4 de cada 10 proyectos de agentes se cancelarán
Gartner da tres motivos: costos que crecen, valor que no se demuestra y riesgos sin control. Tres casos reales y cómo cubrir cada uno desde el inicio.
En junio de 2025, Gartner publicó una predicción que sigue circulando en cada comité que evalúa agentes de IA: más del 40% de los proyectos agénticos se cancelarán antes de que termine 2027.
Lo más útil de esa predicción no es la cifra, son los motivos. Gartner nombra tres: costos que crecen, valor de negocio que no se demuestra y controles de riesgo insuficientes. Ninguno tiene que ver con lo inteligente que sea el modelo. Los tres tienen que ver con cómo se planteó el proyecto.
En un artículo anterior vimos por qué los pilotos no llegan a producción. Este va sobre lo que pasa después: por qué proyectos que sí llegaron terminan apagados, con tres casos públicos y lo que cada uno enseña.
Dónde estaban las empresas al empezar
| Inversión significativa | 19% |
|---|---|
| Inversión conservadora | 42% |
| Esperando o sin decidir | 31% |
| Sin inversión | 8% |
La mayoría apostó con cautela, y tenía razón. En palabras de Anushree Verma, analista de Gartner, muchos proyectos son experimentos «impulsados por la moda y a menudo mal aplicados».
Motivo 1: costos que crecen
El primer costo inesperado es pagar por un agente que no lo es. Gartner llama agent washing a presentar como agente un chatbot de respuestas fijas o un asistente que solo conversa, y estima que de los miles de proveedores que se dicen agénticos, unos 130 ofrecen agentes de verdad. Un proyecto que compró lo segundo creyendo que era lo primero nunca va a dar el resultado prometido, por más que se ajuste.
El segundo es el consumo sin techo. Un agente que procesa cada mensaje con el modelo más caro, o que nadie mide por tarea, convierte el éxito en un problema: cuanto más se usa, más cuesta, y nadie sabe cuánto vale cada caso resuelto.
Cómo cubrirlo: verifique que el agente ejecuta tareas reales en sus sistemas, no solo que conversa bien. Y exija conocer el costo por tarea antes de firmar, para presupuestar con su volumen y no con el de la demostración.
Motivo 2: valor que no se demuestra
Klarna es el caso más citado. En febrero de 2024 anunció que su asistente de IA hacía el trabajo de 700 personas de atención al cliente. En mayo de 2025, su director ejecutivo reconoció ante Bloomberg que el enfoque había producido un servicio de «menor calidad», y la empresa volvió a contratar personas para atender.
Commonwealth Bank, el banco más grande de Australia, recortó 45 puestos de atención telefónica tras lanzar un agente de voz que, según el banco, reducía las llamadas en 2,000 por semana. El sindicato sostuvo que el volumen en realidad crecía, que se pagaban horas extra y que los líderes de equipo contestaban llamadas. En agosto de 2025 el banco revirtió la decisión y reconoció que su evaluación había sido un error.
En los dos casos la tecnología funcionaba. Lo que falló fue la forma de medir el valor: se midió el ahorro y no la calidad, y se recortó antes de comprobar el resultado en la operación real.
Cómo cubrirlo: mida contra una línea base. Antes de lanzar, registre cuántos casos resuelve hoy su equipo, en cuánto tiempo y con qué satisfacción. Después, compare lo mismo con el agente. Y no recorte equipo por una proyección: hágalo, si corresponde, cuando los datos de producción lo sostengan.
Motivo 3: riesgos sin control
Air Canada es el ejemplo de manual. Su chatbot le dijo a un cliente que podía pedir un reembolso por duelo después de viajar, una política que la aerolínea no tenía. Cuando el cliente lo reclamó, Air Canada argumentó que el chatbot era responsable de sus propias respuestas. El tribunal de Columbia Británica no lo aceptó: el 14 de febrero de 2024 ordenó a la aerolínea pagar C$812 y dejó claro que la empresa responde por lo que dice su agente.
La cifra es pequeña. El precedente no: cualquier respuesta de un agente es una respuesta de su empresa.
Cómo cubrirlo: el agente debe responder desde fuentes aprobadas por usted, no desde lo que el modelo cree saber. Necesita límites explícitos sobre lo que puede prometer, un registro de cada conversación y un paso a una persona cuando la pregunta sale de su alcance.
El proyecto que se cancela y el que escala
| Criterio | Proyecto que se cancela | Proyecto que escala |
|---|---|---|
| Alcance inicial | «Automatizar la atención» | Un proceso concreto, como el recordatorio de cuotas |
| Costo | Se descubre en la factura | Se conoce por tarea antes de firmar |
| Valor | Se proyecta en una presentación | Se mide contra una línea base en producción |
| Respuestas del agente | Lo que el modelo genere | Desde fuentes aprobadas, con límites y registro |
| Equipo humano | Se recorta al lanzar | Se reasigna cuando los datos lo justifican |
Cómo lo resuelve Shimli
Shimli está pensado para que un proyecto de agentes no caiga en ninguno de los tres motivos.
Costo conocido. Un plan de $139 al mes con todas las funciones, y el consumo de IA a un precio fijo por consulta, publicado en precios. FusionAI, nuestro orquestador, elige el modelo adecuado para cada tarea, así que no paga el modelo más caro por una pregunta sencilla.
Valor medible. Se empieza por un proceso, se mide en el dashboard en vivo con conversaciones abiertas, cerradas y tiempos de respuesta, y se escala al resto cuando los números lo sostienen.
Riesgo bajo control. El agente responde desde la información que usted carga, dentro de las reglas y límites que usted define, deja registro de cada conversación y pasa a su equipo cuando el caso lo pide.
Lo crea conversando con el asistente de Shimli en menos de 10 minutos, y lo ajusta a mano cuando quiera.
Preguntas sobre este tema
- ¿Por qué se cancelan los proyectos de agentes de IA?
- Gartner identifica tres causas: costos que crecen más de lo previsto, un valor de negocio que nunca se termina de demostrar y controles de riesgo insuficientes. Ninguna de las tres depende del modelo de IA; dependen de cómo se plantea, se mide y se controla el proyecto.
- ¿Qué es el agent washing?
- Es presentar como agente de IA algo que no lo es, como un chatbot de respuestas fijas o un asistente que solo conversa. Gartner lo llama agent washing y estima que, de miles de proveedores que se dicen agénticos, solo unos 130 ofrecen agentes capaces de decidir y ejecutar tareas.
- ¿Cómo evito que mi proyecto de agentes se cancele?
- Empiece por un proceso acotado y mídalo contra su situación actual antes de escalar. Conozca el costo por tarea desde el primer día. Defina qué puede decidir el agente, de qué fuentes responde y cuándo pasa a una persona. Y no recorte equipo hasta que los datos del agente en producción lo justifiquen.
