Hay un punto de inflexión que cambia las conversaciones: cuando los datos pasan de "potencial" a "retorno medible". En agentes de IA, ese punto ya ha llegado. Un estudio reciente con más de 500 líderes técnicos de empresas como Thomson Reuters, Doctolib, L'Oréal y eSentire lo confirma: el 80% reporta retornos económicos medibles de sus inversiones en IA.
Y lo más relevante no es esa cifra. Es lo que viene después.
Los tres principales obstáculos para escalar agentes de IA no son técnicos. Son integración con sistemas existentes (46%), acceso y calidad de datos (42%) y change management (39%). Es decir: el freno no está en el modelo de lenguaje. Está en cómo trabajan los equipos.
Esto conecta directamente con algo que en onext llevamos observando en cada implementación: la tecnología funciona. Lo que falta es el sistema de trabajo que la sostenga.
El estado real de los agentes de IA en 2026
Antes de entrar en el análisis, conviene contextualizar la magnitud de la adopción. Los números del estudio "State of AI Agents 2026" de Anthropic y Material no dejan mucho margen a la interpretación:
Datos clave: State of AI Agents 2026
Fuente: Anthropic + Material | 500+ líderes técnicos encuestados
Esto ya no es una fase de experimentación. Es adopción en producción. Y las cifras de ahorro lo refuerzan: el 59% reporta ahorro en generación de código, otro 59% en documentación, 59% en code review y testing, y un 58% en planificación e ideación.
El patrón es claro: los agentes están absorbiendo el trabajo repetitivo y rutinario para que los equipos dediquen más tiempo a decisiones, arquitectura y estrategia.
Cuatro casos que explican dónde está el valor real
Los datos agregados cuentan una historia. Los casos individuales cuentan otra más concreta. Cuatro empresas del estudio ilustran patrones que vemos repetirse en nuestras propias implementaciones:
Thomson Reuters: de horas a minutos en investigación legal
Thomson Reuters desplegó CoCounsel, un agente legal que da acceso a 150 años de jurisprudencia. Lo que antes requería horas de búsqueda manual ahora se resuelve en minutos.
La clave no fue solo el modelo. Fue la integración con el corpus de datos existente. Sin acceso estructurado a 150 años de documentos, el agente no sirve para nada. La ventaja competitiva no está en el LLM. Está en el contexto que le proporcionas.
eSentire: análisis de ciberseguridad de 5 horas a 7 minutos
eSentire construyó un agente de análisis de amenazas que reduce el tiempo de investigación de 5 horas a 7 minutos, con un 95% de alineamiento con las conclusiones de analistas senior.
Dato crítico: 95% de alineamiento con expertos senior. No es un chatbot genérico. Es un sistema que ha internalizado el criterio de los mejores analistas del equipo. Eso solo es posible si alguien diseñó, estructuró y validó el contexto que el agente consume. Exactamente lo que en onext llamamos context engineering.
Doctolib: reemplazar infraestructura legacy en horas, no semanas
Doctolib usó agentes de código para reemplazar infraestructura de testing legacy. Lo que normalmente llevaría semanas se completó en horas. El resultado: 40% más rápido en entrega de features.
Este caso es particularmente relevante porque demuestra que los agentes no solo sirven para escribir código nuevo. Sirven para modernizar código existente, que es donde la mayoría de equipos tienen el verdadero cuello de botella.
L'Oréal: analytics conversacional con 99.9% de precisión
L'Oréal desplegó un sistema de analytics conversacional que alcanza 99.9% de precisión y es utilizado por 44.000 usuarios mensuales.
Aquí el patrón es diferente: no es desarrollo de software, es democratización del acceso a datos. 44.000 personas que antes dependían de un equipo de analytics ahora consultan datos directamente. Eso libera al equipo técnico para trabajo estratégico.
