Lecciones de nuestras alianzas: Lo que la trayectoria agéntica de AWS puede enseñar a los CEO sobre cómo reconfigurar sus empresas para la IA

A medida que las empresas pasan de experimentar con la inteligencia artificial (IA) a integrar agentes en sus principales procesos empresariales, el desafío se desplaza del acceso a la ejecución. En esta conversación, Greg Pearson, vicepresidente de Ventas Globales de AWS, se une a Liz Hilton Segel, socia sénior de McKinsey, para explicar cómo AWS está replanteando su organización de salida al mercado para la era agéntica, y compartir lo que ha aprendido sobre experimentación, simplificación, gestión del cambio y cómo traducir la IA en un impacto real para los clientes y el negocio. La conversación ofrece lecciones prácticas a los líderes que recorren una trayectoria agéntica similar.

Aprender de nuestros socios de alianzas

Como parte de la red abierta de alianzas de McKinsey, colaboramos con muchas de las organizaciones tecnológicas líderes del mundo para ayudar a nuestros clientes a convertir sus ambiciones digitales y de IA en valor empresarial cuantificable. Estas alianzas brindan a nuestros clientes y a nuestra firma mucho más que acceso a plataformas tecnológicas: les permiten observar de primera mano cómo los líderes del sector están transformando sus negocios.

Amazon Web Services (AWS) es uno de esos socios de alianzas. A través del Amazon McKinsey Group, McKinsey combina su expertise en estrategia y transformación con las capacidades de AWS en la nube, los datos y la IA para ayudar a las organizaciones a pasar de la experimentación con IA a generar impacto a escala empresarial. Sin embargo, AWS no solo es un socio que ayuda a nuestros clientes a transformarse, sino también una empresa que está llevando a cabo su propia y ambiciosa transformación basada en agentes, incluso dentro de su organización de salida al mercado.

La mayoría de las organizaciones todavía tratan la IA como una implementación tecnológica, en lugar de como un rediseño fundamental de la manera en que se realiza el trabajo, y la brecha entre la experimentación y el impacto sigue ampliándose. La trayectoria que está recorriendo AWS también sirve como una poderosa demostración del enfoque Rewired de McKinsey para la transformación digital y de IA: combinar tecnología, talento, modelo operativo y adopción impulsada por el negocio para generar resultados empresariales.

A continuación, analizamos cómo AWS está aplicando la IA basada en agentes para reconfigurar su motor de salida al mercado y las lecciones que los CEO pueden extraer de sus avances, desafíos y decisiones a lo largo del camino.

La IA está transformando la manera en que operan las organizaciones, con hasta $2.9 billones de dólares de valor en juego solo por la automatización. Sin embargo, a pesar de la experimentación generalizada, solo el 39 por ciento de las organizaciones reportan mejoras cuantificables en el EBIT gracias a la IA.

Con demasiada frecuencia, la IA se incorpora a formas de trabajo manuales ya existentes, en lugar de utilizarse para rediseñar la manera en que se realiza el trabajo. Las organizaciones que están generando valor empresarial no se limitan a implementar IA: están replanteando la manera en que los datos, los flujos de trabajo, la tecnología y los equipos funcionan de manera conjunta.

La experiencia de AWS ofrece un ejemplo de los cambios organizativos necesarios para escalar el impacto de la IA en una gran empresa. Como compañía global multimillonaria que busca ampliar su alcance mediante la IA, AWS ha estado reinventando la manera en que opera su motor de salida al mercado mediante capacidades agénticas. Esto ha requerido equilibrar una cultura que empodera a las personas para innovar con la estructura, los datos y los estándares necesarios para escalar. La experiencia de AWS pone de relieve tanto las oportunidades como los desafíos de pasar de casos de uso inconexos a un modelo operativo más integrado, ágil, personalizado y habilitado por agentes.

Vista desde la perspectiva del marco Rewired de McKinsey —que alinea la estrategia, los datos, la tecnología, el modelo operativo y el talento para liberar el impacto de la IA—, la trayectoria de AWS ofrece cinco lecciones para las organizaciones que buscan convertir la experimentación con IA en valor empresarial sostenido (vea el recuadro “Cinco lecciones de la trayectoria agéntica de AWS”).

