Copiloto vs piloto automático de IA: ¿cuál escala de verdad?

Copiloto vs piloto automático de IA: ¿cuál escala de verdad?

Un copiloto de IA redacta, sugiere y acelera, pero una persona revisa y envía cada resultado. Un piloto automático de IA completa el trabajo de principio a fin y solo recurre a una persona cuando la política o la ambigüedad lo exigen. La diferencia que importa no es la capacidad, sino dónde está el techo. Un copiloto solo puede ir tan rápido como la persona que lo revisa, así que su capacidad de trabajo está limitada por la capacidad de revisión. Un piloto automático, en cambio, está limitado por la calidad de sus guardarraíles y sus reglas de escalación, que es un límite contra el que se puede trabajar con ingeniería.

Copiloto vs piloto automático de IA de un vistazo

La versión corta. En el trabajo habitual de gran volumen, el modo copiloto tiende a poner un tope a los resultados en lugar de mejorarlos, porque la revisión crece con la producción. En el trabajo realmente de alto riesgo, una persona debe seguir en el circuito, pero el lugar adecuado para ello es una regla de escalación, no un modo en el que una persona aprueba cada mensaje rutinario. A continuación explicamos por qué existe el techo del copiloto, los argumentos más sólidos contra nuestra postura y lo que hicimos al respecto en nuestra propia empresa.

Aviso, de entrada: vendemos un producto de piloto automático, y en el T2 de 2026 retiramos nuestro propio producto de copiloto en lugar de seguir vendiéndolo. Es una postura comercial, no neutral: la explicación completa está al final de este artículo, y los argumentos en nuestra contra se toman en serio aquí. Ningún estudio independiente ha comparado los dos modos frente a frente; valora nuestro argumento en consecuencia.

Una nota rápida, porque los buscadores confunden estas palabras. Este artículo trata del copiloto frente al piloto automático de IA como formas de trabajar: ¿la IA sugiere o termina el trabajo? No trata de Microsoft 365 Copilot ni de Windows Autopilot.

Nuestro propio camino con la IA y lo que aprendimos

Respuesta corta: el modo copiloto nos dio un porcentaje. La autonomía con guardarraíles nos dio otra unidad de medida.

El argumento sale de nuestra propia experiencia, no de la teoría. Nada de esta sección está medido ni publicado. Léelo como una historia, no como datos.

Somos una empresa nativa de IA y usamos IA en ingeniería desde el primer día. Empezamos donde empiezan la mayoría de los equipos: en modo copiloto. Vivíamos en Cursor, sobre todo usando su autocompletado. Escribes y termina tu línea. Seleccionas un bloque y pides un cambio.

Estaba bien. No fue un salto cualitativo. Las mejoras eran reales pero pequeñas, porque seguía habiendo una persona en medio de cada ciclo. Yo era el cuello de botella, y un autocompletado más rápido no lo soluciona.

(Para que conste: desde entonces Cursor ha pasado a los agentes. Su página de inicio dice ahora "Cursor es tu agente de programación para construir software ambicioso". Describo cómo lo usábamos entonces, no lo que es hoy. Todo el sector se ha movido en la dirección que defiende este artículo.)

A mediados de 2025 incorporamos Claude Code y Codex. Los primeros meses fueron mal. En nuestra configuración, con nuestro código y nuestros prompts, los agentes cometían errores que no podíamos revisar con rapidez y no seguían las instrucciones de forma fiable. Los relegamos al trabajo de consola y a algunos otros sitios donde un error no podía hacer mucho daño. Para ser justos con ambas herramientas, esa fue nuestra experiencia con las versiones de 2025, y las dos han cambiado mucho desde entonces.

Hace unos seis meses, todo encajó. Los modelos se volvieron lo bastante fiables como para volver a abrirles el paso. Pero los modelos eran solo la mitad de la historia. La otra mitad fue cosa nuestra: construimos guardarraíles. Reglas de estilo que los agentes tienen que seguir. Revisión de código automatizada. Tests unitarios obligatorios. Comprobaciones que se ejecutan antes de que se pueda fusionar nada de lo que escribe un agente.

Esa combinación es lo que cambió las cosas. No el modelo por sí solo. No el proceso por sí solo. Ambos.

Esta es la versión honesta del resultado, como impresión de gestión y no como medición: el modo copiloto se sentía como un porcentaje. La autonomía con guardarraíles se sentía como una unidad de medida completamente distinta.

