Durante años, las empresas han abordado la IA como una serie de experimentos independientes. Ahora, a medida que los agentes de IA comienzan a incorporarse a los flujos de trabajo que hacen funcionar el negocio, ese modelo empieza a resultar insuficiente. Las organizaciones que avanzan desde proyectos piloto aislados hacia agentes de IA y flujos de trabajo autónomos se enfrentan a un desafío más profundo: replantear cómo encajan los datos, los procesos de negocio, la gobernanza y las personas, transformando la IA de un conjunto de herramientas en parte del modelo operativo de la empresa.
Para Thorsten Leiduck, vicepresidente sénior y responsable global de SAP Business AI Platform Ecosystem, ese cambio comienza por tratar la IA como una plataforma empresarial y no como una colección de proyectos desconectados. «La IA depende por completo de los cimientos de los datos», asegura, argumentando que las empresas necesitan una capa conectada y semánticamente rica que refleje su negocio antes de poder desplegar la IA de forma fiable en todos sus procesos. Lo que está en juego también cambia a medida que la IA se adentra en flujos de trabajo de misión crítica. Para algunas aplicaciones cotidianas, «un 80 % podría ser suficiente», señala, pero en áreas como las cadenas de suministro o el cierre financiero, ese nivel de precisión es «un resultado pésimo».
Esa base también determina qué aplicaciones de IA merece la pena desarrollar. Satinder Pal Singh, vicepresidente adjunto para Norteamérica de SAP BAIP y Estrategia de IA de SAP en Infosys, concibe los agentes de IA como «compañeros de trabajo digitales» y recomienda evaluar los posibles casos de uso bajo tres prismas: impacto, viabilidad y escalabilidad. Las empresas deben identificar en qué puntos un agente puede mover métricas de negocio relevantes, determinar si sus datos y su talento son capaces de respaldar ese caso de uso y, a continuación, comprobar si las implementaciones exitosas se pueden replicar. «Un piloto que no puede escalar no es más que un experimento», afirma.
La escalabilidad también sitúa la gobernanza en el centro de atención. Contar con políticas claras, controles de acceso, monitorización y supervisión resulta indispensable para garantizar que los agentes sigan siendo fiables y estén alineados con los requisitos del negocio. «La ausencia de gobernanza no acelera la adopción de la IA», asegura Singh. «Genera una acumulación de riesgos» que, a la larga, puede forzar una interrupción y una auditoría mucho más disruptivas.
Esas consideraciones cobrarán mayor importancia a medida que los agentes de IA asuman más responsabilidades como compañeros de trabajo digitales. Ambos directivos vislumbran un futuro en el que los sistemas agénticos coordinen el trabajo entre aplicaciones, mientras que los grafos de conocimiento específicos de cada cliente y los datos gobernados se convierten en activos empresariales críticos. Para Singh, la oportunidad a más largo plazo reside en pasar de la IA como herramienta de productividad a la «IA como socia en la toma de decisiones», ayudando a los líderes a comprender lo que está ocurriendo, anticipar lo que vendrá y determinar cómo responder.
Este episodio de Business Lab se produce en colaboración con Infosys.
Transcripción completa
Megan Tatum: Desde MIT Technology Review, soy Megan Tatum y esto es Business Lab, el programa que ayuda a los líderes empresariales a comprender las nuevas tecnologías que salen del laboratorio y llegan al mercado.
Este episodio se produce en colaboración con Infosys.
Ahora bien, el desarrollo y la democratización de las herramientas de IA tienen el potencial de reconfigurar el funcionamiento de las empresas. Sin embargo, en un momento en que las aplicaciones se están escalando más allá de esa fase inicial de experimentación, seguimos viendo a los altos directivos lidiar con interrogantes sobre el valor de la IA, sus riesgos y la complejidad que añade. Cada vez resulta más evidente que, a diferencia de las formas de automatización del pasado, la IA exige un auténtico cambio de mentalidad. Dicho de forma sencilla, esta tecnología no se puede incorporar sin más al conjunto de herramientas existente de una empresa: requiere una reconfiguración completa de sus componentes y de su modo de uso.
Dos palabras para ti: configuración consciente.
Mis invitados de hoy son Thorsten Leiduck, vicepresidente sénior y responsable global de SAP Business AI Platform Ecosystem, y Satinder Pal Singh, vicepresidente asociado para Norteamérica de SAP Business AI Platform y SAP AI Strategy.
Bienvenidos, Thorsten y Satinder.
Thorsten Leiduck: Sí, gracias por invitarnos. Es un auténtico placer estar aquí con nuestro valioso socio, Infosys. Tengo muchas ganas de mantener esta conversación.
Satinder Pal Singh: Hola, Megan. Gracias por invitarme a la conversación de hoy. Tengo muchas ganas de debatir.
