Nueva Saga #eTsunamiAgentico: Volver a desaprender, pero no por las mismas razones en la era de la IA Agentica
En 2024 escribí «Empezó la carrera por aprender a desaprender». Veníamos de la pandemia, habíamos crecido con entusiasmo desordenado, y era hora de ordenar la casa, soltar la euforia post-cuarentena y construir un músculo real. Era el momento de dejar de correr sin brújula y empezar a correr con sistema. Si se quiere, era el boom del darwinismo digital en su versión más honesta: o te adaptabas o quedabas fuera de la conversación relevante.
Hoy, dos años después, esa misma frase me vuelve a la mente desde el ecosistema, pero con una urgencia diferente y consecuencias mucho más estructurales. No estamos desaprendiendo porque lo hicimos mal, estamos desaprendiendo porque el sistema cambió.
Esta saga nace de dos momentos que ocurrieron casi al mismo tiempo y, juntos, me confirmaron que estábamos ante algo mayor. El primero fue el VTEX Day 2026 y el extraordinario lanzamiento de VTEX Alumni Network : la red de ex-VTEXers y ecosystem leaders que demostró que VTEX hizo mucho más que construir tecnología. Construyó un tejido de personas que hoy, con la aparición de los agentes, se convierte en una infraestructura de toma de decisiones. El segundo momento fue darme cuenta de que ese tejido —el que une a las personas entre sí— es el punto de partida para entender cómo unir a las personas con agentes. Y esa transición no es menor: es el #eTsunamiAgentico.
La bisagra que no se parece a ninguna anterior
Hay momentos en la historia del comercio digital que funcionan como puntos de quiebre. La era punto-com redefinió la velocidad, mobile redefinió el acceso, la pandemia redefinió la urgencia y aceleró una madurez que muchos ecosistemas habrían tardado cinco años en desarrollar, pero todas esas transformaciones tenían algo en común: el centro de la decisión seguía siendo humano. Las herramientas cambiaban, los canales se multiplicaban, las arquitecturas se sofisticaban, pero quien decidía —qué comprar, cuándo, a qué precio, con qué criterio— era una persona.
El eTsunami agéntico rompe esa constante. No estamos ante un cambio de herramientas. Estamos ante un cambio en el sistema de toma de decisiones. La inteligencia artificial agéntica no recomienda, no sugiere, no espera instrucciones en cada paso: ejecuta. Negocia precios, optimiza inventarios, activa campañas, compra. Y lo hace dentro de los guardrails que el sistema le define, con una velocidad y una escala que ningún equipo humano puede igualar.
Por eso, para entender esta saga, hay que poner sobre la mesa un concepto que, hasta ahora, muchas organizaciones han manejado de manera implícita: los Decision Rights. Es decir: quién tiene derecho a decidir, sobre qué información, con qué límites, bajo qué métricas, con qué trazabilidad y quién responde cuando el resultado no es el esperado. En la operación tradicional, muchas de estas decisiones se encontraban dispersas entre áreas, líderes, sistemas, planillas, excepciones y costumbres. Una parte estaba en pricing, otra en operaciones, otra en atención al cliente, otra en logística, otra en finanzas y otra, muchas veces, en la intuición de quienes resolvían sobre la marcha. El eTsunami agéntico vuelve imposible seguir funcionando así. Cuando una IA puede recomendar, ejecutar, negociar, bloquear, escalar o comprar, lo que antes era una zona gris organizacional se convierte en un riesgo operativo. Ya no basta con decir “la IA asiste” o “la IA automatiza”. La pregunta correcta es: qué decisión estamos moviendo, desde quién hacia quién, bajo qué reglas y con qué responsabilidad. Porque delegar no es abandonar. Delegar es diseñar. Y en la era agéntica, diseñar significa definir con precisión qué parte del sistema puede decidir sin pedir permiso en cada paso, qué parte debe asistir al humano, qué parte debe escalar y qué parte nunca debe cruzar ciertos límites. Ahí empieza el verdadero cambio: no en la herramienta que incorporamos, sino en el mapa de poder operativo que nos animamos a redibujar.
