西班牙企業轉向自主代理生態 微軟試點人均收入升 9.4%、僅 15% 企業已投產Spanish companies are turning to an autonomous agent ecosystem; Microsoft's pilot sees a 9.4% increase in per capita income, with only 15% of companies having started production.
西班牙《國家報》報道當地企業正由單一 AI 助手轉向可協作、共享上下文的專業代理生態。微軟西班牙指 Copilot Cowork 可執行多步流程，商業試點中人均收入提升 9.4%、結賬週期縮短兩成。PwC 指早期落地集中在規則清晰、高重複的流程，並稱僅約一成五領先企業已有完全自主代理投入生產。具體使用者包括 Serveo、Ilunion、Bankinter 與 Ferrovial。Spain's 'El País' reported that local companies are shifting from a single AI assistant to a professional agent ecosystem that can collaborate and share context. Microsoft Spain indicated that Copilot Cowork can execute multi-step processes, with business pilots showing a 9.4% increase in per capita revenue and a 20% reduction in billing cycle. PwC stated that early implementations focus on processes with clear rules and high repetition, and noted that only about 15% of leading companies have fully autonomous agents in production. Specific users include Serveo, Ilunion, Bankinter, and Ferrovial.
Cuando la inteligencia artificial empieza a trabajar por su cuenta
Las empresas incorporan ya sistemas que encadenan tareas y colaboran, aunque mantienen bajo supervisión humana las decisiones económicas, regulatorias y reputacionales
¿Se imagina una inteligencia artificial (IA) que no solo responda a una petición, sino que detecte lo que hay que hacer, coordine los siguientes pasos y los ejecute sin que nadie tenga que indicarle cada movimiento? Ya es posible. Mientras los propios creadores de IA alertan estos días sobre los riesgos de unos sistemas cada vez más autónomos, las empresas avanzan en la dirección contraria: delegan más trabajo a estas herramientas.
“Estamos evolucionando desde asistentes individuales hacia ecosistemas de agentes especializados capaces de colaborar entre sí, compartir contexto y coordinar tareas complejas de forma autónoma, bajo supervisión humana”, señala María Vázquez, directora de Soluciones Empresariales de Microsoft España.
Pero que un sistema pueda actuar de forma autónoma no significa que una empresa tenga que darle carta blanca. Alejandro Martínez, adjunto al vicerrector de Universidad Digital para Inteligencia Artificial de la Universidad Politécnica de Madrid (UPM), pone el foco precisamente ahí: “A muchas empresas no les hace falta utilizar el modelo más avanzado disponible”. “Para muchas tareas bastan modelos más pequeños o especializados, más baratos, predecibles y fáciles de controlar”. Lo determinante, sostiene, es “qué puede hacer realmente el sistema una vez integrado en la operativa: qué permisos recibe, qué acciones puede ejecutar y cuándo debe intervenir una persona”, puntualiza.
Por eso, explica César Calleja, socio responsable de Consultoría de PwC, los primeros despliegues se están concentrando en procesos repetitivos y de alto volumen, con reglas claras y un impacto económico medible, como la gestión de siniestros, algunos procesos financieros, la revisión documental o las incidencias informáticas. “La implantación es todavía más cautelosa cuando la decisión tiene consecuencias económicas, regulatorias o reputacionales, por lo que en muchos entornos los agentes [de IA] siguen funcionando con supervisión humana”, concluye.
La solución que plantea PwC es una delegación progresiva: primero asistir, resumir y redactar; después analizar, predecir y recomendar; y en niveles superiores, ejecutar tareas con aprobación humana o dentro de límites definidos. La autonomía plena sigue siendo minoritaria: según sus datos, solo el 15% de las empresas líderes la tiene en explotación.
Aunque existen casos que nos permiten entrever hasta dónde puede llegar esta tecnología. Uno de ellos es el de Walmart, uno de los mayores grupos de distribución del mundo. La compañía trabaja con más de 100.000 proveedores y utiliza agentes de inteligencia artificial para negociar de forma autónoma con aquellos con los que no era viable un proceso individualizado. Según el caso analizado por Harvard Business Review, el sistema logra cerrar acuerdos con el 68% de los proveedores contactados.
