Tu transformación empieza con solo el 7 % de tu plantilla

McKinsey construyó 150 agentes de IA de forma centralizada.

Sus empleados construyeron 17.000.

Esa proporción (113 agentes creados por empleados por cada 1 desarrollado centralmente) revela algo fundamental sobre cómo escala la IA en organizaciones. No escala de arriba abajo: escala cuando la gente puede construir sus propias soluciones. Y, como veremos, escala solo si antes se han hecho dos deberes que el titular no cuenta.

McKinsey Lilli es la plataforma interna de IA generativa de la consultora:

• 92 % de la plantilla global lo ha usado

• 74 % lo usa regularmente

• 30 %+ de ahorro de tiempo en recopilación y síntesis de información

• 150 agentes centralizados por el equipo de IA

• ~17.000 agentes creados por empleados con herramientas sin código

La última cifra es la más importante. Los 150 siguen valiendo; los 17.000 muestran qué pasa cuando democratizas la capacidad de crear.

El enfoque tradicional (IT identifica casos de uso, construye herramientas, las despliega) tiene límites estructurales. El equipo central no puede entender los problemas específicos de 100 funciones diferentes. No conoce la jerga de cada industria, los flujos únicos de cada práctica, las fricciones micro de cada rol.

Las herramientas impuestas de arriba abajo generan resistencia. Y construir 150 agentes buenos puede tomar 2 años. El mercado cambia más rápido.

El resultado habitual son 10-50 herramientas centralizadas que cubren casos genéricos pero pierden el 80 % de oportunidades específicas.

McKinsey hizo algo diferente: dio a sus consultores herramientas sin código para crear sus propios agentes.

Consultores en sanidad crearon agentes especializados en análisis regulatorio farmacéutico. Equipos de comercio minorista construyeron agentes para análisis de tráfico y conversión. Prácticas de fusiones y adquisiciones crearon agentes para diligencia debida financiera.

Cada agente resuelve un problema específico, usando lenguaje específico, en un contexto que solo ese equipo conoce profundamente. El equipo central nunca hubiera construido estos 17.000 agentes, y no por una limitación técnica: nadie puede conocer 17.000 contextos diferentes.

La democratización crea un ciclo que se retroalimenta. Primeros adoptadores construyen agentes para sus problemas. Colegas ven resultados y piden algo similar. Los adoptadores enseñan a otros a construir. La cultura de «si tengo problema repetitivo, construyo un agente» se vuelve norma.

El equipo central no necesita evangelizar. Los usuarios evangelizan entre sí. Y la propiedad cambia: deja de ser «herramienta de IT» para convertirse en «mi herramienta que yo construí».

Esto explica la diferencia entre el 74 % de uso regular de Lilli y el típico 10-20 % de adopción de herramientas desplegadas de arriba abajo.

Cuando un equipo construye su propio agente, la adopción es instantánea. Lo construyeron, entienden exactamente qué hace y qué no. Saben qué datos alimenta, qué lógica usa, dónde están los límites. Si algo no funciona, lo ajustan en minutos y no esperan 3 meses a que IT libere una actualización.

Un mecanismo adicional que amplifica este modelo: que cada respuesta de agente incluya un enlace al prompt fuente. Cuando un usuario recibe una respuesta mediocre, puede ir directamente al prompt que la generó y mejorarlo. Con 17.000 agentes, esto convierte a cada usuario en contribuidor del sistema.

Los 150 agentes centralizados no son innecesarios. Cubren casos de uso que afectan a toda la empresa: análisis de contratos, resúmenes de investigación, síntesis de reuniones, búsqueda de conocimiento interno.

Son la fundación. Los 17.000 son la personalización. Sin los 150, cada equipo reinventaría la rueda. Con los 150, cada equipo construye sobre base sólida y adapta para su contexto.

Un paso adicional que potenciaría este modelo: centralizar los prompts en una base de datos accesible para toda la empresa. Sirve como fuente de inspiración, proporciona ejemplos de calidad, permite reutilizar secciones comunes e identifica patrones que revelan qué herramientas faltan.

Las empresas que involucran al menos un 7 % de empleados en iniciativas de transformación duplican sus posibilidades de retorno positivo para accionistas. Las mejores involucran un 21-30 %.

