Cómo Dell quiere llevar la IA agéntica de los pilotos a la producción

El mensaje central de Dell en The Six Five Summit: AI Unleashed 2026 fue claro: la IA agéntica debe entenderse como un modelo operativo para producción, no como una nueva etiqueta para los chatbots. En la definición de la compañía, la diferencia está en que el sistema pueda perseguir un objetivo concreto, utilizar herramientas y completar trabajo con una intervención humana limitada. Dell presentó sus propios despliegues como prueba de esa transición, aunque sus cifras de productividad, costes e impacto empresarial son afirmaciones de la empresa y no resultados verificados de forma independiente. 15

Del chatbot que ayuda al agente que ejecuta

La primera ola de IA generativa empresarial se centró, en gran medida, en ayudar a las personas a buscar, resumir y consultar información propia de la organización. Dell sostiene que la siguiente fase consiste en digitalizar el trabajo: trasladar tareas definidas de la capa humana a un software capaz de razonar sobre un flujo de trabajo y actuar en consecuencia. 14

Esa distinción también sirve para explicar qué entiende Dell por «agent washing», es decir, presentar bots corrientes, asistentes o automatizaciones programadas como si fueran agentes autónomos. Un chatbot puede generar una respuesta; un agente, según Dell, debe trabajar hacia un objetivo, interactuar con herramientas o sistemas y ejecutar pasos dentro de un proceso empresarial. 25

La compañía afirmó que empezó a desarrollar agentes aproximadamente dos años antes de la cumbre y que puso los primeros en producción durante el año anterior, utilizando a la propia Dell como su «Cliente Cero». 2

Por qué Dell redujo 900 ideas de IA a 13

Dell dijo que partió de unas 900 posibles iniciativas de IA, pero redujo la lista a alrededor de 13 proyectos específicos. El proceso priorizó las necesidades del negocio y el análisis de procesos, en lugar de mantener indefinidamente una gran cantidad de experimentos desconectados. 12

Entre los casos de uso en producción mencionados por la empresa figuran:

• Limpieza de datos de CRM, con un agente encargado de tareas repetitivas relacionadas con la calidad de la información.
• Desarrollo de software, incluida la asistencia en tareas vinculadas con la programación.
• Apoyo a la fijación de precios, mediante flujos de trabajo agénticos aplicados a operaciones de pricing.
• Reservas de viajes y resumen de documentos, ejemplos de tareas autónomas más sencillas. 25

La conclusión de Dell no es que todos los procesos necesiten un agente. Su propuesta es identificar un trabajo concreto con un resultado empresarial medible y construir después el sistema más pequeño que pueda resolverlo. Este enfoque ayuda a separar un despliegue real de un programa general de pilotos de IA.

Las mejoras de productividad que afirma Dell

Dell sostiene que los primeros despliegues centrados en tareas pueden generar mejoras de productividad de aproximadamente entre el 20 % y el 40 %. También argumenta que los sistemas capaces de asumir categorías completas de trabajo podrían producir avances mucho mayores, potencialmente de varios órdenes de magnitud. 25

Estas cifras deben interpretarse como expectativas y resultados comunicados por Dell, no como una referencia independiente aplicable a todas las empresas. La compañía añadió que su trabajo interno con IA ayudó a separar el crecimiento de los ingresos de su estructura de costes, pero la evidencia disponible no demuestra cuánto de ese efecto procede de agentes concretos ni prueba una relación causal. 2

Para los compradores empresariales, la diferencia es importante. Un caso de negocio fiable debe especificar qué tarea se automatiza, qué tiempo humano se elimina o se redirige, cuánto cuestan la inferencia y la orquestación y qué controles hacen falta cuando el agente puede actuar sin supervisión continua.

La IA agéntica cambia la ecuación de infraestructura

El argumento de Dell es que la IA agéntica en producción no consiste simplemente en ejecutar una versión más grande de un chatbot. El cuello de botella puede desplazarse del cómputo bruto a la capacidad y el ancho de banda de la memoria, especialmente cuando los flujos de trabajo prolongados conservan su estado en cachés de clave-valor. En algunos casos, la memoria puede agotarse antes de que se utilice por completo la capacidad de las GPU. 24

Los agentes en producción también acceden a los datos de forma distinta a los sistemas de entrenamiento. En lugar de procesar grandes conjuntos de datos relativamente estáticos, pueden realizar solicitudes sostenidas, intermitentes y muy dirigidas a través de sistemas empresariales. A escala, la entrega de datos y la latencia de cola —el tiempo de respuesta en los casos más lentos— pasan a ser tan importantes como el rendimiento del modelo. 24

Las CPU ganan además protagonismo. Se encargan de coordinar la orquestación, la lógica condicional, la recuperación de información, las llamadas a herramientas y la comunicación entre componentes, mientras las GPU procesan las cargas de modelo adecuadas. Dell indicó que las implementaciones convencionales de IA, con proporciones aproximadas de 8:1 a 16:1 entre CPU y GPU, podrían avanzar hacia relaciones más cercanas a 1:1 o 2:1 en sistemas agénticos. 2

