La IA ganará cada vez más autonomía en la ejecución de procesos, asumiendo tareas y apoyando la toma de decisiones en entornos donde su gobierno y supervisión es cada vez más relevante. Así lo considera la consultora tecnológica Seidor quien adelantan otras tendencias para el año entrante entre las que destaca el ERP activo, los servicios cloud de cómputo masivo, la ciberseguridad preventiva y la gobernanza de datos federada o la extensión de enfoques como la arquitectura composable (arquitectura modular basada en piezas que se pueden combinar y sustituir fácilmente) y el GreenOps entre otros.
La evolución de la IA está acelerando una transformación transversal que alcanza desde la infraestructura y la ciberseguridad hasta los propios modelos de negocio.
Índice de temas
1. Consolidación de la IA agéntica
Tras la fase de exploración de 2025, 2026 marca el punto de inflexión hacia la realidad operativa de la IA Agéntica. La inteligencia artificial evoluciona, pasando de ser una herramienta reactiva (chatbots) a constituirse en sistemas con capacidad proactiva para «actuar» (Agentic AI). Estos agentes no solo sugerirán acciones, sino que ejecutarán flujos de trabajo complejos de extremo a extremo, interactuando con bases de datos, APIs (“puentes” estándar que permiten que distintas aplicaciones se conecten entre sí) o incluso otros agentes a través de nuevos protocolos como A2A (Agent-to-Agent, estándar que permite que distintos agentes de IA se comuniquen y colaboren entre sí).
El matiz clave: la autonomía no será total ni inmediata. Veremos una adopción gradual donde los agentes ganarán independencia en tareas acotadas y repetitivas, mientras que los procesos críticos mantendrán estrictos esquemas de supervisión humana para garantizar la responsabilidad y el cumplimiento.
2. ERP activo: hacia la gestión asistida
El ERP tradicional entendido como sistema de registro pasivo, evolucionará hacia un modelo de ERP Activo. Impulsado por la IA Agéntica, el software de gestión reducirá drásticamente la necesidad de input manual en procesos de back-office (tareas administrativas internas y repetitivas).
Desde Seidor, en colaboración con los principales proveedores de ERP, ya se están incorporando agentes capaces de detectar anomalías (como una rotura de stock) y proponer o ejecutar acciones correctivas bajo parámetros preaprobados. El objetivo no es una «empresa sin humanos», sino una organización donde el talento se libera de la gestión transaccional para enfocarse en la toma de decisiones estratégicas y la gestión de excepciones.
Supercomputación y servicios cloud de cómputo masivo
La adopción de la IA evidencia las limitaciones de la infraestructura legacy basada puramente en CPU para las nuevas cargas de trabajo. Se confirma la transición hacia arquitecturas híbridas con mayor protagonismo de aceleradores (GPUs, NPUs, LPUs, que son chips especializados en cálculos de IA mucho más rápidos que los procesadores tradicionales).
Para la mayoría de las empresas, esto no implicará construir superordenadores propios, sino gestionar el acceso a servicios cloud de cómputo masivo. La modernización de la infraestructura se convierte en un requisito innegociable: sin una capacidad de cómputo suficiente y bien dimensionada, el software planificado no podrá ejecutarse de manera eficiente.
4. Gobernanza adaptativa y gestión del riesgo (AI TRiSM)
La confianza será en 2026 el «gatekeeper» absoluto de la adopción de la IA. Más allá de la velocidad de implementación, el éxito se medirá por la solidez de la estrategia TRiSM (Trust, Risk and Security Management). Las organizaciones avanzarán desde modelos de cumplimiento estáticos hacia una gobernanza dinámica, capaz de monitorizar en tiempo real riesgos como las alucinaciones de la IA o la protección de datos.
Contexto regulatorio: en el entorno europeo, este punto es crítico. Se anticipa una tensión estratégica entre la innovación y el cumplimiento normativo (AI Act, la nueva regulación europea sobre inteligencia artificial), lo que abrirá un debate necesario sobre cómo flexibilizar los marcos de adopción para no comprometer la competitividad frente a bloques más desregulados. En este contexto, también conviene destacar que organismos como la AESIA (Agencia Española de Supervisión de la Inteligencia Artificial) ya han empezado a publicar guías de apoyo para facilitar el cumplimiento regulatorio y orientar a las organizaciones en esta transición.