Creemos que la mayoría de las empresas recorrerán el mismo camino. Empezar en modo copiloto. Chocar con el techo. Dar marcha atrás tras los primeros fallos. Y volver a abrir el paso a medida que mejoran los modelos y a medida que construyes los guardarraíles que hacen segura la autonomía. El orden importa. Los equipos que se saltan los guardarraíles y pasan directamente a la autonomía se llevan los fallos sin las ganancias, y luego deciden que la tecnología no está madura.

Por qué el gasto a menudo no se nota

Respuesta corta: el gasto en IA sube rápido mientras la mayoría de las empresas no registran ningún impacto en el beneficio.

Hay un patrón que conviene nombrar, porque está detrás de mucha de la decepción actual con la IA.

Las empresas están gastando muchísimo en IA. Entre las que más gastan, la mediana fue de $7,400 por empleado en julio de 2026, frente a $2,590 en enero (Ramp AI Index, vía Forbes). Los resultados son mucho más difíciles de encontrar.

McKinsey descubrió que más del 80% de las personas encuestadas afirmaban que su organización no había visto ningún impacto real en el beneficio de la empresa gracias a la IA generativa. Solo el 21% de los encuestados de empresas que usaban IA decía haber rediseñado de verdad algún flujo de trabajo (McKinsey, marzo de 2025). BCG situó al 60% de las empresas en un grupo "rezagado" con mejoras mínimas (BCG, septiembre de 2025). Una encuesta de 2026 a responsables de tecnología concluyó que, aunque el 68% creía que la IA había aportado valor, solo alrededor de un tercio del gasto en IA podía vincularse a un resultado de negocio concreto (CloudBees, investigación de un proveedor).

Hay algo con lo que conviene tener cuidado. Puede que hayas visto citada la investigación de OpenAI como prueba de que el gasto en IA no genera ingresos. No dice eso. Ese estudio compara cuánto dinero ganaba una empresa antes de adoptar la IA con la intensidad con la que su plantilla usó la herramienta después. Te dice qué empresas la adoptan con más intensidad. No dice nada sobre si el gasto compensó.

Así que el resumen honesto es más limitado que los titulares: el gasto es real, los retornos son difíciles de encontrar y nadie ha demostrado una relación de causa y efecto en ninguna dirección. La mayoría de la gente lo interpreta como "la IA está sobrevalorada". Creemos que esa es la conclusión equivocada.

El cuello de botella no es el modelo, sino cómo lo usamos

Respuesta corta: la misma tecnología hizo más lentos a un grupo de desarrolladores y más rápidos a otro. Lo que cambiaba era todo lo que la rodeaba.

Dos estudios rigurosos con una tecnología similar obtuvieron respuestas opuestas.

METR observó a 16 desarrolladores experimentados de código abierto mientras realizaban 246 tareas reales en código que conocían desde hacía años. Antes de empezar, los desarrolladores esperaban que la IA los hiciera un 24% más rápidos. Después, creían que los había hecho un 20% más rápidos. El cronómetro decía otra cosa: la IA los hizo un 19% más lentos (METR, julio de 2025).

Google hizo un experimento parecido con 96 de sus propios ingenieros. Descubrió que la IA "redujo significativamente el tiempo que los desarrolladores dedicaban a la tarea", en torno a un 21%, aunque con un amplio margen de error (Google, octubre de 2024). Es Google estudiando las herramientas de Google, así que valóralo como valorarías la investigación de cualquier proveedor.

Estos dos estudios no son una comparación justa frente a frente. Años distintos, herramientas distintas, tipos de tarea distintos. Pero el contraste sigue siendo lo más útil de este artículo. La misma tecnología, en líneas generales, ayudó a un grupo y perjudicó a otro. Lo que cambiaba era todo lo que la rodeaba. Los ingenieros de Google trabajaban dentro de una plataforma interna madura en una tarea bien definida. Los desarrolladores de METR trabajaban en bases de código enormes que conocían a fondo, con un listón de revisión alto.

También debemos señalar algo que va en nuestra contra. Desde entonces, METR ha revisado el diseño de su estudio, en parte porque ahora los desarrolladores se niegan a trabajar sin IA. Su evidencia más reciente, y más débil, apunta a que la IA ha ganado velocidad desde principios de 2025. Preferimos decirlo que omitirlo discretamente.