El patrón que comparten los cuatro casos
Los tres obstáculos que no son técnicos
Si el 80% reporta retorno económico, la pregunta lógica es: y el otro 20%, y los que aún no escalan, ¿qué los frena?
El estudio es bastante preciso al respecto:
No es un problema de API. Es un problema de arquitectura, de silos de datos y de procesos legacy que nadie ha rediseñado para que un agente pueda operar sobre ellos.
Los modelos son tan buenos como los datos que consumen. Si tu documentación está dispersa, tu código sin documentar y tus decisiones arquitectónicas en la cabeza de una persona, el agente no puede hacer su trabajo.
Los equipos necesitan cambiar su forma de trabajar. No basta con dar acceso a la herramienta. Hay que redefinir roles, procesos y criterios de calidad. Y eso requiere liderazgo explícito.
Fíjate: ninguno de los tres es "el modelo no es suficientemente bueno" o "la tecnología no está madura". Son problemas de organización del trabajo, del conocimiento y de la gestión del cambio.
Esto confirma algo que hemos ido articulando en insights anteriores: el éxito de la IA en equipos de desarrollo es organizativo. Los datos de 500+ empresas lo validan a escala.
De dónde viene el ahorro real: no es donde piensas
Cuando se habla de IA y productividad, la primera asociación es "generar código más rápido". Pero los datos del estudio pintan un cuadro más matizado:
Ahorro de tiempo reportado por área
% de organizaciones que reportan ahorro de tiempo significativo en cada área
Lo que llama la atención es la distribución uniforme. No hay un área que domine sobre las demás. El ahorro viene de todo el ciclo: planificación, código, review, testing, documentación. Los agentes están actuando como multiplicadores del flujo completo, no solo de una fase.
Y hay un dato que a menudo pasa desapercibido: el 60% usa agentes para análisis de datos y reportes, y el 48% para automatización de procesos internos. Es decir, los agentes no solo están en el código. Están en las operaciones.
"9 de cada 10 líderes reportan que los agentes están cambiando cómo trabajan sus equipos, dedicando más tiempo a actividades estratégicas, relaciones y desarrollo de habilidades en lugar de ejecución rutinaria."
-- State of AI Agents 2026, Anthropic + Material
Esta cita resume el cambio fundamental: no es que los equipos hagan más. Es que hacen cosas diferentes. Más estrategia, menos ejecución mecánica. Más decisiones, menos tareas repetitivas.
El desarrollo de software como epicentro de la adopción
Un dato del estudio merece su propia sección: el 90% de las organizaciones usan IA para desarrollo de software. No para marketing, no para atención al cliente. Para escribir, revisar y desplegar código.
Y dentro de eso, el 86% despliega agentes específicamente para código en producción. No pruebas de concepto. No demos. Producción.
Esto tiene implicaciones directas para cualquier CTO:
- Si tu equipo no está usando agentes de IA para desarrollo, estás compitiendo con un 90% de empresas que sí lo hacen.
- Si los estás usando pero sin un sistema de trabajo adaptado, probablemente estés en el grupo que no ve retorno real.
- Si los estás usando con contexto estructurado, especificaciones claras y procesos rediseñados, estás en el grupo del 80% que reporta retorno medible.
La diferencia entre el segundo y el tercer grupo no es la herramienta. Es el sistema.
El salto que viene: de workflows a procesos cross-funcionales
Los datos del estudio muestran una evolución en tres fases que coincide con lo que observamos en implementaciones reales:
Autocompletado, generación de código, resúmenes. El 90% ya está aquí. Es la línea base.
Agentes que coordinan entre equipos y departamentos. El 56% planea implementarlos para investigación y reporting. Aquí está el mayor potencial sin explotar.
La fase 3 es donde la complejidad organizativa se dispara. Ya no se trata de que un developer use un agente. Se trata de que un agente opere entre equipos, con datos de múltiples fuentes y decisiones que afectan a varios departamentos.
