La automatización agentica, el software que razona y se adapta a tareas completas, está apareciendo en los mapas de ruta del Centro de Excelencia en IA (AI CoE). Pero la forma estándar en que las empresas justifican las inversiones en automatización son las horas ahorradas menos los costos laborales menos los costos de construcción, y este modelo fue diseñado para herramientas basadas en reglas como la automatización de procesos robóticos (RPA). Ese modelo omite la mayor parte del valor que crean los agentes.
En este artículo, presentamos un marco que los líderes de AI CoE pueden utilizar para construir un caso de negocio que capture todo el valor de la automatización agentic. Aprenderá por qué el modelo de retorno de la inversión (ROI) de la era RPA no es suficiente, cómo medir el valor que omite y qué flujos de trabajo valen la pena automatizar con agentes.
¿Por qué el caso de negocio tradicional no cumple?
El clásico modelo de retorno sobre la inversión (ROI) se desarrolló para trabajos estables y con alto volumen, basados en reglas: cuenta las transacciones, mide los minutos, multiplica por una tasa cargada y resta el costo de construcción. La RPA ganó su lugar bajo esas condiciones.
El modelo asume el mundo para el cual fue construido. Asume que los procesos son estables, por lo que ignora el costo de mantener la automatización a medida que cambian. Asume que las tareas se basan en reglas, por lo que no tiene líneas de gasto para las excepciones. Asume que el trabajo es todo el proceso, por lo que nunca cuenta el costo de la supervisión humana. Y trata una hora ahorrada como un valor acumulado, cuando la capacidad liberada a menudo se rellena con trabajo pendiente y nunca llega al estado de resultados financieros (P&L). Subfinanciar el trabajo que convierte las horas ahorradas en resultados es el error que McKinsey dice que las empresas siguen cometiendo: las transformaciones exitosas de la IA siguen un “patrón 1:3:5”, donde “por cada dólar invertido en tecnología agentic, las organizaciones gastan tres en rediseño de procesos y cinco en construcción de capacidades y adopción. Sin embargo, la mayoría de las empresas invierten esta fórmula por completo” (McKinsey, “Agentic AI change management: Closing the adoption gap”, 2026).
Asumimos que el valor de la automatización reside en la tarea, pero en la automatización agentica, gran parte de ella se encuentra alrededor de la tarea: el juicio, las excepciones y la coordinación entre sistemas. Los verdaderos beneficios provienen del rediseño del flujo de trabajo en torno a los agentes, no de insertar un agente en un proceso inalterado.
Las dimensiones de valor que el modelo antiguo no logra
Un caso de negocio mejor mide cuatro dimensiones de valor, además de la condición que determina si alcanzan los resultados financieros. Lo llamamos el Modelo de Valor Agente.
Ahorro de tiempo. Todavía cuenta, pero los agentes lo extienden al trabajo que la RPA con reglas fijas maneja mal o solo mediante una lógica extensa de excepciones. La medida sigue siendo la misma. Los agentes lo aplican a una base más amplia de trabajo.
Manejo de excepciones. Las excepciones representan gran parte del costo. La guía de AWS ofrece rangos de planificación: la corrección de un error puede costar de 1,5 a 4 veces el valor original de la transacción, y los errores humanos pueden representar entre el 2 y el 15 por ciento del costo operativo (Guía prescriptiva de AWS, “Evaluación de los costos actuales del proceso humano”). El multiplicador de rework valoriza las excepciones que su equipo detecta. La tasa de error valora aquellas que pasan desapercibidas. Los casos en los que solo se necesita mano de obra omiten ambos valores.
Calidad de la decisión. Los agentes pueden aplicar una política común a gran escala con una justificación registrada, aunque la consistencia y las tasas de error requieren mediciones continuas. Como señala AWS, “las decisiones de bajo volumen pero alto valor podrían justificar la asistencia agente para mejorar la calidad de la decisión en lugar de reducir costos” (Guía Prescriptiva de AWS, “Comprensión de la economía de la IA agente”). Una decisión mejor en crédito, precios o riesgo puede superar un año de minutos ahorrados.
Cambiar la resiliencia y las economías de mantenimiento. Esto funciona en ambos sentidos. Los scripts son frágiles: cuando un escenario o un sistema upstream cambia, se rompen y alguien debe reconstruirlos. Los agentes absorben cierta variación sin necesidad de reescribirlos, pero trasladan el mantenimiento a evaluaciones, prompts y monitoreo, en lugar de eliminarlo, y su ejecución implica un costo propio. En procesos que cambian frecuentemente, la estadística puede favorecer a los agentes; en procesos estáticos, no.
La condición que rige los cuatro casos es la realización de valor: cada beneficio necesita un mecanismo definido que convierta una mejora operativa en valor económico, además de un propietario responsable. Para el trabajo liberado, eso significa reducir gastos o redirigir capacidad hacia un resultado medible y nombrado.