Las encuestas más amplias apuntan en la misma dirección. DORA preguntó a casi 5,000 profesionales de la tecnología y concluyó que "el papel principal de la IA es el de amplificador: magnifica las fortalezas y debilidades que ya tiene una organización". Fue más allá: "Los mayores retornos de la inversión en IA no proceden de las propias herramientas, sino de un enfoque estratégico en el sistema organizativo subyacente" (DORA / Google Cloud, septiembre de 2025). BCG lo resumió en una frase este julio: "El problema de fondo no es la tecnología. Es la ejecución" (BCG, 22 de julio de 2026).

Puedes hacer mucho más rápida una parte de un sistema y apenas mover el conjunto. Esa es, creemos, la verdadera historia de la IA en 2026.

Las tres cosas que absorben la ganancia

Respuesta corta: los procesos, la organización y la confianza, donde una mejora porcentual desaparece sin hacer ruido.

Si el límite está en cómo usamos la IA y no en lo que puede hacer, la pregunta útil es dónde se atasca realmente el trabajo. Según nuestros propios despliegues, en tres sitios.

Procesos

La mayoría de los procesos de negocio se construyeron en torno a la velocidad a la que trabajan las personas. Esa suposición está incrustada en las colas, los turnos, los pasos de aprobación y los traspasos. Acelera un paso y el trabajo simplemente se acumula en el siguiente.

Se ve en los datos de ingeniería. Un estudio con 22,000 desarrolladores descubrió que, en los equipos en los que la mayoría usaba IA a diario, las tareas completadas por desarrollador aumentaron un 34%, mientras que el tiempo que un fragmento de código esperaba a ser revisado se multiplicó varias veces más (Faros AI, marzo de 2026, investigación de un proveedor y observacional, así que léelo como un patrón y no como una prueba). El cuello de botella no desapareció. Se trasladó a las personas que revisan.

El soporte funciona igual. Si la IA escribe las respuestas el doble de rápido pero cada respuesta sigue esperando a que un agente la lea, tu límite es la velocidad de lectura de los agentes. Has comprado un grifo más rápido para un fregadero que sigue desaguando al mismo ritmo. Esta es la razón sencilla por la que desaparecen las ganancias del copiloto: has acelerado un paso, no el flujo. McKinsey analizó 25 factores organizativos distintos y descubrió que el rediseño de los flujos de trabajo importaba más que cualquiera de ellos. Más que el modelo que eliges. Más que lo que gastas.

Organización

Incluso cuando un proceso se podría rediseñar, el organigrama a menudo no lo permite. La plantilla es la base de los presupuestos, el estatus y los ascensos, así que pedirle a un responsable que automatice una función es pedirle que reduzca su propio equipo. Los equipos se construyen en torno a los traspasos que exigía el proceso antiguo. Y la mayoría de las métricas de éxito cuentan actividad (tickets gestionados, llamadas atendidas) en lugar de problemas resueltos. Así que un sistema que resuelve incidencias sin que nadie las toque puede parecer, en el panel, una caída de la productividad.

Nada de esto es absurdo. Es lo que ocurre cuando una tecnología que cambia la forma del trabajo se encuentra con una empresa construida en torno a la forma antigua. BCG descubrió que solo el 26% de los CEO había integrado la IA en un cambio de negocio más amplio (BCG, julio de 2026).

Confianza

La tercera es la que la gente subestima. Y es también la que acaba específicamente con el copiloto.

Stack Overflow preguntó a los desarrolladores qué era lo que más les frustraba de la IA. Entre los 31,476 que respondieron a esa pregunta, la queja principal, del 66%, fueron "las soluciones de IA que casi son correctas, pero no del todo". Muy cerca, el 45% dijo que "depurar código generado por IA lleva más tiempo" (Stack Overflow, 2025). DORA observó que alrededor del 30% de las personas tenía poca o ninguna confianza en el código escrito por IA.

Si juntas esas dos cosas, obtienes una trampa. El resultado casi correcto es el más caro que existe. El resultado claramente erróneo es barato, porque lo tiras. El resultado correcto es barato, porque lo publicas. El resultado que parece correcto pero de vez en cuando no lo es te obliga a revisar cada elemento, y revisar puede costar tanto como hacer.

Esa es exactamente la situación que crea un copiloto. Toda su premisa es que una persona revisa el trabajo de la IA. Así que la revisión crece con la producción. Y empeora a medida que mejora la IA, porque los errores se vuelven más raros, más sutiles y más difíciles de detectar en una página de texto escrito con aplomo. Un copiloto no solo mantiene el cuello de botella humano. Coloca a la persona en la posición más difícil posible: responsable de detectar errores que, por diseño, son difíciles de detectar.

