Agencia de integración de IA en 2026: qué debe contener realmente su pitch

Una agencia de integración de IA en 2026 es un estudio que conecta capacidad de IA con los sistemas que una empresa ya usa, en lugar de vender un producto de IA propio. El pitch que debes escuchar se estructura en tres puntos: qué se despliega, cómo se mide y cómo se devuelve. El pitch del que debes levantarte es el que abre con una diapositiva de tamaño de mercado y cierra sin una sola evaluación con nombre. El resto de este artículo es una lista de comprobación para la sala.

Por qué subió el listón en 2026

Dos números explican por qué este año los compradores pueden ser implacables. El informe State of AI in Business 2025 del MIT (Project NANDA) encontró que el 95% de los pilotos empresariales de IA generativa devolvió cero ingresos medibles, pese a una inversión de 30 a 40 mil millones de dólares. Gartner prevé que más del 40% de los proyectos de IA agéntica serán cancelados antes de finales de 2027, por costes desbordados, valor de negocio poco claro y controles de riesgo insuficientes. Las agencias que sobreviven a esta criba son aquellas cuyo deck nombra el modo de fallar y muestra cómo lo evita. Las que no sobreviven siguen vendiendo "transformación de IA" como diapositiva.

Un segundo patrón refuerza el primero. La investigación IDC/Lenovo de enero de 2026 informa que las organizaciones lanzan en promedio 33 pruebas de concepto de IA al año, de las cuales solo 4 llegan a producción. La diferencia no es calidad del modelo. Es disciplina de integración: prompts que derivan, fuentes de datos sin dueño, evaluaciones que nunca se escribieron. Un pitch que no aborda esa diferencia está vendiendo el piloto número 34.

Qué contiene un pitch honesto

Diez controles. En orden. Si los tres primeros flojean, el resto da igual.

1. Un caso de uso con nombre y baseline. "Reduciremos el tiempo de resolución de tickets de 14 minutos a menos de 6 en el soporte de nivel uno." Métrica concreta, baseline actual, franja objetivo. Sin baseline no hay objetivo honesto.
2. El diagrama del sistema en la diapositiva tres, no en la doce. Cajas para el LLM, la capa de retrieval, las llamadas a herramientas, la puerta de evaluación y la observabilidad. Si la arquitectura es vaga, el estudio no ha diseñado ninguna.
3. Una elección de modelo justificada, no por defecto. El pitch debe nombrar el modelo por tarea y explicar el equilibrio coste-calidad. "Sonnet 4.6 para razonamiento, Haiku 4.5 para clasificación, GPT-4o para visión" gana siempre a "usamos Claude". Ver build vs buy sobre servidores MCP para el nivel de abstracción esperado.
4. Una suite de evaluación como entregable de primer nivel. No "la añadimos después". El pitch debe describir el set de eval (tamaño, fuente, método de scoring) y comprometerse a un umbral de aprobación antes de promocionar. La documentación de evaluación de Anthropic define la disciplina; un socio serio reconoce la terminología.
5. Un presupuesto de error. ¿Qué porcentaje de peticiones puede ir a fallback humano, escalado o negativa? Un pitch sin presupuesto de error es un pitch que después del lanzamiento redefinirá la palabra "éxito".
6. Un techo de coste por petición y por mes. Estimación de tokens por acción de usuario, tope mensual de inferencia y umbrales de alerta. Las agencias que se saltan este punto son las que cobran 60K de descubrimiento y luego sorprenden con 18K al mes en gasto de API.
7. Un retrieval diseñado sobre tus datos reales. No un RAG genérico. Qué corpus, qué estrategia de chunking, qué SLA de frescura, qué modelo de permisos. Si los datos tienen seguridad a nivel de fila, el pitch debe decir cómo la capa de retrieval la respeta.
8. Un plan de salida en el SOW. Los prompts, el set de eval, el runbook y el código del servidor MCP son de propiedad del cliente desde el día uno. Si alguno queda dentro de la "plataforma propietaria" de la agencia, no compras integración. La alquilas.
9. Un plan post-lanzamiento a 30-60-90 días. Quién está de guardia, quién revisa los scores de eval cada semana, cuándo se dispara un cambio de modelo. La IA en producción no es una entrega; es un sistema que deriva.
10. Un ingeniero senior con nombre y apellido que se queda tras el descubrimiento. Pregunta quién escribirá, en persona, los system prompts y el set de eval. El comercial no puede ser la misma persona. Si el estudio no sabe darte los nombres, está cubriendo el staffing después de vender el proyecto. Para la versión profunda de este filtro, ver qué pedir a un socio que integra Claude.