Megan: Yo también. Muchísimas gracias a los dos por estar aquí. Thorsten, si te parece, empiezo contigo. Sabemos que muchos altos directivos entienden el potencial transformador de la IA, pero siguen teniendo dificultades con varios aspectos de su implementación. Muchos proyectos se quedan estancados en la fase piloto, por ejemplo. Cuando hablas con clientes, ¿cuáles son los mayores obstáculos a los que se enfrentan a la hora de integrar la IA en su stack tecnológico?
Thorsten: Sí. Megan, como mencionabas, la IA está hoy en la agenda de cada conversación con los clientes, pero a muchas empresas les cuesta enormemente traducir ese interés en un modelo operativo y liberar el valor de la IA en toda la organización. Y el motivo es que demasiados programas arrancan como pruebas de concepto aisladas con distintas tecnologías de IA y sobre una base de datos fragmentada e inconexa.
Esto genera muchas duplicidades, un rendimiento desigual y la ausencia de una vía clara para escalar. Al mismo tiempo, a los líderes les preocupan profundamente la seguridad, la observabilidad, la fiabilidad de los agentes y ciertas implicaciones éticas al implementarlos. Esto también queda patente en varios estudios. Por ejemplo, BCG ha publicado un informe que muestra que el 74 % de las organizaciones están atascadas en la fase de piloto, sin ningún plan de escalado. Y, según datos de una encuesta de Anthropic, el 42 % tiene verdaderas dificultades para acceder a los datos y a la calidad necesaria para, en el fondo, escalar todas las capacidades de IA en la organización.
El camino a seguir consiste en abordar la IA no solo como un proyecto, sino de forma más holística, como una plataforma empresarial: una solución que conecte de manera coherente una capa de datos unificada con el contexto de los procesos de las aplicaciones, integrando después capacidades de IA gobernadas a lo largo de todo el ciclo de vida. Y para hacerlo realidad, en SAP hemos lanzado el marco SAP Autonomous Enterprise, que permite a las organizaciones pasar de los proyectos piloto a resultados a escala.
Megan: Sí, exacto, para ofrecer ese apoyo. Y, Satinder, ¿estás de acuerdo? ¿Por qué estamos viendo que las empresas sufren casi una especie de parálisis ante la IA? ¿Cuál es el cambio de mentalidad que debe producirse y, tal vez, por qué es algo en lo que las organizaciones también deberían estar pensando ahora?
Satinder: Totalmente, Megan. Y, de hecho, el panorama se vuelve aún más evidente si te fijas, concretamente, en la IA agéntica. Infosys y HFS Research encuestaron a más de 500 empresas de la lista Global 2000 y descubrieron que solo el 14 % ha conseguido escalar la IA con éxito. El 86 % permanece en fases tempranas de exploración, pruebas de concepto o proyectos piloto fragmentados. Para una tecnología que lleva dos años como máxima prioridad en los consejos de administración, es un índice de fracaso llamativo. Y en el centro de ese 86 % se encuentra lo que yo describiría como la trampa de «la IA como departamento».
Lo que ocurre es que una organización crea un equipo de IA o un centro de excelencia y lo aísla del negocio. Ese equipo desarrolla pilotos técnicamente excelentes en los que el negocio no se reconoce, y acabas teniendo soluciones de IA en busca de problemas, en lugar de al revés. El cambio de mentalidad es claro: pasar de tratar la IA como una iniciativa tecnológica a abordarla como una transformación del modelo operativo. La IA deja de ser algo que TI hace para el negocio y pasa a ser algo que toda la organización hace de forma conjunta. Cada función, cada flujo de trabajo, integrado desde el principio.
¿Y qué convierte esto en un problema urgente? Los pioneros están consolidando una ventaja que no podrás recortar comprando la misma plataforma más adelante. Dieciocho meses de datos de comportamiento de agentes, un grafo de conocimiento calibrado y una plantilla que ha interiorizado de verdad la IA constituyen una ventaja estructural acumulativa. El Índice de Madurez en IA del Infosys Knowledge Institute muestra que solo el 8 % de las empresas se consideran nativas de la IA en la actualidad y, aun así, obtienen una contribución a los ingresos atribuible a la IA cuatro veces superior a la de los rezagados. Si hoy no estás desarrollando IA, no es que estés inmóvil: es que te estás quedando atrás a un ritmo cada vez más rápido.
Megan: Exacto. Existe una auténtica polarización entre los líderes y los rezagados, como dices. A medida que pasamos de las pruebas piloto a las aplicaciones a escala, quizá el primer paso sea evaluar cuándo la IA es la herramienta adecuada. La IA se ha convertido con rapidez en la solución predeterminada en muchas empresas. ¿Existe hoy en día cierta tendencia a utilizarla como un instrumento un tanto tosco, Thorsten? De entrada, ¿cómo pueden los directivos evaluar mejor qué casos de uso merecen su tiempo e inversión para eliminar parte de esa complejidad posterior?
Thorsten: Sí, creo, Megan, que de lo que todo el mundo debe ser consciente es de que adoptar e implementar la IA en una organización es tanto un proceso de gestión del cambio como un despliegue tecnológico.
