Presentado por EdgeVerve
Antes de abordar los Servicios Empresariales Globales (GBS), demos un paso atrás. ¿Podría la IA agente, el tipo de IA capaz de tomar acciones basadas en objetivos, transformar no sólo GBS, sino cualquier tipo de empresa? ¿Y esto ya pasó?
Como ocurre con muchas tecnologías nuevas, en este caso la retórica superó a la implementación. Si bien se suponía que 2025 sería el año de la IA agente, no fue así, según Taryn Plumb, editora colaboradora de VentureBeat. Basándose en información de Google Cloud y la empresa de entorno de desarrollo integrado (IDE) Replit, Plumb informó en un Publicación de VentureBeat de diciembre de 2025 que lo que falta son los fundamentos necesarios para escalar.
Dada la experiencia de la IA generativa (gen) basada en modelos de lenguaje grande (LLM), este resultado no es sorprendente. En una encuesta realizada en febrero de 2025 Conferencia sobre Red de Servicios Compartidos y Outsourcing (SSON)El 65% de las organizaciones GBS respondieron que aún no habían completado un proyecto GenAI. Es seguro decir que la adopción de la última IA de agencia aún se encuentra en sus primeras etapas para las empresas, incluida GBS.
El papel de la IA agente en los servicios empresariales globales
Sin embargo, existen buenas razones para centrarse en el enorme potencial de la IA de las agencias y su aplicación al sector GBS.
Sin entusiasmo, Agentic AI desbloquea capacidades en la capa de orquestación de los flujos de trabajo de software que antes no eran prácticas. Esto se hace mediante una variedad de técnicas, que incluyen (pero no requieren) LLM. Si bien es posible que a las empresas les falten algunos fundamentos necesarios para implementar la IA de los agentes a escala, estos requisitos previos no están fuera de su alcance.
En cuanto a GBS y los Centros de Capacidad Global (GCC), ya están atravesando una transformación, desde extensiones administrativas hasta socios comerciales cada vez más estratégicos. Agentic AI es una elección natural porque uno de sus casos de uso estándar involucra operaciones de TI o agentes de servicio al cliente, funcionalidad que ya existe en GBS y GCC existente.
Entonces, sí, la IA de las agencias podría potencialmente transformar la industria de GBS. La mejor manera de que los líderes de la industria avancen hacia una implementación a escala es adoptando un enfoque metódico.
Cinco pasos para implementar la IA de la agencia en GBS
La IA agente no es el único juego que existe. Como se señaló, existe GenAI, que se utiliza principalmente para la creación de contenido. Pero ampliando el alcance, también podemos señalar la IA predictiva y la IA documental, utilizadas respectivamente para la predicción y la extracción de datos. (Ninguno de estos requiere un LLM). La exposición a la IA preexistente es un buen augurio para el futuro de la IA agente.
En primer lugar, estos tipos de IA se apoyan entre sí, apilados (en lugar de aislados) en los sistemas modernos. La IA agente, en particular, está posicionada para aprovecharse de las demás. En segundo lugar, después de haber vivido el ciclo de exageración de la GenAI, los líderes de la industria pueden sentirse inclinados a adoptar un enfoque más considerado –y productivo– para la IA de los agentes.
En lugar de apresurarse a realizar un piloto, la industria haría bien en prepararse cuidadosamente (pasos 1 a 3). Cuando se combinan con el diseño de prueba correcto (paso 4), estas acciones pueden allanar el camino para una mayor implementación de la IA en las agencias (paso 5):
Conozca sus procesos. Las operaciones comerciales pueden ser complicadas. Consideremos una empresa líder mundial en transporte y logística, cuyos miles de empleados de tiempo completo en sus siete centros GBS respaldaron más de 80 procesos que implicaban flujos de trabajo altamente complejos y intensivos manualmente con grandes variaciones regionales. Sólo comprendiendo primero los procesos y flujos de trabajo existentes una organización como esta tendrá la oportunidad de repensarlos o reelaborarlos.
Conozca sus datos. Estrechamente relacionados están los datos de los que dependen los flujos de trabajo. ¿Cómo fluyen estos datos de un extremo a otro? ¿Cómo son los oleoductos? ¿Dónde están las principales API? ¿Los datos están estructurados o no estructurados? ¿Los recursos incluyen plataformas de datos (sistemas de registro) y bases de datos vectoriales (motores de contexto), las cuales son necesarias para que los agentes de IA tomen buenas decisiones? ¿Qué tipo de gobernanza y seguridad de datos prevalecen? ¿Cómo podría cambiar esto en el escenario de un agente de IA?
