En 2026 la conversación sobre IA en las grandes organizaciones ha pasado del “esto tiene un gran potencial, hay que sacar valor de ello” a una pregunta mucho más incómoda: ¿estamos generando ingresos, ahorro de costes o ventaja competitiva real… o nos estamos quedando en pilotos?

Los comités de dirección han pasado la fase del hype. La GenAI dejó de ser un truco deslumbrante para convertirse en una línea más del presupuesto. Y esa línea compite con muchas otras prioridades: ciberseguridad, modernización del core, fusiones, talento. Si la IA no demuestra impacto, pierde la batalla.

En la encuesta State of AI 2026 que elaboramos recientemente, esta tensión aparece con total claridad: crece la ambición, crecen las expectativas, pero también crece la presión por demostrar resultados tangibles en plazos muy cortos. Muchas organizaciones declaran “estar trabajando con IA”, pero cuando se pregunta por métricas de negocio conseguidas, comienza la tensión.

IA, GenAI y Agentes Inteligentes: “enséñame el EBITDA”

Durante los primeros años de explosión de la GenAI la lógica fue: experimentar rápido, probar muchas cosas, mostrar prototipos. Se pagó con presupuestos de innovación, de digital o incluso con partidas difusas de “exploración tecnológica”.

Pero a medida que acabamos 2025 y entramos en 2026, la lógica cambia. La IA empieza a financiarse como cualquier otra iniciativa de negocio: OPEX recurrente, proyectos serios, expectativas claras de retorno. Ya no vale la narrativa de “tenemos que aprender”; la pregunta es más simple: ¿Qué hemos ganado o ahorrado?

Desde la perspectiva de un comité de dirección, la evaluación es bastante fría:

• ¿Hemos aumentado ingresos de forma atribuible a la IA?
• ¿Hemos reducido costes estructurales, no solo coste puntual de proyecto?
• ¿Hemos reducido riesgos regulatorios, operativos o reputacionales?
• ¿Qué capacidad organizativa estamos construyendo más allá del caso de uso puntual?

Aquí los agentes de IA entran como una segunda ola que va más allá del clásico modelo de “modelo que predice X”. Los agentes no solo generan texto o código: toman decisiones, ejecutan tareas, orquestan flujos de trabajo de extremo a extremo. El salto ya no es solo de precisión, sino de capacidad de acción.

Pero esa capacidad, si no está conectada a procesos de negocio, a indicadores y a una narrativa clara hacia el comité, queda reducida a un experimento más. El reto para las empresas en 2026 no es tanto dominar la tecnología, sino traducirla en retorno económico y explicarlo con claridad a quienes deciden los presupuestos.

Agentes verticales y DSLMs: la especialización como ventaja

En la primera ola de GenAI corporativa dominaron los copilotos generalistas u horizontales: asistentes basados en RAGs que ayudaban “un poco en todo”. Redactar correos, resumir documentos, generar código genérico. Eran (y son) útiles, daban sensación de avance, pero tenían un límite a medio plazo: su conocimiento del negocio era superficial.

La siguiente etapa viene marcada por una idea sencilla pero poderosa: la especialización gana. En vez de un agente que intenta saber de todo, muchos agentes que saben muchísimo de una cosa concreta:

• Un agente que entiende el catálogo de productos, las reglas comerciales y los márgenes, y puede proponer ofertas personalizadas viables.
• Un agente que conoce a fondo el proceso de reclamaciones, la normativa aplicable y el histórico de decisiones, y es capaz de automatizar gran parte del ciclo.
• Un agente que domina la planificación de la demanda, las restricciones logísticas y la política de inventario y toma decisiones que impactan directamente en el capital.

Esta especialización se apoya en modelos de lenguaje específicos de dominio, los llamados DSLMs (Domain-Specific Language Models). No intentan ser el modelo que responde a cualquier cosa del mundo, sino el modelo que responde extremadamente bien a lo que importa en tu negocio: tu jerga, tu normativa, tu forma de decidir, tu histórico de datos. Todo ello, sustentado obviamente por un dato de calidad y gobernado.

