SAS anticipa tres desafíos para la IA empresarial en 2027

Menos del 10% de las empresas usará agentes de IA autónomos capaces de operar entre distintas aplicaciones en 2027, según las predicciones de Forrester. Esa distancia entre el entusiasmo por desplegar agentes y la capacidad real de gobernarlos es justo el terreno que SAS decidió mapear: la compañía de analítica y software empresarial anticipa tres desafíos que van a definir la agenda tecnológica del próximo año.
Para un founder, el mensaje es incómodo pero útil: el año que viene la pregunta ya no será qué puede hacer tu IA, sino quién responde cuando hace algo que no debía.
¿Cuáles son los tres desafíos que anticipa SAS?
La firma los ordena en tres frentes que se cruzan entre sí:
- Autonomía sin dueño claro. Los agentes inteligentes pasan de recomendar a ejecutar tareas dentro de los sistemas de la empresa.
- El cálculo económico. Después de invertir fuerte en infraestructura, hay que demostrar que el dinero rindió.
- Probar antes de fallar. Simulaciones, datos sintéticos y gemelos digitales como espacio de ensayo antes de tocar operaciones reales.
Desafío 1: agentes que actúan solos y nadie sabe quién responde
Hasta ahora, la mayoría de las herramientas de IA generaban textos, analizaban información o recomendaban acciones. Los agentes inteligentes van un paso más allá: ejecutan operaciones dentro de los sistemas empresariales. Eso obliga a cada compañía a decidir a qué información pueden acceder, qué operaciones están autorizados a realizar y quién asume la responsabilidad cuando algo sale mal.
Jay Upchurch, director de Información de SAS, lo resumió con una frase que conviene pegar en la pared: «La carrera de los agentes de IA no la ganará quien despliegue más, sino quien pueda confiar en su funcionamiento».
El sector bancario es el caso más visible. Adam Neiberg, gerente global de Banca de SAS, anticipa que estos sistemas podrían ejecutar transferencias en nombre de sus usuarios, lo que forzaría a los bancos a revisar cómo detectan fraudes y cómo comprueban la autoridad de cada agente. No es un problema técnico menor: es la diferencia entre un asistente y un apoderado.
El riesgo también es de marca. Jenn Chase, directora de Marketing de SAS, advirtió: «Si su IA lo dice, su marca lo dice». Una oferta no autorizada o una promesa incumplida por un asistente automatizado se convierte en un conflicto con el cliente, y la marca paga la cuenta.
El dato de contexto que dimensiona el problema viene de Forrester: la firma proyecta que menos del 10% de las empresas usará agentes autónomos entre aplicaciones en 2027, porque los estándares de interoperabilidad siguen inmaduros y los planos de control para gobernar agentes de terceros todavía no están listos. La consecuencia es una brecha de responsabilidad y costo de falla: una empresa puede confiar en un agente dentro de una app, pero duda en dejarlo disparar acciones entre sistemas sin supervisión humana.
Desafío 2: gastar millones en IA no garantiza resultados
El segundo frente es económico. Tras las grandes inversiones en centros de datos e infraestructura, las compañías tendrán que comprobar si ese dinero está dando resultados.
Matt Parson, director Financiero de SAS, señaló que «la IA continuará avanzando, pero las empresas serán mucho más selectivas e invertirán donde el valor justifique el costo». La dificultad central será distinguir entre hacer más tareas y trabajar mejor: una empresa puede producir cientos de informes con IA sin que eso se traduzca en mejores decisiones o mayores beneficios.
Marinela Profi, líder global de Estrategia de Inteligencia Artificial de SAS, prevé que el cuello de botella dejará de ser la capacidad de generar contenido y pasará a ser la evaluación de qué información resulta útil y cómo aprovecharla. Y Gordon Robinson, vicepresidente de Investigación y Desarrollo de Tecnologías Fundamentales de SAS, anticipa que el cálculo cambiará de base: ya no se trata solo de cuánto cuesta usar IA, sino de los recursos necesarios para obtener decisiones confiables, incluidos datos, infraestructura y controles.
El research del sector acompaña esa lectura. Nucleus Research, en sus predicciones para 2027 publicadas en octubre de 2026, titula el año como «el ajuste financiero de la IA empresarial». Su CEO, Ian Campbell, lo planteó así: las compañías gastaron mucho explorando qué puede hacer la IA y ahora necesitan determinar cuánto vale. El informe también proyecta que la consolidación de integración de datos puede generar reducciones de costos de infraestructura de entre 43% y 76%, y bajas de costo total de propiedad de hasta 40%.
