Inteligencia Artificial12 de noviembre de 20264 min de lectura

Lo que nadie dice del día después de implementar un agente de IA

Lo que nadie dice del día después de implementar un agente de IA

En resumen

Un agente de IA que saca la traba de un proceso hace aparecer la demanda que esa traba frenaba y ese volumen llega al tramo siguiente. En una distribuidora, los pedidos de compra se multiplicaron y saturaron al comprador. En una clínica, la misma dinámica sirvió para cubrir los huecos que una baja en la demanda había dejado en la agenda: más inversión en anuncios y el doble de leads, con el mismo equipo. La diferencia está en dimensionar el tramo siguiente antes de encender el agente.

En una distribuidora mayorista de 180 personas, pedir una compra interna llevaba unos 12 minutos. Había que entrar al sistema, cargar el requerimiento con sus datos y esperar que el pedido siguiera su curso. Implementaron un agente que hacía una sola cosa: tomaba el pedido del empleado y lo cargaba.

Funcionó y los pedidos aumentaron. Entonces el comprador, que era la misma persona de siempre, quedó tapado.

El agente cumplió con su tramo a la perfección y el problema apareció en el siguiente. Es lo que casi nunca se cuenta de una implementación de IA: el día después, el cuello de botella se muda.

De dónde salieron los pedidos que nadie hacía

Los 12 minutos de carga funcionaban como un filtro que nadie había diseñado:

  • 🔀Compras por caminos informales. Para no pasar por el sistema, algunos pedidos se partían en varios más chicos y así quedaban debajo del límite que exigía orden de compra.
  • 🧾Pedidos chicos que no se hacían. Cuando el pedido valía menos que el esfuerzo de cargarlo, la gente se arreglaba sin él.

El agente sacó la traba y las dos cosas salieron a la superficie. Una parte de esa novedad es buena: el gasto que antes pasaba por afuera de las compras formales quedó a la vista, con su proveedor, su monto y su aprobación. La otra parte es la que nadie había previsto: todo ese volumen cayó junto sobre una sola persona.

Que el esfuerzo de pedir regula la demanda está medido. En la guardia de un hospital universitario de Estados Unidos dejaron un solo análisis de orina en la lista de pedidos frecuentes del sistema y obligaron a pasar por pantallas adicionales para pedir el urocultivo. Con esos clics de más, los urocultivos diarios bajaron un 46,6%, mientras los análisis básicos se mantuvieron. El estudio se publicó en BMJ Quality & Safety en 2018, sobre casi 23.000 pacientes. Un agente hace el recorrido inverso: saca clics, así que la demanda que esos clics frenaban vuelve a aparecer.

El cuello de botella se muda al tramo siguiente

La teoría de las restricciones, que Eliyahu Goldratt popularizó en 1984 con la novela La Meta, parte de una idea simple: el rendimiento de un proceso lo fija su punto más lento. Mejorar cualquier otro punto deja el resultado igual. Cuando se alivia la restricción, aparece otra en otro lugar. Por eso el método termina con una instrucción que lo vuelve circular: volver a buscar la restricción.

La versión más conocida del fenómeno está en las autopistas. Gilles Duranton y Matthew Turner estudiaron las ciudades de Estados Unidos y encontraron que los kilómetros recorridos crecen en proporción a los carriles agregados. Se ensancha la autopista y, a los pocos años, el atasco vuelve: ahora en la bajada.

Un agente de IA es un carril nuevo, así que más tránsito es la señal de que funcionó. Lo que hay que mirar es la bajada.

Pasó antes y está pasando ahora

El patrón tiene antecedentes muy anteriores a la IA y ya aparece en las áreas donde el efecto de la IA se mide.

Las tarjetas de compra del gobierno de Estados Unidos

Desde 1994, el gobierno federal de Estados Unidos promovió las tarjetas de compra para las compras chicas y de rutina, una vía mucho más rápida que la orden de compra. Según la oficina de auditoría del Congreso, el gasto con esas tarjetas pasó de unos USD 1.000 millones en 1994 a más de USD 16.000 millones en 2003, con 26,5 millones de transacciones en un año. Una parte de ese salto es sustitución de compras que antes iban por orden de compra y otra parte es demanda que apareció cuando comprar se volvió fácil.

El humano que quedó desbordado fue el que aprueba. En una unidad del Departamento de Defensa, un solo aprobador certificaba más de 700 resúmenes mensuales de 1.526 titulares de tarjeta. Los auditores lo plantearon sin vueltas: sin suficientes aprobadores para revisar los gastos, mantener el control es prácticamente imposible. La salida fue dimensionar el control al volumen nuevo, con la tarjeta intacta.

Las postulaciones escritas con IA

Greenhouse, una plataforma de selección de personal, informó que las postulaciones por búsqueda aumentaron un 102% desde el lanzamiento de ChatGPT, con reclutadores desbordados. Un trabajo de Princeton explica el mecanismo: cuando personalizar una propuesta dejó de costar esfuerzo, la propuesta personalizada dejó de servir como señal. La traba también filtraba: al sacarla, el trabajo de filtrar quedó entero en manos de quien recibe.

La respuesta de Greenhouse fue volver a poner un costo: cada candidato puede marcar una sola postulación por mes como prioritaria.

En los dos casos se repite la salida: nadie volvió al proceso engorroso, lo que hicieron fue dimensionar el tramo que se saturó o devolverle una traba pequeña y elegida a la parte de la demanda que la necesitaba.

El mismo fenómeno, que cubre un hueco

Una clínica de medicina estética muestra otra forma de vivir el día después. Tenía espacios libres en la agenda por una baja en la demanda y los cubrió mejorando un proceso previo, sin hacer crecer el equipo.

