Del IT determinista a sistemas vivos que aprenden, deciden y escalan

Resumen Ejecutivo

La adopción de GenAI y arquitecturas Agentic no representa una evolución incremental del IT. Representa una ruptura estructural del modelo operativo tradicional. Desde la experiencia de Sharksia en proyectos reales, hemos comprobado que el impacto es inequívoco: el time-to-market se acelera, el Cost of Change cae de forma estructural y emerge una nueva capacidad organizacional: sistemas que orquestan decisiones, acumulan experiencia y evolucionan con el negocio; en definitiva, marcos de trabajo digital que son capaces, progresivamente, de autogestionarse y auto demandar a otras soluciones tecnológicas, a las que ordena y puede orquestar.

El problema central del IT actual ya no es la capacidad de desarrollar software, sino su limitada capacidad de cambiar con velocidad y control. El acoplamiento entre negocio, código y operación convierte cada cambio en deuda, cada excepción en complejidad y cada integración en fragilidad sistémica.

GenAI, combinada con programación declarativa y arquitecturas Agentic, permite romper este patrón. El IT deja de ejecutar workflows rígidos y pasa a orquestar decisiones, actuando más cerca del evento, con trazabilidad semántica y memoria persistente. El resultado es un IT que deja de ser reactivo y se convierte en diseñador de ecosistemas inteligentes que se integran en los negocios.

Esta transformación es estratégica, no tecnológica. Aunque el costo unitario de la inteligencia disminuye, el volumen de decisiones, eventos y automatismos crecerá exponencialmente.  El desafío para las empresas y sus directivos ya no es adoptar GenAI, sino en como gobernar un IT más autónomo, más potente y más integrado al negocio.

Desde Sharksia sostenemos una posición clara: el futuro del IT no se programa únicamente con código. Se diseña como un sistema vivo.

1. El límite del modelo tradicional de IT

Durante décadas el IT evolucionó por capas: mejores herramientas, mejores prácticas, mejores infraestructuras. En sincronía con esto, la industria de los servicios de tecnología ha avanzado mediante mejoras incrementales: nuevos lenguajes, frameworks más productivos, infraestructuras más potentes, metodologías más ágiles.

Sin embargo, a pesar de estos avances, el modelo mental del IT se ha mantenido prácticamente intacto: sistemas deterministas, altamente acoplados, costosos de cambiar y diseñados para ejecutar lógica previamente definida.  Y un proceso determinista: el negocio define requerimientos; el IT implementa; la operación ejecuta. Ese modelo funcionó mientras el cambio era predecible y la variabilidad limitada.  Pero hoy…, el cambio es permanente.

Desde Sharksia hemos observado que el problema central de este modelo no es la “velocidad de desarrollo” aislada, sino el acoplamiento entre negocio, código y operación: cada cambio se convierte en deuda, cada excepción en complejidad, cada integración en fragilidad.

Por todo esto, desde Sharksia sostenemos con convicción: ese modelo ya no escala.

La irrupción de la Inteligencia Artificial Generativa (GenAI), combinada con enfoques declarativos y arquitecturas agentic, no representa una optimización más dentro del mismo paradigma. Representa un cambio estructural en la forma en que el IT se concibe, se construye y opera.

Este white paper no es un ejercicio académico ni una proyección teórica. Es la expresión de una visión construida desde la práctica y con ideas concebidas y practicas con anterioridad a la explosión masiva de estas nuevas tecnologías: experiencia en proyectos reales, clientes que requerían una conexión con el contexto para mejorar la interpretación de sus soluciones, experiencias sobre sistemas en operación real-time y decisiones tomadas en contextos donde el IT debe responder con velocidad, autonomía y trazabilidad a problemáticas de negocio críticas. Y, con posterioridad, estas nuevas tecnologías entraron de lleno al mundo de IT y vivimos actualmente una explosión, donde la acción se convierte en movimiento real y experimentable.

Por todo esto, para Sharksia, aquí y ahora no hablamos de promesas. Hablamos de un nuevo status quo.

2. GenAI y Agentic AI como ruptura de paradigma

El software tradicional parte de una premisa simple: todo comportamiento relevante debe ser anticipado y codificado explícitamente. Esta lógica ha producido sistemas robustos, pero también rígidos, frágiles frente al cambio y cada vez más costosos de evolucionar.