Teniendo esto en cuenta, tiene todo el sentido poner la IA al alcance de tantos equipos como sea posible, porque buscas generar familiaridad, despertar ideas y que las personas vean las ventajas de la IA en una organización. Si piensas en la asistencia para viajes, los resúmenes de reuniones mediante Copilot o los flujos de trabajo habilitados con IA, aumentan la productividad, y todo el mundo lo nota en su trabajo real, en su día a día laboral. Y, lógicamente, esto fomenta la creatividad y también dota a la organización de cierta escala de innovación desde una perspectiva ascendente.
Ahora, sin embargo, a medida que la adopción se generaliza, la conversación —y esto es algo que también abordamos con muchos líderes y con nuestros clientes— se traslada más a los aspectos económicos y la gobernanza. Cuestiones como los costes de los tokens, el rendimiento de los modelos, la seguridad y la rendición de cuentas cobran mucha más relevancia. Y cuando adoptas el enfoque de pensar en los agentes de IA como trabajadores digitales que ejecutan tareas específicas dentro de un proceso de negocio, esto significa que, desde la perspectiva de la IA, no todas las tareas justifican su automatización.
En algunos casos, el trabajo humano sigue siendo más económico o eficaz. El enfoque inteligente —y esto es lo que recomendamos encarecidamente a nuestros clientes— consiste en empezar con un conjunto definido, quizá reducido, de casos de uso de alto valor con métricas de éxito fijadas de antemano. Por ejemplo, la reducción del tiempo de ciclo, las mejoras en la precisión, el coste por transacción o el aumento de los ingresos, para luego escalar lo que funcione. Esos casos de uso pueden vincularse a dominios de líneas de negocio o a escenarios sectoriales.
Y además, lo que hacemos desde la perspectiva de SAP, junto con Infosys, ayuda de verdad a los clientes a alcanzar el éxito. Ofrecemos, como parte de nuestra suite autónoma, la correspondiente asistencia de dominio, que ejecuta realmente los procesos de negocio de extremo a extremo y aporta un claro ROI en cada uno de los pasos individuales del proceso empresarial.
Y por último, pero no por ello menos importante, creo que en muchos escenarios lo que ha sido un patrón muy habitual, en particular en torno a los grandes casos de uso de IA en la industria, es un enfoque conjunto; y esto lo hacemos con socios como Infosys, pero también con clientes en torno a la «forward deployed engineering», de modo que definas con mucha precisión el caso de uso específico de IA con los resultados fijados junto al cliente y lo entregues como proyecto inicial. Y luego, idealmente, escalar esto a otros clientes y aprovecharlo como una buena práctica que también pueda implantarse en otras organizaciones.
Megan: Exacto. Se trata de tener muy claro, ¿verdad?, qué buscas conseguir y a qué merece la pena dedicarle tu tiempo, como suelo decir. Y en este sentido, Satinder, ¿cuál sería tu consejo para perfeccionar una estrategia de IA que garantice que las organizaciones puedan centrarse en aquellas áreas donde la IA puede ofrecer el mayor retorno?
Satinder: Claro, Megan. Creo que el enfoque de Thorsten de concebir los agentes de IA como compañeros digitales de trabajo exige una precisión de la que a menudo carece el lenguaje estratégico sobre la IA agéntica. Cuando te preguntas qué compañeros digitales necesitas y en qué áreas aportan el mayor valor, la respuesta empieza a aclararse desde el primer paso. En Infosys, mediante nuestro marco AI-first Topaz, guiamos a los clientes a través de tres prismas de forma simultánea.
El primero es el impacto. ¿En qué aspectos el despliegue de un agente marca la diferencia en las cifras que realmente importan? Ingresos, costes, riesgo del capital circulante. Hemos desarrollado una biblioteca con más de 300 casos de uso empresariales en diversos sectores, por lo que nunca empezamos desde cero. El segundo es la viabilidad. Teniendo en cuenta tu plataforma e infraestructura de datos y tu talento actual, ¿qué casos de uso de gran impacto puedes ejecutar realmente? La viabilidad determina tu secuencia de trabajo. Un caso de uso de gran impacto sobre una base de datos deficiente no es viable. Cuando los cimientos son los adecuados, los resultados son espectaculares. Un proyecto de Infosys redujo la elaboración de documentos complejos de especificaciones SAP de 86 horas-persona a solo 6, lo que supone una reducción del 92 %.
El tercero es la escalabilidad. Una vez demostrado un caso de uso con métricas claras de ROI, reducción del tiempo de ciclo, mejoras de precisión y coste por transacción, ¿cuál es la arquitectura que te permite replicarlo? Un piloto que no puede escalar no es más que un experimento. Mi consejo práctico: gestiona tu cartera de IA como una cartera de inversión: logros rápidos que financien el programa, apuestas a medio plazo y una o dos posiciones audaces a largo plazo. Ese equilibrio mantiene motivadas a las partes interesadas en cada etapa, y no solo en el tercer año.