Considere un proceso de clasificación de reclamos, con figuras ilustrativas. Maneja 200,000 reclamos al año, en aproximadamente 12 minutos por reclamo (antes del rework) y 45 dólares por hora, con un costo base de aproximadamente 1.8 millones de dólares. Automatizar el 70 por ciento de la rutina, y se liberarán unos 28,000 horas, o aproximadamente 1.26 millones de dólares de capacidad, antes del tiempo de supervisión que todavía necesitan esos reclamos. Es ahí donde la mayoría de los casos fallan, porque liberar horas no significa ahorrar dinero. La empresa solo gasta menos si emplea menos personas o reduce los gastos en contratistas, horas extras o externalización. De lo contrario, las mismas personas permanecen en la nómina y los resultados financieros no alcanzan los 1.26 millones de dólares. Si el desgaste del personal y la reducción de las horas extras representan la mitad de ese monto, el caso debería tener unos 630,000 dólares, y no el total completo.
La reasignación de las personas es el resultado más común, y entonces el valor es lo que ahora producen. Por cada hora liberada, cuenta el valor reasignado o la reducción en costos en efectivo, no ambos. Luego agrega lo que el caso solo de mano de obra no puede ver. De los 8 por ciento que necesita corrección (16,000 reclamaciones), un costo de corrección de 3.5 veces el costo de manejo aproximado de $9 (12 minutos a $45 por hora) da unos $504,000 en exposición anual de corrección. Eso es una base, no un valor agentic. El valor es la parte que el agente elimina: una reducción del 40 por ciento, ajustada con un factor de realización del 75 por ciento, es un beneficio modelado de casi $151,000. Eso es antes de fijar el precio de una sola decisión mejorada de flagra de fraude. Porque la base de 12 minutos excluye el trabajo adicional, esta pila no se superpone con la capacidad liberada. Si tu base incluye el tiempo de trabajo adicional, cuenta esos ahorros en una sola pila. Esa versión del caso produce un número que las finanzas pueden defender.
Para mantener la consistencia matemática, ajuste el tamaño de cada grupo de valores de la misma manera y calcule los costos, como se resume en la siguiente tabla.
| Pool de valores | Baseline | Delta esperado | Factor de realización | Propietario |
| Capacidad liberada | Horas × tasa de carga | % automatizado | Solo si se reasigna a un resultado específico o los gastos disminuyen | Ops lead |
| Costo de excepción y error | Costo de corrección + pérdidas por errores | Reducción esperada | Fracción capturada | Líder de calidad |
| Calidad de la decisión | Valor de decisiones mejoras | Aumentar por decisión | Parte atribuible | Propietario del dominio |
| Cambiar la resiliencia y la economía de mantenimiento | Costo de reparación de errores de los scripts + tiempo de inactividad | Evité reconstrucciones, cambios más rápidos | Porcentaje de reconstrucciones evitadas, con los costos del agente sumados una vez en la fórmula | Líder de ingeniería |
Indique todo en una sola línea, asignando cada beneficio a un grupo específico para que la doble contabilización no se produzca: Valor anual neto = valor de la capacidad realizada + costos evitados de corrección y error + aumento de resultados de la decisión + mantenimiento y tiempo de inactividad evitados, menos costo de implementación anualizado, menos tiempo de funcionamiento del agente, integración, evaluación, supervisión, gobernanza y costos de gestión de cambios, menos pérdidas por cualquier nuevo error introducido por el agente. Los errores que el agente no elimina ya se encuentran fuera del término de costo evitado, por lo que no los resten una segunda vez. Para un programa plurianual, calcule el costo de implementación en el año en que se dedique, en lugar de anualizarlo; aumente los beneficios a medida que aumente la adopción, y descontar los flujos de efectivo anuales para obtener el valor presente neto (VAN).
Tres implementaciones tempranas de Amazon Quick Automate, el servicio de automatización dentro de Amazon Quick, muestran las dimensiones del sistema en funcionamiento. Kitsa, una empresa de selección de sitios para ensayos clínicos, automatizó la extracción de más de 50 puntos de datos en cientos de miles de sitios web. Informaron un ahorro de costos del 91 por ciento y una aceleración del 96 por ciento en la adquisición de datos, con una cobertura del 96 por ciento; los casos de baja confianza se enviaban a revisores (ahorros de tiempo y manejo de excepciones). Como señaló Rohit Banga, cofundador y CTO de Kitsa, en el artículo del Blog de Machine Learning de AWS, unificar los datos de sitios de alta calidad a gran escala rompió un cuello de botella fundamental. Eso permitió que su Site Finder Agent pesara más sitios con mayor precisión.
dLocal, un proveedor de pagos transfronterizos, automatizó hasta el 75 por ciento de las revisiones de cumplimiento de comerciantes en evaluaciones controladas. Esto liberó a los especialistas para casos complejos y de alto riesgo (calidad de decisión) y añadió verificaciones continuas para detectar desviaciones en las políticas que una revisión manual periódica no podría detectar (resiliencia ante cambios). dLocal informa que los especialistas que antes dedicaban horas a revisiones rutinarias ahora dedican ese tiempo a casos que requieren juicio regulatorio.