El Salto Evolutivo: De la Asistencia a la Autonomía. La transición de la IA Asistiva a la IA Agéntica marca el fin de la era de la «herramienta» y el inicio de la era del «socio ejecutivo». Mientras que la IA tradicional optimiza la respuesta, la IA agéntica optimiza el resultado final, operando con objetivos definidos y capacidad de negociación sin intervención humana constante. Como destaca el último reporte de Salesforce (2025), el ecosistema del retail no solo está adoptando esta tecnología por eficiencia, sino por supervivencia: el 75% de los líderes del sector proyecta que para 2026 la autonomía será el motor crítico del comercio digital. Ya no se trata de preguntar qué hacer, sino de delegar la ejecución para escalar en un mercado en tiempo real.
Lo que el VTEX Day 2026 me confirmó
El #VTEXDay de 2024 fue el punto de partida de la saga anterior. El de 2026 me da el mismo rol, pero ante un paisaje completamente diferente. En 2024 veíamos tendencias y en 2026 estamos viendo una reconfiguración de la arquitectura.
Los grandes retailers del mundo ya no están piloteando, están desplegando. Walmart lanzó Sparky, su asistente de compras integrado tanto en su propio sitio como en plataformas externas de IA como ChatGPT y Gemini. Home Depot presentó Magic Apron, un agente propietario que combina datos de clientes con experiencia en proyectos para brindar asistencia personalizada. Lowe’s tiene Mylow, que investiga materiales, verifica el stock local y genera planes de proyecto paso a paso. En Brasil, Magalu opera con Lu —la versión corta de Luiza— como asistente por WhatsApp con 7,8 millones de seguidores en TikTok, que recomienda productos, procesa pagos y rastrea órdenes, y Carrefour, con Hopla+, ya opera dentro de ChatGPT y en su propia app móvil Anders Hjorth , consultor de Retail Media & Agentic Commerce, vuelca estos datos en un gran análisis: https://www.linkedin.com/feed/update/urn:li:activity:7445386115563360256/
El caso de Magalu merece una lectura especial en Iberoamérica. Frederico Trajano su gran CEO y uno de los ejecutivos que mejor entendieron cómo liderar un retail que quiera ser moderno lo resumieron en una frase que funciona casi como un símbolo de madurez regional: el agentic commerce ya dejó de ser una hipótesis. Su punto es importante porque no se apoya en una demo aislada ni en un prototipo de laboratorio, sino en la evolución de Lu como interfaz conversacional con años de aprendizaje, escala y recurrencia. En otras palabras, Magalu no empezó por “poner IA” sobre el comercio; empezó por construir una relación digital sostenida con el consumidor y luego fue sofisticando esa relación hasta convertirla en una capa conversacional capaz de recomendar, asistir, vender, procesar pagos y acompañar órdenes. Esa diferencia es crítica. Muchos retailers van a intentar entrar al mundo agéntico a través de la herramienta; Magalu muestra que el camino más sólido puede empezar por la confianza, la frecuencia, los datos, el hábito y el vínculo. No es menor que Lu opere en WhatsApp, porque en nuestra región la conversación no es un canal periférico: es una infraestructura cotidiana de comercio. Ahí aparece una lección clave para la saga: el futuro agéntico en América Latina no necesariamente va a nacer copiando la arquitectura de Silicon Valley, sino combinando plataformas globales, mensajería masiva, comercio conversacional, datos propios, confianza acumulada y ejecución local. La ventaja no será solo tener un agente, sino haber entrenado durante años una relación que el agente pueda ampliar sin romper la promesa de confianza.
Por su parte, McKinsey & Company estima que el comercio agéntico podría mover entre 3 y 5 billones de dólares para 2030, lo que plantea que ya nada es aspiracional, sino una advertencia estructural sobre lo que ocurre cuando la ejecución se desacopla del humano que la autoriza.
