La IA generativa y la IA agéntica están redefiniendo el software como servicio (SaaS): simplifican algunos flujos de trabajo, potencian otros y, en ciertos casos, incluso los reemplazan por completo. (Lee nuestro análisis reciente, “Will Agentic AI Disrupt SaaS?”, donde compartimos nuestra visión sobre las prioridades ofensivas y defensivas que deberían adoptar los líderes del sector SaaS).

Pero la disrupción del mercado es solo una parte de la historia. La pregunta más relevante para ejecutivos e inversionistas del sector tecnológico es: ¿en qué áreas la IA agéntica está creando mercados completamente nuevos para el software y cómo pueden aprovechar esa oportunidad?

La respuesta, curiosamente, no está en las plataformas principales en sí, sino en el costoso trabajo humano que hoy se necesita para conectarlas entre sí.

Convertir costos laborales en inversión en software 

Todas las empresas operan mediante flujos de trabajo que conectan múltiples sistemas: planificación de recursos empresariales (ERP), gestión de relaciones con clientes (CRM), facturación, soporte técnico y gestión de proveedores. Entre esos sistemas existe una enorme cantidad de lo que llamamos trabajo de coordinación entre sistemas: empleados que extraen datos presupuestarios de un ERP, revisan inventarios en hojas de cálculo, interpretan respuestas en texto libre y toman decisiones sobre cuándo escalar un problema. Este trabajo de coordinación requiere mucha mano de obra, es costoso y, lo más importante, no puede automatizarse fácilmente mediante software basado en reglas ni con automatización robótica de procesos (RPA) tradicional.

La razón es simple. La automatización basada en reglas deja de funcionar cuando aparece la ambigüedad, la dependencia del contexto o la información dispersa entre varios sistemas. Un bot de RPA puede mover datos del campo A al campo B, pero no puede cruzar información de presupuestos, inventarios y proyectos entre un ERP y varias hojas de cálculo. Tampoco puede interpretar el correo ambiguo de un proveedor y decidir si debe responder, escalar el caso o esperar. Y mucho menos dar seguimiento a un aprobador cuyo retraso responde a una dinámica organizacional y no a una falla del proceso.

La IA agéntica cambia este panorama. Los agentes pueden interpretar información proveniente de distintas fuentes, razonar según el contexto, coordinar decisiones entre sistemas y ejecutar procesos de principio a fin utilizando lineamientos operativos en lugar de reglas rígidamente programadas (ver Figura 1). Esto abre la puerta a la automatización del trabajo más costoso y dependiente de intervención humana dentro de las empresas, y representa una de las oportunidades más grandes y viables para expandir el mercado potencial del software (TAM).

Figure 1

En algunos casos, la IA también potenciará el valor del SaaS existente al automatizar flujos de trabajo como la presentación y el resumen de datos, el almacenamiento de información y la comparación entre reportes actuales y anteriores dentro de un mismo sistema.

Durante dos décadas, las empresas de SaaS construyeron ventajas competitivas alrededor de los sistemas centrales. Si controlabas el CRM, controlabas la relación con el cliente. Si controlabas el ERP, controlabas la base financiera de la empresa. La especialización en un solo dominio era la estrategia ganadora.

La IA agéntica reconfigura esta competencia. La nueva ventaja competitiva es lo que llamamos contexto de decisión entre distintos flujos de trabajo: la capacidad de visualizar, interpretar y actuar sobre procesos que atraviesan múltiples sistemas (ver Figura 2).

Las oportunidades de automatización de mayor valor se concentran precisamente en aquellos casos donde ningún sistema central controla por sí solo el resultado; es decir, donde el contexto de decisión abarca, por ejemplo, ERP, CRM, facturación y soporte, y donde los patrones históricos de toma de decisiones están fragmentados entre todos esos sistemas.

Figure 2

Este cambio ya se está viendo en el mercado. Sierra desarrolló su plataforma para resolver de forma autónoma los problemas de los clientes a través de distintos sistemas empresariales, y no únicamente dentro de una herramienta de gestión de tickets. Glean coordina solicitudes internas entre múltiples áreas de la empresa, en lugar de limitarse a indexar una sola base de conocimiento. Por su parte, GitHub Copilot evolucionó más allá del control de versiones para incorporar productividad de desarrollo impulsada por IA y automatización de seguridad. Este avance fue posible gracias a la información obtenida de los repositorios de código, y no por controlar un único flujo de trabajo de los desarrolladores. En todos estos casos, tener visibilidad sobre múltiples sistemas importa más que la profundidad en un solo dominio.