Aunque el camino no fue lineal, AWS ha comenzado a traducir estas lecciones en resultados. Los equipos de atención al cliente ahora utilizan agentes para desarrollar estrategias, generar soluciones personalizadas y pasar de los insights a la acción con mayor rapidez a lo largo del ciclo de vida del cliente. En un caso, un agente de análisis de cartera asistido por IA identificó casi $77 millones de dólares en oportunidades comerciales adicionales dentro de un segmento de negocio. En otro, tras conocer durante una cena una nueva prioridad de negocio de un cliente, un gerente de cuenta utilizó un agente esa misma noche para convertir ese conocimiento y los datos históricos en una demostración personalizada, que al día siguiente presentó con confianza en la conferencia del cliente.

A partir de este impulso, AWS está avanzando hacia un modelo operativo más integrado: un entorno de trabajo colaborativo basado en agentes en el que agentes de IA personalizados trabajan como compañeros de equipo junto con las personas. Los equipos de atención al cliente —desde gerentes de cuenta hasta arquitectos de soluciones— pueden crear, compartir y reutilizar agentes en diferentes regiones y funciones, lo que permite obtener insights más consistentes y ejecutar con mayor rapidez.

Las secciones siguientes exploran cada una de estas lecciones en detalle, basándose en la experiencia de AWS para destacar lo que se necesita para implementar agentes a escala. Si bien se presentan por separado, en la práctica estas lecciones evolucionaron de manera iterativa, y los avances en estrategia, datos, tecnología y adopción se reforzaron mutuamente con el tiempo.

A medida que aumentan las expectativas de los clientes y se acelera el ritmo de los negocios, muchas organizaciones están incorporando IA a los flujos de trabajo existentes para avanzar con mayor rapidez. Sin un estado final claramente definido, estos esfuerzos suelen fragmentarse en casos de uso inconexos que no logran escalar ni acumular valor. En contraste, las organizaciones que están obteniendo el mayor impacto de la IA se centran en uno a tres dominios de negocio y los reinventan de principio a fin, lo que se traduce en un aumento promedio del 20 por ciento en las ganancias antes de intereses, impuestos, depreciación y amortización (earnings before interest, taxes, depreciation, and amortization, EBITDA). El punto de partida es una estrategia clara y un norte estratégico bien definido.

Para AWS, uno de esos dominios prioritarios que se comprometió a transformar de principio a fin fue su función de salida al mercado (gráfica). Al igual que muchas organizaciones, AWS abordó inicialmente la IA basada en agentes de manera oportunista, con equipos que desarrollaban agentes para atender necesidades específicas en distintas áreas de la empresa. A medida que crecía la adopción, AWS observó tanto el potencial como las limitaciones de este enfoque: las implementaciones de agentes en áreas aisladas de la organización podían resolver problemas locales, pero no podían generar los resultados coordinados en toda la compañía que AWS buscaba. En lugar de escalar esfuerzos inconexos, AWS estableció una visión del estado futuro sobre cómo debían trabajar conjuntamente los equipos de atención al cliente, los sistemas y los agentes, y utilizó esa visión para guiar los esfuerzos de transformación posteriores.

El punto de partida, sin embargo, reflejaba la realidad de un negocio que había crecido rápidamente durante dos décadas. AWS llevaba mucho tiempo empoderando a los equipos para innovar con prontitud e invertir para apoyar el crecimiento. Con el tiempo, ese enfoque contribuyó a la proliferación de herramientas y flujos de trabajo, así como a una creciente fragmentación de los datos y los sistemas. A medida que los equipos avanzaban con rapidez para responder a las necesidades cambiantes de los clientes y del negocio, AWS desarrolló más de 200 herramientas propias, que operaban con múltiples fuentes de datos, sin una visión coherente del negocio. Los procesos desde la oportunidad hasta el cobro abarcaban más de 40 sistemas, lo que ralentizaba la coordinación, aumentaba el riesgo relacionado con los datos y generaba fricciones.

Estos desafíos también afectaban a los clientes. En un caso, una institución financiera señaló que un competidor más pequeño y habilitado por IA había proporcionado una solución empresarial y técnica en dos horas, mientras que AWS requirió múltiples traspasos entre expertos para producir un resultado comparable.