Y Genpact, automatizando el riesgo de la cadena de suministro en múltiples sistemas SAP, informa que la analización del impacto de las interrupciones se reduce de 2–3 días a minutos. Es ese tipo de coordinación entre sistemas que ningún sistema de registro por sí solo puede gestionar (ahorros de tiempo y calidad en las decisiones). Ninguna de estas implementaciones demuestra los cuatro conjuntos completos, por lo que es necesario medir cada uno por separado.
Un marco para la priorización
Califique el flujo de trabajo de cada candidato en dos ejes. El primero es la complejidad de la tarea: cuánto razonamiento, contexto y adaptación requiere. El segundo es el riesgo de decisión: el costo de cometer un error, lo que determina cuánta autonomía se puede otorgar. Ambos ejes provienen de las directrices económicas de AWS, y juntos forman una matriz de dos por dos que puede utilizar un comité directivo.
Baja complejidad, bajo riesgo: mantenerlo en RPA, ya que los agentes aumentan el costo sin aportar valor. Alta complejidad, bajo riesgo es la estrategia de capacidad, así que automatizarlo para lograr un mayor rendimiento y absorber excepciones. Alta complejidad, alto riesgo es la estrategia de calidad de decisiones, por lo que mantener a una persona en el proceso y justificar decisiones mejoradas. Baja complejidad, alto riesgo es la estrategia de controles estrictos, así que reforzar los controles alrededor del paso en lugar de añadir razonamientos innecesarios.
Un atajo útil: si una persona se mueve entre sistemas y interpreta un contexto ambiguo en cada paso, evalúe un enfoque agentic. Si el camino sigue siendo determinista, la RPA podría seguir siendo más económica. Utilice el Modelo de Valor Agentic para decidir qué medir y esta matriz para decidir qué priorizar.
Figura 1: Matriz de priorización de la automatización agentic, con ejes adaptados de las Guías Prescriptivas de AWS y clasificaciones ilustrativas
Construyendo el caso a favor de la liderazgo
Presente la inversión como un portafolio de flujos de trabajo, en lugar de un único proyecto. La investigación de McKinsey muestra por qué los pilotos aislados no logran éxito: casi dos tercios de las empresas han experimentado con agentes, pero menos del 10 por ciento ha logrado escalarlos hacia un valor tangible (McKinsey, “Scaling agentic AI with data transformations,” 2026). El valor surge de definir los resultados, de integrar los agentes en los flujos de trabajo principales y de rediseñar los modelos de operación en torno a ellos. Lleve al liderazgo tres a cinco dominios prioritarios, cada uno con su caso en cuatro dimensiones.
La única cosa que puede ganar la confianza de un CFO escéptico es una regla de detención: planificar la inversión con objetivos claros de punto de equilibrio y puntos predefinidos para detener a los agentes de financiación que no cumplen con los estándares. Conectar cada área con un indicador clave de desempeño (KPI) que la dirección ya monitorea, ya sea el costo por servicio, el tiempo de ciclo, el Net Promoter Score o la exposición a cumplimiento normativo. Y trata la gobernanza como una forma de avanzar más rápido: autonomía limitada, supervisión en contextos de alto riesgo y capacidad de auditoría por diseño, lo que permite ampliar la autonomía del agente a medida que se acumulan las pruebas.
Empezar con Amazon Quick
Amazon Quick integra investigación, inteligencia empresarial y automatización en una única experiencia agentic. Con Quick Automate, su servicio de automatización, los equipos orquestan acciones de interfaz de usuario, llamadas a API y revisión humana en los flujos de trabajo empresariales. Esto genera datos de ejecución a nivel de caso que un CoE puede combinar con KPIs operativos y financieros para medir el valor realizado.
Esa medida convierte un primer proyecto en un portafolio. Después de buscar los cuatro grupos de valores, tiende a encontrarlos dondequiera que una persona se mueva entre sistemas, interprete el contexto y elimine excepciones manualmente. Pon en producción un flujo de trabajo, establece sus grupos de valores y costos operativos, designa un propietario y demuestra el número. Luego, el caso del portafolio se acumula a medida que cada nuevo flujo de trabajo reporta resultados.
Conclusión
La pregunta es: ¿dónde la automatización agentica genera valor que las herramientas existentes no pueden, y cómo demostrarlo antes de invertir? La disciplina que describe este artículo, es decir, el dimensionado de cada grupo de valores, la aplicación de factores de realización realistas y el establecimiento de reglas de detención, es lo que hace creíble esa demostración. Los equipos que demuestran el valor en un único flujo de trabajo pueden financiar el siguiente a partir de resultados medidos, en lugar de proyecciones. Para la economía subyacente, un buen punto de partida es la Guía prescriptiva de AWS sobre la economía de la IA agentica.