GenAI habilita una transición profunda hacia sistemas AI-native, donde el foco deja de estar en el procedimiento y pasa a estar en la intención, el contexto y la experiencia acumulada.

En este nuevo modelo:

• El cambio funcional no implica necesariamente un “refactorage” técnico
• La lógica no se codifica por completo, se orquesta
• El sistema no solo ejecuta, aprende
• El aprendizaje, progresivamente genera conocimiento colectivo experimientable y autogestión y mejoramiento.

Gartner describe esta evolución como el paso hacia sistemas intent-driven y declarativos, donde el valor ya no reside en la cantidad de código producido, sino en la capacidad de diseñar comportamientos adaptativos. En paralelo, las encuestas de McKinsey muestran adopción y creación de valor de GenAI en funciones de negocio.

Para Sharksia, la conclusión es clara: el IT pasa de ejecutar workflows a orquestar decisiones.  Desde Sharksia, vemos esto como el nacimiento de sistemas vivos, capaces de evolucionar junto al negocio y, potencialmente, fusionarse en ellos como parte integrante indivisa.

3. Programación declarativa + prompts: decir el “qué”

La programación basada en prompts (bien entendida) no es “escribir texto en lugar de código”. Es una forma declarativa de expresar intención, reglas y contexto, de explicitar una intención pura de negocio reconocible de forma técnica.  Esta forma se interpreta a través de la integración de herramientas, funciones, políticas y observabilidad.

En un sistema agentic, el prompt es una pieza de ingeniería que expresa la “conciencia” del negocio (experiencia) aplicada a un propósito concreto.  En este ámbito, el “prompt” acota comportamiento, define criterios, y habilita adaptación con trazabilidad.

Desde la perspectiva Sharksia, el valor diferencial no está en la capacidad de escribir prompts, sino en industrializar su diseño, gobierno y evolución. Esto permite escalar productividad digital sin sacrificar control:

• el cambio funcional se gestiona a nivel semántico,
• la evolución se desacopla del refactor técnico,
• la calidad se sostiene mediante trazabilidad punta-a-punta,
• y el conocimiento generado se convierte en un activo reutilizable del negocio.

Este enfoque transforma al IT de un productor de código en un diseñador de comportamientos inteligentes, alineados al propósito del negocio y medibles en impacto real.

4. Impacto económico a lo largo del ciclo de vida del IT

4.1 Construcción y time-to-market

Nuestra experiencia muestra reducciones consistentes del 40 al 50% en los tiempos de diseño + construcción + testing + “deploy” frente a enfoques tradicionales. Estos valores ya resultan obvios y de rápida demostración empírica, solo empezando a utilizar de forma lógica los “frames” de trabajo con AI disponibles.  Con pequeñas variaciones por lenguajes de tecnología, esta afirmación es de una confirmación contundente.

Lo importante, es analizar su potencial y profundidad de cambio, ya que este impacto no proviene únicamente del uso de prompts, sino de un rediseño completo de la arquitectura: agentes especializados, patrones reutilizables, herramientas disponibles, protocolos que conectan y orquestación declarativa.

McKinsey y Gartner coinciden en que estos enfoques desplazan el esfuerzo desde la implementación técnica hacia la modelización de la intención, eliminando grandes volúmenes de código repetitivo y capas intermedias sin valor diferencial.

Para Sharskia el resultado es claro y abrumador:

• menor time-to-market
• mayor capacidad de iteración,
• menores errores
• mayor flexibilidad para aprovechar mejores practicas
• y sin comprometer control ni calidad.

En Sharksia, ya hablamos de “productividad digital” como nuestro ADN, donde la capacidad aplicada de los recursos de la empresa resulta de la combinación hibrida e integrada de habilidades humanas y digitales.  Estamos cercanos a alcanzar nuestro objetivo de productividad digital del 125% facturable, medible y observable es ya una realidad.  Y aspiramos a movernos hacia un escenario objetivo del 150% al 175% en los próximos años. 