Para las empresas, la respuesta que propone Dell es una infraestructura de plataforma reutilizable, en vez de una colección de arquitecturas aisladas para cada caso. También defiende modelos híbridos que distribuyan las cargas entre sistemas locales, nubes privadas, API públicas o modelos ejecutados en dispositivos, según las exigencias de cumplimiento normativo, rendimiento, control de los datos y coste. 45

No existe un precio único para un agente de IA

Una consecuencia importante de los flujos de trabajo autónomos es que la economía del modelo debe corresponderse con el valor de la tarea. Dell utilizó ejemplos muy diferentes: un agente de apoyo a la toma de decisiones de un ejecutivo podría justificar un coste de unos 100.000 dólares al mes, mientras que uno dedicado a limpiar registros de CRM quizá tendría que operar por menos de 0,50 dólares por registro. 2

La compañía no presenta estas cifras como tarifas universales. El mensaje es que una empresa no debería utilizar el modelo más potente y caro para cada proceso. Una cartera de agentes puede necesitar modelos pequeños para tareas rutinarias de gran volumen, modelos mayores para razonamientos complejos y ubicaciones de ejecución distintas cuando cambien los requisitos de latencia, soberanía de los datos o cumplimiento. 25

La seguridad empieza con una identidad propia

Dell afirmó que cada agente autónomo que accede a datos de la compañía recibe su propia identidad digital de Dell. Esta identidad permite aplicar autorizaciones específicas y revocar permisos; desactivarla puede funcionar como un interruptor de emergencia para cortar el acceso del agente. 25

El control resulta especialmente relevante en el caso de los agentes sin interfaz, o headless agents: sistemas que operan sin una interfaz de usuario ni supervisión humana en tiempo real. Si un agente actúa directamente a través de herramientas empresariales, la organización debe poder saber qué agente realizó una acción, a qué información estaba autorizado a acceder y cómo detenerlo sin depender de las credenciales de una persona.

Por eso, los permisos mínimos necesarios y las identidades independientes de cada agente dejan de ser funciones de seguridad opcionales y pasan a convertirse en capas básicas de control. 45

Dell también señaló protocolos de comunicación y control como A2A y MCP, además de la planificación para adoptar criptografía poscuántica, como elementos del marco de gobernanza que está surgiendo. 2

La evidencia disponible no permite establecer un porcentaje fiable de los futuros despliegues que utilizarán agentes sin interfaz. Cualquier previsión numérica precisa iría más allá de lo que demuestran las fuentes proporcionadas.

El trabajo cambia por tareas, no necesariamente por puestos completos

Dell dijo que analizó 6.800 puestos de trabajo para estudiar qué partes de cada función podrían asumir los agentes y cuáles seguirían requiriendo criterio humano. 2

Su conclusión es que los agentes transformarán el trabajo más a menudo extrayendo tareas específicas que eliminando puestos completos. En este modelo, la IA absorbe labores de productividad, tareas administrativas de «higiene» y coordinación, mientras los empleados dedican más tiempo al juicio experto y a actividades centradas en las personas. 25

Se trata de una tesis sobre la reorganización de la fuerza laboral, no de una garantía de que ningún empleo vaya a desaparecer. Incluso cuando un puesto se mantiene, pueden cambiar sus responsabilidades, el número de personas necesarias, las competencias exigidas y la rendición de cuentas.

El reto práctico para las empresas es, por tanto, de diseño organizativo: decidir qué trabajo se delega, qué decisiones deben conservar un responsable humano y cómo se medirá el rendimiento una vez modificado el flujo de trabajo.

Qué debería preguntar una empresa antes de pasar a producción

La presentación de Dell reduce el salto de los pilotos a la producción a cuatro preguntas:

1. ¿El sistema es realmente autónomo? Cambiar el nombre de un chatbot no lo convierte necesariamente en un agente.
2. ¿Resuelve un flujo de trabajo definido y valioso? La reducción de 900 proyectos a 13 ilustra la importancia de priorizar.
3. ¿Puede la infraestructura sostener el estado, la latencia, la orquestación y la economía específica de la carga? La inferencia agéntica puede tensionar la memoria y la entrega de datos de forma distinta al entrenamiento o al uso convencional de chatbots.
4. ¿Puede la organización gobernar al agente? La identidad, la autorización, los registros de actividad, la revocación de permisos y la responsabilidad humana deben diseñarse antes de ampliar el acceso autónomo.

El argumento general de Dell es que la IA agéntica adquiere relevancia cuando se conecta con trabajo real y se mide con resultados reales. La cautela es igual de importante: sus ejemplos y mejoras describen la posición y la experiencia comunicada por la compañía, no una garantía universal de que todos los despliegues de agentes produzcan los mismos resultados.