Las implicaciones para los modelos de precios son igual de profundas. Cuando los agentes entregan resultados de principio a fin - como resolver un problema de atención al cliente, procesar una factura o generar un lead calificado —, la unidad natural de cobro deja de basarse en usuarios o licencias y pasa a centrarse en resultados y uso. Empresas como AppLovin ya hicieron esta transición, monetizando en función del desempeño publicitario y no simplemente por el acceso a la plataforma. Cursor, por ejemplo, ofrece planes escalonados basados en usuarios, pero su propuesta de valor gira fundamentalmente en torno a la productividad de los desarrolladores y no al acceso a la herramienta.

Las estimaciones de Bain indican que este nuevo mercado podría alcanzar un valor de 100 mil millones de dólares en Estados Unidos (ver Figura 3). Actualmente, los proveedores ya están generando entre 4 mil y 6 mil millones de dólares, pero más del 90% de la oportunidad sigue sin aprovecharse. Las empresas nativas de IA están creciendo a gran velocidad. Cursor ya superó los 2 mil millones de dólares en ingresos recurrentes anuales (ARR), duplicando esa cifra en un solo trimestre. Sierra superó los 150 millones de dólares. Harvey ya pasó los 190 millones, y Glean alcanzó los 200 millones.

Al mismo tiempo, compañías consolidadas que están reaccionando rápidamente —como Salesforce (con Agentforce), ServiceNow (que adquirió Moveworks) y Workday están incorporando capacidades agénticas dentro de sus plataformas existentes.

Figure 3

La oportunidad no se distribuye de manera uniforme entre las distintas áreas de negocio. Ventas representa el segmento más grande, con aproximadamente 20 mil millones de dólares, debido principalmente al enorme número de empleados en funciones comerciales y no necesariamente a un potencial de automatización excepcionalmente alto.

El COGS (costo de bienes vendidos) y las operaciones aportan alrededor de 26 mil millones de dólares, reflejando el enorme volumen de personal operativo, donde incluso tasas moderadas de automatización pueden traducirse en impactos económicos muy relevantes.

Por su parte, las áreas de investigación y desarrollo (I+D), ingeniería, atención al cliente y finanzas representan oportunidades de mercado de entre 6 mil y 12 mil millones de dólares cada una. Estas funciones combinan un potencial de automatización relativamente alto —entre 40% y 60% en atención al cliente e I+D— con una base importante de empleados y niveles salariales relevantes.

Más allá de Estados Unidos, la oportunidad en Canadá, Europa, Australia y Nueva Zelanda es de magnitud similar, lo que duplica el mercado potencial total hasta alcanzar aproximadamente 200 mil millones de dólares.

Evaluar el potencial de automatización de los flujos de trabajo 

Un error común en las estrategias de IA es considerar el potencial de automatización como algo binario: o un flujo de trabajo puede automatizarse o no. En la práctica, existen seis factores que determinan hasta qué punto un agente puede gestionar un flujo de trabajo de manera efectiva.

• La verificabilidad de los resultados mide si el trabajo realizado por un agente puede validarse automáticamente o por personas. El código que compila y pasa las pruebas, las facturas que cuadran correctamente y los tickets de soporte que se resuelven generan señales claras de validación. En cambio, los escenarios de planificación financiera dependen de criterios subjetivos y, por lo tanto, son más difíciles de verificar.                                                 
• Las consecuencias de una falla reflejan el nivel de riesgo regulatorio, operativo o financiero involucrado. Cuando los errores pueden resultar costosos o irreversibles —como en declaraciones fiscales, respuesta a incidentes de seguridad o cumplimiento legal—, las empresas necesitan mantener una supervisión humana más estricta, incluso cuando los agentes son técnicamente capaces de ejecutar esas tareas. En estos ámbitos, los agentes cada vez operan más en un modo de acompañamiento junto a trabajadores humanos, demostrando su precisión antes de recibir mayor autonomía.
• La disponibilidad de conocimiento digitalizado evalúa si los agentes cuentan, en tiempo real, con información bien estructurada y procesable por sistemas, incluido el conocimiento tácito que normalmente solo existe en la experiencia de las personas. Los datos organizados y estructurados en sistemas de tickets y repositorios de código hacen que áreas como soporte al cliente e ingeniería tengan un alto potencial de automatización. Sin embargo, incluso en entornos con abundancia de datos, la automatización se detiene cuando el contexto necesario para tomar una decisión no ha sido documentado: las preferencias de proveedores de un comprador experimentado, la memoria institucional de un ingeniero sobre fallas pasadas o la lógica informal de excepciones que determina cómo se aplica realmente una política. En la práctica, la disponibilidad de este conocimiento contextual digitalizado casi siempre representa la principal limitación para la automatización.
• La complejidad de integración y orquestación refleja cuántos sistemas, interfaces de programación de aplicaciones (APIs) e interacciones debe coordinar un agente para completar un flujo de trabajo de principio a fin. Los flujos de trabajo dentro de un solo sistema son relativamente simples; en cambio, aquellos que abarcan cinco o seis sistemas centrales, con distintos métodos de autenticación, modelos de datos y lógica de gestión de excepciones, son mucho más difíciles de orquestar de manera confiable.
• La variabilidad de los procesos distingue los flujos lineales de aquellos con múltiples excepciones. Los agentes son cada vez más capaces de manejar lógica condicional y excepciones comunes, pero los flujos de trabajo con muchos casos atípicos e impredecibles todavía requieren escalar la situación a intervención humana.
• La dependencia del mundo físico refleja si un flujo de trabajo requiere acciones que las computadoras no pueden realizar físicamente o que las organizaciones todavía no confían en dejar sin supervisión, como inspecciones presenciales, firmas físicas o intervenciones críticas para la seguridad. Cuando existen este tipo de dependencias, es probable que continúe un modelo híbrido entre personas y agentes, sin importar cuánto avance la IA.