Al reconocer que añadir más herramientas solo agravaría la complejidad, AWS aplicó internamente su principio de obsesión por el cliente y trató a sus propios equipos de atención al cliente y a sus socios como “Cliente Uno” (“Customer One”). La compañía emprendió un esfuerzo plurianual para simplificar y unificar su modelo de salida al mercado, reduciendo la fragmentación de los datos, las herramientas y los flujos de trabajo. A principios de 2025, cuando los equipos comenzaron a experimentar con la IA basada en agentes en distintas áreas de la empresa, AWS reconoció el riesgo de recrear la misma complejidad que había dedicado años a resolver. En lugar de permitir que proliferaran implementaciones inconexas de agentes, AWS alineó a los equipos de negocio, producto e ingeniería en torno a una visión compartida de cómo debían operar los equipos de atención al cliente, los sistemas y los agentes.

Esta evolución reformuló la manera en que AWS aplicaba uno de sus principios operativos fundamentales: “Dos es mejor que ninguno, pero uno es lo mejor”. La experimentación inicial con múltiples soluciones aceleró la innovación, pero también generó duplicación y fragmentación. Con el tiempo, AWS avanzó hacia un modelo más unificado, creando la coherencia y la base compartida necesarias para operar con mayor rapidez y agilidad a escala. Mecanismos como los foros interfuncionales y las sesiones semanales de “IA Across AWS” ayudaron a alinear las prioridades y garantizar que las capacidades desarrolladas en una parte de la empresa pudieran escalarse a toda la organización. Este modelo preservó la libertad de los equipos para experimentar, al tiempo que establecía estándares compartidos, capacidades reutilizables y formas de trabajo comunes que podían escalarse a toda la empresa.

El norte estratégico quedó claro: pasar de formas de trabajo inconexas a una base compartida de salida al mercado en la que los equipos de atención al cliente, los sistemas y los agentes operen a partir del mismo contexto y actúen con mayor rapidez a lo largo del recorrido del cliente.

La IA agéntica solo es tan eficaz como los datos sobre los que puede actuar. Las organizaciones líderes tratan los datos como un producto empresarial: se crean una vez, se gobiernan de manera centralizada y se reutilizan en análisis, aprendizaje automático e IA generativa.

Al igual que muchas organizaciones, AWS tenía datos dispersos en distintos sistemas, con diferentes definiciones y responsables. Incluso siendo una empresa nativa digital, los equipos trabajaban a partir de visiones inconexas, lo que a menudo requería conciliación manual y ralentizaba la toma de decisiones. AWS reconoció que esto suponía una limitación para escalar y comenzó a abordarla en iniciativas de transformación anteriores, sentando las bases para su trayectoria agéntica.

AWS consolidó cientos de conjuntos de datos en un grupo más reducido de 20 conjuntos de datos fundamentales que abarcan ventas, socios, servicios y marketing, lo que permite a la IA detectar patrones entre dominios que antes estaban aislados. Se estandarizaron definiciones fundamentales —como las jerarquías de clientes, los roles y los ingresos— para crear una taxonomía única. Por ejemplo, se unificaron más de 75 definiciones de roles de campo, lo que permitió aclarar las responsabilidades. Los datos de clientes y socios (es decir, cuentas, entidades legales y contratos) ahora están conectados en una vista única, lo que ayuda a los equipos a priorizar cuentas e identificar oportunidades.

Esto creó una fuente de información fidedigna y gobernada. Los equipos de atención al cliente ya no necesitan conciliar datos entre distintos sistemas, y los datos ya no se gestionan por función, sino como un activo empresarial compartido.

Sobre esta base, AWS creó una experiencia analítica integrada que abarca funciones, unidades de negocio, sectores y geografías. Los equipos de atención al cliente pueden acceder en un solo lugar a la información que necesitan, adaptada a su rol, mientras que los agentes de IA muestran de manera proactiva señales y contexto relevantes para respaldar las decisiones. Los líderes pueden consultar el desempeño en distintas regiones y unidades de negocio, mientras que los equipos de atención al cliente pueden realizar un seguimiento del estado de la cartera de oportunidades y de las señales de los clientes. Los controles de acceso integrados ayudan a garantizar que los datos se mantengan seguros y confiables.