El resultado práctico es muy claro: menos alucinaciones, menos ambigüedad, más alineamiento con procesos reales y mucha más capacidad de automatización fiable. No se trata de renunciar a los modelos generalistas, que siguen teniendo un papel importante como interfaz o como “capa de razonamiento general”, sino de combinarlos con agentes verticales que juegan en serio en el terreno donde se genera el valor.

En 2026, la pregunta no es “qué modelo grande usamos”, sino “qué combinación de agentes y modelos, generalistas y de dominio, necesitamos para ganar en nuestros procesos clave”.

Escalar la IA: la asignatura que casi todos tienen pendiente

Que una organización haya lanzado diez pilotos de IA no significa que tenga una estrategia de IA. Significa, como mucho, que ha explorado el terreno. La mayoría de grandes compañías están hoy en una situación muy similar: muchas pruebas, algunos éxitos locales, una sensación clara de fragmentación.

La dificultad principal no es técnica, aunque a veces lo parezca. El verdadero problema está en los fundacionales:

• Datos distribuidos, duplicados, con calidad desigual y sin gobierno homogéneo.
• Modelos y agentes desplegados sin un marco común de observabilidad, seguridad y ciclo de vida.
• Equipos de negocio que impulsan casos de uso al margen de TI, y áreas de TI que intentan controlar algo que se mueve más rápido que sus procesos tradicionales.
• Diferentes proveedores, frameworks y nubes compitiendo dentro de la propia casa.

Sin una base mínimamente compartida, lo que se genera son islas de IA: casos de uso que funcionan, pero no se reutilizan, no se conectan entre sí y no construyen una capacidad estructural.

Escalar la IA implica cambiar de mentalidad: pasar de “proyecto” a “producto”. No solo se trata de implementar un modelo que aporta valor, sino de diseñar:

• Cómo se monitoriza.
• Cómo se actualiza.
• Cómo se replica en otros países, unidades o procesos.
• Cómo se integra con las plataformas de datos y de negocio existentes.
• Cómo se mide el valor de negocio aportado por el producto o servicio durante su ciclo de vida.

Las organizaciones que están dando el salto lo hacen consolidando una plataforma de datos e IA común, definiendo una arquitectura de referencia, estandarizando patrones (por ejemplo: cómo se hace un RAG, cómo se construye un agente, cómo se integra con un sistema corporativo o proceso de negocio) y, sobre todo, estableciendo un modelo operativo claro: quién prioriza, quién paga, quién mantiene, quién audita.

La tecnología, en esta fase, deja de ser el reto. Lo son el gobierno, la coordinación y la disciplina de producto.

De islas a red: la visión del Agentic Mesh

Cuando se empieza a hablar de varios agentes conviviendo en una organización, aparece un problema nuevo: la coordinación.

Si cada área crea sus agentes, se corre el riesgo de reproducir el viejo problema de los silos, pero ahora en versión inteligente: agentes que no comparten contexto, que se pisan a la hora de tomar decisiones o que duplican esfuerzos. Justo lo contrario de lo que se persigue.

La idea del Agentic Mesh surge como antídoto a eso. No se trata de tener “el agente definitivo”, sino de construir una red de agentes que colaboran de manera autónoma, pero bajo un marco común de orquestación y gobierno.

Imaginemos, por ejemplo, un proceso complejo como la planificación integrada de negocio: previsión de demanda, aprovisionamiento, producción, logística, pricing. En lugar de un único sistema monolítico, podemos tener:

• Agentes especializados en previsión, conectados a datos históricos y señales externas.
• Agentes orientados a optimización de inventarios y restricciones de planta.
• Agentes dedicados a coordinar logística y transporte.
• Agentes que velan por el cumplimiento de reglas financieras y de riesgo.

El mesh es la infraestructura que permite que todos ellos hablen entre sí, intercambien información, pidan ayuda a otros agentes cuando lo necesitan y, al mismo tiempo, queden sujetos a un plano de control donde se definen políticas, prioridades, límites y trazabilidad.

Esto cambia la naturaleza de la conversación de negocio. Deja de ser “tenemos un asistente en el portal del empleado” y pasa a ser “tenemos una red de capacidades cognitivas automatizando partes significativas de la cadena de valor”.