Megan: Es un marco de trabajo muy útil para aplicar en este contexto. Y dada la urgencia, Thorsten, ¿cómo pueden las organizaciones abordar y gestionar la IA de una forma más estructurada y eficiente? Para empezar, ¿cuáles son los aspectos fundamentales que algunas organizaciones tal vez estén pasando por alto ahora mismo? Sé que Infosys y SAP, por ejemplo, hablan primero de plataforma y datos, y después de IA.
Thorsten: Sí, Megan, creo que el aspecto fundamental que muchas organizaciones están pasando por alto son los datos, y los datos son la base de la IA. Porque, al fin y al cabo, sin las estructuras de datos adecuadas y la capacidad de acceder a la información correcta en el momento oportuno, reuniendo básicamente distintos tipos de fuentes de datos estructuradas y no estructuradas de forma coherente, gobernada y semántica, no habrá una IA de éxito. La IA depende por completo de esa base de datos. Y creo que esto se suele descuidar; por eso decía que, cuando se empiezan a hacer pruebas de concepto en diferentes organizaciones o en distintas áreas de la empresa con tecnologías dispares, resulta dificilísimo consolidar un modelo coherente de extremo a extremo, tanto en la parte de los datos como en la de la IA.
Uno de los objetivos fundamentales que las empresas deben alcanzar —y por eso insistimos tanto en que hay que priorizar primero los datos y la plataforma— consiste en establecer una capa de datos interconectados y semánticamente enriquecida que refleje fielmente tu negocio, de modo que los agentes estén verdaderamente anclados en la realidad de la compañía y no solo en patrones genéricos.
Y luego, creo que el segundo elemento importante es la precisión. En el contexto empresarial, esto resulta crucial. Por ejemplo, lo que podría ser aceptable en un entorno de consumo, donde cuentas con una precisión del 80 %, o incluso en un entorno laboral en el que creas presentaciones de PowerPoint o redactas borradores de correos electrónicos que luego optimizas con intervención humana, un 80 % puede bastar. Pero, si piensas de verdad en procesos de misión crítica o fundamentales para el negocio en la cadena de suministro, o en el cierre contable, un 80 % es un resultado pésimo.
Hay demasiado en juego y necesitas mucha más precisión. Por eso es importante que la lógica de los procesos empresariales y el contexto del sector estén integrados en los datos y en los modelos que constituyen los cimientos, por así decirlo, la columna vertebral de cualquier IA y, obviamente, de los datos en el ERP y en los sistemas de línea de negocio.
Y luego, por último pero no menos importante, el otro elemento crítico —y esto se ve claramente en las noticias con todos esos agentes que se descontrolan— son la gobernanza, el cumplimiento normativo y la seguridad. Algo crucial en el entorno empresarial. Necesitas establecer políticas claras y controles de acceso. Necesitas disponer de capacidades de monitorización para asegurarte de verdad de que lo que ejecutan las capacidades de la agenda de IA o los agentes esté totalmente alineado, sea fiable y resulte escalable.
Megan: Cierto. Son muchos aspectos en los que deben pensar las organizaciones. Satinder, ¿cómo colaboran SAP e Infosys con las organizaciones para optimizar algunos de estos procesos y, tal vez, facilitar un poco el aprovechamiento del potencial de la IA?
Satinder: Megan, creo que, de entrada, me gustaría señalar que en Infosys contamos con una posición privilegiada en nuestra relación con SAP, ya que somos tanto clientes suyos como uno de sus principales proveedores globales. Y la forma en que SAP e Infosys colaboran está diseñada en torno a la arquitectura descrita por Thorsten, lo que define una alianza coherente.
SAP aporta la base de la plataforma, la nube de datos de negocio para la empresa con gran riqueza semántica, el hub de IA generativa para LLM gobernados y el hub de agentes para la gobernanza del ciclo de vida, todo ello de nivel empresarial desde el primer día. Infosys aporta profundidad de implementación, contexto sectorial y aceleradores de casos de uso. A través de Infosys Topaz, hemos creado más de 50 casos de uso de IA preconfigurados en Business AI Platform: configuraciones listas para producción y desplegables sin necesidad de empezar desde cero. Codesarrollamos casos de uso dentro de la iniciativa de IA sectorial de SAP con métricas de FTE claras y específicas para cada cliente. Esa responsabilidad compartida respecto a los resultados marca la diferencia frente a un proyecto de implementación habitual.
En la práctica, un programa global de transformación a S/4HANA utilizó herramientas de entrega asistidas por IA para completar más de 480 objetos RICEF en cinco meses, un ritmo que la entrega convencional no habría podido mantener. En otro cliente, una plataforma impulsada por IA clasifica automáticamente más de 120.000 incidencias de SAP al mes sin coste de analistas. Como efecto combinado, el tiempo de obtención de valor se reduce de entre 12 y 18 meses a entre cuatro y seis meses.