Un matiz importante, sin embargo, es no confundir la señal temprana con el canal consolidado. Malte Karstan lo plantea con precisión al describir el agentic commerce no como un canal ya estandarizado —al nivel de social commerce, marketplaces u on-demand delivery—, sino como una nueva capa de interfaz que empieza a superponerse al retail existente. Esa distinción es clave para esta saga: el eTsunami agéntico no significa que Amazon , Walmart , Carrefour , Magalu , TikTok Shop , Instacart o los D2C desaparezcan como capas de ejecución. Significa que una nueva capa empieza a influir en cómo el consumidor expresa intención, cómo se comparan las alternativas, cómo se interpreta una oferta y cómo se decide qué opción merece avanzar hacia la transacción. En esa capa, la visibilidad ya no depende solo de estar bien posicionado en una página, en un buscador o en un marketplace, sino también de ser interpretable por sistemas que leen atributos, precios, disponibilidad, políticas, reseñas, contenido confiable y promesas de cumplimiento. Por eso, más que reemplazar canales, el agentic commerce empieza a rediseñar el punto de entrada en la toma de decisiones. Y cuando cambia el punto de entrada, también cambia la arquitectura de poder: quién aparece, quién es recomendado, quién es descartado y bajo qué criterios. La batalla no empieza en el checkout; empieza mucho antes, en la capacidad de una marca, retailer o marketplace de volverse legible para una inteligencia que no navega como una persona, pero que influye cada vez más en lo que una persona termina eligiendo
El problema no es la tecnología, es el sistema de decisiones
Acá es donde quiero instalar la incomodidad central de esta saga. En 2024, el ecosistema latinoamericano aprendió a desaprender para ser rentable. Para depurar su stack tecnológico, reducir la deuda estructural acumulada durante los años de crecimiento eufórico y elegir menos herramientas y operarlas mejor.
Hoy, el desafío no es depurar herramientas, sino reconocer que hay decisiones que ya no serán tomadas por humanos, y que la pregunta relevante ya no es «¿qué herramienta uso?» sino «¿qué decisiones estoy dispuesto a no tomar más?«
Si en 2024 desaprender era ordenar el crecimiento, en 2026 desaprender es hacer visible el mapa de decisiones que antes operaba en silencio. Porque lo que no se explicita, no se puede gobernar. Y lo que no se gobierna, en la era agéntica, se convierte rápidamente en riesgo. Marcos Pueyrredon
Para que esa pregunta no quede en una reflexión interesante pero abstracta, propongo ordenarla mediante una primera matriz simple: por un lado, la frecuencia y la velocidad con que una decisión debe tomarse; por el otro, el nivel de riesgo o el impacto económico, reputacional o regulatorio que esa decisión puede generar. No todas las decisiones del comercio merecen el mismo tratamiento. Hay decisiones de alta frecuencia y bajo riesgo —como informar el estado del pedido o resolver consultas simples de CX— en las que el sistema puede empezar a ejecutarse con guardrails claros. Hay decisiones frecuentes pero de mayor impacto —como la sustitución de productos, promesas de entrega o ciertas campañas— en las que la autonomía debe ser condicionada, monitoreada y reversible. Hay decisiones de bajo volumen pero de alto riesgo —como suspensión de sellers, pricing estratégico, reclamos sensibles o conflictos regulatorios— donde el humano no desaparece: decide con soporte de IA. Y hay zonas donde la IA puede asistir, simular o preparar escenarios, pero debe escalarlos antes de ejecutarlos. Esta matriz es importante porque obliga al liderazgo a salir del debate binario entre “automatizar” o “no automatizar”. La era agéntica exige una discusión más madura: qué se automatiza parcialmente, qué se delega con guardrails, qué se asiste y qué se mantiene bajo decisión humana. En otras palabras, el nuevo liderazgo no empieza eligiendo una herramienta, empieza clasificando decisiones. Porque si no clasificamos las decisiones, terminamos delegando por entusiasmo, bloqueando por miedo o improvisando la governance cuando el incidente ya ocurrió.
Esta matriz es el primer filtro ejecutivo de la saga: frecuencia, velocidad, riesgo e impacto. No responde a todo, pero obliga a hacer la pregunta correcta antes de enamorarse de cualquier agente.