Y que hacemos con esta productividad incremental? Esta productividad, revierte de forma directa en nuestros profesionales (que ven mejorada y enriquecida su labor dedicada y los tiempos reales de trabajo) y, por supuesto, también en nuestros clientes, que reciben el beneficio de este “delta” de productividad, en términos de costes y niveles de calidad.

4.2 Coste de mantenimiento: el Cost of Change como KPI central

El verdadero punto de inflexión económico aparece en el mantenimiento.

En el IT tradicional, cada cambio funcional relevante suele traducirse en refactorización, testing intensivo y nuevos ciclos de despliegue. En arquitecturas agentic, muchos de estos cambios se resuelven a nivel semántico: prompts, reglas, políticas y configuración.  Y esto reduce el Cost of Change y permite evolución continua.

Desde Sharksia hemos experimentado transiciones completas y proyectos complejos que incluyen migraciones y adaptaciones rápidas de frameworks de agentes realizados exitosamente ventanas de tiempo cortas (50% menor que el tiempo estimado en el IT tradicional), manteniendo control y trazabilidad. Este es el tipo de agilidad que, en software clásico, suele requerir re-escrituras o grandes refactorizaciones.

McKinsey define este fenómeno como una reducción estructural del Cost of Change. En Sharksia lo vemos como algo aún más profundo: la liberación del IT de su propia inercia.

Emergen nuevos costes —observabilidad, gobernanza, control de comportamiento—, pero incluso considerándolos, desde nuestro punto d evista, el balance total es claramente favorable frente a mantener el modelo basado en software determinista clásico.

4.3 Infraestructura: del coste fijo al consumo inteligente

Con Inteligencia Artificial Generativa (GenAI), combinada con enfoques declarativos y arquitecturas agentic,  el modelo de costes se desplaza desde hardware, licencias y capacidad provisionada hacia consumo dinámico de modelos, tokens y servicios cloud.

Hoy, este enfoque dinámico puede considerarse equilibrado frente a un enfoque tradicional. Sin embargo, existe consenso entre Microsoft, AWS, Google en que el coste unitario de la inteligencia seguirá descendiendo, impulsado por eficiencia de modelos y competencia entre “hyperscalers”.

Aun así, es crítico distinguir costo unitario vs gasto total. Cuando la inteligencia se abarata, la demanda suele crecer. Para Sharksia, gestionar eventos (y su trazabilidad) implica un volumen, como mínimo, superior en +5 veces que el coste de gestionar transacciones.  Esto llevaría a elevar el gasto total por expansión de casos de uso y el atractivo de poder dar trazabilidad “punta-a-punta” a cada evento. Por todo ello, el nuevo IT debería gobernar y monitorear el consumo, no solo construir capacidades, analizando el coste-beneficio asociado a cada caso de uso.

Desde la visión Sharksia, esto no debería ser una amenaza, sino una señal inequívoca: el IT está ampliando su campo de acción, desde la transacción hasta la gestión masiva y trazable punta-a-punta de eventos. 

5. Orquestación autónoma y arquitectura “hive”

Uno de los cambios más profundos que observamos es el paso de arquitecturas centralizadas a orquestación autónoma y distribuida.

Los agentes interpretan eventos, contexto e intención, y actúan cerca del momento en que el valor se genera. Esto reduce latencia decisional, desacopla componentes y aumenta la resiliencia del sistema

La potencia y ventaja práctica de Agentic AI es la orquestación autónoma: múltiples agentes especializados que cooperan alrededor de eventos concretos.  Esto reduce latencia decisional y acerca la acción al evento. 

Gartner se refiere a este enfoque como autonomous orchestration driven by intent.

En Sharksia lo describimos como arquitectura “hive” (colmena): múltiples agentes especializados, acotados por políticas y propósitos específicos, con observabilidad explicita, que cooperan, se coordinan y evolucionan sin depender de flujos rígidos predefinidos, trabajando de forma integrada con herramientas, aplicaciones y utilizando protocolos de interoperabilidad eficientes.  El conjunto de agentes se conforma como un “ecosistema” resolutivo acciones ejecutadas.  Un “ecosistema” que puede evolucionar, escalar e interconectarse con otros “ecosistemas”.

Para Sharksia, el valor de esta arquitectura no es solo eficiencia; es resiliencia: si un agente falla, la arquitectura no colapsa, solo se degrada; el propio “hive” alerta, diagnostica y se focaliza en su remediación.