Lo que destacaría es el impacto de la gestión del cambio. La tecnología es cada vez más fácil de desplegar, y Thorsten también lo ha mencionado antes. Lo difícil es ayudar a una organización a interiorizar que sus agentes son compañeros de trabajo digitales, no automatizaciones. Ese cambio de mentalidad representa el 70 % del reto de implementación que una plataforma no puede resolver por sí sola, e Infosys y SAP desarrollan programas conjuntos de adopción para abordar ambas dimensiones en paralelo.
Megan: Fantástico. Además, son unos ejemplos reales excelentes. Thorsten, ¿puedes contarnos un poco más sobre Business AI Platform de SAP, o BAIP, en concreto? ¿Cómo funciona y qué la diferencia de otras plataformas?
Thorsten: Sí, por así decirlo, SAP Business AI Platform constituye la base de nuestro marco de empresa autónoma de SAP, que se compone fundamentalmente de una interfaz de usuario unificada y se articula como una capa de orquestación agéntica a la que llamamos Joule. Por un lado, tienes la vertiente autónoma con todas las aplicaciones y, por otro, la Business AI Platform, que impulsa el resto de capacidades, está estrechamente conectada y se estructura básicamente en torno a tres pilares fundamentales.
El primero es, en realidad, lo que denominamos «build». Esto significa proporcionar las herramientas correspondientes de desarrollo basadas en intenciones, de modo que los clientes o socios como Infosys puedan crear y desarrollar agentes, aplicaciones y flujos de trabajo con las mejores herramientas y modelos de su categoría para ampliar el asistente propio de SAP, personalizarlo o desarrollar sus propios agentes según lo necesiten.
Como complemento a lo que ha dicho Satinder, para nosotros es fundamental contar con un ecosistema dinámico, innovador, que desarrolle innovaciones y complemente nuestra propia cartera agéntica de SAP. Nos estamos centrando en áreas específicas dentro de los distintos ámbitos, desde la perspectiva de las líneas de negocio y sectores en los que ofrecemos asistencia como parte de nuestra organización; pero a la hora de personalizarlas en la ejecución de última milla, complementando de verdad las áreas que no cubrimos e impulsando la innovación hacia el cliente, nuestro ecosistema es la fuerza multiplicadora, e Infosys está desempeñando un papel protagonista aquí junto a nosotros.
En segundo lugar, y ya hemos hablado de ello, está lo que llamamos el pilar de «contextualizar y razonar», que abordamos desde la base de los datos con SAP Data Cloud y una estrategia de datos integral, donde establecemos un data fabric de extremo a extremo a través de plataformas de proveedores asociados, como Databricks o Snowflake, y en el que promovemos el acceso a los datos sin copias (zero-copy). Para el cliente, esto es fundamental. Así que básicamente permitimos a los clientes que, si has invertido en alguna de esas plataformas, preserves esas inversiones y simplemente aproveches BDC para conectarte sin mover datos de, por ejemplo, tu entorno de Databricks o Snowflake a BDC.
Con este enfoque, establecemos y armonizamos una capa semántica de datos que luego puede utilizarse para cualquier escenario de IA en toda la empresa, combinando diferentes fuentes de datos sin interrupciones. El otro elemento clave que forma parte de esto es el hub de IA generativa. Hemos integrado más de 50 modelos —incluidos modelos de lenguaje y algunos propios— en un único panel de control, para que los clientes puedan acceder y elegir cualquiera de esos 50 modelos dentro del hub de IA generativa integrado en la plataforma.
Además, como factor diferenciador clave, trasladamos una gran cantidad de semántica y contexto empresarial al grafo de conocimiento, lo que ayuda a guiar a los agentes y actúa como un nervio, o sistema de navegación, en la empresa para proporcionar información verdaderamente relevante para el negocio y específica de cada cliente para la toma de decisiones y la ejecución en cualquier marco de ejecución agéntica.
Y luego, por último pero no menos importante, hablamos de la gobernanza. Este es el tercer pilar, que resulta fundamental y viene integrado de forma nativa. Así pues, como tercer pilar tenemos el hub de agentes de SAP, que es una especie de centro de mando para la gobernanza de agentes y de la IA en toda la empresa. Puedes gobernar tanto los agentes de SAP como agentes ajenos a SAP, siempre que se integren con SAP a través de A2A. De este modo, el equipo del cliente puede gestionar de verdad el ciclo de vida integral de los agentes y de las funciones, desde su contratación hasta su retirada.
Megan: Fantástico. Ha sido una panorámica realmente exhaustiva. Muchísimas gracias. Y, Satinder, ¿podrías compartir algún ejemplo de cómo las organizaciones han utilizado en la práctica SAP Business AI Platform para mejorar su forma de emplear la IA? Quizá, ¿cuál fue el reto al que se enfrentaron, cómo fue el proceso y qué ventajas obtuvieron?
