Del software a los resultados: por qué la IA industrial avanza hacia el Agente como Servicio

Durante décadas, la tecnología empresarial ha seguido un patrón conocido. Comprar software, configurarlo, capacitar a los usuarios y esperar que la adopción genere valor.

La inteligencia artificial siguió inicialmente la misma ruta. Las empresas compraron plataformas, montaron pilotos, conectaron modelos a datos y esperaron una mejora medible. En entornos industriales, donde las decisiones tienen altas consecuencias, los datos están dispersos y el conocimiento operativo es difícil de ganar, esta fórmula sigue fallando.

Los modelos abundan. La distancia entre un modelo y una decisión operativa es el verdadero cuello de botella.

Un artículo reciente de Zhenfeng Cao, "El fin de la ingeniería de software: cómo los agentes de IA están reestructurando el paradigma del software" (arXiv:2606.05608, junio de 2026), describe una transición de IA → Software → Resultado a Agente → Resultado. El artículo sostiene que los agentes pueden generar y revisar la lógica de decisión en tiempo de ejecución. En la práctica, los sistemas de agentes pueden planificar, usar herramientas, recuperar contexto, ejecutar acciones acotadas y adaptar su trabajo en torno a un objetivo definido. La unidad de valor perdurable pasa del artefacto de software al resultado.

Esa idea tiene grandes implicaciones para las organizaciones industriales. En sectores como petróleo y gas, energía, manufactura, logística y proyectos de capital, la próxima era de la IA probablemente se definirá por quién sea capaz de convertir años de datos operativos, criterio experto y flujos de trabajo en vivo en decisiones repetibles y respaldadas por evidencia.

Esta es la oportunidad del Agente como Servicio.

El modelo antiguo: compra la tecnología, carga con la complejidad

El software empresarial tradicional siempre ha pedido a los clientes que asuman la mayor parte de la carga. Definir el proceso por adelantado. Configurar una plataforma. Integrar sistemas desconectados. Limpiar y estructurar los datos. Capacitar a los equipos. Mantener los flujos de trabajo a medida que cambian las operaciones. Demostrar el valor después.

El Software como Servicio mejoró la entrega de infraestructura. El proveedor operaba los servidores, publicaba actualizaciones y simplificaba el acceso mediante suscripciones. El cliente todavía tenía que traducir un problema de negocio en requisitos, elegir el caso de uso correcto, integrar datos, rediseñar flujos de trabajo y hacer útil el sistema.

En la IA industrial, esa brecha es especialmente visible. Un operador puede tener registros de riesgos previos al trabajo, reportes operativos diarios, revisiones de fin de proyecto, hojas de cálculo, historiales de mantenimiento, documentos de ingeniería, estándares técnicos y conocimiento experto repartido entre equipos. Cada fuente puede ser valiosa. Cada una también es incompleta por sí sola.

El resultado es un ciclo conocido. Los equipos reconstruyen planes de memoria. Se redescubren los mismos riesgos. Las lecciones aprendidas quedan encerradas en documentos. Las iniciativas de IA se estancan en la fase de demostración.

El gasto de la industria en digital e IA está creciendo, pero menos de una de cada cinco organizaciones mide KPIs para sus soluciones de IA generativa (McKinsey, State of AI 2026). El verdadero problema va más allá de los datos no estructurados. A las organizaciones les falta una capa operativa confiable que conecte lo que se planificó, lo que ocurrió, lo que se aprendió y lo que debería suceder a continuación.

El humano en el circuito se ha vuelto una prioridad de liderazgo

Los ejecutivos ya han llegado a esta conclusión en público. El análisis de BCG sobre llamadas de resultados encontró que las menciones de "humano en el circuito" subieron con fuerza entre el primer y el segundo trimestre de 2026, con los mayores aumentos reportados en seguros y salud, seguidos por instituciones financieras y tecnología, medios y telecomunicaciones (BCG Data Point Interactive y BCG Analysis, julio de 2026, n: 5802).

La frase importa menos que la admisión que hay detrás. Los líderes responsables de los presupuestos de IA les están diciendo a los inversores que la versión de IA que pretenden escalar es supervisada, gobernada y validada por expertos.

Para casos de uso industriales de alta consecuencia, la validación humana es un control de diseño central. Las organizaciones que avanzan más rápido son las que la tratan como estructura y la diseñan desde el primer flujo de trabajo. Los operadores industriales tienen fuertes razones para priorizar esto pronto, porque el coste de una recomendación no verificada se mide en seguridad, capital y producción.