6. Memoria colectiva: del IT de datos al IT de experiencias

El IT tradicional por diseño, es “amnésico”: registra logs, en el mejor de los casos guarda datos, ejecuta lógica, pero rara vez convierte esos elementos en aprendizaje operativo persistente, al no convertir estos elementos en “historias” o memoria.  

Las arquitecturas agentic, en cambio, introducen la característica diferencial de crear, construir y reutilizar memoria, con capacidad de ser persistentes y basada en la gestión integral de los eventos.

Esta memoria se considera en diferentes niveles:

• Memoria episódica: qué ocurrió y en qué contexto
• Memoria semántica: patrones y reglas emergentes
• Memoria procedimental: qué decisiones funcionan mejor, para acelerar las decisiones futuras.

Un evento con su contexto y su trazabilidad punta-a-punta genera lo que en Sharksia llamamos “hilo de memoria”.  Cuando estas memorias se versionan, se comparten y se reutilizan, emerge lo que desde Sharksia denominamos memoria colectiva, con su potencial claro de evolucionar hacia memoria colaborativa empresarial.  Esta memoria, constituye laverdadera conciencia, ADN y propiedad intelectual de cada empresa, insustituible, persistente y única.

Este mecanismo crea una ventaja acumulativa única: el sistema mejora con el uso.  En términos de negocio, se transforma la operación en un activo de conocimiento.  Esta idea se alinea con la tendencia de “software que compone experiencia” y con la tendencia de sistemas que pasan de ejecutar a aprender.

McKinsey habla de organizational learning systems.

Para Sharksia, este es un punto de no retorno: el sistema mejora con el uso.  Y hasta su autogestión.

7. Trazabilidad semántica y gobernanza viva

En sistemas agentic, la trazabilidad deja de ser puramente técnica y se vuelve semántica:

• Qué evento ocurrió
• Que elementos del entorno fueron relevantes.
• Qué razonamiento se aplicó
• Qué decisión se tomó
• Qué resultado se obtuvo

Esta capacidad transforma la relación entre IT y negocio.  Las decisiones se entienden, se auditan y se ajustan con rapidez.

El impacto directo es una reducción tangible del time-to-market y una mejora sustancial en compliance y control.

Los expertos denominan este enfoque decision traceability y explainable operational flows.  Para Sharksia, es una condición indispensable para escalar la autonomía sin perder gobierno.

Microsoft publica guías específicas de seguridad y gobernanza para Copilot Studio y para agentes en organizaciones, indicando prácticas de políticas, control y enfoque sistemático de adopción. Estas guías refuerzan la necesidad de diseñar la gobernanza como parte de la arquitectura, no como una capa posterior de control.

Para Sharksia, esta línea refuerza un punto central: la escalabilidad agentic no se logra con “más prompts”, sino con gobernanza y observabilidad.

8. Riesgos y Puntos de Atención en la Transición a IT GenAI

8.1. Agent washing y expectativas irreales

Implementar agentes sin rediseñar el modelo operativo conduce a soluciones frágiles.  Agentic AI no es una capa adicional: es una arquitectura completa.

8.2. Falta de gobernanza y control

La autonomía sin políticas claras genera riesgos operativos y reputacionales. La gobernanza debe diseñarse desde el inicio.

8.3. Deriva de prompts y conocimiento

Prompts, reglas y memoria son activos críticos. Deben versionarse y gobernarse como código.

8.4. Seguridad y exposición de datos

Los agentes interactúan con múltiples sistemas y orquestan otros sistemas existentes.  Es imprescindible aplicar el principio de mínimo privilegio.

8.5. Crecimiento no gobernado del coste

La caída del costo unitario puede disparar el consumo. Es clave medir valor por caso de uso.

8.6. Impacto organizacional y cultural

El IT pasa de implementar sistemas a diseñar y utilizar inteligencia colectiva. Esto requiere nuevas habilidades y roles.

9. Conclusión — El nuevo contrato del IT

El verdadero valor del prompt + Agentic AI no está solo en reducir costes o acelerar entregas, sino en habilitar sistemas autónomos, con memoria, trazabilidad y capacidad de aprendizaje continuo, que transforman el IT de un ejecutor reactivo en un sistema vivo, adaptativo y estratégico.