Satinder: Claro, Megan. Creo que Thorsten acaba de explicar lo potente que es la plataforma Business AI Platform. Y esto es fruto de décadas de trabajo. Nosotros también la hemos estado utilizando y compartiré dos ejemplos de proyectos reales de Infosys; ambos muestran cómo se materializan en producción los tres pilares de BIP.
El primero es un fabricante global diversificado con un amplio entorno de SAP. El reto residía en el cierre de fin de mes: más de 80 códigos de transacción de SAP, equipos de cierre de periodos trabajando noches y fines de semana, y un soporte L1 que absorbía más de 300 incidencias al mes procedentes únicamente del ciclo de cierre. En Business AI Platform implementamos Topaz Fabric, la plataforma de orquestación agéntica de Infosys, con un agente maestro que coordinaba cinco agentes subordinados especializados: devengos de WBS, reconocimiento de ingresos, liquidaciones intercompañía, conciliación de datos maestros y generación de pistas de auditoría SOX. Los agentes operan de forma autónoma y solo derivan los casos a personas ante excepciones reales. El resultado: se eliminó por completo el nivel de soporte L1.5 y se gestionaron más de 300 incidencias mensuales sin intervención humana. El equipo de cierre pasó de apagar fuegos de forma reactiva al análisis financiero con visión de futuro. La previsión de ahorro anual supera el millón de dólares.
El segundo caso es una empresa de servicios públicos norteamericana en plena transformación hacia S/4HANA. Su desafío era la velocidad de desarrollo: los complejos documentos de especificaciones funcionales de SAP requerían habitualmente 80 o más personas cada uno, un cuello de botella que ralentizaba todo el programa. Mediante un entorno de desarrollo nativo de IA en Business AI Platform con un sistema de recuperación impulsado por Claude, redujimos la elaboración de esas especificaciones de 86 horas a seis: una disminución del 92 %, validada en 51 tipos de tareas de SAP con una precisión del 95 %. Esta arquitectura se está replicando ahora en otras cuentas. En ambos casos, el patrón coincide con lo descrito por Thorsten: una base de datos gobernada, contexto de procesos de negocio de SAP y observabilidad total de los agentes a través de SAP Agent Hub. Esa es la empresa autónoma operando en el día a día, no como un mero concepto teórico.
Megan: Son unos resultados concretos y realmente convincentes que creo que resultará muy útil escuchar. Además, por supuesto, la IA responsable —o los marcos claros de gobernanza— también supone un componente fundamental en la integración de la IA. Y sabemos que herramientas como los LLM rara vez se desarrollan con el cumplimiento normativo integrado. Me gustaría saber cuál es tu consejo al respecto, Thorsten: ¿cómo garantizar que una gobernanza adecuada quede integrada en un ERP?
Thorsten: Sí, Megan, tienes toda la razón. La gobernanza, el cumplimiento normativo y la seguridad son verdaderamente fundamentales para ofrecer una IA relevante, fiable y de confianza a escala empresarial. Es importante comprender cómo funciona realmente un servicio público de LLM. Muchos de estos servicios se entrenan con datos a escala de internet, lo que significa que son modelos públicos. Según las políticas y la configuración del proveedor, pueden retener las entradas de los usuarios para mejorar el modelo, lo que implica que, si una empresa aporta datos al modelo, esa información corporativa pasa a estar en el dominio público. Por ejemplo, información sobre el pipeline o previsiones, algo que se está volviendo muy crítico, ya que expone a tu organización a un riesgo significativo.
Así pues, aunque los LLM son extraordinarios procesando grandes volúmenes de texto y otros datos no estructurados, resultan menos eficaces con tablas estructuradas como las de los sistemas ERP o las aplicaciones empresariales en general; además, suelen carecer de los matices del contexto, la lógica y los procesos de negocio. Por eso es fundamental contar con un marco de gobernanza sólido. Ya hemos hablado de la IA generativa y de cómo integramos esos modelos en un único panel de control.
Y luego está el otro elemento que ya hemos comentado y que Satinder ha mencionado, que siempre forma parte de los ejemplos personalizados: SAP Agent Hub o, en general, cuando hablamos de las capacidades en la gobernanza del ciclo de vida de la IA. Esto incluye el registro de agentes, registros de LLM y el registro de MCP; es decir, una fuente única para cada artefacto de IA donde puedas gestionar la identidad y el control de accesos, de modo que los agentes sean plenamente fiables y puedas conceder los permisos adecuados sobre qué agentes tienen autorización para acceder a qué datos. Asimismo, la observabilidad de los agentes, su supervisión y la correspondencia de las capacidades de los agentes con la organización son aspectos fundamentales.
Como parte de todo esto, y tal como he mencionado antes, ofrecemos estas capacidades totalmente integradas en Business AI Platform para proporcionar este marco de gobernanza de serie y plenamente integrado en todo lo que haces en SAP.