El piloto automático cambia la forma del problema. Dejas de revisar cada resultado y empiezas a gobernar el sistema que los produce: reglas de política, reglas de escalación, revisiones de calidad por muestreo, resolución y CSAT medidos. Pasas de inspeccionar elementos a gestionar un proceso. Es una relación con la confianza más barata, y la única que escala. Por eso la IA evaluable es lo primero: no puedes gobernar lo que no puedes medir.

Dos departamentos, una empresa, dos respuestas

Respuesta corta: la misma empresa, el mismo producto. El que fue de principio a fin se adelantó. El que mantuvo a personas en la línea de meta, no.

El ejemplo más claro que tenemos no es un estudio. Es un cliente, contado desde nuestro lado, sin medición independiente y sin cifras que podamos publicar. Tómalo como ilustración.

Dos departamentos de la misma empresa nos desplegaron con fines distintos pero para tipos de trabajo similares. Uno fue a por todas: dejó que la IA gestionara la mayor parte del tráfico de principio a fin, con escalación para las excepciones reales. El otro mantuvo la IA en un papel de apoyo, con personas haciendo el último tramo en todo.

El departamento que fue de principio a fin tuvo un comienzo más difícil. Pasar a la automatización completa deja al descubierto de golpe todas las lagunas de tu base de conocimiento, tus políticas y tus reglas de escalación, y lo hace delante de clientes reales. Hubo algunas semanas duras. Las superamos juntos y reforzamos los guardarraíles.

Ese trabajo funciona ahora de forma automática, y nuestras revisiones internas de calidad lo puntúan por encima de donde estaba antes de la automatización.

El otro departamento está bien. Pero su techo quedó fijado el primer día por el hecho de que una persona tenía que seguir tocándolo todo. Es una propiedad del modo, no un juicio sobre el equipo.

La misma empresa. El mismo producto. El mismo proveedor. La diferencia se redujo a cuánta autonomía estaba dispuesto a ceder cada uno.

Los argumentos a favor del copiloto, tomados en serio

Respuesta corta: la autonomía falla a menudo, algunos trabajos necesitan a una persona y nadie lo ha demostrado de forma comparativa.

No nos fiaríamos de este argumento si ignorara la otra parte, y la otra parte tiene razones reales.

La autonomía falla a menudo. Gartner prevé que más del 40% de los proyectos de IA agéntica se cancelarán antes de que acabe 2027, por el aumento de los costes, un valor poco claro y unos controles de riesgo débiles (Gartner, junio de 2025). No es una opinión marginal, y nuestras propias semanas duras encajan en ese patrón.

Algunos trabajos necesitan de verdad a una persona. El asesoramiento regulado, los movimientos de dinero irreversibles, las decisiones de seguridad, cualquier cosa con una exposición legal real. Nuestra respuesta es que esos casos corresponden a las reglas de escalación, no a un modo en el que una persona aprueba cada mensaje rutinario. Si tu negocio necesita de verdad una aprobación para cada respuesta saliente, preferimos decirte claramente que hoy no somos la opción adecuada para ti.

Nadie lo ha demostrado de forma comparativa. Buscamos investigaciones sólidas que compararan la autonomía total con mantener a personas en el circuito. No hay ninguna que citaríamos. Las empresas toman esta decisión basándose en su criterio y en lo que afirman los proveedores, nosotros incluidos. Valora nuestro argumento en consecuencia.

El copiloto sí ayuda a algunos equipos. Los ingenieros de Google fueron alrededor de un 21% más rápidos en una tarea bien definida. Si tu organización se parece a eso, con una plataforma madura y un trabajo bien acotado, el copiloto puede ser el nivel adecuado para ti ahora mismo.

La versión honesta de nuestra postura no es que el copiloto nunca funcione. Es que el techo de un copiloto lo marca la persona a la que ayuda, y ese techo es lo bastante bajo como para que prefiramos ayudar a los clientes a superarlo antes que venderles un lugar cómodo donde quedarse.

Copiloto vs piloto automático de IA: por qué creemos que el futuro es el piloto automático

Respuesta corta: el piloto automático rodea los cuellos de botella en lugar de discutir con ellos.

El piloto automático no discute con esos tres cuellos de botella. Los rodea. Cuando la IA gestiona un flujo de principio a fin, ya no estás acelerando una estación dentro de un proceso humano. Estás sustituyendo ese proceso por uno construido para lo que realmente hace el trabajo. El diseño de las colas deja de importar. Los traspasos desaparecen. Y la confianza pasa de revisar elementos a gobernar un sistema, que es la única versión de la confianza que escala.