El giro agéntico: de herramientas a sistemas responsables

Los agentes de IA cambian por completo la premisa de diseño. En lugar de pedirle a un usuario que navegue por múltiples aplicaciones, encuentre documentos, concilie hechos e interprete la respuesta, a un sistema agéntico se le puede asignar un objetivo con restricciones. Puede recuperar evidencia, coordinar tareas, razonar entre fuentes, proponer una acción y mostrar la base de su recomendación.

El papel humano no desaparece. Se desplaza a donde el criterio más importa: definir el resultado deseado, aportar restricciones operativas y criterios de aceptación, revisar recomendaciones de alta consecuencia, validar calidad y seguridad, y gobernar el acceso, la responsabilidad y el uso responsable.

La descripción de Cao de la "ingeniería agéntica" es útil aquí. Los humanos pasan de ser los autores de cada regla de decisión a convertirse en arquitectos de intención, coordinadores y auditores de resultados. Para las empresas industriales, la meta es una IA capaz de hacer el trabajo pesado de buscar, sintetizar, comparar, monitorear y aprender, todo mientras mantiene a los expertos de dominio y a los líderes responsables en control.

Un principio útil: los agentes pueden ejecutar tareas acotadas dentro de límites definidos, mientras que las personas conservan la definición de intención, la responsabilidad y la autoridad de aprobación para las decisiones de alta consecuencia.

La pregunta más difícil dentro del humano en el circuito: ¿qué humano?

Una vez que una organización acepta que los expertos pertenecen dentro del flujo de trabajo, aparece casi de inmediato un problema de disponibilidad. Encontrar a un especialista con la experiencia adecuada, disponible en el momento en que el flujo necesita una decisión, es un reto operativo recurrente.

La experiencia requerida es específica. Validar la lectura que hace un agente de los indicadores de desgaste de revestimiento requiere un ingeniero de perforación que haya trabajado formaciones comparables. Confirmar una mitigación propuesta en un tieback submarino requiere a alguien que lo haya vivido. Revisar una idea sobre corrosión a partir de doce años de historial de mantenimiento requiere un especialista en integridad capaz de distinguir una señal genuina de un artefacto de los datos.

La mayoría de los programas descubren esto a mitad del despliegue. Las personas con el criterio adecuado están totalmente dedicadas a operaciones en vivo, repartidas entre contratistas, socios y redes de exalumnos, o simplemente no están en la nómina. La validación se convierte entonces en el paso más lento del sistema, y una capacidad agéntica diseñada para comprimir el tiempo de ciclo empieza a esperar por agendas.

Aquí es donde ExpertHub juega un papel importante. Creado por SwarmLens con rp² y Drillers.com, ExpertHub conecta un requisito definido con un profesional de petróleo y gas probado que ha hecho ese trabajo exacto. Tu experiencia. Su requisito. Una conexión.

Cuando la capacidad de validación se puede obtener bajo demanda, el humano en el circuito se convierte en algo que una organización puede planificar, programar y dotar de personal, y el circuito se cierra a la velocidad a la que la operación realmente funciona.

Por qué el AaaS es distinto de un SaaS con una función de IA

El Agente como Servicio representa un cambio genuino en el diseño del servicio. En un modelo SaaS, el cliente compra acceso a un producto. En un modelo AaaS, el proveedor asume mayor responsabilidad de convertir un objetivo operativo específico en una capacidad funcional y gestionada.

Esa capacidad puede incluir:

• Una hoja de ruta de dónde la IA creará valor medible
• Flujos de trabajo de agentes adaptados al entorno operativo del cliente
• Integración segura de documentos y fuentes de datos existentes
• Contexto y terminología específicos del dominio
• Validación por expertos humanos donde el riesgo o la ambigüedad lo requieran
• Monitoreo continuo y medición del desempeño
• Un modelo de servicio recurrente con responsabilidad continua por los resultados

Aquí es donde el AaaS industrial se diferencia de los copilotos genéricos. El agente valioso está anclado en el historial operativo real de la empresa. Usa la evidencia correcta. Entiende el flujo de trabajo. Hace su razonamiento trazable. Y está respaldado por expertos con nombre y apellido que pueden responder por lo que recomienda.

La inteligencia sin procedencia es interesante. La inteligencia con procedencia puede ser operativa.

Una hoja de ruta práctica: descubrir, desplegar, aprender

La ruta más eficaz hacia la IA agéntica es una secuencia clara de la intención a la evidencia y al valor repetible.