Esta matriz no se lee como un cuadro de automatización, sino como un mapa de autoridad. El eje vertical obliga a mirar la frecuencia y la velocidad: decisiones que ocurren muchas veces al día no pueden depender siempre del mismo cuello de botella humano. El eje horizontal obliga a mirar el impacto: no es lo mismo responder el estado de un pedido que modificar un precio, aprobar una devolución fuera de política o suspender a un seller. En el cuadrante de bajo riesgo y alta repetición, la IA puede empezar a ejecutarse con reglas. En los cuadrantes de mayor riesgo, debe asistir, simular, recomendar o escalar. Y en las decisiones en las que el costo de equivocarse puede afectar el margen, la reputación, el compliance o la confianza, el humano sigue siendo el responsable final. La clave no es automatizar más, sino asignar mejor la autoridad de decisión. Esa es la diferencia entre usar la IA como herramienta y empezar a gobernar un sistema agéntico.
Vista desde esta matriz, la pregunta incómoda de esta columna se vuelve mucho más concreta: no se trata de si la IA puede decidir, sino de qué tipo de decisión estamos dispuestos a rediseñar primero. Y esa es la pregunta que ordena los tres capítulos que siguen.
Vista desde esta matriz, la pregunta incómoda de esta columna se vuelve mucho más concreta
Para avanzar un paso más, la matriz 2×2 necesita complementarse con un segundo mapa: no solo ordenar decisiones por frecuencia y riesgo, sino también entender qué modo de decisión corresponde en cada caso. Porque en la era agéntica no todo lo automatizable debe delegarse, no todo lo delegable debe ejecutarse sin guardrails y no todo lo riesgoso debe quedar paralizado por miedo. Hay decisiones que deben seguir en manos humanas, otras que pueden ser asistidas, otras que pueden delegarse con reglas, otras que solo pueden ejecutarse si se cumplen condiciones muy precisas, y otras que deben bloquearse o escalarse antes de convertirse en incidente. Este mapa ayuda a pasar de la pregunta “¿Qué decisiones estoy dispuesto a no tomar más?” a una pregunta todavía más ejecutiva: qué tipo de autoridad estoy dispuesto a redistribuir y bajo qué condiciones.
Este mapa se lee como una arquitectura de responsabilidad, no como una escalera lineal hacia la automatización total. El primer modo —humano decide— protege decisiones estratégicas, sensibles o críticas. El segundo —asistir— permite que la IA recomiende, simule o prepare escenarios, pero mantiene la aprobación humana. El tercero —delegar con guardrails— permite la ejecución dentro de límites claros. El cuarto —delegar condicionado— exige que los datos, las reglas y el contexto sean confiables antes de actuar. Y el quinto —bloquear o escalar— recuerda que un sistema bien gobernado no es el que siempre ejecuta, sino el que sabe detenerse cuando cruza un umbral de riesgo. Lo importante para esta saga es que la redistribución de Decision Rights no significa sacar al humano del sistema; significa cambiar su rol: de operador permanente de cada decisión a diseñador, auditor y responsable del sistema que decide.
Según datos de Salesforce citados por XCube Labs, el 43% de los retailers ya está piloteando IA autónoma, y el 75% la considera crítica para 2026. Gartner proyecta que para 2029 el 80% de las consultas de servicio al cliente se resolverá sin intervención humana, con un ahorro potencial de hasta el 30% en costos operativos. El MIT Center for Transportation and Logistics documentó cómo startups como Pactum lograron hasta un 40% de ahorro en negociaciones de compras para empresas como Walmart, con agentes que operan dentro de guardrails predefinidos pero sin instrucción humana en cada ronda.
Y en China, lo que Harvard Business Review publicó en abril de 2026 sobre Meituan y su agente, Xiaomei, no deja lugar a interpretaciones: el usuario dicta su intención en lenguaje natural, el agente interpreta, aplica las preferencias y completa la transacción. A menudo sin que el usuario toque la pantalla. Esto no es automatización, es delegación y delegación cambia la naturaleza del poder dentro del ecosistema.