Megan: Lo cual es fundamental, porque cuando las organizaciones experimentan o escalan múltiples programas y herramientas de IA, en algunos casos esto añade una complejidad real. Me pregunto, Satinder, ¿añadirías algo sobre cómo pueden las organizaciones integrar esa sólida capa de gobernanza, incluso con un stack tecnológico bastante complejo?
Satinder: En Infosys contamos con el Infosys Knowledge Institute, que elabora el informe anual Generative AI Radar, y este reveló que el 48 % de las empresas había implementado IA generativa sin una política formal de gobernanza. Casi la mitad de las organizaciones utilizaban la IA sin ningún marco documentado de supervisión, rendición de cuentas o cumplimiento normativo. Esa es la brecha que describe Thorsten, y debe cerrarse de manera proactiva antes de que un incidente obligue a una paralización reactiva o a una auditoría mucho más perjudicial que haber establecido la gobernanza desde el principio.
Lo que Thorsten acaba de describir sobre SAP Agent Hub es precisamente la capa de plataforma que hace posible la gobernanza a escala corporativa, y merece la pena hacer explícita la arquitectura global, porque sin ella, la gobernanza se queda en mera teoría.
El marco que utilizo con los clientes cuenta con tres capas que deben funcionar conjuntamente. La primera es la política: una política clara de uso de la IA en toda la organización, qué pueden y qué no pueden hacer los agentes de forma autónoma, cómo se pueden utilizar los datos para entrenar la IA, las obligaciones de divulgación y la responsabilidad sobre los resultados. Esto requiere que los equipos legal, de cumplimiento normativo y de tecnología trabajen de la mano, con el respaldo de la dirección. Sin esa base, cada despliegue se convierte en un debate de gobernanza ad hoc. La segunda capa es la plataforma. Aquí es donde SAP Business AI Platform y, en concreto, SAP Agent Hub se convierten en la torre de control de la empresa.
Las capacidades descritas por Thorsten (LLM de agentes, registro MCP como fuente única de verdad, identidades verificables de agentes con registros de acceso acotados, observabilidad de agentes y minería de agentes para detectar desviaciones) no son simples funciones de gobernanza. Aportan a los líderes visibilidad en tiempo real en un entorno multiagente complejo. Puedes ver qué se está ejecutando, qué está consumiendo y si funciona según lo previsto. Eso es lo que transforma un stack tecnológico complejo: pasa de ser un lastre para la gobernanza a convertirse en un auténtico activo.
Y la última capa son los procesos: los rituales recurrentes de gobernanza, las revisiones trimestrales de los riesgos de la IA, los ciclos de auditoría de sesgos, las evaluaciones del rendimiento de los modelos frente a los KPI del negocio; esas conversaciones estructuradas que hacen que los humanos sigan siendo responsables del comportamiento del agente a lo largo del tiempo. Lo que las organizaciones descubren sistemáticamente es que esta estructura de tres capas en realidad acelera el despliegue. Cada nuevo caso de uso cuenta con una vía clara para su aprobación y una arquitectura de gobernanza en la que integrarse. La ausencia de gobernanza no acelera la adopción de la IA. Genera una acumulación de riesgos que, con el tiempo, obliga a un parón para auditar mucho más disruptivo que desarrollar el músculo de la gobernanza.
Megan: Es un punto muy interesante. Muchísimas gracias por eso. Y como hemos abordado una gran cantidad de temas, para cerrar con la vista puesta en el futuro: hoy hemos hablado sobre la proliferación de herramientas de IA que hay ahora en el mercado, muchas de ellas diseñadas para transformar las operaciones a nivel empresarial. Thorsten, ¿qué ves en el horizonte que creas que podría ser un auténtico punto de inflexión?
Thorsten: Creo que lo que veremos muy pronto —y ya hemos comentado esto brevemente— es que nos adentramos en un periodo de adopción sostenida y acelerada de la IA, en el que los asistentes y agentes operarán como compañeros de trabajo digitales. Se integrarán en nuestras organizaciones al igual que los empleados de hoy, y se incorporarán a los procesos a medida que las personas desempeñan sus tareas, en tiempo real.
A medida que esto suceda, el centro de gravedad se desplazará cada vez más desde una capa de aplicaciones monolítica hacia una capa de valor agéntico que orqueste el trabajo a través de distintos sistemas y entornos, los cuales requerirán una orquestación muy precisa. Creo que lo que también veremos —y es probable que esto suponga, al menos en términos de escala, un verdadero cambio de paradigma— es que la entrega se industrializará. Si piensas en fábricas de agentes y servicios compartidos que realmente diseñen, prueben y gobiernen agentes a escala, o marcos agénticos a escala, por así decirlo; y creo que veremos una evolución de los modelos comerciales, que hoy están más basados en el consumo, hacia acuerdos fundamentados en el valor y en los resultados, vinculados a KPI de negocio claros.