La aplicación de estos seis factores en las distintas áreas de una empresa revela un amplio rango de potencial de automatización.

• Atención al cliente e I+D/ingeniería se encuentran en el extremo más alto, con aproximadamente entre 40% y 60% de las tareas automatizables. Ambas áreas se benefician de datos estructurados, procesos estandarizados y resultados claramente definidos.
• Finanzas y recursos humanos se ubican en un rango de entre 35% y 45%, con áreas de automatización muy alta —como cuentas por pagar y nómina— junto con funciones que requieren un mayor nivel de criterio humano, como planificación y análisis financiero o relaciones laborales.
• Ventas y TI se sitúan entre 30% y 40%, limitadas por la complejidad de las relaciones, la variabilidad de cada negociación y la naturaleza impredecible de los incidentes de seguridad.
• El área legal ofrece un contraste interesante: la revisión de contratos y los procesos de cumplimiento normativo son altamente repetibles, pero las consecuencias de los errores son tan graves que el nivel total de automatización se mantiene entre 20% y 30%, a pesar de tener una estructura muy favorable para ello.

Dos caminos para expandir el mercado 

Las empresas de SaaS tienen dos caminos principales para impulsar su crecimiento: automatizar flujos de trabajo centrales o procesos adyacentes.

Automatizar los flujos de trabajo centrales es la opción más directa, ya que es donde las empresas de SaaS cuentan con mayor conocimiento, integraciones más sólidas y un mayor nivel de confianza por parte de los clientes.

Aunque existe cierto riesgo de canibalizar ingresos basados en licencias o usuarios al reducir la necesidad de usuarios individuales, la lógica económica puede ser incluso más favorable, ya que muchos clientes están dispuestos a pagar más por obtener el resultado completo y no solo por usar un software que ayuda a un empleado a realizar el trabajo.

El segundo camino consiste en automatizar flujos de trabajo adyacentes que la empresa todavía no ofrece. La IA agéntica puede desbloquear el valor latente de los activos de datos subyacentes y de la presencia de la compañía en esos flujos de trabajo adyacentes. Este segundo camino es más complejo, porque estos patrones y oportunidades suelen ser poco evidentes y requieren un mapeo detallado, desde la base, de los flujos de trabajo que tienen relevancia económica para los clientes.

GitHub ilustra claramente este patrón. Su negocio principal se centra en la colaboración entre desarrolladores y el control de versiones: repositorios Git, pull requests, revisiones de código y flujos de integración y entrega continua (CI/CD). Pero los datos generados por ese negocio principal —patrones de decisión con resultados, repositorios de trabajo, trazas de procesos, registros de interacción y patrones de referencia y consulta— permitieron a GitHub expandirse hacia herramientas de productividad para desarrolladores impulsadas por IA (Copilot) y automatización de seguridad (análisis de código y dependencias). Ninguno de estos flujos de trabajo adyacentes formaba parte del producto original de GitHub, pero ningún competidor podía replicar la posición de datos que los hizo posibles.

La mayoría de las empresas no podrán elegir si pertenecen o no a la primera categoría. Sus flujos de trabajo centrales ya están siendo automatizados o lo estarán pronto, y la única pregunta es si serán ellas quienes lideren esa automatización o si lo hará un competidor. Sin embargo, las empresas sí pueden decidir qué tan agresivamente aprovechar sus activos diferenciados para avanzar por el segundo camino: automatizar flujos de trabajo adyacentes que la IA agéntica ha convertido en nuevas oportunidades de mercado accesibles. Las oportunidades más valiosas suelen surgir de adyacencias poco evidentes: flujos de trabajo que las empresas tecnológicas no atienden directamente, pero que sus datos de contexto de decisión les permiten habilitar de forma única (ver Figura 4).

