que está por venir

¿Qué es la agentic automation?

Dicho rápido: son sistemas inteligentes que no solo ejecutan tareas, sino que entienden lo que quieres conseguir y se buscan la vida para hacerlo.

Imagina que combinas varias piezas:

• Comprensión de objetivos: el sistema entiende lo que pretendes y lo traduce en acciones concretas.
• Planificación y ejecución: es capaz de dividir un objetivo complejo en pasos manejables y, además, conectar con sistemas distintos (ERP, CRM, APIs…).
• Autonomía supervisada: actúa por su cuenta, pero sabe cuándo parar y preguntarle a un humano.
• Adaptación continua: aprende de lo que hace y va ajustando su forma de trabajar para hacerlo mejor la próxima vez.

Es como tener ese asistente que te lee la mente… y además es capaz de hacerlo a lo grande, en toda la empresa. Facil, ¿no?

¿Cómo diferenciamos entre automatización, agentia AI y agentic automation?

Aquí ayuda un ejemplo sencillo: una frutería.

• Automatización: la máquina que pesa las manzanas y saca la etiqueta con el precio. Siempre hace lo mismo, sin sorpresas.
• Agentic AI: un dependiente que además de cobrar te sugiere una macedonia porque sabe lo que se suele vender, o incluso responde cuando le preguntan qué fruta está más madura.
• Agentic automation: aquí ya hablamos de alguien que, además de todo lo anterior, reorganiza la tienda si llega un pedido grande, llama al proveedor cuando falta stock y cambia los precios si hay más demanda de lo normal. Todo eso sin que tú tengas que estar encima.

Increíble ¿no?

Un toque técnico...

Aunque pueda ser un poco más tedioso, vamos a explicar cómo sería esa automatización agéntica a nivel técnico:
A nivel técnico, entrenar un sistema de agentic automation combina varias capas de inteligencia y desarrollo. Primero, se define el objetivo del agente y los procesos que debe automatizar. Luego se implementa una base de automatización clásica (RPA) para ejecutar tareas repetitivas y predecibles. Sobre esa base se aplica aprendizaje supervisado, entrenando modelos de IA con datos históricos: por ejemplo, el agente aprende qué decisiones son correctas ante distintos escenarios. Después se añaden modelos de lenguaje y razonamiento (LLMs o LAMs) para que el agente pueda interpretar instrucciones generales, planificar secuencias de acciones y generar respuestas adaptativas. Finalmente, se integra todo en un sistema de orquestación, que permite que el agente interactúe con múltiples aplicaciones y APIs, supervise sus propias acciones y reporte resultados, mientras mantiene reglas de gobernanza, límites de actuación y trazabilidad para supervisión humana.

Al final se trata de combinar RPA, IA predictiva, modelos de lenguaje y control de flujo (casi nada) en un ecosistema que permite a los agentes aprender, planificar y actuar de manera autónoma dentro de un entorno seguro.

Casos reales

Siempre es más fácil aterrizarlo con casos reales:

1. KPMG y el "TaxBot" El famoso TaxBot de KPMG no es ciencia ficción, sino una herramienta que ya están utilizando para agilizar procesos fiscales que antes consumían semanas enteras. Básicamente, el bot analiza montañas de normativa y documentación tributaria y genera borradores de asesoramiento en cuestión de horas. Lo interesante es que no sustituye al equipo humano, sino que les quita de encima las tareas más mecánicas y repetitivas, dejándoles más tiempo para centrarse en lo estratégico: revisar, ajustar y aportar criterio experto. En conversaciones con colegas del sector se comenta que este tipo de agentes no solo aceleran plazos, sino que también reducen errores humanos en cálculos complejos, algo que en materia fiscal puede marcar una gran diferencia.
2. Beam AI y la aseguradora holandesa Una aseguradora automatizó más del 90% de sus reclamaciones de vehículos, permitiendo que los ajustadores humanos se concentren en casos complejos. Los agentes manejan flujos de trabajo completos, detectan excepciones y alertan solo cuando es necesario.
3. Ecovacs y el Deebot X11 OmniCyclone Ecovacs sorprendió con su Deebot X11 OmniCyclone, un robot aspirador que no solo limpia, sino que aprende los hábitos de la casa y ajusta las rutinas según el uso real. Lo curioso es que deja de ser un simple electrodoméstico “programable” y empieza a comportarse más como un asistente que entiende cuándo conviene actuar y cuándo no.

