Daniel Wilks (ServiceNow): «La fricción que supone utilizar varias aplicaciones es la que busca eliminar un CRM diseñado para actuar»

Relación Cliente: Tradicionalmente, el CRM se ha centrado en recopilar datos de los clientes y hacer seguimiento de sus interacciones. ¿Qué cambia cuando los sistemas CRM empiezan a actuar y completar procesos de forma autónoma, en lugar de limitarse a registrar lo que ha sucedido?

Daniel Wilks: Efectivamente, los sistemas CRM tradicionales se diseñaron para registrar lo que había sucedido: una llamada, la actualización de un caso o un cambio de fase. Se trataba de una información útil, pero su función terminaba ahí, en la propia base de datos. Por el contrario, cuando el CRM empieza a actuar —configurando una oferta, activando un pedido de sustitución o gestionando una incidencia hasta su resolución—, el sistema pasa a formar parte de la propia transacción, en lugar de limitarse a dejar constancia de ella.

A partir de allí, la calidad de los datos deja de ser una cuestión meramente administrativa para convertirse en un riesgo operativo: un dato incorrecto ya no se limita a aparecer en un informe, sino que puede desencadenar una acción equivocada. También obliga a definir con mayor precisión los flujos de trabajo que sustentan estos procesos, ya que un agente que ejecuta un proceso necesita saber exactamente qué pasos seguir, no simplemente recibir una recomendación general. Y, finalmente, cambia también lo que las empresas deben entender por un buen CRM. El foco se desplaza de los cuadros de mando y los informes hacia la capacidad de resolver las solicitudes de los clientes sin que una persona tenga que ir pasando de un sistema a otro. Según nuestros propios estudios, actualmente se necesitan, de media, entre tres y cinco aplicaciones para resolver una única incidencia de un cliente. Y esta fricción es precisamente la que un CRM diseñado para actuar busca eliminar.

Relación Cliente:  Existe una diferencia fundamental entre una IA que recomienda una acción y una que puede ejecutarla realmente en distintos sistemas. Cuando la IA pasa de asesorar a actuar, ¿qué es lo primero que cambia dentro de una organización?

Daniel Wilks: Lo primero que cambia es la forma en que se conectan los sistemas y se traslada el contexto de uno a otro. Mientras que una recomendación solo tiene que ser correcta de forma aislada —qué producto ofrecer, qué respuesta dar o cuál debería ser el siguiente paso—, la ejecución tiene que funcionar dentro de un contexto: hay que saber qué sistema contiene la información, qué reglas se aplican y qué implicaciones tendrá esa acción para el resto de los equipos involucrados.

Tradicionalmente, eran las personas quienes asumían esa complejidad: pasaban de una aplicación a otra, trasladaban el contexto de una pantalla a la siguiente y determinaban cuál debía ser el próximo paso. Cuando es un agente de IA el que tiene que ejecutar el proceso, esa lógica ya no puede depender de la intervención de una persona ni quedar implícita. Si el agente no dispone de los datos adecuados, no puede acceder al siguiente sistema o se encuentra con un proceso que nunca se ha definido con claridad, puede no saber cómo continuar y la ejecución se detiene. Por eso, contar con un modelo de IA avanzado no es suficiente. Los flujos de trabajo que conecten los distintos sistemas y mantengan el contexto tienen que estar previamente definidos para que el agente sepa en cada momento cómo actuar.

Relación Cliente: A medida que los agentes de IA adquieren una mayor autonomía, ¿cómo deberían decidir las empresas qué tareas pueden confiarles para que las realicen por sí solos y cuáles deberían seguir requiriendo supervisión humana?

Daniel Wilks: En ServiceNow abordamos esta cuestión a partir de tres elementos fundamentales: visibilidad, límites claramente definidos y momentos concretos en los que debe intervenir el criterio humano.

La visibilidad implica disponer de un registro completo de qué ha hecho un agente y por qué, de manera que sus decisiones puedan reconstruirse posteriormente. Los límites suponen establecer de forma explícita a qué datos y sistemas puede acceder y qué acciones puede realizar: la autonomía debe tener un alcance definido, no ser ilimitada. Finalmente, el criterio humano implica determinar de antemano qué decisiones pueden ejecutarse de principio a fin de forma autónoma y cuáles requieren la participación de una persona, en lugar de tener que aprobar individualmente cada acción.

Por ejemplo, en un proceso de configuración, fijación de precios y elaboración de ofertas (CPQ), un agente puede configurar un producto y generar una oferta de forma autónoma siempre que se mantenga dentro de las reglas previamente aprobadas sobre precios, márgenes y descuentos. Si una solicitud se sale de esos parámetros, por ejemplo, ante una excepción o una condición poco habitual, el proceso se deriva a una persona con autoridad para aprobarla. Así, el agente puede encargarse del proceso habitual y la persona interviene cuando hay una decisión que requiere su criterio.

