La IA empresarial deja el laboratorio y expone quién tiene cimientos y quién tiene diapositivas
El momento en que una tecnología abandona el modo piloto y entra a operaciones reales es, también, el momento en que las arquitecturas frágiles quedan expuestas. Accenture lleva meses repitiendo ese mensaje en la región: 2026 marca el año en que la inteligencia artificial empresarial deja de ser un experimento interno y se convierte en el frente de cara al cliente. La consultora lo presenta como un avance del sector. También es, si se lee con más cuidado, una descripción precisa de la fractura que divide a las empresas que tienen columna vertebral tecnológica de las que construyeron sobre supuestos no verificados.
Anoop Sagoo, director ejecutivo de Accenture para el Sudeste Asiático, lo planteó sin rodeos al Bangkok Post: la adopción de inteligencia artificial se mueve de la experimentación al despliegue a gran escala, con sistemas agénticos y soluciones orientadas al cliente entrando en operaciones reales. La declaración no es neutral. Viene de una firma que se posiciona explícitamente como el integrador de ese paso, y que tiene todos los incentivos para que ese paso sea percibido como urgente, técnicamente demandante y difícil de ejecutar sin ayuda externa. Pero eso no significa que el diagnóstico sea incorrecto.
Tres barreras que revelan dónde están los huecos reales
Sagoo identifica tres obstáculos que frenan la implementación empresarial a escala. Vale descomponerlos, porque cada uno señala una pieza diferente del modelo y una falla de naturaleza distinta.
El primero es la ausencia de una base de datos e infraestructura sólida. Los pilotos de inteligencia artificial funcionan en aislamiento: tienen datos limpios, entornos controlados y equipos dedicados. Escalar a operaciones reales requiere migración a la nube, modernización de aplicaciones y entornos de datos estandarizados que ningún piloto necesita. Muchas empresas de la región llegaron a 2026 con pilotos funcionando y sin haber resuelto esa infraestructura. El piloto fue real; la promesa de escala no tenía base material.
El segundo obstáculo es la ausencia de bases de conocimiento empresarial, lo que Accenture llama el "cerebro de IA". Para que un sistema de inteligencia artificial opere con precisión en un contexto empresarial, necesita acceso a procedimientos internos, políticas, flujos de trabajo y reglas de cumplimiento. Una IA conversacional que no conoce las reglas de cumplimiento de la empresa o los procesos del servicio al cliente no puede desplegarse frente a clientes reales sin riesgo. Esta brecha es menos visible que la infraestructura tecnológica, pero más costosa de llenar: requiere trabajo organizacional profundo, no solo software.
El tercero es gobernanza y transformación de la fuerza laboral. Sagoo lo dice de forma directa: muchas compañías subestiman la escala del cambio organizacional que exige la adopción de inteligencia artificial. Esto no es un problema de tecnología. Es un problema de arquitectura operativa: los flujos de trabajo diseñados para humanos no se transfieren automáticamente a sistemas que incluyen agentes autónomos. Rediseñar esos flujos, reentrenar al personal y construir controles de uso responsable toma tiempo y voluntad política interna que los pilotos nunca pusieron a prueba.
Lo que estos tres obstáculos revelan en conjunto no es solo una lista de tareas pendientes. Revelan que la mayoría de los pilotos de inteligencia artificial empresarial fueron construidos deliberadamente para evitar esos tres problemas. Se eligieron casos de uso que no requerían datos integrados, que no dependían del conocimiento institucional profundo y que no amenazaban el flujo de trabajo existente. Fueron exitosos precisamente porque esquivaron las condiciones reales de operación. Ahora que el sector intenta escalar, esas condiciones ya no se pueden eludir.