5. Ciberseguridad preventiva
La ciberseguridad acelera su transición de un paradigma reactivo a uno preventivo y predictivo. Ante la «industrialización» de los ciberataques (malware autorreparable, ingeniería social multimodal a escala), la respuesta humana manual resulta insuficiente. La tendencia es la implementación de defensas asistidas por IA que puedan detectar y neutralizar amenazas a «velocidad de máquina». No obstante, lejos de eliminar al humano, este modelo eleva su rol: los analistas dejarán de perseguir alertas individuales para centrarse en la supervisión de políticas de defensa y la gestión de incidentes estratégicos, dejando la táctica inmediata a los automatismos.
6. Gobernanza de datos federada y ecosistemas de agentes
La fragmentación del mercado y las normativas de privacidad impulsan la Gobernanza Federada, que en 2026 se perfila como un modelo de referencia para colaborar con datos de forma segura. Este enfoque facilita el «data sharing» (compartir datos entre organizaciones sin perder el control sobre ellos) sin necesidad de centralizar físicamente los activos, respetando la soberanía del dato.
Sobre esta base, emergen arquitecturas orientadas a la orquestación de agentes, lo que desde Seidor denominamos «Agentlakes»: entornos donde distintos agentes de IA trabajan sobre datos distribuidos de forma coordinada. Estos ecosistemas están diseñados para que múltiples agentes de IA, independientemente de su proveedor o modelo fundacional, puedan interactuar y acceder a datos empresariales de forma segura, con el objetivo estratégico de reducir los silos y mitigar el riesgo de dependencia tecnológica.
7. IA especializada y de dominio específico
2026 consolidará la convivencia entre los grandes modelos generalistas y la IA vertical basada en modelos más pequeños (SLMs: Small Language Models) y eficientes. Las empresas adoptarán masivamente modelos de dominio específico, perfeccionados mediante técnicas de eficiencia sobre datos propietarios y terminología sectorial (legal, médica, ingeniería). Este enfoque busca reducir las alucinaciones y mejorar el cumplimiento normativo, ayudando además a reducir el impacto ambiental y de consumo energético de los LLMs (Large Language Models).
8. Hiperautomatización y la evolución hacia «service as software»
El modelo de consumo de software continúa su evolución. Más allá del SaaS tradicional, empieza a extenderse un enfoque en el que las empresas no pagan solo por disponer de la herramienta, sino por el resultado automatizado que genera (por ejemplo, recibir un informe ya elaborado o un código revisado). Esta evolución se puede describir como una lógica de “service as software”, evolucionando desde el «pago por usuario» (por cada persona que usa el software) hacia esquemas orientados al «pago por resultado» (por cada tarea o servicio completado) en tareas automatizables de alto valor (como revisión documental, generación de código o triaje).
9. Arquitectura composable como habilitador
La adopción de la IA no exige abandonar los sistemas actuales, pero la evolución hacia arquitecturas de mayor modularidad facilita un salto cualitativo: permite diseñar una arquitectura de agents orientada a Business Capabilities que colaboran entre sí. Para 2026, cobra fuerza la arquitectura componible y modular (basada en Packaged Business Capabilities), donde cada capacidad de negocio se expone como un bloque funcional bien delimitado.
En la práctica, significa construir el sistema en módulos de negocio intercambiables que se conectan entre sí como “piezas de LEGO” tecnológicas. Esta modularidad es el prerrequisito técnico para los ecosistemas de agentes: solo si los datos y funciones están expuestos vía API (interfaces estándar que permiten que unos sistemas llamen a otros), los agentes de IA pueden orquestarlos flexiblemente.
10. Sostenibilidad IT: la paradoja de la IA y «GreenOps»
La sostenibilidad se refuerza como KPI operativo crítico del CIO (indicador clave para medir el rendimiento de TI), impulsada por regulaciones estrictas (como normativa europea CSRD, que obliga a reportar de forma detallada en sostenibilidad) y por la propia «Paradoja de la IA»: la tecnología que optimiza la eficiencia corporativa es, a su vez, intensiva en consumo de recursos. Veremos una adopción madura de prácticas de «GreenOps» (gestión financiera y ecológica de la nube).
Las empresas deberán equilibrar la innovación con la huella de carbono, haciendo de la eficiencia del hardware (uso de LPUs/NPUs, chips especializados en acelerar la IA con menos consumo que los procesadores tradicionales, y optimización de modelos) una decisión tanto financiera como de responsabilidad corporativa.