La palabra clave aquí es arquitectura: sin una arquitectura agentic bien diseñada, los agentes se convierten en gadgets. Con ella, se convierten en una palanca real de transformación.

Estrategia frente a casos de uso aislados: la importancia del roadmap

Otra trampa muy habitual en las grandes organizaciones es la de la “lista infinita” de casos de uso. En el mejor de los casos, se tienen identificados casos de uso relevantes por cada área de negocio. Todos parecen importantes, todos tienen potencial, y el resultado es en ocasiones una agenda inabarcable que genera frustración.

La realidad es más cruda, no todos los casos de uso tienen el mismo impacto de negocio, el esfuerzo de construirlos varía o no siempre son viables por ejemplo, por falta de datos de calidad. Además, no todos ayudan a construir capacidades reutilizables.

Por eso es clave cambiar el enfoque: menos catálogo y más roadmap. No se trata sólo de seleccionar, sino de ordenar en el tiempo de forma inteligente:

• Empezar por aquellos casos donde el impacto económico es claro y el esfuerzo técnico y organizativo es razonable.
• Priorizar los que, además de impacto, ayudan a construir elementos de plataforma que luego podrán ser reutilizados (conectores, modelos de dominio, agentes base).
• Dejar para más adelante los casos que pueden ser muy potentes, pero requieren cambios profundos en procesos, regulación o talento.

En Keepler trabajamos precisamente con este enfoque: impacto vs. esfuerzo, pero con datos y con mirada realista, no como ejercicio teórico. La metodología propia que utilizamos, aplicada a grandes organizaciones, no se queda en el canvas; se traduce en un plan accionable que combina quick wins, “productos ancla” y construcción progresiva de una capacidad escalable.

El resultado no es solo una lista bonita. Es, por ejemplo, lo que ha permitido que en nuestros tres clientes más recientes el conjunto de productos de IA diseñados dentro de este marco esté ya asociado a un impacto potencial de más de 100 M€ en EBITDA. No por un único “proyecto estrella”, sino por un portfolio bien secuenciado.

La lección para cualquier líder es clara: sin roadmap, la IA se diluye; con roadmap, la IA se convierte en una palanca estratégica gestionada con la misma seriedad que cualquier otra inversión relevante.

El Centro de Excelencia de IA: la torre de control

Cuando la organización pasa de la experimentación a la industrialización, aparece una necesidad casi inevitable: alguien tiene que ordenar el tráfico. Ese alguien no es un héroe individual ni un departamento aislado, sino un Centro de Excelencia de IA (AI CoE) bien diseñado.

Un CoE eficaz no es la “policía de la IA” ni el lugar donde todo se centraliza y se ralentiza. Es, más bien, una torre de control que asegura tres cosas:

• Que la organización comparta un lenguaje común sobre datos, modelos y agentes.
• Que las soluciones que funcionan se escalen, en lugar de reinventarse en cada país o unidad.
• Que el riesgo está controlado: no hay experimentos en producción que comprometan regulación, seguridad o reputación.

En la práctica, el CoE define la arquitectura de referencia, selecciona las herramientas estratégicas, fija estándares de seguridad y observabilidad, impulsa la reutilización de componentes y actúa como socio de negocio para las áreas que quieren avanzar con IA.

Pero para que esto funcione necesita dos condiciones que a menudo se olvidan:

• Mandato claro desde la alta dirección: sin apoyo explícito del comité de dirección, el CoE se queda en un grupo de “evangelizadores simpáticos” con poca capacidad real.
• KPIs de negocio, no solo técnicos: no basta con medir modelos desplegados o latencia media; el CoE tiene que rendir cuentas también en términos de valor generado, eficiencia y riesgo mitigado.

Cuando estas condiciones se cumplen, el CoE se convierte en el lugar donde la IA deja de ser un mosaico de iniciativas dispersas y pasa a ser una capacidad estructural de la compañía.

Las personas: el verdadero centro de la transformación

Hay una parte de toda esta composición, que muchas veces se trata como apéndice, cuando debería ser el corazón del asunto: las personas.