Empresas y plataformas de referencia

Cuando hablamos de agentic automation no podemos ignorar a los grandes nombres que ya se están moviendo en esta dirección. UiPath, por ejemplo, lleva años liderando el terreno de la automatización clásica y ahora ha dado un salto interesante: ha empezado a integrar agentes capaces de entender lenguaje natural y coordinar procesos más complejos. Lo relevante aquí no es la etiqueta de “novedad”, sino que su propuesta ya permite a las compañías diseñar y controlar agentes completos dentro de entornos corporativos reales.

Otro caso es Mendix, que ha apostado fuerte por el low-code. Su valor añadido está en hacer que los equipos de negocio puedan crear aplicaciones a medida y, dentro de esas aplicaciones, incrustar agentes que automatizan flujos sin depender tanto del departamento técnico. Es un enfoque menos “brillante” a nivel mediático, pero muy práctico en organizaciones que quieren resultados rápidos.

Si nos vamos al ecosistema de Microsoft, el caso de Copilot Studio es interesante porque conecta herramientas que ya usamos en el día a día: Teams, Outlook, SharePoint… La idea es sencilla pero potente: que los propios usuarios puedan montar sus agentes y ponerlos a trabajar dentro de la suite sin grandes complicaciones.

Luego está Beam AI, que no juega tanto al volumen como a la especialización. Ya trabaja con empresas Fortune 500 y se ha hecho un hueco gracias a un enfoque muy directo: reducir costes y tiempos en procesos críticos. Nada de adornos, solo casos de uso tangibles.

Y claro, los gigantes del cloud tampoco se quieren quedar fuera. AWS, por ejemplo, creó un equipo dedicado exclusivamente a agentic AI. Su objetivo va más allá de ofrecer “servicios inteligentes”: buscan que los clientes desplieguen agentes capaces de supervisar cargas de trabajo y optimizar recursos en tiempo real. Según Reuters, es un movimiento estratégico más que una moda pasajera.

Por último, merece mención el enfoque de Accenture. Aquí no hablamos solo de tecnología, sino de cultura. En septiembre, Economic Times contaba cómo están formando a su plantilla en agentic AI. La idea es clara: no basta con tener la herramienta, si las personas que la van a usar no confían en ella, el proyecto no despega.

Retos reales de la agentic automation

Uno de los puntos más críticos es la limpieza de los datos. No basta con tener mucha información: si está duplicada, desordenada o sin contexto, el valor que sacan los agentes se reduce drásticamente. Además, dentro de las organizaciones suele aparecer cierta desconfianza: la sensación de que al delegar demasiado se pierde el control sobre cómo se gestionan los procesos. Por eso es recomendable empezar pequeño, con casos de uso acotados y medibles, para ir ganando confianza y demostrando resultados antes de escalar a lo grande.

Cómo empezar con agentic automation

Esto no se trata ni mucho menos de ciencia ficción. Es algo que está ahí y esta creciendo y evolucionando a la vez que lees este artículo. No se trata de reinventar tu mundo, se trata de dar un paso adelante. ¿Cómo?

1. Mapear procesos: Prioriza impacto y complejidad.
2. Pilotos pequeños: Prueba agentes supervisados y mide resultados.
3. Definir gobernanza: Roles, límites y auditoría.
4. Observabilidad: Logs, trazas y dashboards claros.
5. Escalado gradual: Del piloto al dominio, del dominio a la empresa.