AI Top Business Leaders México | Entrevista editorial
El recorrido de Megacable con la inteligencia artificial (IA) comenzó entre 2023 y 2024 con Megan, un chatbot conectado a una base de conocimiento corporativa mediante generación aumentada por recuperación (RAG, por sus siglas en inglés). El siguiente paso fue desarrollar un agente autónomo de soporte técnico, capaz de tomar decisiones y acceder a herramientas y datos mediante interfaces de programación de aplicaciones (API). Llevar aquel primer agente a producción requirió alrededor de cinco meses. Hoy, el código de un agente puede estar listo en dos o tres días.
Ricardo Carreón, director de Inteligencia Artificial y Datos de Megacable, ha acompañado una evolución que plantea nuevas exigencias. Con decenas de iniciativas por priorizar y un número creciente de agentes en producción, la velocidad exige fortalecer los datos, los procesos y el gobierno necesarios para convertir esa capacidad en resultados de negocio.
¿Cuál ha sido el recorrido de Megacable en IA hasta llegar al modelo actual?
Megan fue nuestro primer gran esfuerzo con IA generativa. A partir de ahí avanzamos hacia agentes autónomos, comenzando por el soporte técnico de internet, uno de los principales motivos de llamada a nuestro centro de atención al cliente.
Al principio desarrollábamos los agentes de una forma más artesanal; actualmente estamos construyendo un modelo mucho más industrializado. Hemos creado una capa central de datos mediante un lakehouse (repositorio que concentra la información de toda la compañía) que alimenta la analítica, los modelos de aprendizaje automático y los agentes. Además, definimos un marco común para incorporar gobierno, seguridad y observabilidad. Eso nos permite desarrollar agentes mucho más rápido.
¿Cómo deciden dónde aplicar IA y qué modelo están construyendo para escalarla en toda la empresa?
Trabajamos por áreas y buscamos los problemas en los que la IA puede generar mayor impacto. El primer gran foco fue el centro de atención al cliente, donde automatizamos intervenciones repetitivas y de poco valor agregado. Después avanzamos hacia operaciones de red y hoy colaboramos con 16 grupos internos, incluidos Finanzas, Flotilla (gestión del parque vehicular), Ventas y Marketing.
Tenemos 64 proyectos candidatos y capacidad para ejecutar muchos menos, así que los evaluamos mediante una matriz de esfuerzo y beneficio. Buscamos combinar resultados rápidos, iniciativas de mediano plazo y proyectos transformacionales. El reto está en comparar beneficios distintos. En Finanzas, un ahorro puede traducirse a pesos y centavos; en experiencia del cliente, el impacto puede reflejarse en indicadores como el Net Promoter Score (NPS).
¿Qué casos muestran mejor el valor que ya están generando los agentes y qué resultados están consiguiendo?
En atención al cliente vemos distintas tasas de resolución. Algunos agentes resuelven alrededor del 50% de las consultas y otros se acercan al 90%; el resto se deriva a una persona. La diferencia de costo es muy significativa: una llamada con un agente humano nos cuesta 38 pesos y una con un agente de IA, 60 centavos. Además, medimos el desempeño de los agentes en tiempo real para mejorarlo continuamente.
En operaciones de red, los agentes nos ayudan a interpretar las alarmas y localizar incidencias para despachar cuadrillas con mayor rapidez. También estamos avanzando en el frente comercial. Un agente puede acompañar una venta digital de punta a punta, desde la interacción con un anuncio en redes sociales hasta recomendar el plan, cerrar la contratación y enviar al instalador. Así, la IA no solo permite reducir costos, sino también explorar nuevas fuentes de ingresos.
¿Qué cambia cuando una organización deja de tener unos pocos agentes y empieza a operar decenas?
Con los primeros dos o tres agentes trabajábamos de manera más artesanal. Cuando empiezas a multiplicarlos, el desafío pasa a ser cómo gobernarlos. Tienes que evitar comportamientos incorrectos, controlar el gasto, cuidar la seguridad, observar su funcionamiento y detenerlos si salen de los parámetros establecidos. Por eso hablamos de una fábrica de agentes, con un marco común de gobierno y capacidades de observabilidad y AgentOps (operación y monitoreo continuo de los agentes). Ya tenemos alrededor de 14 agentes y esperamos superar los 60 o 70 para finales de 2026.
La arquitectura también cambia. No necesitas el modelo más sofisticado para cada tarea. Dentro de un mismo agente podemos usar un modelo más económico para conversar, otro para analizar información y uno más avanzado para razonar o tomar decisiones. El objetivo es asignar a cada tarea el modelo que realmente necesita.
"Pasamos de cinco meses a tres días en la parte del código de los agentes, pero lo que sí te toma bastante tiempo es lo que tienes que hacer antes de ponerte a codificar".
Si construir el agente ya no es el principal obstáculo, ¿qué puede frenar el escalamiento?
Antes de codificar hay tres elementos fundamentales: definir bien el problema de negocio que queremos resolver, entender el proceso y comprobar que tenemos los datos necesarios. Los datos siguen siendo un reto porque están distribuidos entre sistemas de distintas épocas y no todos los procesos están documentados. En algunas áreas están en la cabeza de una persona que lleva 20 años en la empresa; si se va, se va el proceso con ella. Para escalar la IA necesitamos estructurar ese conocimiento.
El otro frente son las personas. Necesitamos que más profesionales desarrollen habilidades de IA aunque no pertenezcan a las áreas de IA o Tecnología. Estamos impulsando la formación, pero no se trata solo de aprender a utilizar una herramienta. También hacen falta pensamiento crítico, capacidad para definir problemas y criterio para verificar los resultados que genera la IA.
¿Qué le falta a México para acelerar esta transformación y construir un ecosistema de IA más sólido?
Nos falta una visión más de ecosistema. Muchas empresas intentan resolver todo con sus propios recursos, pero no podemos ser especialistas en todo. En Silicon Valley (EE UU), incluso las grandes organizaciones conviven con empresas más pequeñas que desarrollan capacidades específicas y alimentan el ecosistema. En América Latina, Brasil está más avanzado en esa lógica. México necesita más especialistas y proveedores capaces de resolver problemas concretos con IA.
Al mismo tiempo, veo una actitud favorable hacia estas herramientas. No percibo una resistencia tan fuerte como la que existe en EE UU. En términos generales, las personas tienden a ver la IA más como una ayuda que como una amenaza. La oportunidad está en aprovechar esa apertura.