A medida que las empresas superan los pilotos de chatbots y comienzan a implementar agentes de IA que ejecutan tareas de forma independiente, gestionan flujos de trabajo e interactúan con sistemas internos, una nueva taxonomía de habilidades está tomando forma. Líderes tecnológicos de todos los sectores, desde la energía hasta la gestión de activos y los servicios profesionales, están convergiendo en un marco que identifica tres roles distintos como críticos para la era de los agentes de IA.
La primera categoría puede describirse como facilitadores técnicos, los ingenieros y profesionales de datos que construyen y mantienen la infraestructura que hace funcionales a los agentes de IA. No son redactores de prompts en el sentido tradicional. Su trabajo implica establecer los pipelines de datos, las herramientas de capa semántica y los marcos de gobernanza que los agentes necesitan para producir resultados precisos y contextualizados. Empresas como EDF en el Reino Unido han adoptado un modelo hub-and-spoke donde un equipo técnico central desarrolla capacidades de agentes que las unidades de negocio adaptan luego a sus flujos de trabajo específicos. Las herramientas de orquestación de agentes, incluyendo Snowflake Semantic Tables, catálogos de datos y asistentes de codificación personalizados, conforman el stack técnico que gestionan estos facilitadores.
La segunda categoría es lo que algunos profesionales llaman correctores de rumbo: expertos en la materia con profundo conocimiento del dominio, a menudo con 20 a 30 años de experiencia en su campo, que supervisan los resultados de los agentes e intervienen cuando la IA produce resultados inexactos, incompletos o contextualmente inapropiados. Las firmas de gestión de activos, los departamentos legales y los equipos de cumplimiento normativo han comenzado a estructurar flujos de trabajo en torno a este modelo de humano en el circuito, donde el agente realiza el primer procesamiento y el experto en el dominio valida, corrige y aprueba. La transición de la supervisión ad hoc a una gobernanza estructurada de agentes está generando fricción, particularmente en industrias reguladas donde la responsabilidad por las decisiones impulsadas por IA sigue siendo legalmente ambigua.
El tercer rol es el colaborador orientado a resultados. En lugar de automatizar procesos aislados existentes, estos profesionales definen los objetivos comerciales que los agentes deben perseguir y diseñan los flujos de trabajo hacia atrás a partir de esos resultados. Esto representa un cambio en cómo se aplica la experiencia técnica: en el desarrollo de software, por ejemplo, la habilidad crítica está pasando de la implementación, escribir código, ejecutar pruebas, a la especificación, donde una definición clara del resultado deseado determina si el agente puede ejecutar de manera efectiva. El CTO de Formula E, Dan Cherowbrier, ha descrito esto como entender “el resultado que quieres lograr” en lugar de partir de procesos existentes e intentar automatizarlos.
El modelo de tres roles refleja un cambio estructural más amplio en cómo las empresas evalúan el talento. La fluidez técnica tradicional sigue siendo valiosa, pero la prima se está desplazando hacia la capacidad de especificar problemas con precisión, validar los resultados de la IA contra el conocimiento del mundo real y conectar el trabajo impulsado por agentes con resultados comerciales medibles. El CTO de Freshworks, Murali Swaminathan, ha enfatizado un enfoque de “construir confianza primero”: probar a fondo, validar que el sistema produce resultados repetibles, luego escalar. Louise Newbury-Smith de Zoom ha planteado la dinámica como una donde la IA empodera en lugar de reemplazar las contribuciones humanas, una distinción que se vuelve significativa solo cuando las organizaciones invierten en las estructuras de supervisión y gobernanza que hacen que el empoderamiento sea seguro.
Un informe reciente de BCG sobre modelos operativos en la era de la IA reforzó esta visión, argumentando que las empresas que se reorganizan en torno a flujos de trabajo centrados en agentes están viendo ganancias de eficiencia medibles, pero también deben invertir fuertemente en los pipelines de talento que producen correctores de rumbo y colaboradores efectivos. El informe de tendencias de agentes de IA 2026 de Google Cloud concluyó de manera similar que la capacitación del talento es “el motor último del valor comercial” en las implementaciones de agentes, un hallazgo que refleja estrechamente el marco de tres roles que emerge de la experiencia de los profesionales.
Fuentes: ZDNet (24 jul. 2026); BCG (9 jun. 2026); Google Cloud AI Agent Trends Report 2026; EuropeSays/ZDNet syndication (24 jul. 2026)
Traducido por Alessandra