Resultados medibles
En España, Microsoft desarrolla y aplica esta tecnología tanto internamente como junto a empresas de distintos sectores. Con Serveo, por ejemplo, que ha desarrollado más de 700 agentes y reducido hasta un 80% determinados tiempos de gestión. En el ámbito jurídico, Ilunion utiliza Litigator para analizar expedientes judiciales en segundos y ahorrar más de 7.000 horas de trabajo al año. Y en banca, Bankinter ha desplegado agentes creados por sus propios empleados para automatizar tareas y apoyar procesos internos.
La variedad de usos se extiende a otros sectores. Ferrovial utiliza agentes coordinados para analizar y resolver incidencias en las autopistas que gestiona en Estados Unidos, mientras Cosentino ha desarrollado CLAR, que ofrece información técnica, consulta la disponibilidad de productos y da soporte en tiempo real a clientes y distribuidores.
La propia Microsoft aplica esta lógica con Copilot Cowork, capaz de ejecutar tareas complejas y procesos de varios pasos utilizando distintas fuentes de información. Una delegación que se extiende a su área de ciberseguridad. Vázquez explica que Project Perception, “una arquitectura en la que distintos agentes especializados trabajan de forma coordinada, detecta vulnerabilidades, analiza cuáles suponen un riesgo real y refuerza las defensas”. Con más de 800.000 agentes para una plantilla de 200.000 empleados, cree que las cuentas salen: “En un piloto comercial, estos agentes permitieron aumentar un 9,4% los ingresos por empleado y reducir un 20% el tiempo de cierre de operaciones”.
En definitiva, esta autonomía, según señala Carlos Becker, responsable de grandes cuentas de HappyRobot, compañía especializada en automatizar procesos empresariales mediante agentes de IA, dependerá de cada compañía, sus procesos y su confianza en la tecnología. “En HappyRobot no trabajamos con un modelo único. Identificamos qué tareas tiene sentido automatizar, con qué objetivos y dónde debe mantenerse la intervención humana”. La firma, que acaba de cerrar una ronda de financiación de 150 millones de dólares y trabaja con más de 150 clientes –entre ellos DHL, Naturgy, Kuehne+Nagel y Uber– cree que las empresas implantaran en mayor medida estas soluciones si ven resultados. Según el Instituto de Tecnología de Massachusetts (MIT), el 95% de los pilotos de IA generativa aún no demuestra un impacto medible en la cuenta de resultados. “Nuestra ambición”, concluye Becker, “es formar parte de ese reducido 5% de proyectos de inteligencia artificial que ha superado la fase piloto y convierte la experimentación en resultados de negocio visibles y medibles”.
Del piloto al despliegue: los obstáculos
Pasar de proyectos piloto a ejercicios a mayor escala exige superar algunas barreras que desde la consultora PwC resumen en:
- Procesos. Escalar exige revisar procesos completos, superar pilotos aislados y garantizar datos de calidad, permisos y acceso seguro al conocimiento corporativo.
- Gobernanza. Es necesario definir responsabilidades, trazabilidad, auditoría y límites de actuación, además de protegerse frente a fugas de datos, ataques y errores.
- Talento. La falta de profesionales especializados y la formación dificultan el salto. El 73% de las organizaciones señala la capacitación en supervisión y orquestación de agentes de inteligencia artificial (IA) como uno de los principales obstáculos.
- Confianza. La supervisión humana añade complejidad, especialmente en sectores regulados, mientras el 65% de los trabajadores no se siente cómodo dejando decisiones a la IA.
- Retorno. El 56% de los CEO aún no ve un beneficio financiero claro de sus inversiones en IA, lo que obliga a medir el impacto de los agentes en el negocio.
When artificial intelligence starts to work on its own
Companies are already incorporating systems that chain tasks and collaborate, although they keep economic, regulatory, and reputational decisions under human supervision
Can you imagine an artificial intelligence (AI) that not only responds to a request but also detects what needs to be done, coordinates the next steps, and executes them without anyone having to tell it each move? It is already possible. While AI creators themselves are warning these days about the risks of increasingly autonomous systems, companies are moving in the opposite direction: they delegate more work to these tools.
"We are evolving from individual assistants to ecosystems of specialized agents capable of collaborating with each other, sharing context, and coordinating complex tasks autonomously, under human supervision," says María Vázquez, Director of Business Solutions at Microsoft Spain.