El problema práctico es que la factura es difícil de pronosticar. En el Forrester Technology & Innovation Forum, el analista principal Kevin Ogunsua contó el caso de un asistente que recibió una factura sorpresa de OpenAI equivalente a lo que la organización gastaba en un año entero. Su conclusión para los responsables de tecnología: «La productividad por sí sola no te va a dar el ROI».
Desafío 3: probar antes de cometer errores costosos
¿Qué pasa si una IA toma una decisión equivocada en una fábrica, un hospital o un banco? La respuesta que SAS prevé para 2027 es ensayar en entornos virtuales donde los sistemas puedan actuar sin afectar a personas u operaciones reales, usando simulaciones, datos sintéticos y gemelos digitales.
Udo Sglavo, vicepresidente de Inteligencia Artificial Aplicada y Modelado de I+D de SAS, lo dijo sin rodeos: «El error menos costoso es aquel que se comete en una simulación». El ejemplo que da la compañía es concreto: una fábrica puede estudiar cómo una falla de maquinaria pondría en peligro a sus trabajadores antes de enfrentar esa situación en la planta.
La supervisión humana también entra en la ecuación. Reggie Townsend, vicepresidente de Ética, Gobernanza e Impacto Social de la IA de SAS, anticipa que las organizaciones tendrán que identificar cuándo intervienen las personas en decisiones automatizadas y si esas intervenciones mejoran los resultados. Y Albert Qian, estratega de Mercado de SAS, prevé que durante el primer trimestre de 2027 los responsables de datos trabajarán en definir qué decisiones pueden delegarse a los agentes, qué compromisos entre prioridades son aceptables y qué objetivos deben orientar su funcionamiento.
¿Qué significa esto para tu startup?
Si tu empresa ya usa IA o está por desplegar agentes, estos tres frentes se traducen en decisiones concretas que puedes tomar ahora.
1. Ponle límites a cada agente antes de darle permisos. Ogunsua recomienda tres topes simples: restringir cuánta información envía un flujo de trabajo a un modelo, fijar un máximo de llamadas al modelo por flujo y limitar cuántos agentes puede convocar. Sin esos límites, una sola solicitud puede disparar una cadena de llamadas y volver impredecible el costo. Aplica la misma lógica a los permisos: define qué puede ejecutar cada agente y deja puntos de control humano en los flujos de mayor valor.
2. Mide resultado de negocio, no actividad. Antes de escalar un proyecto, define cómo va a crecer el ingreso, bajar el costo o reducir el riesgo. Ogunsua ilustró la diferencia con un caso hipotético: US$5M invertidos en tokens frente a un contrato atado a generar US$50M en ingresos a lo largo de ocho trimestres. Asigna un responsable por resultado y revisa avances cada trimestre. Es el paso de «tokenmaxxing» a «valuemaxxing».
3. Presupuesta el costo que no aparece en la factura del proveedor. Aunque un modelo te salga gratis, operacionalizarlo cuesta: infraestructura, controles de seguridad y cambios en cómo trabaja tu equipo. Ese gasto se reparte entre áreas cuando la herramienta toca un proceso compartido.
4. Ensaya en simulación antes de producción. Si tu agente va a tocar dinero, clientes o seguridad, constrúyete un entorno de prueba con datos sintéticos. El error en un sandbox es barato; el error en producción se paga con clientes.
El hilo que une los tres desafíos es el mismo: la ventaja competitiva en 2027 no va a estar en cuántos agentes despliegues, sino en cuántos puedes dejar trabajar sin supervisión y con resultados medibles.
ACERCA DEL CORRESPONSAL
REDACCIóN CENTRAL
Prensa Mercosur es un diario online de iniciativa privada que fue fundado en 2001, donde nuestro principal objetivos es trabajar y apoyar a órganos públicos y privados.
- ★Delcy Rodríguez promulga reforma de la Ley Orgánica del Servicio Eléctrico
- ★Venezuela — Chino y Nacho regresarán a Venezuela con un concierto en Valencia en 2027
- ★Venezuela — El Miss Venezuela coronó a tres nuevas reinas
- ★Brasil — PF suspeita que bloqueio remoto impediu acesso a dados de Willer Tomaz em operação
- ★Brasil — Helicóptero da Esportes da Sorte apreendido pela PF foi comprado da Igreja Universal por R$ 27 milhões

