El futuro del CRM no es "agentic". Es político.
Lo que el CRM ya nos enseñó (y seguimos ignorando)
El futuro del CRM no es "agentic". Es político. Y ningún vendor te lo va a decir en un keynote.
Todos están hablando de agentes de IA. Agentforce, Copilot, Zia, Breeze. Cada vendor te vende el mismo sueño: un CRM que piensa, decide y actúa por sí solo.
Y yo te voy a decir algo que no vas a escuchar en ningún keynote: el agentic AI no va a fracasar por la tecnología. Va a fracasar debido a la política interna de tu empresa.
No es pesimismo. Es un patrón que veo todos los días en empresas que todavía no tienen la madurez necesaria para contar con un CRM saludable al 100%. Llevamos años viéndolo en el CRM. Tenemos muchos ejemplos en las empresas, no importa la región, el proveedor de CRM, la industria. Pero las empresas que ya tienen resueltos los temas de la cultura de datos, la adopción, un buen PMO y un Centro de Excelencia que ayuda a ejecutar están años luz por delante, y asumo que ya sí están transformando su CRM con la Inteligencia Artificial. O sea, el tema de la política interna ya está resuelto.
Pero quería hacer un análisis detallado para validar qué tan real es este patrón que veo y que asumo que muchos de ustedes también ven.
¿Qué encontré sobre el fracaso de los proyectos de CRM?
Los reportes de la industria ubican la tasa de fracaso de las implementaciones de CRM entre el 50% y el 70%. Y aquí viene lo importante: cuando analizas por qué fallan, la respuesta casi nunca es el software. Varios análisis coinciden en que las personas y los procesos explican más del 75% de los fracasos, mientras que la tecnología en sí explica menos del 10%.
Pero no quiero caer en el dilema de siempre, donde decimos: “El software no es el problema. Nunca lo fue.” La tecnología también es un problema. Es la tecnología que:
Te vendió el proveedor para cumplir con su cuota.
Compraste sin hacer un PoC.
Tienes y no se han capacitado y/o certificado.
No validaste al 100% con TI los temas de APIs y límites.
Tiene costos ocultos: add-ons, integraciones, límites y tipo de edición.
Tienes y no encaja con el ecosistema de CRM de toda la empresa.
Es el Tesla del CRM o es el más barato de la industria.
Usas y no validaste al 100% los distintos tipos de usuarios.
Usas y no tienes sandboxes ni DevOps, y haces cambios en producción.
Es causa y efecto.
¿Y sabes dónde reside gran parte de ese fracaso? En la gobernanza. En ese vacío en el que TI dice "eso es del negocio" y el negocio dice "eso es de TI", y nadie tiene la autoridad para decidir. Los cambios no se estancan por detrás de las prioridades. Se estancan detrás de la política.
Eso ya lo vivías con un CRM "tradicional". Ahora dale un agente autónomo a esa misma organización y dime qué crees que va a pasar.
La IA no cambió el diagnóstico
Aquí está lo que más me llamó la atención de los datos recientes: cuando le sumas IA al CRM, el diagnóstico no cambia. Empeora.
El estudio de MIT — The GenAI Divide: State of AI in Business 2025, de la iniciativa NANDA — analizó cientos de despliegues reales de IA. ¿El titular? Alrededor del 95% de los pilotos de IA generativa no logran un impacto medible en el P&L. Solo un 5% genera valor real.
¿La causa raíz? No es el modelo. MIT lo llama el learning gap: la incapacidad de las empresas de integrar la IA en sus flujos de trabajo, sus estructuras y su cultura. Traducción: el problema es organizacional, no técnico.
Gartner va en la misma dirección. Predice que más del 40% de los proyectos de agentic AI serán cancelados para finales de 2027 — debido a costos crecientes, un valor de negocio poco claro y controles de riesgo inadecuados. Y de paso le puso nombre a algo que tú y yo ya vemos en las demos: el "agent washing",”, o sea, rebautizar chatbots, RPA y asistentes viejos como "agentes" sin capacidad agéntica real. Gartner estima que, de los miles de vendors que afirman contar con agentes, solo unos 130 son genuinos.
Y sobre gobernanza, el número que a mí me parece más revelador: una investigación de Deloitte (citada en varios reportes de 2026) indica que cerca del 74% de las organizaciones planean adoptar agentic AI en dos años, pero solo alrededor del 21% tiene un modelo de gobernanza maduro para agentes.
Esa brecha — mucha ambición, poca gobernanza — es exactamente donde nace el fracaso.
Por qué el agente destapa la política que el CRM escondía
Aquí está mi punto central, y quiero que te quedes con esto.
Un CRM mal gobernado "funciona" a medias porque siempre hay un humano tapando los huecos. El dato está sucio, pero alguien lo corrige a mano. Dos VPs pelean por quién manda sobre el dato, pero al final alguien decide (por temas políticos y no por los correctos). Las islas, los silos siguen, y al final un analista de datos lo cruza en Excel y lo limpia. Y el ciclo continúa.
El agente no hace nada de eso. El agente actúa.
