He pasado décadas observando cómo las tecnologías transformadoras siguen patrones predecibles. Primero, la exageración, luego el escepticismo y, finalmente, cuando se dan las condiciones adecuadas, la adopción que remodela industrias enteras.
Estamos en el punto de adopción de la IA agente. Según una investigación de Gartnerpara 2026, más del 80% de los proveedores de gestión del ciclo de vida del producto (PLM) habrán incorporado capacidades de inteligencia artificial en sus plataformas para áreas funcionales clave, en comparación con menos del 40% en 2025.
La IA agente es como contratar a un gerente de operaciones experimentado que nunca duerme. En el mundo del desarrollo de productos, el cambio es una constante. Un proveedor sube los precios. Un componente falla en el campo. Los aranceles cambian de la noche a la mañana. Cada cambio repercute en el negocio, pero la mayoría de las empresas no pueden ver el impacto total hasta que es demasiado tarde.
Los datos conectados cambian la ecuación
Los sistemas tradicionales de gestión de productos rastrean la transacción de cambio (qué cambió, cuándo y quién lo aprobó), pero no responden preguntas comerciales importantes:
-¿Cuánto nos costará esto?
-¿Qué clientes se verán afectados?
-¿Cómo impacta esto en nuestro pronóstico?
Para estas preguntas, alguien tiene que extraer manualmente datos de ingeniería, calidad, operaciones, finanzas, etc. y pasar días conciliando hojas de cálculo. Cuando tienen la respuesta, el daño ya está hecho.
La IA agente convierte el análisis de impacto de un ejercicio reactivo en una ventaja proactiva. Pero solo funciona cuando los datos del producto están conectados en toda la empresa, desde el diseño hasta la fabricación, las ventas, el marketing y el servicio de campo.
Conectar los detalles del producto con los SKU comerciales, la cadena de suministro y los activos de campo serializados desbloquea información que ayuda a tomar decisiones comerciales más rápidas e inteligentes. El impacto empresarial es inmediato:
- Visibilidad de costos: Cuando lleguen los aranceles, identifique instantáneamente qué productos se ven afectados y en qué medida, antes de que se erosionen los márgenes.
- Reducción de residuos: Comprenda el costo de los materiales que deben desecharse antes de realizar el siguiente pedido.
- Protección de ingresos: vea cuánto tiempo llevará implementar un cambio y qué significa para los compromisos y pronósticos de los clientes.
- Agilidad de la cadena de suministro: Identifique qué piezas necesitan un abastecimiento alternativo para satisfacer la demanda antes de que se produzca escasez.
- Retención de clientes: Brinde servicio proactivo a los clientes cuando surjan fallas en las piezas para evitar tiempos de inactividad.
Pero aquí es donde muchos ejecutivos se equivocan: suponen que la IA agente significa que finalmente pueden deshacerse de sus plataformas SaaS. Eso no podría estar más lejos de la verdad.
La verificación de la realidad de la infraestructura
Después de haber implementado sistemas PLM heredados para fabricantes en mi época de Accenture (sistemas que sorprendentemente todavía avanzan cojeando hoy en día), he visto lo que sucede cuando las empresas buscan nuevas tecnologías brillantes sin una infraestructura adecuada.
Los agentes sin sistemas estructurados son como darle a un piloto de carreras las llaves de un auto de Fórmula 1 pero sin una pista por donde conducir. Claro, el auto es impresionante, pero sin las barandillas adecuadas, estás camino al desastre.
Esto es especialmente cierto en industrias reguladas donde no seguir procesos específicos o no conservar pistas de auditoría puede cerrar completamente una empresa. Considere un fabricante con 10 años de registros de inspección de calidad. Un agente que analice estos datos históricos de transacciones podría notar que un campo de cumplimiento se ha completado menos del 50 % de las veces sin impacto comercial. Según el patrón, el agente podría determinar que el campo no es importante y dejar de solicitar al usuario que lo complete. Pero ese campo podría ser un requisito de presentación de informes de la FDA que aún no ha sido auditado. En el momento en que se produce una inspección regulatoria, los datos faltantes se convierten en una infracción de cumplimiento que podría detener la producción. Una capa SaaS subyacente abordaría esto al exigir qué campos son obligatorios para el agente, independientemente de las tasas de finalización históricas.