Figure 4

Una guía estratégica para capturar participación de mercado 

Fase uno: evaluar el potencial. Comience por identificar los flujos de trabajo de alto valor de sus clientes que hoy pueden automatizarse con IA agéntica. Aplique los seis factores de automatización a nivel de subprocesos, no de funciones completas. Por ejemplo, cuentas por pagar y cuentas por cobrar tienen perfiles de automatización muy distintos a los de planificación y análisis financiero o relaciones con inversionistas. Luego, dimensione el potencial de mercado comparando el costo de implementar agentes con los costos laborales que estos reemplazan o potencian. Concéntrese en los casos donde la lógica económica resulte más atractiva.

Fase dos: definir dónde competir. Evalúe sus activos de datos para entender qué tan completos, detallados, diferenciados, vinculados a resultados y utilizables para automatización son. Después, identifique los flujos de trabajo donde esos activos puedan generar el mayor valor diferencial, incluidas oportunidades adyacentes que quizás no sean evidentes a primera vista. Por último, desarrolle una visión clara e integral de cómo operan realmente esos flujos de trabajo. Preste especial atención a los pasos informales, las interacciones y las excepciones, ya que gran parte de la verdadera oportunidad de automatización está en cómo se coordina el trabajo más allá de los sistemas centrales (ver Figura 5).

Figure 5

Fase tres: ejecutar mediante tres movimientos coordinados. Primero, cierre las brechas críticas de capacidades mediante decisiones de desarrollar, adquirir o asociarse para asegurar la tecnología, los datos y la cobertura necesarios para una automatización diferenciada. AppLovin desarrolló internamente su plataforma Axon para mantener el control sobre los datos de optimización publicitaria. ServiceNow adquirió Moveworks para incorporar una capa de IA que hiciera más accesible su motor de flujos de trabajo. Salesforce se asoció con Workday para extender Agentforce a flujos de trabajo de recursos humanos y finanzas sin necesidad de construir un sistema competidor.

Segundo, prepare la organización para ejecutar. Atraiga talento en ingeniería de IA, construya una arquitectura nativa en la nube para la orquestación de múltiples agentes y asegure el capital necesario para entrenamiento e inferencia de modelos.

Alinee los incentivos trasladando el modelo de precios de licencias o usuarios hacia resultados, reestructure los esquemas de compensación comercial para premiar resultados impulsados por IA y elimine los sesgos estructurales a favor de productos heredados.

Tercero, rediseñe las bases de datos y productos para que estén preparadas para agentes. Cree modelos de datos nativos para agentes —esquemas e interacciones diseñados para ejecución automática y no para interpretación humana—.

Permita que los agentes operen de principio a fin, capturando decisiones y resultados para construir datos longitudinales. Utilice esos datos para mejorar el desempeño en cada ejecución.

El objetivo es construir una ventaja competitiva sostenible: datos acumulados de ejecución que aumentan su valor con el tiempo y que se vuelven cada vez más difíciles de replicar para los competidores.

Es momento de actuar 

Las transiciones tecnológicas suelen venir acompañadas tanto de entusiasmo como de resistencia, y muchas veces se interpretan en términos negativos como disrupción, desplazamiento o amenaza competitiva. Sin embargo, una vez que las empresas las comprenden e incorporan en sus estrategias, suelen desencadenar olas de innovación y oportunidades, tanto para compañías consolidadas como para nuevos participantes.

Aun así, la oportunidad exige actuar. El imperativo estratégico no es proteger el modelo tradicional de SaaS frente a la disrupción, sino capturar la oportunidad mucho mayor de transformar costos laborales en inversión en software.

Pero la ventana para que los líderes de SaaS definan su posición en el mercado de IA agéntica se mide en trimestres, no en años. Las startups nativas de IA están creciendo a una velocidad sin precedentes: Cursor pasó de US$100 millones a US$2 mil millones en ingresos recurrentes anuales en apenas 14 meses.

Los compradores empresariales ya están implementando agentes en flujos de trabajo de alto volumen y alto costo. Y cada mes que pasa genera más datos de ejecución para que los primeros en moverse refuercen su ventaja.

Las empresas que actúen primero para mapear los flujos de trabajo prioritarios, construir activos de datos propietarios y escalar la automatización más rápido serán las que definan la próxima era del software empresarial.

La disrupción era inevitable. La verdadera pregunta ahora es: ¿quién capturará los nuevos mercados?

Explore this series

• AI Brings Headwinds and Tailwinds to the Rule of 40

• La oportunidad SaaS de 100 mil millones de dólares que está escondida en el trabajo de coordinación entre sistemas

• Agentic AI and the New Complexity Trap in Enterprise Software

• How Will AI Change Software Organizations?