Y es exactamente donde los tres obstáculos del estudio (integración, datos, change management) se vuelven críticos.
Lo que el estudio valida sobre nuestra tesis
Desde onext llevamos implementando agentes de IA en equipos de desarrollo con una premisa específica: la tecnología es condición necesaria pero no suficiente. El sistema de trabajo es lo que determina el resultado.
Los datos del estudio validan tres pilares de nuestro enfoque:
1. Context engineering como base. El caso de Thomson Reuters (150 años de jurisprudencia estructurada), el de eSentire (95% alineamiento con expertos senior) y el de L'Oréal (99.9% precisión) demuestran lo mismo: el resultado depende del contexto que le proporcionas al agente. No del agente en sí. En onext, esto es context engineering: la práctica de diseñar y gestionar el contexto como un activo de ingeniería.
2. Especificaciones estructuradas sobre prompts ad hoc. Cuando el 86% despliega agentes en producción, ya no puedes depender de que cada developer escriba su propio prompt. Necesitas especificaciones que garanticen consistencia, trazabilidad y calidad. Esto es Spec-Driven Development (SDD).
3. Centros de Excelencia como mecanismo de transformación. El obstáculo de change management (39%) no se resuelve con formación puntual. Se resuelve con un equipo dedicado que rediseña el sistema de trabajo, mide el impacto y escala lo que funciona. Exactamente lo que hace un Centro de Excelencia de IA.
Lo que SDD resuelve: Los tres obstáculos principales del estudio -- integración (46%), datos (42%) y change management (39%) -- son exactamente lo que aborda un Centro de Excelencia de IA con SDD. La "constitución" del proyecto estructura el contexto. Los templates de especificación garantizan la calidad de los datos que consume el agente. Y el playbook de prompts y el flujo de code review son el mecanismo de change management: cambian cómo trabaja el equipo, no solo qué herramienta usa.
Autodiagnóstico: ¿tu equipo está preparado para agentes de IA?
Basándonos en los datos del estudio y en nuestras implementaciones, estas son las señales que diferencian a los equipos preparados de los que van a encontrarse con los tres obstáculos:
Si marcas 5 o más, tu equipo está en buena posición para escalar agentes. Si marcas menos de 3, los obstáculos organizativos van a frenar tu adopción antes que cualquier limitación técnica.
El 80% que viene
El estudio también mira hacia delante. El 81% de las organizaciones planea abordar casos de uso más complejos durante 2026. El 56% planea implementar agentes para investigación y reporting. El 29% está desarrollando agentes cross-funcionales.
Esto significa que la brecha entre empresas que dominan agentes de IA y las que no va a ampliarse. No por la tecnología, que estará disponible para todos, sino por la capacidad organizativa de integrarla en el sistema de trabajo.
Los equipos que llegarán primero a la fase 3 (procesos cross-funcionales) no serán los que tengan mejor acceso a modelos. Serán los que tengan:
- Contexto estructurado como activo de ingeniería.
- Especificaciones que garanticen consistencia a escala.
- Procesos rediseñados, no parcheados.
- Liderazgo técnico que trate la adopción de IA como un cambio de sistema, no como un deployment de herramienta.
El 80% ya genera retorno. El obstáculo para el resto no es la tecnología. Es el sistema de trabajo. Y eso se puede cambiar.
Fuente principal: "State of AI Agents 2026" -- Investigación de Anthropic y Material, encuestando a más de 500 líderes técnicos de empresas como Thomson Reuters, Doctolib, L'Oréal y eSentire. Publicado en el blog de Anthropic (anthropic.com).
Lectura complementaria: Context Engineering: la disciplina que satisface equipos con IA y sin IA | El 70% del éxito de la IA es organizativo
Metodología onext: Los Centros de Excelencia de IA de onext implementan context engineering y Spec-Driven Development para que los agentes generen impacto estructural. Sin paralizar entregas.