Y actúa según lo que le des. Si tus datos están en silos — y lo están, casi siempre por razones de ownership departamental y por tecnología vieja que se sigue usando por falta de presupuesto — el agente decide con información incompleta. Si nadie definió quién es el dueño del proceso, el agente ejecuta sin dueño. Si el liderazgo no está alineado y cada área define el éxito de manera distinta, el agente optimiza para métricas que se contradicen entre sí. Lo vivo en un piloto de un agente de IA entre marketing, ventas y servicio: tres departamentos que sí se hablaban, pero no había gobierno.
La diferencia con un chatbot es brutal: el error de un chatbot se ve al instante. El error de un agente puede propagarse a lo largo de todo el proceso de negocio antes de que alguien se dé cuenta.
Y entonces llega la pregunta que ninguna herramienta te va a contestar: ¿quién es el dueño del agente? ¿Quién responde cuando se equivoca? ¿Cuál es la ruta de escalamiento cuando ocurre algo que nadie esperaba?
Esas no son preguntas técnicas. Son preguntas sobre las políticas de las empresas. Son preguntas de poder, de accountability, de territorio. Y son las mismas que llevas años sin resolver en tu CRM.
El agente de IA no crea la política de tu empresa. La expone. Y la va a cobrar muy cara.
Esto no es opinión mía. Tiene respaldo académico.
Cuando digo que el problema es político, no estoy improvisando. Hay literatura peer-reviewed que lo dice hace décadas.
El paper fundacional es de M. Lynne Markus (1983), "Power, Politics, and MIS Implementation", publicado en Communications of the ACM. Markus argumentó que la resistencia a los sistemas no es un capricho individual — nace de la interacción entre el diseño del sistema y el contexto organizacional, es decir, de quién gana y quién pierde poder cuando llega la tecnología. Es de los papers más citados del campo, décadas después.
En el CRM, específicamente, hay estudios empíricos serios. Uno, con datos de 153 hoteles y un modelo de ecuaciones estructurales, concluye que las capacidades tecnológicas no bastan: los factores organizacionales median el éxito. Las revisiones sistemáticas peer-reviewed llevan años señalando que la alta tasa de fracaso se debe a factores personales y de proceso. Y en IA, las revisiones sistemáticas recientes (metodología PRISMA) confirman que la resistencia al cambio — miedo a perder el control, a la incertidumbre, al reemplazo — es una de las barreras primarias.
Ahora, seamos honestos, porque prefiero eso a venderte humo:
La investigación peer-reviewed específica sobre agentic AI + política organizacional prácticamente no existe todavía. La tecnología es demasiado nueva y la academia publica con un retraso de 1 a 3 años. Todo lo fuerte sobre agentes (el 40% de Gartner, el 95% de MIT, las cifras de Deloitte) es investigación de la industria, no académica revisada por pares. Es data útil y seria, pero no aguanta esa etiqueta.
Qué hacer con esto (si lideras el negocio)
No te quedes con el diagnóstico. Aquí va lo práctico, separado: estrategia, gente, datos, tecnología.
Estrategia: Deja de tratar al agente de IA como un proyecto tecnológico. Es una iniciativa de transformación. Si no defines qué problema de negocio resuelve antes de comprar, ya estás en el 95%.
Gente y gobernanza: Antes de tu primer agente, define ownership. ¿Quién es dueño del agente? ¿Quién aprueba lo que hace? ¿Quién responde cuando falla? Si no puedes responder eso, no estás listo para un agente. Estás listo para un problema.
Datos: El agente es tan bueno como tu dato. Silos, duplicados y modelos de datos rotos no se arreglan con IA — se amplifican. El AI readiness de tus datos es un prerrequisito, no un "nice to have".
Tecnología: Cuidado con el 'agent washing'. Pregunta a tu vendor: ¿esto planifica, ejecuta y se adapta en varios pasos, o solo responde preguntas? Si solo responde, es un chatbot con mejor marketing.
Haz un “reset” que te va a servir dentro de tu empresa: "arreglemos gobernanza, ownership y silos antes del agente" no es un freno. Es el prerrequisito que la investigación respalda. Conviértelo en tu quick win estratégico.
El futuro del CRM sí va a ser agentic. Pero solo para las empresas que resuelvan primero lo que llevan 20 años evitando: la política, la gobernanza y el ownership de sus datos y procesos.
Las demás no van a fracasar por falta de IA. Van a fracasar por exceso de IA montada sobre una casa sin cimientos.
El agente no va a arreglar tu política interna.
No necesitas un agente de IA. Necesitas un ecosistema saludable (y ahí es donde te puedo ayudar)
Como CRM Coach, mi trabajo no es venderte licencias ni instalarte un agente. Mi trabajo es ayudarte a construir un ecosistema de CRM saludable, gobernado y sostenible.
Y eso no se hace de un solo golpe. Se hace poco a poco.
Empezamos por un diagnóstico de salud. Antes de hablar de IA, miramos el ecosistema completo: tu dato, el ciclo de vida de tu cliente, tus procesos cross-funcionales, tu gobernanza, tu stack y tu AI readiness real. ¿Dónde estás sano? ¿Dónde estás enfermo? La mayoría descubre que el "problema de CRM" era, en realidad, un problema de ownership y de política que nadie quería nombrar.