La solución no es abandonar al agente, sino garantizar que la plataforma SaaS subyacente aplique las reglas comerciales que el agente debe seguir. Entonces el agente puede volverse increíblemente eficaz una vez que comprenda qué procesos no son negociables.
La gobernanza de datos no es opcional
Aquí hay una prueba de fuego para su organización: ¿Pueden sus sistemas actuales identificar a un agente de IA que debería y no debería tener acceso a especificaciones de productos patentadas o datos personales de los empleados? Si la respuesta es no, no está preparado para la IA agente a escala.
Las plataformas SaaS proporcionan la estructura de gobierno de datos que los agentes necesitan desesperadamente. Sin él, se enfrenta a dos malas opciones: o no puede aplicar ningún permiso o dedica un esfuerzo significativo a recrear permisos manualmente en modelos de IA. Luego, cuando los permisos cambien, sus agentes se volverán locos, accederán a datos que no deberían o tomarán decisiones basadas en reglas obsoletas. Básicamente, le estás dando a una poderosa herramienta de automatización acceso a todo sin ninguna forma de hacer cumplir permisos, pistas de auditoría o requisitos de cumplimiento.
Esto es especialmente crítico en industrias reguladas. Cuando un auditor de la FDA solicita ver el proceso de decisión para el retiro de un producto, necesita más que “el agente de IA lo manejó”. Necesita procesos documentados, flujos de trabajo de aprobación y una responsabilidad clara, todo lo que ofrecen las plataformas SaaS maduras.
Los datos unificados en Saas brindan la ventaja de un extremo a otro
El valor comercial real para los fabricantes surge cuando los datos de los productos fluyen sin problemas entre sistemas como la gestión del ciclo de vida del producto (PLM), la planificación de recursos empresariales (ERP) y el diseño asistido por computadora (CAD) y los proveedores a través de una columna vertebral de SaaS unificada. Con este nivel de colaboración empresarial, los fabricantes pueden reducir fácilmente los ciclos de desarrollo de productos en un 30 % cuando los agentes de IA acceden a datos completos y conectados en lugar de información aislada.
Las mejoras en el tiempo de comercialización aumentan rápidamente cuando los agentes pueden cruzar automáticamente los cambios de ingeniería con la capacidad del proveedor, los requisitos regulatorios y los cronogramas de producción, todo porque su plataforma SaaS conectó estos sistemas previamente aislados.
IA agente: ¿la muerte de las soluciones locales?
Aquí es donde la transformación se vuelve inevitable. Las soluciones locales simplemente no pueden proporcionar la estructura de datos, la capacidad de configuración o la conectividad en tiempo real que requieren los agentes. Las empresas que todavía utilizan sistemas PLM o ERP heredados de más de 20 años se están acercando a un punto de decisión crítico.
La pregunta no es si pasar a la nube, sino si hacerlo estratégicamente ahora o verse obligado a hacerlo más adelante, cuando su posición competitiva se haya erosionado.
La IA agente y SaaS son un imperativo de asociación. Los agentes proporcionan la capa de inteligencia; SaaS proporciona la base operativa. Ninguno funciona eficazmente sin el otro en un entorno empresarial.
Para los fabricantes que evalúan soluciones, céntrese en proveedores que ofrezcan agentes estrechamente integrados dentro de plataformas SaaS establecidas, no herramientas de IA independientes con demostraciones impresionantes pero sin barreras operativas.
Las empresas que persiguen la IA sin una infraestructura adecuada se encontrarán manejando una automatización costosa y poco confiable que crea más problemas de los que resuelve.
La elección es sencilla: construir sobre una base diseñada para escalar o prepararse para reconstruir cuando su enfoque actual alcance sus límites.
Ross Meyercord es director ejecutivo de Propel Software y ex director de información global de Salesforce. Tiene más de 35 años de experiencia liderando estrategias de tecnología empresarial y escalando empresas SaaS.