Identificar el problema. En el caso de la naviera antes mencionada, la complejidad y variación de los flujos de trabajo, así como su intensidad manual, los expusieron a costos significativos, fallas en los acuerdos de nivel de servicio (SLA), mala experiencia del cliente y mayores riesgos legales y de cumplimiento. Una vez nombrado, un problema lógicamente se convierte en un caso de uso potencial con objetivos distintos.
Pilotar un modelo operativo. Las opciones incluyen consolidar esfuerzos en un Centro de Excelencia (COE), democratizar el desarrollo a través de enfoques liderados por los ciudadanos y asociarse a través de modelos Construir-Operar-Transformar-Transformar-Transferir (BOTT), entre otras. Sin claridad estructural, incluso los pilotos de IA más prometedores tienen dificultades para extenderse más allá de su dominio inicial. El modelo también debe reflejar la realidad. La IA agente, que probablemente involucre a múltiples agentes paralelos en la búsqueda de objetivos coordinados, todavía está limitada por el entorno, la complejidad, los riesgos y la gobernanza.
Aumentar proporcionalmente. Los pilotos exitosos lo guían a sus próximos pasos. Veamos la experiencia fragmentada de un gran banco multinacional en Australia. Después de automatizar varios procesos secundarios a través de Automation COE, el banco se dio cuenta de que necesitaba analizar y mejorar sus flujos de trabajo más complejos. Seleccionó una plataforma de software innovadora que le permitió completar más de 100 proyectos de descubrimiento en menos de 14 meses. De esta manera, los pilotos pueden convertirse en iniciativas para toda la empresa.
Cómo se ve la IA del agente a escala empresarial
Sólo la escala puede tener un impacto real. El proveedor de envíos, con sus siete centros GBS, terminó con tecnología capaz de construir canales de datos, digitalizar documentos complejos, aplicar razonamiento basado en reglas a excepciones específicas de cada país y orquestar el trabajo entre equipos. Esta base ha llevado a una transformación impulsada por la IA de aproximadamente 16 iniciativas, un crecimiento exponencial de la automatización y ganancias significativas en la eficiencia.
Al liberar recursos en la capa de orquestación (lo que permite la conciencia contextual, la colaboración entre dominios y la acción autónoma alineada con la gobernanza), la IA del agente puede potenciar las operaciones, tanto de IA como humanas.
Considere un proceso de adquisición. Si bien la IA documental puede extraer datos de las órdenes de compra, evitando ciertas verificaciones manuales, un agente de IA también puede evaluar el riesgo de los proveedores, verificar los estándares de cumplimiento, verificar la disponibilidad del presupuesto e incluso iniciar negociaciones mientras mantiene pistas de auditoría para los informes regulatorios. En un escenario de asesoramiento financiero, si bien la IA predictiva puede analizar tendencias, un agente de IA podría tomar medidas adicionales, ayudando a los profesionales de unidades de negocios específicas en inversiones estratégicas específicas.
Tenga en cuenta que el agente no reemplaza el juicio humano, sino que lo aumenta, garantizando que las decisiones se tomen de manera más rápida, más consistente y a escala.
De la automatización autónoma a los ecosistemas de agentes en GBS
GBS está en una posición única para llevar a la empresa a la era de la IA de los agentes. Por definición, GBS se encuentra en la intersección de procesos y datos de múltiples unidades de negocio. Finanzas, recursos humanos, cadena de suministro y TI fluyen a través del modelo de servicios compartidos. Este punto de vista central convierte a GBS en una plataforma de lanzamiento ideal para crear ecosistemas de agentes de IA.
Un ecosistema se diferencia de la automatización autónoma. Los agentes no realizan tareas de forma aislada. Más bien, funcionan como parte de un sistema interconectado. Comparten conocimientos, aprenden unos de otros y se coordinan para optimizar los resultados a nivel empresarial. Implementada en un GBS o GCC, Agentic AI puede acelerar su transformación en curso, permitiéndoles ir más allá de la automatización incremental y operar en el nivel de orquestación de procesos de un extremo a otro.
N. Shashidar es vicepresidente senior y director global de gestión de productos en EdgeVerve.
Los artículos patrocinados son contenidos producidos por una empresa que paga por la publicación o tiene una relación comercial con VentureBeat y siempre están claramente marcados. Para más información, póngase en contacto ventas@venturebeat.com.
