En junio de 2025, Gartner publicó una predicción que enfrió varias reuniones de directorio: más del 40% de los proyectos de agentic AI se cancelará antes de que termine 2027. Los motivos que enumeró no son técnicos. Costos que se disparan al pasar de la prueba al uso real, valor de negocio que nadie logra demostrar y controles de riesgo que llegan tarde. En paralelo, la misma consultora calcula que de los miles de proveedores que hoy se venden como “agénticos”, apenas unos 130 lo son de verdad. Al resto lo llama agent washing: un chatbot viejo con etiqueta nueva.
Y sin embargo el tren no se detiene. Gartner también proyecta que para 2028 el 60% de las marcas usará agentic AI para sostener interacciones uno a uno con sus clientes. Según su Hype Cycle de agentic AI de 2026, hoy solo el 17% de las organizaciones tiene agentes en producción, pero más del 60% planea desplegarlos dentro de dos años. Para una pyme B2B con un equipo de dos personas, eso deja una pregunta incómoda: cómo subirte a algo que la mitad de las empresas grandes va a abandonar, sin el presupuesto ni el equipo que ellas tienen para experimentar y equivocarse.
La respuesta corta: no adoptas “agentic AI”, adoptas un workflow concreto que ya te duele. Esta nota separa qué es la IA agéntica de qué es humo, muestra tres workflows que rinden con un equipo chico y explica por qué la infraestructura B2B durable que tengas debajo decide si terminas en el 60% que adopta o en el 40% que cancela.
Qué es agentic AI (y qué es agent washing)
La confusión empieza en el nombre, así que conviene separarlo del término que ya vienes usando. La IA generativa, la que cubrimos en la nota sobre sus usos reales en marketing B2B, crea. Le pides un texto, un resumen, una imagen, y responde. Tú disparas cada paso: pides, revisas, vuelves a pedir. Es una asistente rápida, pero espera tu instrucción en cada turno.
La IA agéntica trabaja distinto. Recibe un objetivo (“arma el dossier de esta cuenta antes de la reunión del jueves”), lo descompone en pasos, busca en varias fuentes, decide qué es relevante y entrega un resultado. Toma acciones hacia una meta en lugar de producir un bloque de texto por vez. La diferencia que importa en la operación diaria es simple: un asistente generativo te ahorra minutos dentro de una tarea; un agente bien montado te saca la tarea entera de encima, siempre que el proceso esté definido de antemano.
Ahí aparece el filtro para no comprar humo. Antes de pagar por algo que se vende como “agente”, hazle tres preguntas. ¿Ejecuta varios pasos sin que yo los dispare uno por uno? ¿Se conecta a tus datos y herramientas reales, o solo conversa? ¿Puede fallar de forma visible y avisarte cuando algo salió mal? Si lo único que hace es responder en un chat, es IA generativa con nombre inflado. Útil, pero no es lo que estás por presupuestar.
Y acá está el punto que casi ningún vendedor menciona: un agente corre sobre tus datos y tus procesos. Si tu CRM está sucio, tu definición de lead calificado es ambigua y nadie sabe con certeza qué pasa después de que alguien llena un formulario, el agente va a automatizar ese desorden más rápido y con más seguridad de la que merece. Por eso el prerequisito no es el modelo ni el proveedor: es la infraestructura B2B durable que tengas debajo. Datos ordenados, definiciones escritas, procesos que un humano ya sabe ejecutar. Sin esa base, el agente amplifica el caos en lugar de resolverlo.
Los 3 workflows agénticos que rinden con equipo chico
El error más caro es querer “un agente de IA” en abstracto. Lo que rinde es elegir un solo workflow donde el proceso ya esté claro y el volumen te esté doliendo. Estos tres cumplen las dos condiciones en la mayoría de las pyme B2B con las que trabajamos.
1. Investigación y preparación de cuentas
Qué hace: antes de una reunión comercial, el agente arma el dossier de la cuenta. Noticias recientes, cambios en personas clave, señales de intención, resumen del historial que ya vive en tu CRM. Lo que un comercial haría en cuarenta minutos de pestañas abiertas, queda en tres.
Qué no delegar: la lectura final y el ángulo de la conversación. El agente junta y ordena. Tú decides qué de todo eso importa para ese cliente puntual y cómo abrir la reunión.
Cómo medir: tiempo de preparación por reunión y proporción de reuniones a las que llegaste con contexto real en lugar de improvisando.
2. Enriquecimiento y calificación de leads entrantes
Qué hace: cuando entra un formulario, el agente completa lo que falta (tamaño de empresa, industria, rol de quien consultó), lo compara contra tu perfil de cliente ideal, lo puntúa y lo rutea al comercial correcto o a la secuencia de nurturing que corresponde. El lead deja de esperar horas en una bandeja.
Qué no delegar: la definición del perfil de cliente ideal y el umbral de calificación. Eso es criterio del negocio. El agente lo aplica de forma consistente, no lo inventa. Un agente calificando contra un ICP que nadie escribió es una máquina de decisiones arbitrarias a escala.
Cómo medir: tiempo hasta la primera respuesta y porcentaje de leads calificados que el comercial acepta como buenos. Dónde termina el agente y empieza la persona es una decisión de diseño, no un detalle técnico, y la desarrollamos en nuestra nota sobre el handoff entre IA y agente humano.
3. Operación de contenido y reporting repetitivo
Qué hace: toma una nota publicada y devuelve borradores de newsletter y de posts, resume reuniones grabadas, y arma el primer borrador del reporte mensual cruzando los datos de tus fuentes. Es el trabajo repetitivo que se come las tardes de un equipo chico.