La IA agéntica como prueba de estrés del modelo operativo
Más allá de los pilotos, Accenture coloca a la inteligencia artificial agéntica como el siguiente umbral de complejidad. A diferencia de la IA generativa convencional, que responde preguntas o genera contenido bajo instrucción humana, los sistemas agénticos toman decisiones, coordinan múltiples agentes y ejecutan tareas complejas de forma autónoma: desde gestionar campañas de marketing hasta optimizar cadenas de suministro. La promesa es real. El punto de tensión estructural también.
Un sistema agéntico desplegado en operaciones reales no tiene un humano revisando cada paso. Eso significa que los errores de datos, los sesgos del modelo y las brechas en las políticas de gobernanza no se detectan antes de causar daño: se detectan después. Para una empresa con datos fragmentados, sin una base de conocimiento institucional integrada y con una fuerza laboral que no fue reentrenada para trabajar con agentes autónomos, desplegar inteligencia artificial agéntica no acelera las operaciones. Las expone.
Esta es la lectura que Accenture no formula explícitamente, pero que su propio diagnóstico de las tres barreras implica: el paso a la IA agéntica es simultáneamente la mayor palanca de valor y el mayor amplificador de fragilidades estructurales. Las empresas que resolvieron la infraestructura, que construyeron bases de conocimiento gobernadas y que rediseñaron sus flujos de trabajo pueden usarla para comprimir ciclos operativos que antes tomaban semanas. Las que no lo hicieron la están convirtiendo en un vector de error a escala.
Accenture desplegó internamente entre 70 y 100 agentes de inteligencia artificial en recursos humanos, finanzas y marketing. En Tailandia, utilizó inteligencia artificial para filtrar 7.000 solicitudes de pasantías para 70 puestos. No son datos de cliente: son datos de la propia firma. Lo que revelan es que la adopción no es solo un mensaje de ventas. Accenture está construyendo evidencia interna de que la arquitectura que promueve funciona bajo condiciones reales. Eso no elimina el interés comercial del diagnóstico, pero sí lo hace verificable en términos operativos.
La soberanía de datos como filtro de posicionamiento, no solo de regulación
Una de las dimensiones más interesantes del análisis de Accenture en la región es la que rodea a la inteligencia artificial soberana. Sagoo describe una carrera regional en la que los gobiernos compiten por controlar sus propios datos, modelos e infraestructura, presionados por fricciones geopolíticas y preocupaciones sobre la residencia de datos. Singapur lidera en supervisión administrativa y políticas avanzadas. Malasia cuestiona si los centros de datos extranjeros con alta demanda de recursos ofrecen suficiente retorno económico. Indonesia mantiene su enfoque en la localización de datos. Tailandia aprovecha su posición estratégica para atraer tanto a actores tecnológicos occidentales como chinos.
Leído desde la perspectiva del modelo de negocio de Accenture, el fenómeno de la IA soberana no es solo una tendencia regulatoria: es un mecanismo de segmentación. Las empresas que necesitan cumplir con requisitos de residencia de datos, que operan bajo regulaciones sectoriales estrictas o que tienen sensibilidad geopolítica explícita no pueden simplemente adoptar la solución de inteligencia artificial más barata o más disponible. Necesitan arquitecturas que cumplan condiciones específicas de control y localización. Eso estrecha el campo de proveedores calificados y eleva el valor de los integradores que pueden navegar esa complejidad.
La colaboración que Accenture anunció con Mistral AI en febrero de 2026, aunque centrada en Europa, apunta en esa dirección: el argumento explícito fue habilitar a las organizaciones para avanzar hacia despliegues de inteligencia artificial a gran escala con autonomía estratégica y sin depender de un único proveedor de infraestructura. Ese mismo argumento tiene peso en Asia, donde la dependencia de un solo proveedor de nube o de un solo proveedor de modelos puede convertirse en una vulnerabilidad regulatoria o geopolítica. Accenture está construyendo una propuesta que mezcla capacidad técnica con gestión de riesgo de soberanía. Para ciertos segmentos de clientes, esa combinación justifica un precio y una relación de largo plazo que ningún proveedor de plataforma puede ofrecer por sí solo.