Gartner prevé que la IA agéntica resolverá por sí sola el 80% de las incidencias habituales de atención al cliente de aquí a 2029 (Gartner, marzo de 2025). La misma firma prevé que la mayoría de los proyectos agénticos se cancelarán antes de esa fecha. Probablemente ambas cosas son ciertas, y el espacio entre ellas es justo la preparación organizativa de la que trata este artículo.

Lo que hicimos al respecto: retiramos nuestro propio copiloto

Respuesta corta: antes vendíamos dos líneas de producto. Retiramos el Copiloto, también llamado Auto-Draft, y ahora vendemos una que funciona de principio a fin.

No somos una parte neutral en este debate, así que esta es nuestra postura completa.

Antes vendíamos dos cosas. Con el Copiloto, al que también llamábamos Auto-Draft, la IA escribía la respuesta; una persona la leía, la editaba si hacía falta y la enviaba. Cada mensaje pasaba por una persona. Con el piloto automático, la IA gestionaba toda la conversación y solo recurría a una persona cuando se topaba con algo que no debía decidir sola.

En el T2 de 2026 dejamos de vender el Copiloto. Los clientes que ya lo tienen lo conservan; ya no se puede activar para cuentas nuevas ni para gateways nuevos. Ahora hay una única línea de producto, y funciona de principio a fin.

Tres cosas nos llevaron a esa decisión, todas internas y ninguna publicada. Nuestra encuesta a clientes mostró que las cuentas con Copiloto estaban menos contentas con sus resultados que las cuentas con piloto automático, aunque les gustara la función en sí. El tráfico contaba una historia coherente: el volumen del Copiloto se mantenía plano mientras el del piloto automático no dejaba de crecer de forma acumulativa, y las cuentas que daban el salto casi nunca volvían atrás. Parte de eso es obra nuestra, porque promocionamos más el piloto automático, así que no lo llamaríamos una señal limpia. Y cuando proyectamos los dos años siguientes, la brecha se ensanchaba, no se estrechaba.

Mantener un producto porque a algunos clientes les gusta es una decisión razonable. Mantenerlo cuando pone un techo a lo que esos clientes pueden conseguir es otra cosa.

Sobre nuestro nombre. Aissist nació como AI + assist. La idea original era una IA que ayudara a una persona a hacer mejor su trabajo. Hace dos años nos alejamos de eso y reconstruimos la empresa en torno a la IA agéntica: sistemas que hacen el trabajo. El nombre es un fósil de donde empezamos. Lo mantuvimos porque es nuestro, no porque todavía nos describa.

Resumen

El copiloto frente al piloto automático de IA no es realmente una cuestión de lo capaz que es la IA. Es una cuestión de dónde se atasca el trabajo. Un copiloto acelera un paso dentro de un proceso construido en torno a personas, así que la ganancia se la tragan el diseño de las colas, la estructura organizativa y el coste de revisar resultados que casi son correctos. Por eso el gasto en IA no deja de subir mientras la mayoría de las empresas no registran ningún impacto en el beneficio, y por eso un estudio riguroso concluyó que la IA hacía a los desarrolladores un 19% más lentos y otro que un 21% más rápidos. El sistema que rodea a la IA decide el resultado. El piloto automático rodea esos límites, a costa de un comienzo más difícil y de una tasa de fallos real. Lo aprendimos en nuestro propio equipo y volvimos a verlo en un cliente. Nuestra conclusión es que el futuro es el piloto automático, así que en el T2 de 2026 retiramos nuestro producto Copiloto en lugar de seguir vendiendo un modo que creemos que pone un tope a los resultados de nuestros clientes.

¿Sigues teniendo la IA en la línea de meta? Descubre cómo AgentMesh™ resuelve el servicio y las ventas de principio a fin sobre el stack que ya utilizas, y cómo la IA fiable hace gobernable esa autonomía. Lectura relacionada: por qué los agentes están rediseñando el software empresarial.

Preguntas frecuentes

¿Cuál es la diferencia entre un copiloto de IA y un piloto automático de IA?

Un copiloto ayuda a una persona: redacta, sugiere y acelera las cosas, pero una persona revisa y envía cada resultado. Un piloto automático hace el trabajo de principio a fin y solo recurre a una persona cuando la política o la ambigüedad lo requieren. La diferencia práctica es el techo. Un copiloto solo puede ir tan rápido como la persona que lo revisa. Un piloto automático está limitado por la calidad de sus guardarraíles y sus reglas de escalación.