Pero para que estos casos no queden como una colección de ejemplos globales o como una nueva ronda de name dropping tecnológico, hay que bajarlos a la operación cotidiana del comercio. Ahí aparece la matriz operativa de Decision Rights: una herramienta para workshops, boards o diagnósticos ejecutivos que permite tomar decisiones reales —estado de pedido, producto sustituto, precio dinámico, devolución fuera de política, negociación con proveedor, campaña promocional, fecha de entrega o suspensión de seller— y mapearlas con precisión. La pregunta ya no es si la IA puede ayudar, sino qué rol debe cumplir en cada decisión: observar, recomendar, asistir, ejecutar condicionado, optimizar o coordinar. Y, sobre todo, quién sigue siendo el dueño humano, cuál es la fuente de verdad, qué guardrails aplican, qué métrica define éxito y cuál es el kill-switch si algo se desvía.
Esta matriz se lee de izquierda a derecha, como debería leerse cualquier decisión crítica en la era agéntica: primero se identifica la decisión, luego su frecuencia y riesgo; después se define el dueño humano, el rol de la IA, el nivel de autonomía permitido, los guardrails, la métrica y el mecanismo de interrupción. Su aporte central es convertir una discusión abstracta sobre IA en una conversación concreta sobre accountability. No alcanza con decir “el agente ejecuta” si no sabemos sobre qué datos ejecuta, dentro de qué límites, quién responde por el resultado y cómo se detiene cuando cruza una línea. En este capítulo, la matriz cumple una función clave: demostrar que el eTsunami agéntico no se rige por inspiración, sino por diseño operativo. Y en la saga, queda como primer artefacto práctico para que cada retailer, marca, marketplace, plataforma o ecosistema empiece a revisar sus propios decision rights antes de delegar autonomía.
Por qué esta vez no hay margen de adaptación lenta
Durante la transición móvil, el ecosistema latinoamericano tuvo años para adaptarse. Durante la pandemia, tuvo semanas, pero el contexto forzaba la acción. En el eTsunami agéntico, el margen es diferente, porque el ritmo de adopción del consumidor no espera al retailer.
Forrester estima que solo el 23% de los adultos en Estados Unidos confía actualmente en compartir datos personales con sistemas de IA. Eso es hoy. El número va a moverse en la dirección que el ecosistema haga creíble, no en la que desee. La confianza en el sistema agéntico se construye con infraestructura visible, guardrails auditables y trazabilidad de decisiones. No con marketing de innovación.
La misma tensión empieza a verse en el mercado laboral. Josemaría Lucas, citando cifras atribuidas a Goldman Sachs y conectándolas con los trabajos de David Autor y su equipo en el MIT, plantea una distinción que, para esta saga, es central: no toda adopción de IA genera el mismo tipo de futuro. Hay usos que aumentan la capacidad humana y otros que sustituyen tareas sin generar una nueva capacidad organizacional equivalente. Esa diferencia importa mucho más de lo que parece para el comercio. Porque cuando una compañía incorpora agentes solo para reemplazar tareas, puede ganar eficiencia de corto plazo, pero también puede erosionar el músculo que necesita para aprender, auditar, mejorar y gobernar el sistema. En cambio, cuando usa la IA para aumentar el criterio, acelerar el aprendizaje, mejorar las decisiones y liberar talento de tareas repetitivas, empieza a construir una ventaja más sostenible. El punto incómodo es que el perfil más vulnerable no será necesariamente quien “no use IA”, sino quien siga operando como ejecutor de tareas aisladas en un sistema que ahora premia el contexto, la integración y la capacidad de juicio. En la era agéntica, el talento no desaparece: cambia de lugar. Deja de estar presionando cada botón y pasa a estar diseñando el circuito, interpretando los trade-offs, definiendo guardrails, leyendo la telemetría y decidiendo cuándo el sistema debe avanzar, detenerse o escalar. Esa es la diferencia entre la automatización que vacía capacidades y la Human-Augmented AI que construye capacidad instalada.