El banco como validación y el retail como próxima apuesta
El sector financiero lidera la adopción de inteligencia artificial en la región, impulsado por inversión tecnológica sostenida y la presión competitiva de bancos digitales y virtuales. No es un accidente. La banca tiene tres condiciones estructurales que facilitan la escala de inteligencia artificial: datos históricos abundantes y relativamente estructurados, procesos repetibles con reglas claras, y una regulación que paradójicamente obliga a documentar lo que los sistemas hacen. Esas tres condiciones son exactamente las que otros sectores no tienen todavía.
El retail y la energía aparecen como sectores de alto potencial pero en fases anteriores. En retail, Sagoo señala que el mercado de consumo de Tailandia podría beneficiarse de las innovaciones habilitadas por inteligencia artificial que China ya está implementando en comercio minorista. La referencia no es decorativa: el comercio electrónico chino lleva años usando inteligencia artificial para personalización, gestión de inventario predictivo y optimización de precios en tiempo real a una escala que la mayoría de los operadores del Sudeste Asiático no ha alcanzado. La brecha no es de herramientas disponibles, sino de datos integrados y de voluntad organizacional para rediseñar flujos que llevan décadas funcionando de otra manera.
En energía, el argumento es más específico: análisis de video, datos operativos y sensores para predecir fallas de equipos y optimizar mantenimiento. Es un caso de uso donde la inteligencia artificial agéntica tiene ventaja clara sobre la supervisión humana: puede procesar simultáneamente más señales de las que un equipo de ingenieros puede monitorear. Pero también es un caso de uso donde una falla tiene consecuencias físicas, no solo comerciales. La gobernanza del sistema no es opcional; es la condición de posibilidad del despliegue.
Lo que la carrera de adopción no garantiza por sí sola
Patama Chantaruck, directora general de Accenture en Tailandia, resume la posición del país con una formulación que merece atención: Tailandia tiene ambición para usar la inteligencia artificial para mejorar la experiencia del cliente, fortalecer la resiliencia operativa y desbloquear crecimiento, pero el éxito dependerá de conectar estrategia con ejecución y de construir las bases necesarias para escalar el impacto.
La segunda mitad de esa frase es más importante que la primera. La ambición regional en inteligencia artificial es documentable: estrategias nacionales, inversión en infraestructura de nube, programas de formación, marcos regulatorios en desarrollo. Lo que no está garantizado por esa ambición es la capacidad de ejecución a nivel de empresa individual. Una empresa puede operar en un país con política de inteligencia artificial avanzada y seguir teniendo datos fragmentados, procesos sin documentar y una fuerza laboral sin reentrenar. La política nacional no resuelve la arquitectura interna del negocio.
Accenture lo sabe y construye su propuesta alrededor de esa brecha. No compite en el mercado de modelos de inteligencia artificial ni en el de infraestructura de nube. Compite en el mercado de la ejecución: en la capacidad de mover una organización desde una arquitectura diseñada para operar sin inteligencia artificial hacia una que puede operarla a escala, con gobernanza, con datos integrados y con una fuerza laboral que entiende su nuevo rol. Es un espacio de alto valor y alta fricción donde el precio de entrada es la confianza institucional acumulada durante años de presencia en los mismos clientes.
Los datos que la propia firma presenta apuntan en una dirección precisa: las empresas que escalaron al menos una iniciativa estratégica de inteligencia artificial tienen casi tres veces más probabilidades que sus pares de ver retornos que superan las expectativas. No es un argumento sobre quién tiene la tecnología más avanzada. Es un argumento sobre quién tiene la arquitectura para que esa tecnología opere en condiciones reales. Esa distinción, entre tener acceso a inteligencia artificial y tener la estructura para operarla, es la línea que divide a las empresas que van a capitalizar el ciclo de las que van a seguir acumulando pilotos sin retorno medible.
