Agentforce y AI Agents en México: señal real para banca, seguros y enterprise

Asistir a Salesforce Agentforce World Tour México 2026 fue útil no por la novedad del discurso sobre inteligencia artificial, sino por una señal más concreta: el mercado enterprise ya está dejando atrás la idea de la IA como simple interfaz conversacional y empieza a empujarla hacia algo más exigente: agentes capaces de actuar con contexto operativo real.

La conversación más relevante del evento no fue "más chat", sino cómo conectar personas, aplicaciones, datos y automatización dentro del flujo de trabajo diario. En ese sentido, la visión de Slack como sistema operativo del trabajo y de Agentforce como capa de agentes sobre procesos empresariales plantea una dirección interesante: la IA empieza a moverse del terreno de la demo al terreno de la operación.

El problema no es generar respuestas, sino operar con contexto

En enterprise, responder bien una pregunta aislada no resuelve demasiado. El valor aparece cuando un sistema puede entender el estado de un cliente, leer señales de múltiples plataformas, priorizar acciones y participar en un flujo real sin romper trazabilidad, seguridad ni gobierno.

Ahí está la diferencia entre una demo atractiva y una implementación seria. Un agente empresarial útil no solo habla. También necesita acceso controlado a datos correctos, contexto del proceso, integración con sistemas existentes, reglas de negocio, observabilidad y límites claros sobre qué puede hacer y qué no. Sin eso, la IA queda reducida a una capa bonita sobre datos fragmentados.

Por qué tantos pilotos de IA fallan al pasar a producción

Una de las ideas que más nos llamó la atención en el evento fue precisamente esa: la mayoría de los pilotos de IA no sobreviven el salto a producción. La razón no suele ser el modelo en sí. El problema casi siempre está en la capa de alrededor: datos incompletos o dispersos, procesos no estandarizados, integraciones débiles, falta de ownership, expectativas infladas y ausencia de una arquitectura que soporte operación real.

En otras palabras: muchas organizaciones intentan poner agentes sobre procesos que todavía dependen de seguimiento manual, múltiples herramientas desconectadas y conocimiento operativo no documentado. En ese escenario, la IA no corrige el caos: lo amplifica.

Dónde sí vemos valor real para Hábil y sus clientes

Desde nuestra perspectiva, el potencial más interesante no está en poner un chatbot más, sino en orquestar trabajo contextual en procesos donde el tiempo de respuesta, la calidad de la información y la coordinación entre áreas sí importan.

En sectores como banca, seguros y enterprise, eso puede traducirse en frentes como atención y servicio con contexto unificado; operación interna y productividad; seguimiento comercial y customer experience; automatización de tareas repetitivas; y soporte a decisiones. No se trata de reemplazar el juicio humano, sino de ayudar a que los equipos decidan más rápido con mejor contexto.

En industrias reguladas no basta con que funcione

Para banca, seguros y organizaciones con operación crítica, la conversación tiene que ser más rigurosa. No basta con que un agente responda bien en un entorno controlado. También hay que responder preguntas como: de dónde salió el dato, qué sistema tuvo la verdad, qué acción tomó el agente, quién autorizó esa acción, cómo se audita, cómo se limita y qué pasa cuando el contexto está incompleto o es contradictorio.

Ese es el punto donde muchas iniciativas de IA enterprise se separan en dos caminos: las que generan valor sostenible y las que se quedan como showcase.

Nuestra lectura después del evento

Lo más valioso del evento no fue confirmar que la IA viene fuerte, eso ya lo sabíamos. Lo importante fue ver que la conversación del ecosistema enterprise empieza a madurar hacia temas más útiles: contexto, integración, operación, gobierno y productividad real.

En Hábil creemos que ahí está la oportunidad correcta: no en perseguir hype, sino en diseñar e implementar experiencias donde la IA pueda integrarse de forma útil a procesos complejos, especialmente en organizaciones donde fallar no es opción. Para que eso ocurra, la pregunta correcta no es solo qué modelo usar, sino qué arquitectura, qué datos, qué flujos y qué controles hacen viable a un agente en producción.