El gráfico que comparte Josemaría Lucas, CFA , basado en datos de Goldman Sachs GLOBAL INVESTMENT RESEARCH LIMITED y del U.S. Department of Labor , permite visualizar esa diferencia con una claridad incómoda. A la izquierda, se observa la evolución del empleo en industrias con alta exposición a sustitución por IA frente a aquellas donde la IA funciona más como aumentación. A la derecha se muestra la tasa de desempleo promedio de tres meses en ocupaciones expuestas a sustitución, a aumento u otras categorías. La señal no debe leerse como una sentencia definitiva, sino como una advertencia temprana: cuando la IA se integra como sustitución pura, el empleo tiende a ejercer más presión; cuando se integra como aumentación, el sistema parece absorber mejor el cambio y expandir la capacidad. Para esta saga, el punto no es discutir si la IA “quita” o “crea” empleo en abstracto. El punto es más operativo: qué tipo de arquitectura organizacional estamos construyendo al delegar decisiones a agentes.
Lo relevante de este gráfico no es solo la curva roja, sino la diferencia entre dos modelos de adopción. La sustitución captura valor rápidamente, pero puede empobrecer el aprendizaje organizacional si elimina los espacios donde se forma criterio. La aumentación, en cambio, obliga a rediseñar roles, procesos y decision rights para que el talento humano asuma decisiones de mayor complejidad. En el comercio, esta distinción será decisiva. Un agente que responde consultas, recomienda productos, ajusta precios o negocia con proveedores no es neutro: desplaza tareas, reconfigura responsabilidades y cambia las capacidades que se vuelven escasas. Por eso, el liderazgo no debería preguntarse solamente cuántos procesos puede automatizar, sino qué capacidades humanas necesita preservar, amplificar y entrenar para que la autonomía no termine debilitando el sistema que pretende mejorar. El eTsunami agéntico no se gobierna reemplazando talento por software; se gobierna convirtiendo talento en capacidad aumentada, criterio distribuido y accountability trazable.
Quienes no entiendan eso van a quedar atrapados en el mismo error que cometieron durante la pandemia: reaccionar cuando ya pasó el momento.
La diferencia entre el darwinismo digital de 2024 y el eTsunami agéntico de 2026 es esta: aquella vez ordenábamos la operación. Esta vez estamos redefiniendo quién tiene autoridad para tomar decisiones en su nombre.
Por lo tanto, desaprender en 2024 era soltar la euforia para construir músculo, y desaprender en 2026 es soltar la ilusión de que el humano seguirá siendo el centro de todas las decisiones operativas del comercio. No porque la tecnología lo desplace, sino porque la velocidad, la escala y la complejidad del sistema lo requieren.
El que entiende esto antes, diseña el kernel de su operación con esa lógica. El que no, va a seguir ajustando herramientas sobre una arquitectura que ya cambió de reglamento. Si quieren ampliar un poco más sobre el concepto del Kernel Agentico, les recomiendo que lean #CommerceOS: el kernel que ordena el crecimiento (Capítulo 2 de 4)
Lo que viene en esta saga y por qué lo estructuré así
Cuando empecé a armar esta saga, el plan original era de cuatro columnas sobre IA agéntica en el comercio, pero mientras avanzaba en el material —los datos, los casos, las conversaciones con eLíderes del ecosistema en el VTEX DAY y en los eCommerce Days del Tour 2026 — me di cuenta de que el tema más urgente no era la tecnología. Era la comprensión de lo que cambia cuando la IA empieza a decidir.
Por eso estructuré la saga de esta manera (pero atención, todo puede cambiar de un momento a otro):
Columna 2 de 4: Cuando la IA deja de asistir y empieza a decidir. Bajo tierra, el cambio real. Paso de la IA asistiva a la IA agéntica con casos concretos, datos de adopción y la pregunta que nadie quiere hacerse: ¿qué decisiones estás dispuesto a no tomar más?