Esta experiencia reúne datos estructurados (por ejemplo, cartera de oportunidades, cuentas y métricas de desempeño) y datos no estructurados (es decir, interacciones con clientes, notas y documentos) en una vista única y coherente. Esto permite que los agentes y los clientes operen a partir de la misma información. Una interfaz basada en IA permite a los equipos consultar los datos en lenguaje natural, lo que reduce el esfuerzo manual necesario para acceder a la información y sintetizarla. El impacto va más allá de una mejor generación de informes. Los insights que antes tardaban días en obtenerse ahora están disponibles casi en tiempo real, lo que permite ofrecer respuestas más coordinadas a los clientes entre los distintos equipos. Al unificar su base de datos, AWS trabajó para eliminar una fuente clave de fricción y crear las condiciones necesarias para establecer flujos de trabajo agénticos a escala empresarial.

Una vez establecida la base de datos, el siguiente paso es rediseñar los flujos de trabajo. Aquí es donde muchas organizaciones se quedan cortas: incorporan IA a los procesos existentes en lugar de reinventarlos de principio a fin. De hecho, las organizaciones líderes en IA tienen casi tres veces más probabilidades de haber rediseñado fundamentalmente sus flujos de trabajo y obtienen las mayores mejoras en el EBIT gracias a la IA.

AWS aplicó este principio replanteando cómo opera su organización de campo y qué trabajo requería realmente la participación humana. El Estudio de Asignación de Tiempo en Campo anual de AWS reveló una oportunidad: los miembros de los equipos de atención al cliente podían recuperar tiempo para dedicarlo a los clientes si los agentes se hacían cargo de la preparación de reuniones y el trabajo administrativo. Para abordar esta oportunidad, AWS desglosó cómo se realiza el trabajo y condensó aproximadamente 35 roles desempeñados por casi 40,000 miembros de su organización de campo en funciones fundamentales, con el fin de identificar dónde los agentes de IA podrían reducir de manera significativa el esfuerzo manual.

El rediseño de los flujos de trabajo de AWS no estuvo impulsado únicamente desde el centro. Si bien el Estudio de Asignación de Tiempo en Campo ayudó a identificar oportunidades de alto valor, AWS también se benefició de una cultura de personas con iniciativa para crear, deseosas de experimentar con la IA en su trabajo cotidiano. Equipos de toda la empresa comenzaron a desarrollar conceptos de agentes para abordar desafíos locales y mejorar la manera en que atendían a los clientes. No todas las ideas pudieron escalarse, y el estudio no permitió anticipar todos los casos de uso de alto valor. Sin embargo, gracias a una base de datos común y una arquitectura compartida, AWS pudo aprovechar estas innovaciones surgidas desde las bases, evaluar su aplicabilidad a mayor escala y desarrollar los conceptos más prometedores para su uso en toda la empresa. La transformación de los flujos de trabajo se convirtió en una combinación de priorización de arriba hacia abajo e innovación de abajo hacia arriba.

Esto dio lugar a la creación de un conjunto de capacidades que operaban a lo largo del ciclo de vida comercial, manteniendo el contexto del cliente en los flujos de trabajo de ventas, socios y marketing. En lugar de implementar herramientas de IA aisladas, AWS rediseñó partes del proceso comercial para reducir la investigación manual, agilizar la coordinación, minimizar los cambios de contexto y acelerar la conversión de los insights sobre los clientes en acciones concretas.

En la parte superior del embudo, los flujos de trabajo de prospección que antes dependían de datos fragmentados y de la investigación manual de cuentas se reconstruyeron en torno a insights generados dinámicamente a partir de señales de intención, interacciones históricas e información de los clientes. Según AWS, estos cambios contribuyeron a lograr tasas de apertura de correos electrónicos aproximadamente dos veces superiores al promedio y, en un piloto inicial, un aumento de casi 4.5 veces en la conversión de clientes potenciales calificados para ventas.