But the fact that a system can act autonomously does not mean that a company has to give it carte blanche. Alejandro Martínez, deputy to the Vice-Rector for Digital University for Artificial Intelligence at the Polytechnic University of Madrid (UPM), focuses precisely on this: "Many companies do not need to use the most advanced model available." "For many tasks, smaller or specialized models, which are cheaper, more predictable, and easier to control, are sufficient." What is crucial, he argues, is "what the system can actually do once integrated into operations: what permissions it receives, what actions it can perform, and when a person must intervene," he emphasizes.
That is why, explains César Calleja, partner responsible for Consulting at PwC, the first deployments are focusing on repetitive, high-volume processes with clear rules and measurable economic impact, such as claims management, some financial processes, document review, or IT incidents. “Implementation is still more cautious when the decision has economic, regulatory, or reputational consequences, which is why in many environments the [AI] agents continue to operate under human supervision,” he concludes.
The solution proposed by PwC is a progressive delegation: first assist, summarize, and draft; then analyze, predict, and recommend; and at higher levels, execute tasks with human approval or within defined limits. Full autonomy remains rare: according to their data, only 15% of leading companies have it in operation.
Although there are cases that allow us to glimpse how far this technology can go. One of them is Walmart, one of the largest distribution groups in the world. The company works with more than 100,000 suppliers and uses artificial intelligence agents to negotiate autonomously with those for whom an individualized process was not viable. According to the case analyzed by Harvard Business Review, the system manages to close deals with 68% of the contacted suppliers.
Measurable results
In Spain, Microsoft develops and applies this technology both internally and together with companies from different sectors. With Serveo, for example, which has developed more than 700 agents and reduced certain management times by up to 80%. In the legal field, Ilunion uses Litigator to analyze court files in seconds and save more than 7,000 hours of work per year. And in banking, Bankinter has deployed agents created by its own employees to automate tasks and support internal processes.
The variety of uses extends to other sectors. Ferrovial uses coordinated agents to analyze and resolve incidents on the highways it manages in the United States, while Cosentino has developed CLAR, which provides technical information, checks product availability, and offers real-time support to customers and distributors.
Microsoft itself applies this logic with Copilot Cowork, capable of executing complex tasks and multi-step processes using different information sources. This delegation extends to its cybersecurity area. Vázquez explains that Project Perception, “an architecture in which different specialized agents work in a coordinated way, detects vulnerabilities, analyzes which ones pose a real risk, and strengthens defenses.” With more than 800,000 agents for a workforce of 200,000 employees, he believes the numbers add up: “In a commercial pilot, these agents allowed a 9.4% increase in revenue per employee and a 20% reduction in deal closing time.”
En definitiva, esta autonomía, según señala Carlos Becker, responsable de grandes cuentas de HappyRobot, compañía especializada en automatizar procesos empresariales mediante agentes de IA, dependerá de cada compañía, sus procesos y su confianza en la tecnología. “En HappyRobot no trabajamos con un modelo único. Identificamos qué tareas tiene sentido automatizar, con qué objetivos y dónde debe mantenerse la intervención humana”. La firma, que acaba de cerrar una ronda de financiación de 150 millones de dólares y trabaja con más de 150 clientes –entre ellos DHL, Naturgy, Kuehne+Nagel y Uber– cree que las empresas implantaran en mayor medida estas soluciones si ven resultados. Según el Instituto de Tecnología de Massachusetts (MIT), el 95% de los pilotos de IA generativa aún no demuestra un impacto medible en la cuenta de resultados. “Nuestra ambición”, concluye Becker, “es formar parte de ese reducido 5% de proyectos de inteligencia artificial que ha superado la fase piloto y convierte la experimentación en resultados de negocio visibles y medibles”.
From the pilot to the deployment: the obstacles
Moving from pilot projects to larger-scale exercises requires overcoming some barriers that, according to the consultancy PwC, can be summarized as:
- Processes. Scaling requires reviewing entire processes, going beyond isolated pilots, and ensuring quality data, permissions, and secure access to corporate knowledge.
- Governance. It is necessary to define responsibilities, traceability, auditing, and limits of action, as well as protect against data leaks, attacks, and errors.
- Talent. The lack of specialized professionals and training hinders the leap. 73% of organizations point to training in supervision and orchestration of artificial intelligence (AI) agents as one of the main obstacles.
- Trust. Human oversight adds complexity, especially in regulated sectors, while 65% of workers do not feel comfortable leaving decisions to AI.
- Return. 56% of CEOs still do not see a clear financial benefit from their AI investments, which forces them to measure the impact of agents on the business.
原文出處：Source: El País（西班牙 ↗