Qué no delegar: la línea editorial y el número final que le muestras al CFO. El agente entrega el primer borrador; la voz de la marca y la verificación de cada cifra siguen siendo tuyas. Un borrador rápido es una ayuda, un dato sin revisar es un problema.
Cómo medir: horas recuperadas por semana y cuánto tienes que reescribir el primer borrador. Si reescribes todo, el proceso todavía no estaba lo bastante definido para delegarlo.
Los tres comparten una característica y por eso funcionan: son procesos con reglas claras y un resultado que puedes verificar. Ahí un agente rinde. En decisiones ambiguas, sin patrón repetible ni forma de comprobar si acertó, todavía conviene la cabeza de una persona.
Caso: la pyme que agentizó un solo workflow y evitó el 40%
Una empresa B2B de servicios tecnológicos, equipo de marketing de dos personas, ciclo de venta de 60 a 90 días. Llegaron pidiendo “un agente de IA” porque un competidor había anunciado en LinkedIn que ya usaba uno. No tenían claro para qué, solo que no querían quedar atrás.
Hicimos lo contrario a lo que pedían. En lugar de comprar autonomía sobre todo, elegimos un solo workflow: el número dos, enriquecimiento y calificación, porque su fuga real era el tiempo de primera respuesta. Los leads buenos esperaban horas y algunos ya habían hablado con la competencia cuando el comercial los llamaba. Antes de conectar ningún agente, ordenamos dos cosas: limpiaron los campos del CRM que estaban a medias y escribieron la definición de su cliente ideal en una sola página. Recién con esa base montamos el agente sobre el formulario.
A los noventa días, el tiempo hasta la primera respuesta pasó de horas a minutos, y el comercial dejó de gastar mañanas en leads que nunca iban a entrar en el perfil. No agentizaron el contenido ni la prospección. Los dejaron para después, cuando el primer workflow probara que el modelo servía. Eso fue lo que los mantuvo lejos del 40% que cancela: no pidieron autonomía sobre un proceso que nadie había definido, y midieron el valor antes de escalar.
Preguntas frecuentes
¿Necesito un data engineer para empezar?
No para el primer workflow. Necesitas datos ordenados, que es distinto de una pila de herramientas cara. Un CRM con campos consistentes y una definición de cliente ideal escrita en una página alcanzan para arrancar con enriquecimiento y calificación. El data engineer aparece cuando quieres unificar varias fuentes en tiempo real, y para entonces ya vas a saber si el agente te dio retorno. Poner el ingeniero antes que el caso de uso es una de las formas más comunes de gastar de más.
¿Un agente reemplaza a mi equipo chico?
No, y encuadrarlo así es el atajo directo al abandono. Un agente reemplaza tareas repetitivas con resultado verificable, no el criterio ni la relación con el cliente. En un equipo de dos personas el valor no es despedir a nadie, es devolverle a esas dos personas las horas que hoy se van en preparar dossiers y calificar leads a mano, para que las usen en las conversaciones que sí cierran negocio.
¿Cuánto cuesta empezar sin caer en consultoría enterprise?
El costo alto casi nunca es la licencia. Es el proyecto de integración que se estira meses y el consultor que cobra por diseñarte algo que todavía no sabes si necesitas. La vía barata es empezar con una herramienta que ya usas y que sumó capacidades agénticas, sobre un solo workflow, y comprar más recién cuando ese primero mostró números. La consultoría enterprise tiene sentido cuando ya validaste el modelo y quieres escalar, no para averiguar si te sirve.
¿Cómo evito ser parte del 40% que cancela?
Los tres motivos que nombra Gartner (costo que se dispara, valor poco claro, riesgo mal controlado) se esquivan con la misma disciplina. Un solo workflow por vez. Una métrica de valor definida antes de arrancar, no después. Y un humano en el loop que pueda ver cuándo el agente se equivoca y frenarlo. La mayoría de los proyectos que se cancelan intentaron autonomía total sobre un proceso difuso y descubrieron el costo cuando ya era tarde.
¿En qué se diferencia de los asistentes de IA que ya uso?
En quién dispara cada paso. Tu asistente generativo espera que le pidas cada cosa: escríbeme esto, resúmeme aquello. Un agente recibe un objetivo y ejecuta la secuencia completa hasta entregarlo, avisando si algo se rompe. Si la herramienta que estás mirando solo responde preguntas de a una, todavía es un asistente, por más que la vendan como agente.
Cómo seguimos
¿Estás por comprar “un agente de IA” sin tener claro qué proceso va a resolver? Conversemos 30 minutos sobre cuál de tus workflows está lo bastante definido para delegarlo y qué necesitas ordenar antes de conectar nada. Construir infraestructura B2B durable, datos limpios y procesos que tu equipo ya sabe ejecutar, es lo que separa al 60% que adopta con retorno del 40% que cancela con la cuenta pagada. Eso es marketing B2B aterrizado: adoptar la tecnología por el problema que resuelve, no por el anuncio del competidor.
Esta nota es parte del cluster sobre IA aplicada en pyme B2B sin humo. Para la base de qué hace la IA generativa y sus cinco usos reales en marketing, mira IA generativa en marketing B2B: 5 usos reales que ya están dando resultado. El diseño del handoff entre el agente y la persona, clave en el workflow de calificación, lo tratamos en nuestra nota sobre telemarketing moderno y el traspaso entre IA y agente humano.
Los casos referenciados en este artículo son escenarios compuestos basados en patrones observados en nuestros clientes B2B. Los nombres, datos específicos y contextos han sido modificados para preservar la confidencialidad.
Don’t work hard, work smart.