Columna 3 de 4: De SaaS a Backbone: quién sobrevive al eTsunami. Este es el capítulo estratégico del ecosistema de proveedores. Los agentes necesitan operar sobre una infraestructura integrada, con datos confiables y reglas claras. Los que no se conviertan en backbone del sistema de decisiones, van a quedar como features. Y eso tiene consecuencias concretas para toda la cadena de valor del comercio latinoamericano.
Columna 4 de 4: El ecosistema entrenado: talento, gobernanza y el nuevo flywheel. El cierre integrador. La mayor barrera no es tecnológica: es la falta de skills y de gobernanza para operar en este nuevo circuito. Acá entra el concepto de ecosistema entrenado: la ventaja competitiva ya no es quién tiene la mejor tecnología, sino quién aprende, desaprende y vuelve a aprender más rápido que el resto.
Esta saga no trata sobre IA. Es sobre liderazgo en un sistema en el que la autoridad de decisión se está redistribuyendo y sobre cómo estar del lado correcto de ese movimiento.
Por eso quiero cerrar este primer capítulo con una decisión concreta, no con una consigna inspiradora. Esta semana, antes de discutir qué agente incorporar, qué plataforma probar o qué caso de uso llevar al board, propongo hacer un ejercicio mucho más incómodo y mucho más útil: elegir una decisión operativa real del negocio y mapearla con precisión. Puede ser una sustitución de producto, una devolución fuera de política, una promesa de entrega, una campaña promocional, una recomendación de precio, una negociación con un proveedor o la suspensión de un seller. Lo importante no es elegir la decisión más sofisticada, sino una decisión que ocurra con frecuencia, que tenga impacto económico o reputacional y que, hoy todavía, dependa de reglas poco explícitas. A esa decisión hay que hacerle ocho preguntas: quién es el dueño humano, cuál es la fuente de verdad, qué puede recomendar la IA, qué puede ejecutar, qué no puede hacer nunca, cuándo debe escalar, qué métrica define si funcionó y cuál es el kill-switch si algo se desvía. Ese es el primer paso para dejar de hablar de la IA como promesa y empezar a gobernarla como un sistema. Si una organización no puede responder esas ocho preguntas para una decisión concreta, todavía no está lista para delegar autonomía: está lista, como mucho, para experimentar con asistencia. Y esa diferencia es central. Porque el eTsunami agéntico no premia a quienes automatizan más rápido, sino a quienes diseñan mejor qué se puede delegar, bajo qué reglas y con qué responsabilidad.
En 2024 desaprendimos a correr sin brújula. Veníamos de una etapa en la que el crecimiento había sido tan acelerado que muchas organizaciones confundieron el movimiento con la dirección, la adopción con la madurez y las herramientas con el sistema. Desaprender, en aquel momento, significaba ordenar la casa: revisar el stack, depurar procesos, recuperar rentabilidad, entender qué capacidades eran realmente propias y cuáles dependían de una coyuntura extraordinaria. En 2026, el desaprendizaje es más incómodo, porque ya no se trata solo de ordenar la operación, sino de aceptar que no todas las decisiones deben volver a nuestras manos. Algunas deberán ser asistidas, otras, delegadas, otras, condicionadas y otras, bloqueadas antes de que escalen como riesgo. La pregunta que queda abierta no es si la IA puede decidir; esa discusión ya empezó a parecer obsoleta. La pregunta es si nosotros, como líderes, estamos preparados para diseñar el sistema que decide. Porque liderar en la era agéntica no consistirá en ocupar cada asiento dentro de la operación. Se definen el circuito, los límites, los responsables, las métricas y los puntos de control para que el sistema avance con rapidez sin perder criterio, confianza ni accountability.
Abro, si se quiere, mi diario de notas para esta saga. No para cerrar una conclusión, sino para abrir una conversación incómoda con el ecosistema: hacia dónde queremos ir, qué decisiones estamos dispuestos a rediseñar y con quiénes vamos a construir la confianza necesaria para hacerlo. Porque el eTsunami agéntico no se gobierna en soledad: se gobierna con criterio, con reglas y con ecosistemas capaces de aprender antes de que el sistema decida por ellos.