Dentro del marco ético de Keepler ante la IA, el enfoque Human-Centered es indispensable. Si la IA no mejora la vida de las personas en su ámbito profesional, no es una buena solución. La tecnología debe complementar las capacidades humanas, no sustituirlas. La IA no solo automatiza tareas; cuestiona identidades profesionales. Cambia qué significa “ser un buen analista”, “ser un buen comercial”, “ser un buen gestor de operaciones”. Introduce nuevas formas de trabajar, nuevas herramientas, nuevos lenguajes. Y eso genera, inevitablemente, mezcla de ilusión y resistencia.

Adicionalmente, está demostrado que el enfoque human-in-the-loop en el desarrollo de productos basados en IA permite incorporar un mayor contexto sobre la lógica de negocio que se busca cubrir, integrando conocimiento experto directamente en el funcionamiento de los sistemas. Este enfoque no solo mejora la comprensión del problema, sino que también facilita la validación continua y la evolución de las soluciones, ya sea mediante reentrenamientos en proyectos de IA tradicional o a través de la mejora progresiva de agentes y procesos de re-prompting en iniciativas de IA Generativa.

Si la IA se percibe como una amenaza, emergen de forma casi automática todos los anticuerpos organizativos: desconfianza en los resultados, boicot silencioso o preferencia por los procesos manuales “de toda la vida”. Si, en cambio, se percibe como un aliado que libera de tareas repetitivas, aporta claridad y aumenta la capacidad de decisión, el efecto es justamente el contrario: se refuerza la confianza, se reduce la fricción y la adopción se acelera de manera natural.

Por eso es fundamental diseñar la transformación con las personas dentro del plano, no en un anexo.

Esto implica:

• Involucrar a usuarios reales desde la fase de diseño de cada agente o producto de IA.
• Explicar con total transparencia qué cambia, qué tareas se automatizan y qué nuevas oportunidades aparecen.
• Crear nuevos roles (owners de productos de IA, diseñadores de agentes, especialistas en datos) y dotarlos de legitimidad.
• Acompañar con un plan de formación adecuado, no con una sesión puntual de “mira qué chulo es esto”.

Al final, la pregunta que nos hacemos siempre es la misma: ¿confían nuestros equipos lo suficiente en estos sistemas como para apoyarse en ellos cuando se juegan algo importante? Si la respuesta es no, ninguna arquitectura, modelo o agente, por sofisticado que sea, será suficiente.

Mirando a 2026: de proyectos a capacidad estructural

En paralelo, el contexto regulatorio —con el marco europeo de IA avanzando, la sensibilidad creciente hacia la privacidad y la presión social por un uso responsable— hace que ya no sea suficiente “hacer cosas con IA”. Hay que hacerlas bien, de forma gobernada y explicable.

Si miramos el conjunto, la agenda de IA para una gran organización de aquí a 2026 se podría resumir así:

• Demostrar impacto económico real, defendible ante el comité de dirección.
• Pasar de modelos generalistas a una combinación inteligente de agentes verticales y modelos de dominio.
• Construir las fundaciones de escalabilidad: datos, plataformas, gobierno, seguridad.
• Evolucionar de islas de agentes a un Agentic Mesh que orquesta una red de inteligencia interconectada.
• Gestionar la IA como un portafolio estratégico, con roadmap priorizado y revisiones periódicas.
• Dotarse de un Centro de Excelencia que actúe como torre de control y acelerador.
• Colocar a las personas en el centro, no en los márgenes, de la transformación.

Los datos de la State of AI 2026 apuntan en esa dirección: el problema ya no es decidir si apostar por IA, sino hacerlo de manera que merezca la pena.

Las empresas que lo consigan serán las que dejen de ver la IA como un conjunto de proyectos dispersos y la conviertan en lo que realmente puede ser: una capacidad estructural, agéntica y conectada, que amplifica la inteligencia colectiva de la organización. Las demás seguirán haciendo pilotos.

Y los comités de dirección, créelo, ya tienen bastante claro en cuál de los dos grupos quieren estar.