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

Inés Rodríguez, cofundadora de Hábil, asistió al Salesforce Agentforce World Tour México 2026, y la señal fue clara: las empresas ya evalúan agentes de IA más allá de la interfaz conversacional. Los agentes pueden consultar, proponer, enrutar o ejecutar acciones acotadas; su nivel de autonomía se define por riesgo, con permisos mínimos, aprobación humana cuando corresponde y forma de revertir.

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 propuesta 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. Slack puede ser la interfaz de colaboración de ciertos flujos; su valor depende de que la integración con los sistemas transaccionales y de identidad preserve permisos, contexto y rastro.

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

El paso de un piloto a producción suele revelar lo que una demo no expone: calidad y acceso a datos, integración, responsables, controles y operación continua. 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. Cuando datos, reglas y responsables son inconsistentes, un agente reproduce los errores a mayor velocidad; por eso la preparación operativa va antes que la automatización.

Dónde sí vemos valor real

Vemos valor en casos donde el contexto, el tiempo de respuesta y la coordinación entre áreas afectan directamente la experiencia del cliente o la eficiencia. El potencial más interesante no está en poner un chatbot más, sino en orquestar trabajo contextual en esos procesos.

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 —la fuente autorizada, la fecha de consulta, los datos usados y el sistema de registro que prevalece ante un conflicto—, 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.

En México el diseño considera, según el caso y la entidad, privacidad y secreto financiero, disposiciones de seguridad y continuidad aplicables a instituciones supervisadas y el control de terceros, con evidencia suficiente para auditoría.

Nuestra lectura después del evento

Lo más valioso del evento no fue confirmar que la IA viene fuerte. 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. 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.

En procesos críticos el objetivo no es suponer que nada falla, sino diseñar controles que prevengan acciones indebidas, detecten desviaciones y escalen las excepciones.

Antes de llevar un agente a producción revisamos cinco condiciones: un caso de uso y un riesgo acotados; fuentes de datos autorizadas; permisos y aprobaciones definidos; rastro de cada interacción y acción; y métricas de calidad, impacto y escalamiento. Si falta una, el siguiente paso no es automatizar: es cerrar esa brecha.