A medida que las oportunidades avanzan por la cartera comercial, los equipos de atención al cliente de AWS utilizan flujos de trabajo habilitados por agentes para respaldar de manera más integrada el desarrollo de estrategias para los clientes, la planeación de cuentas y el diseño de soluciones. AWS estima que los agentes han reducido el tiempo de preparación de la estrategia para el cliente en aproximadamente siete horas por interacción, lo que permite a los equipos dedicar más tiempo a los clientes. En un ejemplo compartido por AWS, una conversación rutinaria sobre una cuenta evolucionó hasta convertirse en una conversación estratégica más amplia después de que un análisis asistido por IA revelara una oportunidad de monetización no identificada previamente en los activos de datos existentes del cliente. Además, en un piloto inicial, AWS informó que su capacidad de estrategia de ventas habilitada por IA contribuyó a crear un 30 por ciento más de oportunidades y a poner en marcha un 44 por ciento más de oportunidades.

En estos flujos de trabajo, la IA está pasando cada vez más de ser un conjunto de herramientas independientes a convertirse en una capa de orquestación integrada en la manera en que trabajan los equipos. En lugar de ayudar a las personas a completar tareas aisladas, los agentes coordinan cada vez más actividades entre los equipos de atención al cliente, los sistemas y los flujos de trabajo de clientes, manteniendo el contexto, activando acciones y conectando el trabajo a lo largo del ciclo de vida del cliente. Las actividades que antes requerían múltiples pasos y traspasos ahora pueden realizarse de manera más integrada, lo que reduce el tiempo necesario para generar valor y permite a los equipos de atención al cliente centrarse en interacciones de mayor valor con los clientes.

A medida que se ponen en marcha nuevas funcionalidades, la medición se vuelve fundamental no solo para hacer un seguimiento del uso, sino también para comprender qué funciona y dónde invertir. Sin embargo, menos del 20 por ciento de las organizaciones realizan un seguimiento de indicadores clave de desempeño (key performance indicators, KPI) bien definidos para la IA generativa, a pesar de su relación con el impacto en los resultados financieros.

AWS no fue la excepción. Conforme se ampliaban las capacidades agénticas, los equipos hacían un seguimiento de las mejoras en la productividad, el ahorro de tiempo y la adopción de herramientas individuales, pero la medición seguía fragmentada y, a menudo, desconectada de resultados empresariales más amplios. Esto dificultaba comparar el desempeño entre iniciativas, evaluar el impacto general o priorizar eficazmente las inversiones.

Para abordar este problema, AWS estableció un marco de medición estandarizado que integra la telemetría de los flujos de trabajo —incluidos el uso y el tiempo dedicado a las tareas— con el seguimiento de la adopción, las pruebas A/B para la experimentación y las métricas de desempeño empresarial. Esto permite conocer cómo se utilizan las herramientas basadas en agentes en las distintas funciones y roles. Sin embargo, AWS todavía se enfrenta a un desafío común a muchas organizaciones: demostrar que la adopción y las mejoras en la productividad se traducen en valor empresarial cuantificable. Sin vínculos más claros con resultados, como la conversión, el tamaño de las operaciones, la experiencia del cliente y el desempeño de los ingresos, sigue siendo difícil determinar qué capacidades generan el mayor impacto y dónde debe concentrarse la inversión futura.

Al mismo tiempo, la medición por sí sola no basta. En última instancia, el valor depende de la adopción, y esta ha sido desigual y difícil, incluso en empresas como AWS. Si bien las capacidades de IA han avanzado rápidamente, la gestión del cambio no siempre ha mantenido el mismo ritmo. En algunos casos, las capacidades se extendieron a públicos para los que aún no habían sido diseñadas. Por ejemplo, una capacidad de prospección alcanzó una adopción superior al 90 por ciento entre los usuarios a los que estaba destinada, pero su tasa de adopción general pareció estancarse inicialmente por debajo del 50 por ciento después de que el acceso se ampliara a un grupo más amplio cuyos flujos de trabajo la herramienta no había sido diseñada para respaldar. La brecha reflejaba un desajuste entre la capacidad y las necesidades del público ampliado.

Incluso cuando los usuarios adecuados tenían acceso, la adopción no era automática. Los equipos de atención al cliente y los gerentes a menudo no tenían claro qué agentes usar, cuándo utilizarlos y cómo incorporarlos a sus flujos de trabajo cotidianos. Los usuarios también se enfrentaban a un costo de incorporación: conectar agentes, configurar permisos y completar la configuración antes de obtener algún valor. Estos pasos adicionales generaban fricción, ralentizaban la adopción y reforzaban el desafío operativo de llevar las capacidades de IA de la disponibilidad al uso cotidiano.