17.000 agentes creados por empleados significa que McKinsey tiene un porcentaje significativo de su plantilla construyendo con IA, no solo usándola. Esa es la diferencia entre adopción pasiva y transformación activa.

El cambio de McKinsey está en pasar de dar herramientas a dar una plataforma de creación.

Con herramientas, IT construye 50 soluciones y los usuarios las usan. Con una plataforma, IT construye capacidad de creación y los usuarios construyen 17.000 soluciones.

Este modelo escala porque convierte a cada empleado de consumidor a creador. Y los chatbots genéricos pueden degradar el aprendizaje, mientras que las herramientas configuradas con propósito específico lo mejoran. Que los empleados creen agentes para flujos concretos (con restricciones deliberadas, datos específicos, instrucciones claras) es mejor que dar acceso a un chatbot genérico.

A diferencia del caso IBM, este modelo sí se puede copiar a escala mediana. De hecho, se copia mejor cuanto más pequeña es la organización, porque el efecto bola de nieve recorre antes una plantilla de 200 que una de 45.000.

Hagamos la cuenta: en una empresa de 200 personas, el 7 % que duplica las posibilidades de retorno son 14 personas. El 21-30 % de las mejores, entre 40 y 60. No hace falta construir una Lilli para empezar: hace falta que 14 personas sepan construir su primer agente y tengan permiso para hacerlo.

Y aquí está el matiz que el caso McKinsey da por hecho: los primeros adoptadores no emergen solos — se fabrican. McKinsey parte de una plantilla de consultores digitales de élite; en una empresa normal, ese arranque es formación y acompañamiento deliberados. El esfuerzo no va en construir herramientas para tu gente: va en enseñar a tu gente a construirlas.

Hay un segundo prerrequisito que el titular esconde. Lilli no funciona porque tenga una buena interfaz: funciona porque está construida sobre el corpus de conocimiento de McKinsey — décadas de estudios, propuestas y metodología, accesibles para los agentes. Un agente creado por un consultor de sanidad es útil porque puede leer lo que McKinsey sabe de sanidad. Sin eso, 17.000 agentes serían 17.000 chatbots genéricos con nombres distintos.

Es lo que nosotros llamamos el OKM — el modelo de conocimiento organizativo: el conocimiento de la empresa organizado para que lo naveguen las personas y los agentes. Fíjate en que la mejora que propone el propio caso (centralizar los prompts en una base de datos accesible a todos) es exactamente eso: conocimiento operativo compartido. Cuando los agentes y sus prompts viven en el conocimiento común de la empresa, cada agente que alguien construye hace mejores a los siguientes.

El orden importa: primero el conocimiento accesible, luego la creación democratizada. Al revés, lo que se democratiza es la ocurrencia.

Seamos honestos con la cifra, porque nadie audita 17.000 agentes: ahí dentro hay duplicados, agentes abandonados tras la primera semana y agentes respondiendo con datos desactualizados. El dato serio del caso es el 74 % de uso regular, no el 17.000.

Democratizar la creación sin ciclo de vida fabrica deuda: nadie sabe qué agente es el canónico, cuál está mantenido, de cuál te puedes fiar. La respuesta no es volver al control central, eso mata la bola de nieve. Es tratar los agentes como lo que son: conocimiento vivo que se comparte, se cura y, cuando toca, se retira. Libertad para crear, gobierno para conservar.

El caso McKinsey pone números a nuestra tesis: la adopción escala de abajo arriba. Pero solo cuando arriba se han hecho dos deberes — conocimiento organizativo accesible para los agentes, y personas entrenadas para construir sobre él. Plataforma sin formación da el 10-20 % de adopción de siempre. Formación sin conocimiento da juguetes. Las dos cosas juntas dan el efecto bola de nieve.

«La transformación de IA no la lidera IT», dice el caso. Nosotros lo afinamos: la lidera el porcentaje de tu plantilla que sabe construir. Y ese porcentaje no emerge — se fabrica. Empieza por 14.

Referencias:

• McKinsey: Reconfiguring Work — Change Management in the Age of Gen AI (Erik Roth, 13/08/2025) — fuente del 92 %, 74 %, 30 %+, 150 agentes centrales, ~17.000 de empleados y del 7 % / 21-30 % de TSR

• OECD Digital Education Outlook 2026

• Seven percent solution? How many employees should be involved in your transformation? — McKinsey