Relación Cliente: Cuando un agente de IA toma decisiones y desencadena acciones en distintos procesos de negocio, ¿cómo debería articularse en la práctica una gobernanza eficaz?

Daniel Wilks: La gobernanza tiene que estar integrada en el mismo nivel en el que se ejecuta el trabajo, no funcionar como una capa de cumplimiento separada que se revisa a posteriori. Eso significa poder saber en todo momento qué ha hecho el agente y por qué, controlar a qué puede acceder y detectar si empieza a actuar fuera del ámbito para el que ha sido diseñado.

El Reglamento Europeo de Inteligencia Artificial convierte parte de estas cuestiones en obligaciones concretas para las organizaciones europeas, con requisitos relacionados, entre otros aspectos, con la supervisión humana, el mantenimiento de registros y la ciberseguridad para los sistemas de alto riesgo. El aplazamiento de la aplicación de estas normas hasta diciembre de 2027 para determinados sistemas de alto riesgo no debería ser un motivo para posponer este trabajo. Por el contrario, debería ser una oportunidad para integrar desde ahora la gobernanza en el funcionamiento de los agentes, antes de desplegarlos a gran escala. Si la gobernanza se incorpora posteriormente, puede abrirse una brecha entre los controles definidos sobre el papel y lo que la IA está haciendo realmente. Integrarla en la capa de los flujos de trabajo permite cerrar esa brecha, porque permite que los permisos, las aprobaciones y la trazabilidad formen parte del propio proceso en el que opera el agente.

Relación Cliente: Los entornos empresariales ya se apoyan en múltiples sistemas de CRM, ERP y otras plataformas. ¿Cómo se puede proporcionar a los agentes de IA el contexto que necesitan para actuar entre esos distintos sistemas sin añadir una nueva capa de complejidad?

Daniel Wilks: La clave está en no trasladar al propio agente la responsabilidad de navegar por cada uno de los sistemas de forma independiente, porque eso solo añadiría una nueva capa de complejidad a la fragmentación que ya existe. Su función debe ser actuar a partir de una visión conectada de los datos relevantes, mientras que el flujo de trabajo subyacente es el que coordina lo que debe suceder en los distintos sistemas.

Los datos de los clientes suelen estar repartidos entre el CRM, el ERP y muchas otras plataformas. Si un agente solo tiene acceso a una parte de esa información actuará sobre una visión incompleta, por muy avanzada que sea su capacidad de razonamiento. Por eso, hay que conectar esas fuentes sin necesidad de duplicar los datos en un nuevo repositorio y definir cómo tiene que ejecutarse el proceso en cada uno de los sistemas implicados.

Para un cliente que modifica un pedido, la experiencia debería ser la de un único proceso, aunque internamente intervengan el CRM, los sistemas de facturación y los de inventario. Eso no exige dar al agente acceso ilimitado a todos ellos, sino asegurarse de que dispone del contexto necesario y de un proceso definido para ejecutar cada acción.

Relación Cliente: Desde una perspectiva de EMEA, ¿qué factores diferenciarán a las empresas que consigan pasar con éxito de la experimentación con IA a una IA autónoma escalable y gobernable de aquellas que finalmente tengan que dar marcha atrás?

Daniel Wilks: La diferencia estará, sobre todo, en si las organizaciones tratan esto como una implantación tecnológica más o como una oportunidad para rediseñar cómo se ejecuta el trabajo. Los resultados de la edición de 2026 de nuestro Índice de Madurez Empresarial de IA revelan que el 59% de las organizaciones EMEA ya utiliza IA agentica, pero solo el 9% ha avanzado de forma significativa en la creación de flujos de trabajo autónomos capaces de ejecutar procesos de varios pasos. En otras palabras, la adopción está avanzando más rápido que la capacidad de traducirla en resultados.

Esto tiene mucho que ver con lo que ocurre cuando los agentes empiezan a trabajar con los sistemas y los datos reales de la empresa. Solo el 16% de las empresas ha sustituido de forma generalizada o completa sus sistemas heredados y fragmentados por una plataforma integrada, mientras que el 71% sigue teniendo dificultades relacionadas con la precisión, el acceso y la gestión de los datos.

Las empresas que lo consiguen definen primero el proceso y el resultado que buscan, deciden de antemano en qué puntos debe intervenir el criterio humano, conectan los datos subyacentes y solo entonces amplían la autonomía paso a paso. Las que se saltan esta base y despliegan agentes autónomos a gran escala son las que con mayor probabilidad tendrán que dar marcha atrás en cuanto esos agentes empiecen a actuar sobre datos reales de clientes y decisiones financieras reales.