Estos patrones reflejan un desafío más amplio para las organizaciones en esta etapa: la adopción se trata como un esfuerzo posterior en lugar de incorporarse al diseño de las capacidades desde el principio. Las organizaciones líderes diseñan pensando en la adopción de principio a fin e integran desde el inicio orientación, flujos de trabajo y herramientas de capacitación específicos para cada rol, en lugar de añadirlos posteriormente. Respaldan este compromiso invirtiendo hasta cinco veces más en iniciativas de gestión del cambio.

AWS está abordando este desafío de manera más directa. Los promotores en campo brindan apoyo entre pares, ayudando a los equipos a desenvolverse con las nuevas capacidades e incorporarlas a su trabajo cotidiano, mientras que se están llevando a cabo sesiones de inmersión para preparar a los líderes con el fin de que integren la IA en los flujos de trabajo y sean un ejemplo del cambio para sus equipos. A medida que los líderes perciben el valor, están incorporando herramientas a los ritmos fundamentales del negocio —por ejemplo, haciendo obligatorio el uso de herramientas de generación de informes basadas en IA en las revisiones de negocio semanales y mensuales— y creando espacios para que los equipos muestren nuevas capacidades.

A lo largo del proceso, AWS ha observado algunos beneficios inesperados. A medida que la IA reduce el tiempo necesario para recopilar información, revisar pronósticos y preparar informes, algunos gerentes están descubriendo que pueden dedicar menos tiempo a revisar datos y más tiempo a orientar a los equipos y desarrollar talento. Si bien no era un objetivo explícito de la transformación, AWS considera este cambio una señal alentadora de que la IA puede liberar a los líderes para que concentren más energía en los aspectos exclusivamente humanos de la gestión.

A medida que se acelera la innovación, el impacto sostenido dependerá menos de introducir nuevos agentes y más de integrarlos en la manera en que ya se realiza el trabajo. AWS está evolucionando hacia una experiencia agéntica integrada, en la que los agentes de cara al usuario, conectados con el conocimiento empresarial, los datos contextuales y las habilidades especializadas, pueden brindar apoyo directamente a los usuarios dentro de los flujos de trabajo. AWS considera que, al minimizar las fricciones y reducir la necesidad de cambios de comportamiento, la adopción se convierte en una extensión más natural de las herramientas y los entornos en los que ya se apoyan los equipos de atención al cliente, lo que, en última instancia, permite a las organizaciones escalar el impacto de manera más eficaz.

Si bien muchas organizaciones aún se encuentran en las primeras etapas de la adopción de la IA, los modelos basados en agentes que están surgiendo indican un posible cambio en la manera en que el trabajo podría organizarse y ejecutarse con el tiempo, con personas y agentes colaborando más estrechamente en los flujos de trabajo y los procesos de toma de decisiones.

Según AWS, este cambio ha dado lugar a formas de trabajo más habilitadas por agentes, en las que estos pueden aprovechar datos empresariales compartidos, conocimiento del negocio y contexto del cliente para respaldar el trabajo a lo largo del ciclo de vida del cliente. AWS considera que, con el tiempo, esto puede crear un entorno operativo más conectado entre equipos y flujos de trabajo. Para hacer realidad esta visión, es necesario que los agentes operen a partir de una comprensión compartida del negocio. Por ello, AWS está desarrollando una capa de conocimiento compartido que conecta fuentes de datos estructurados y no estructurados, lo que permite interpretar la información de manera más coherente en toda la organización.

Para respaldar un conjunto creciente de agentes, AWS está adoptando estándares como el Protocolo de Contexto de Modelo (Model Context Protocol, MCP), con aproximadamente 4,000 servidores MCP desarrollados internamente. Los MCP ayudan a los agentes a acceder a información, interactuar con herramientas y realizar acciones en diferentes sistemas de manera más fluida.

Al crear formas más coherentes para que los agentes accedan a la información e interactúen con los sistemas, AWS busca hacer que las capacidades sean más reutilizables y fáciles de integrar en toda la empresa. Un registro compartido permite a los equipos de atención al cliente descubrir agentes existentes, mientras que los entornos aislados seguros proporcionan vías estandarizadas para crear nuevos agentes que puedan colaborar con otros.