¿Por qué los copilotos de IA no consiguen escalar?

Porque la revisión crece con la producción. Toda la premisa de un copiloto es que una persona revisa el trabajo de la IA, así que el doble de producción significa el doble de revisión. Y se vuelve más difícil a medida que mejora la IA, porque los errores se vuelven más raros y sutiles. En la encuesta de 2025 de Stack Overflow, el 66% de los desarrolladores que respondieron a la pregunta señalaron los resultados "casi correctos, pero no del todo" como su principal frustración, y el 45% dijo que depurar código generado por IA lleva más tiempo.

¿Cuándo conviene usar un copiloto de IA en lugar de un agente de IA?

Cuando una persona tiene que ver de verdad cada acción saliente: asesoramiento regulado, transacciones financieras irreversibles, decisiones de seguridad o cualquier cosa con una exposición legal significativa. El modo copiloto también puede encajar en equipos con plataformas internas maduras y un trabajo muy acotado. La prueba de Google con 96 ingenieros observó una aceleración de alrededor del 21% en ese tipo de entorno. Fuera de esos casos, el modo copiloto tiende a poner un tope a los resultados en lugar de mejorarlos.

¿Es mejor el humano en el circuito o la automatización completa para la atención al cliente con IA?

Depende del riesgo del flujo concreto, no de una regla general. Las interacciones de alto riesgo y reguladas necesitan la participación de una persona, y el lugar adecuado para ello son las reglas de escalación, no la aprobación de cada respuesta rutinaria. En el tráfico de soporte habitual y de gran volumen, mantener a una persona en la línea de meta suele dejar la calidad y la capacidad de trabajo cerca de donde empezaron. Ningún estudio riguroso ha comparado los dos enfoques frente a frente, algo que conviene saber antes de que nadie, proveedores incluidos, presuma de certezas.

¿Por qué tantas empresas gastan mucho en IA sin ver resultados?

Porque aceleran un paso en lugar de rediseñar el flujo. McKinsey descubrió que más del 80% de los encuestados afirmaban que su organización no había visto ningún impacto real en el beneficio de la empresa gracias a la IA generativa, y que, de los 25 factores organizativos analizados, el rediseño de los flujos de trabajo era el que más importaba. La conclusión de DORA fue que "el papel principal de la IA es el de amplificador: magnifica las fortalezas y debilidades que ya tiene una organización".

¿Cuáles son los principales cuellos de botella en la adopción de la IA?

Tres. Los procesos: los flujos de trabajo construidos en torno a la velocidad humana simplemente desplazan el atasco cuando un paso se acelera. La organización: la plantilla determina los presupuestos y el estatus, y la mayoría de las métricas cuentan actividad en lugar de problemas resueltos. La confianza: revisar resultados que casi siempre, pero no siempre, son correctos puede costar tanto como hacer el trabajo, y ese coste crece con el volumen.

¿Mantuvo Aissist.io alguna opción con humano en el circuito tras retirar el Copiloto?

No como línea de producto. El Copiloto, al que también llamábamos Auto-Draft, se retiró en el T2 de 2026, y los clientes existentes conservan el acceso. Las cuentas nuevas funcionan con automatización completa. El criterio humano entra ahora a través de la escalación (la IA traspasa los casos que, según la política o por ambigüedad, no debe decidir) y no a través de un modo en el que una persona aprueba cada mensaje rutinario.

¿No es arriesgada la IA autónoma, viendo cuántos proyectos agénticos fracasan?

Sí, y el riesgo está documentado. Gartner prevé que más del 40% de los proyectos de IA agéntica se cancelarán antes de que acabe 2027 por el aumento de los costes, un valor poco claro y unos controles de riesgo débiles. La respuesta no es evitar la autonomía, sino ganársela: reglas de escalación sólidas, límites de política claros, resolución y CSAT medidos y revisiones de calidad por muestreo. La autonomía sin guardarraíles te da los fallos sin las ganancias.

¿Cuánto se tarda en pasar del copiloto al piloto automático?

En nuestros propios despliegues, normalmente semanas y no meses, pero lo difícil llega al principio. Ir de principio a fin deja al descubierto de golpe todas las lagunas de tu base de conocimiento, tus políticas y tus reglas de escalación. Según nuestra experiencia, los equipos que perseveran acaban por encima de la calidad que tenían antes de la automatización, mientras que los que dan marcha atrás tras la primera mala semana se quedan más o menos donde empezaron.