Montamos el CoE como el órgano que define la política — no como un comité más. Un Centro de Excelencia bien hecho es el antídoto contra el "eso es de TI / eso es del negocio". Es donde se define quién es dueño de qué, cómo se priorizan los cambios, cómo se gobierna el release management y quién responde por los resultados. Sin ese órgano, el agente no tiene a quién rendir cuentas. Con ese órgano, por fin alguien decide.
Y avanzamos por fases, con quick wins que generan confianza. Nada de big bang. Como dicen: Crawl, walk, run:
Fase 0 — Diagnóstico. Health check del ecosistema y mapa honesto de dolores… incluyendo los políticos.
Fase 1 — Cimientos. Ordenamos datos, procesos y ownership. Aquí caen los primeros quick wins que le devuelven la confianza al equipo.
Fase 2 — CoE y gobernanza. Establecemos el órgano, las reglas del juego y la priorización. La casa deja de decidirse por quien grita más fuerte.
Fase 3 — AI readiness. Solo cuando el dato, el proceso y el operating model lo aguantan, abrimos la puerta al agente. El AI readiness es una compuerta, no un checkbox.
Lo importante: te dejo capacidad, no dependencia. Voy a ser mentor de tu gente para que el ecosistema se sostenga con ustedes mismos. Un CoE que necesita un consultor externo para respirar no es un CoE — es una muleta.
¿El endgame? Que cuando decidas ir agentic, no sea un salto al vacío. Sea el siguiente paso lógico para un ecosistema ya sano, gobernado y listo. Ahí, el agente deja de ser un riesgo y pasa a ser una ventaja.
Si eso es lo que estás buscando — construir la base antes de generar hype — hablemos.
Referencias del Análisis
Yo normalmente no publico mi “secondary research”; la comparto principalmente con clientes y proveedores de CRM. Sin embargo, con la IA, gran parte de este tipo de información ya está disponible y resulta más fácil de encontrar. Por eso, ahora mi enfoque es compartirla, explicarla y agregarle contexto práctico desde las perspectivas de CRM, estrategia y tecnología.
Las tasas de fracaso de CRM (50–70%), la regla del "75% gente/proceso" y varios porcentajes de IA provienen principalmente de consultoras, vendors y reportes de la industria — no de estudios peer-reviewed — y varían considerablemente entre fuentes. Léelas como órdenes de magnitud y como referencia, no como cifras precisas. Los números de vendors y de modelos de IA cambian rápidamente.
Leyenda: ✅ = cita verificada en esta investigación · ⚠️ = fuente real, pero confirma la cita completa (autores, volumen, páginas) en Google Scholar / Scopus / Crossref antes de publicar.
Fuentes peer-reviewed / académicas
✅ Markus, M. L. (1983). Power, politics, and MIS implementation. Communications of the ACM, 26(6), 430–444.
⚠️ Garrido-Moreno, A., & Padilla-Meléndez, A. (2011). Analyzing the impact of knowledge management on CRM success: The mediating effects of organizational factors. International Journal of Information Management, 31(5), 437–444. (Título, revista y estudio de 153 hoteles con SEM confirmados)
⚠️ Kim, H.-S., & Kim, Y.-G. (2009). A CRM performance measurement framework: Its development process and application. Industrial Marketing Management, 38(4), 477–489. (Título confirmado)
⚠️ [Autores por confirmar]. (2018). A systematic review for the determination and classification of the CRM critical success factors supporting with their metrics. Future Computing and Informatics Journal.(Revista peer-reviewed de Future University in Egypt.)
⚠️ Kim, H.-W., & Kankanhalli, A. (2009). Investigating user resistance to information systems implementation: A status quo bias perspective. MIS Quarterly, 33(3), 567–582. (Título y revista confirmados)
⚠️ [Autores por confirmar]. (2026). Adoption and integration of AI in organizations: A systematic review of challenges and drivers towards future directions of research. Kybernetes, 55(3), 1286. (Revista Emerald y metodología PRISMA confirmadas)
⚠️ Dwivedi, Y. K., et al. (2021). Artificial intelligence (AI): Multidisciplinary perspectives on emerging challenges, opportunities, and agenda for research, practice and policy. International Journal of Information Management, 57, 101994. (Fuente muy citada y real)
Fuentes de industria y reportes (no peer-reviewed)
✅ MIT Project NANDA. (2025). The GenAI divide: State of AI in business 2025. Massachusetts Institute of Technology.
✅ Gartner. (2025, 25 de junio). Gartner predicts over 40% of agentic AI projects will be canceled by end of 2027 [Comunicado de prensa]. https://www.gartner.com/en/newsroom/press-releases/2025-06-25-gartner-predicts-over-40-percent-of-agentic-ai-projects-will-be-canceled-by-end-of-2027
⚠️ Deloitte. (2025). State of generative AI in the enterprise. Deloitte Insights. (Las cifras de gobernanza de agentes (~74% planean adoptar / ~21% con gobernanza madura) fueron citadas de forma secundaria; verifica el reporte y edición originales de Deloitte.)