En lugar de exigir a los usuarios que naveguen entre múltiples herramientas o agentes, AWS se está centrando en crear capacidades reutilizables y sin interfaz (“headless”) que puedan integrarse en diferentes aplicaciones, flujos de trabajo y experiencias de usuario. Según AWS, la misma capacidad subyacente puede brindar apoyo a los usuarios dondequiera que se realice el trabajo, aprovechando datos, conocimientos y procesos de negocios compartidos para proporcionar insights y acciones relevantes en contexto. Cada vez más, se accede a estas capacidades a través de experiencias comunes para los empleados, como el entorno de escritorio Quick de AWS, que brinda un punto de entrada unificado a agentes, conocimientos y flujos de trabajo. A medida que se introducen nuevas capacidades, estas pueden integrarse de manera más coherente en los sistemas existentes y ponerse a disposición de los usuarios a través de interfaces conocidas, en lugar de exigirles que adopten nuevas herramientas.

AWS considera que este enfoque puede permitir una mayor personalización de los agentes y, al mismo tiempo, preservar la seguridad, los controles de acceso y la coherencia en toda la organización. A medida que los usuarios crean agentes y habilidades cada vez más personalizados, AWS se centra en sustentar esas capacidades en datos empresariales confiables y un contexto compartido, lo que ayuda a mejorar la precisión de las respuestas y proporciona una experiencia más coherente entre equipos y flujos de trabajo. Para los líderes, la implicación va más allá de la arquitectura: cuando los agentes se convierten en compañeros de equipo en lugar de herramientas, las estructuras de los equipos, la responsabilidad sobre las decisiones y las expectativas de desempeño deben evolucionar junto con ellos.

En términos más generales, la experiencia de AWS ofrece una idea de cómo los modelos operativos basados en agentes podrían transformar la empresa. En lugar de depender principalmente de aplicaciones independientes, las organizaciones podrían explorar cada vez más sistemas autónomos y coordinados en los que los agentes respalden los flujos de trabajo dentro de límites definidos para la supervisión y la intervención humana.

A medida que estos modelos maduren, es probable que los roles también evolucionen. Los equipos de atención al cliente podrían centrarse más en la innovación rápida con clientes y socios para reducir el tiempo necesario de generación de valor, mientras que los equipos de operaciones podrían reinventar mecanismos y flujos de trabajo fundamentales para la colaboración entre personas y agentes. A su vez, el éxito podría evaluarse cada vez más en función de los resultados empresariales.

La evolución agéntica de AWS demuestra que escalar agentes implica una transformación del modelo operativo, más que un simple desafío tecnológico. El mayor valor reside no en implementar más herramientas de IA, sino en rediseñar la manera en que los datos, los flujos de trabajo y las personas interactúan para que la inteligencia se traduzca en acciones.

A lo largo del trayecto de AWS surgió un patrón constante: los avances provinieron de concentrar los esfuerzos en un dominio de negocio que pudiera transformar el desempeño y los resultados para los clientes, desarrollar una base sólida de datos de alta calidad e integrar agentes en la manera en que se realiza el trabajo. A medida que estos elementos se combinaron, los agentes pasaron de ser casos de uso inconexos a formar parte de un sistema coordinado de capacidades reutilizables y flujos de trabajo interoperables, lo que permitió que la información fluyera de manera más consistente en toda la empresa.

Al mismo tiempo, la experiencia de AWS pone de manifiesto lo difícil que puede ser la transformación a escala empresarial. Los desafíos relacionados con la adopción y la medición del valor persistieron incluso con un sólido respaldo de la alta dirección, importantes recursos técnicos y una cultura basada en la innovación.

El trayecto de AWS ofrece una visión de un cambio más amplio que ya está en marcha. A medida que los agentes se integran cada vez más en los procesos de negocio, la ventaja competitiva puede depender menos del acceso a la IA en sí misma y más de la capacidad de una organización para integrarla en el entramado de sus operaciones. Los líderes de la próxima era tal vez no sean quienes tengan más agentes, sino quienes estén dispuestos a utilizarlos para replantear radicalmente la manera en que se trabaja.