1. Identifica las decisiones que importan. Una mejor pregunta de partida que "¿dónde podemos aplicar IA?" es esta: ¿qué decisiones se repiten con frecuencia? ¿Cuáles conllevan retrasos costosos, incertidumbre o retrabajo? ¿Dónde los equipos buscan una y otra vez en documentos para reconstruir experiencia previa? El enfoque AccioLens de SwarmLens refleja esta primera etapa: evalúa y secuencia posibles casos de uso de IA contra una biblioteca basada en evidencia de más de 1000 casos catalogados, calibrada con aportes de expertos de dominio y puntuada por encaje, duración de entrega y retorno potencial.

2. Despliega agentes dentro del flujo de trabajo. Una vez elegido un caso de uso prioritario, los agentes industriales deben construirse en torno a flujos de trabajo reales. En la entrega de pozos, un agente de planificación podría conectar reportes operativos históricos, registros de riesgos previos al pozo, revisiones posteriores y experiencia de expertos, revelando eventos comparables, señalando riesgos recurrentes y mostrando el material fuente exacto detrás de cada conclusión. AssureLens de SwarmLens está diseñado en torno a este modelo. En un piloto de datos de perforación en Medio Oriente, 600 reportes diarios de perforación produjeron 20 000 ideas en bruto; tras la deduplicación, la categorización y la validación experta en paralelo, se retuvieron 447 entradas como conocimiento validado y enlazado a su fuente.

3. Haz que el sistema aprenda de forma responsable. La verdadera promesa de los agentes industriales es el aprendizaje que se acumula. Un proyecto completado debería mejorar el siguiente. Una sorpresa durante la ejecución debería actualizar el panorama de riesgos para el futuro. Eso crea un circuito cerrado: Evidencia histórica → Decisión operativa → Resultado observado → Aprendizaje validado.

Los límites son reales, y por eso el diseño importa

El momento agéntico actual requiere ambición, y también requiere honestidad. El artículo de Cao señala que los agentes pueden rendir bien en tareas acotadas mientras tienen dificultades con el trabajo de largo horizonte, la deriva de contexto, la propagación de errores y la verificación a lo largo del cambio continuo. La evidencia del benchmark EvoClaw muestra que el desempeño de los agentes cayó de más del 80 por ciento en tareas aisladas a como máximo el 38 por ciento en entornos continuos.

Los entornos industriales conllevan riesgos análogos. Un agente puede recuperar el contexto equivocado. Una respuesta técnicamente plausible puede pasar por alto un matiz operativo. Precisamente por eso las mejores arquitecturas de IA industrial deberían incluir:

• Trazabilidad de la fuente. Toda recomendación importante enlaza de vuelta a la evidencia.
• Controles por rol. Los datos sensibles y las acciones de alta consecuencia requieren los permisos adecuados.
• Validación humana. Los expertos revisan las decisiones que afectan a la seguridad, el cumplimiento, el capital o las operaciones, y el programa tiene una forma fiable de llegar a esos expertos cuando toca revisar.
• Métricas de evaluación. Medir utilidad, precisión, tiempo de ciclo, adopción y valor realizado.
• Retroalimentación continua. Capturar correcciones para que el sistema mejore en lugar de repetir errores.
• Límites claros. Definir qué pueden recomendar los agentes, qué pueden ejecutar y dónde la aprobación humana es obligatoria.

Dónde encaja SwarmLens

SwarmLens ve el Agente como Servicio como un modelo operativo práctico para la adopción de la IA industrial. El papel de la empresa es ayudar a los clientes a recorrer todo el trayecto:

• AccioLens. Construir una hoja de ruta de IA encadenada a la evidencia en torno a los casos de uso más relevantes y alcanzables.
• Agentes industriales. Desplegar agentes adaptados a los flujos de trabajo y los datos existentes del cliente.
• AssureLens. Convertir proyectos completados y registros operativos en conocimiento institucional enlazado a su fuente.
• UXLens. Personalizar una interfaz unificada a través de la cual los equipos puedan usar su propio conocimiento empresarial.
• ExpertHub. Conectar a los equipos con la experiencia especializada de la que depende la validación.
• Servicio gestionado. Operar y mejorar la capacidad como un servicio mensual.

En conjunto, eso es una hoja de ruta, una capa de agentes, una base de evidencia y una capa humana, gestionadas como una sola capacidad. La mayoría de las empresas no tienen ninguna razón para convertirse en empresas de productos de IA. La ventaja viene de volverse mejores usando su propia información, experiencia y experiencia operativa.

Una categoría líder de la IA industrial probablemente se definirá por si el sistema puede responder a una pregunta simple y exigente: ¿puede esto ayudar a nuestra gente a tomar una decisión mejor, más rápida y más defendible, usando evidencia en la que puedan confiar? Esa es la transición del software como herramienta a los agentes como capacidad operativa. Y es donde la conversación sobre el Agente como Servicio apenas comienza.