GenAI aplicada a los servicios de tecnología no es una moda ni una capa adicional sobre sistemas existentes.  Es el punto de inflexión que marca el fin de un modelo operativo y el inicio de otro.

La verdadera decisión ya no es tecnológica. Es estratégica.

Las organizaciones deben decidir si continúan optimizando sistemas deterministas cada vez más costosos de cambiar, o si avanzan hacia ecosistemas inteligentes capaces de aprender, adaptarse y evolucionar con control y propósito.

Desde Sharksia no observamos esta transformación desde la distancia. Estamos ayudando a construirla.

Para Shakrsia, el futuro del IT no se programa únicamente con código. Se diseña como un sistema vivo.

Ideas trazadoras:

• El status quo del IT no escala: el principal cuello de botella ya no es la capacidad de desarrollo, sino el Cost of Change.
• GenAI + programación declarativa + Agentic AI redefinen el rol del IT: de ejecutor de workflows deterministas a orquestador de decisiones con control.
• La arquitectura tipo “hive” permite escalar inteligencia sin escalar complejidad técnica.
• La memoria colectiva convierte la operación en un activo estratégico que mejora con el uso y permite el autoaprendizaje.
• La trazabilidad semántica habilita autonomía responsable: decisiones explicables, auditables y gobernables.
• El costo unitario de la inteligencia cae, pero el impacto estratégico del IT crece: gobernar consumo y valor es prioridad de Board.

Referencias consideradas en el paper

• Gartner (25 Jun 2025). ‘Gartner Predicts Over 40% of Agentic AI Projects Will Be Canceled by End of 2027’ (press release).
• Reuters (25 Jun 2025). ‘Over 40% of agentic AI projects will be scrapped by 2027, Gartner says’.
• McKinsey (27 Jun 2023). ‘Unleashing developer productivity with generative AI’.
• McKinsey (30 May 2024). ‘The state of AI in early 2024: Gen AI adoption spikes and starts to generate value’.
• a16z (12 Nov 2024). ‘LLMflation: LLM inference cost is going down…’.
• Microsoft Learn (5 Dec 2025). ‘Governance and security for AI agents across the organization’ (Cloud Adoption Framework).
• Microsoft Learn (16 Jan 2026). ‘Copilot Studio security and governance’.
• Microsoft Copilot Blog (15 Dec 2025). ‘What’s New in Microsoft Copilot Studio: November 2025’ (agent governance & production readiness).

Anexo 1 (opcional para publicar o no; en refinamiento)
Cómo medir la transformación: KPIs Sharksia

Un error común es medir GenAI solo por ‘ahorro de tiempo’ aislado. La transformación que provoca GenAI debería enfocarse a medir la capacidad de cambiar el IT con control.

En Sharksia, proponemos KPIs en seis dimensiones:

10.1 Time-to-Market

• Lead time de cambio funcional (solicitud → producción).
• % cambios entregados sin refactor técnico mayor.
• Tiempo de onboarding de un nuevo caso de uso (primer valor).

10.2 Cost of Change

• Cost of Change Index (CCI) = costo total de cambios / nº de cambios funcionales.
• % cambios realizados vía prompt/policy vs cambios de código.
• Defectos post-cambio por 100 cambios (calidad de evolución).

10.3 Autonomía y Orquestación

• Latencia evento → acción (tiempo).
• % decisiones operativas ejecutadas por agentes con supervisión definida.
• Tasa de intervención humana (human-in-the-loop) por flujo.

10.4 Memoria y Aprendizaje

• % decisiones que reutilizan memoria (episódica/semántica) de forma explícita.
• Tiempo medio de resolución de excepciones (MTTR funcional).
• Tasa de repetición de incidentes por misma causa (debe caer).

10.5 Gobernanza y Trazabilidad

• % decisiones con trazabilidad semántica completa.
• Tiempo medio de auditoría/forense de un incidente (debe bajar).
• Incidentes de seguridad por permisos excesivos (debe bajar).

10.6 Impacto Estratégico

• % iniciativas IT vinculadas a métricas de negocio (ingresos, costo, experiencia).

Satisfacción negocio–IT (NPS interno).