El agente se ocupó de la primera atención: responde las preguntas frecuentes, califica al interesado y agenda el turno. El primer mes fue de ajustes. Con el agente estable, la clínica pudo hacer algo para lo que antes no tenía capacidad: aumentó la inversión en anuncios, porque ahora podía atender a todos los que llegaran.

Los leads generados se duplicaron y el tiempo promedio de respuesta bajó de 7 minutos a 1. Las personas del equipo quedaron a cargo de lo que requiere criterio, los cierres y las consultas médicas. Los turnos también subieron y la agenda los absorbió.

Es exactamente la misma dinámica de la distribuidora: un tramo se vuelve más fácil y aparece más volumen. Esta vez el volumen se fue a buscar, con una decisión de inversión, después de confirmar que el tramo siguiente, la agenda, tenía lugar para recibirlo. El doble de leads lo trajo la inversión en anuncios que el agente hizo posible.

Gartner describe la misma disyuntiva en una encuesta a 321 líderes de atención al cliente publicada en abril de 2026. El 31% hizo o planea despidos por la IA, mientras el 85% está sumando tareas a sus equipos. La consultora plantea la elección en esos términos: hacer el mismo trabajo a menor costo o llevar a las personas hacia lo que la IA no reemplaza.

Cómo se resolvió en la distribuidora

El comprador saturado tenía adelante dos tipos de demanda que pedían respuestas distintas.

La demanda legítima, la que antes viajaba partida para esquivar la orden de compra, se absorbió automatizando el tramo siguiente. El agente pasó a crear el pedido interno de orden de compra, a pedir las cotizaciones a los proveedores y a entregarle al comprador cada pedido cotizado y con un primer análisis hecho. El trabajo del comprador cambió de cargar y perseguir cotizaciones a decidir.

La demanda discrecional, la de los pedidos chicos que antes no valían el esfuerzo, se reguló con políticas. Se definieron criterios para consolidar pedidos y umbrales para cada tipo de compra. Los 12 minutos de carga no volvieron: la traba que quedó es una regla explícita, elegida y visible para todos.

El orden fue ese y conviene leerlo como método: automatizar un tramo, mirar dónde se acumula el volumen, automatizar el siguiente o poner una regla, volver a mirar.

Qué planificar antes del día después

Un agente bien implementado mueve el volumen y la pregunta útil es hacia dónde. Antes de encenderlo, cinco preguntas ordenan esa planificación:

  • 🎯¿Cuál es el tramo siguiente y cuánto aguanta? Si depende de una persona, hay que estimar cuántos casos por día puede resolver con el volumen nuevo.
  • 🔍¿Qué demanda está escondida hoy? Pedidos que se resuelven por afuera, consultas que nadie hace porque responder tarda, compras partidas: todo eso va a aparecer.
  • ⚖️¿Qué parte de la demanda nueva es legítima y qué parte es discrecional? La primera se absorbe con capacidad y la segunda se regula con criterios, umbrales o consolidación.
  • 🧭¿Qué se hace con la capacidad que se libera? Recortar es una opción y crecer es otra. Elegir antes del lanzamiento evita que la decisión la tome la inercia.
  • 📊¿Qué se mide la primera semana? El volumen de cada tramo del proceso, empezando por el que sigue al agente.

La pregunta que conviene hacer antes de implementar sigue siendo la misma que se planteó en cómo saber si una empresa está lista para un agente de IA: si el proceso está definido. El día después suma otra: qué va a pasar en el tramo que sigue cuando el agente funcione. Pensar el proceso completo, con el tramo que se automatiza y los que siguen, es lo que separa un agente de IA que mejora la operación de uno que traslada el problema de lugar.

Preguntas frecuentes

¿Qué pasa con el resto del proceso después de implementar un agente de IA?

El tramo que automatiza el agente se acelera y el volumen que antes frenaba la traba llega entero al tramo siguiente. Si ese tramo depende de una persona y nadie lo dimensionó, el cuello de botella se muda ahí. Es el mismo principio de la teoría de las restricciones: mejorar un punto que no es la restricción del sistema mueve la restricción a otro lugar.

¿Por qué aumenta la demanda cuando un proceso se vuelve más fácil?

Porque la traba también filtraba. Un proceso engorroso desalienta los pedidos chicos y empuja otros por caminos informales. Al sacarle el esfuerzo, esa demanda escondida aparece. Un estudio publicado en BMJ Quality & Safety en 2018 mostró el efecto al revés: agregar clics para pedir un urocultivo bajó esos pedidos un 46,6%, mientras los análisis básicos se mantuvieron.

¿Cómo se evita que el agente sature al equipo que sigue en la cadena?

Antes de encender el agente hay que identificar el tramo siguiente, estimar cuánto volumen aguanta y decidir qué parte de la demanda nueva se absorbe y qué parte se regula. La demanda legítima se absorbe automatizando el tramo siguiente. La discrecional se regula con políticas, por ejemplo consolidando pedidos o fijando umbrales.

¿La capacidad que libera un agente se usa para reducir personal?

Es una decisión de la empresa y conviene tomarla antes del lanzamiento. Según una encuesta de Gartner publicada en abril de 2026, el 85% de los líderes de atención al cliente está sumando tareas a sus equipos y el 31% hizo o planea despidos por la IA hasta el primer trimestre de 2027. La capacidad liberada también sirve para atender más volumen con el mismo equipo.

¿Lo que leíste aplica a tu empresa?

30 minutos para mapear dónde automatizar primero.

Sin genéricos. Sin demos. Un diagnóstico real de tu operación.

Agendá tu diagnóstico →