En el aspecto tecnológico, considero que todavía queda muchísimo movimiento en el panorama de los LLM, con nuevas arquitecturas y métodos de entrenamiento. Creo que reduciremos considerablemente el coste total de propiedad, a la vez que mejorarán el control y la viabilidad. Existe una mayor sensibilización, como demuestran los ejemplos recientes en el mercado, y considero que la innovación será plenamente aplicable.
Y creo que la gran pregunta, desde esa perspectiva, es qué papel desempeñará China en un contexto global y cómo se integrarán realmente esos modelos. Por último, pero no por ello menos importante, e incluso diría que lo primordial, creo que la ontología y los grafos de conocimiento específicos de cada cliente se convertirán en activos de primer orden. Este será el factor de diferenciación clave en el futuro, porque articularán los procesos de código, la semántica, las políticas —de las que habló Satinder— y las relaciones entre datos. Además, constituyen el modelo de referencia para las arquitecturas de agentes empresariales seguras y de alto rendimiento en el futuro.
Megan: Que es, por supuesto, lo que buscamos. ¿Y tú, Satinder? ¿Qué destacarías como un área de desarrollo realmente apasionante?
Satinder: Claro, Megan. Creo que lo que más me entusiasma es la transición de la IA como herramienta de productividad a la IA como aliada en la toma de decisiones. Es la evolución más importante que hace posible la arquitectura de Thorsten. Durante décadas, los sistemas empresariales nos han dicho qué ocurrió. La próxima generación ayuda a los líderes a entender qué está ocurriendo ahora, qué pasará a continuación y qué medidas tomar.
El escenario al que siempre vuelvo: un director financiero que empieza el día con un agente que analiza continuamente señales en las finanzas, la cadena de suministro, las compras y los datos de la plantilla, identificando de forma proactiva los tres problemas con mayor probabilidad de repercutir en el trimestre, con medidas recomendadas y el impacto financiero cuantificado. Eso no es un cuadro de mando. Es un modelo de decisión fundamentalmente diferente. A través de Infosys Topaz, estamos ayudando a los clientes a avanzar hacia una empresa «AI-first», capaz de percibir, aprender, decidir y adaptarse continuamente en las distintas áreas.
Lo que también me entusiasma es el ritmo de evolución de la IA. En anteriores olas tecnológicas, las limitaciones eran estables. Identificas una limitación y diseñas la arquitectura en torno a ella durante años. Con la IA es diferente. Casos de uso que parecen limitados al inicio del proyecto a menudo se resuelven antes de la puesta en marcha. El modelo anterior de SAP transformó el razonamiento con datos estructurados, lo que en su momento era una clara carencia de los LLM. La inteligencia para la toma de decisiones está llegando más rápido de lo que la mayoría de las organizaciones están previendo.
La estrategia ganadora consiste en diseñar pensando en dónde estará la IA dentro de 18 meses: una arquitectura flexible, una base de datos fiable y una gobernanza que absorba la innovación a medida que llega. Las organizaciones que lo hacen multiplican su valor conforme surge cada nueva generación de capacidades.
Por tanto, la próxima frontera no radica en que la IA pueda hacer más trabajo. Se trata de contar con una IA que comprenda tu negocio lo bastante bien como para ayudarte a tomar mejores decisiones. Y ahí es donde reside la mayor oportunidad para SAP, Infosys y nuestros clientes: en la convergencia de los sistemas de registro con los sistemas de inteligencia.
Megan: Fantástico. Sin duda, hay muchas novedades en el horizonte que esperar con interés. Muchas gracias a ambos por acompañarnos hoy.
Eran Thorsten Leiduck, vicepresidente sénior y responsable global del ecosistema de SAP Business AI Platform, y Satinder Pal Singh, vicepresidente asociado para Norteamérica de SAP Business AI Platform y SAP AI Strategy, con quienes hablé desde Brighton, en Inglaterra.
Esto ha sido todo por este episodio de Business Lab. Soy tu presentadora, Megan Tatum, redactora colaboradora y conductora en Insights, la división de publicaciones personalizadas de MIT Technology Review. Nos fundamos en 1899 en el Instituto Tecnológico de Massachusetts y puedes encontrarnos en formato impreso, en la web y en eventos anuales por todo el mundo. Para más información sobre nosotros y sobre el programa, visita nuestra página web: thetechnologyreview.com.
Este programa está disponible en cualquiera de tus plataformas habituales de pódcasts. Y si te ha gustado este episodio, esperamos que te tomes un momento para valorarnos y dejar una reseña. Business Lab es una producción de MIT Technology Review, y este episodio ha sido producido por Giro Studios. Muchas gracias por escucharnos. Hasta pronto.
Este contenido ha sido elaborado por Insights, la división de contenido personalizado de MIT Technology Review, y no por su equipo editorial. Ha sido investigado y redactado por humanos, y el uso de cualquier herramienta de IA que se haya podido emplear se ha limitado a los procesos de producción bajo supervisión humana.