Qué nunca contiene un pitch honesto

Cinco señales rojas. Si ves dos en el mismo deck, termina la reunión.

1. Una diapositiva de mercado antes del caso de uso. "El mercado de IA generativa alcanzará 1,3 billones de dólares en 2032" es una señal. Significa que el estudio vende la categoría, no el trabajo. Quien ya controla el presupuesto no necesita que le vendan la categoría.
2. La palabra "transformación" sin un verbo al lado. "Transformación AI-powered", "camino de automatización inteligente", "habilitación estratégica de IA". Frases que no nombran qué se construye. Un pitch serio pone verbos de entrega (desplegar, instrumentar, enrutar, evaluar, retirar) en cada diapositiva.
3. Un muro de logos como prueba. Veinte logos de clientes y cero resultados es un vacío de contenido. Un resultado nombrado con un número ("reducido el tiempo medio de gestión un 38% en una fintech de 4M MAU") vale más que todo el muro.
4. "Modelo custom entrenado con tus datos" para un caso que no lo necesita. La mayoría de los casos empresariales necesitan retrieval, prompts y uso de herramientas, no fine-tuning. Un estudio que va siempre al fine-tuning persigue margen o no ha probado el stack más simple. Los errores más comunes al construir un primer sistema multi-agente entran en la trampa.
5. Un precio fijo para la build. Precio fijo para descubrimiento, sí. Precio fijo para la build, casi nunca. El alcance de una integración real se mueve en cuanto conectas el primer sistema; quien fija el precio de la build está hinchando la estimación o se prepara para discutir cada change order dentro de tu presupuesto.

La economía detrás de la lista

Una razón por la que estos controles importan: la ingeniería de IA senior es genuinamente escasa y cara. El análisis KORE1 sobre retribución de AI engineering 2026 reporta forward-deployed engineers de 25.000 a 45.000 dólares al mes en las firmas top, con salarios base de AI engineer creciendo un 38% interanual y entre 280.000 y 425.000 dólares en los grandes mercados de EE. UU. Una agencia que promete un equipo senior y cotiza una tarifa diaria muy por debajo de ese suelo no está poniendo en tu proyecto a la gente del pitch. El precio honesto refleja el mercado laboral.

El resumen del pitch, en una página

SecciónQué quieres oírQué no quieres oírAperturaCaso de uso, baseline, franja objetivoTamaño de mercado, "transformación de IA"ArquitecturaDiagrama con LLM, retrieval, herramientas, eval, observabilidad"AI-powered" sin cajasModeloModelo por tarea, equilibrio coste-calidad"Usamos Claude/GPT/Gemini" para todoCalidadSuite de eval, scoring, umbral de promoción"Lo probamos a mano"CosteTope por petición y mensual, alertasSolo precio del descubrimientoComplianceResidencia de datos, log de auditoría, política de rechazo"Seguimos las mejores prácticas"TraspasoRunbook, prompts, eval, fuente MCP desde el día uno"Alojado en nuestra plataforma"PersonasIngeniero senior con nombre que sigue en la buildEl único nombre es el comercial

Imprímela. Llévala al próximo pitch. Si al cierre de la llamada el deck no produce una marca por fila, la agencia vende la categoría, no el trabajo.

Lecturas adyacentes

Este artículo está dentro de un conjunto más amplio sobre selección de proveedores de IA. Combínalo con qué significa un estudio AI-native en 2026 para la perspectiva estudio-vs-agencia, con AI-native vs AI bolted-on para leer el producto propio del proveedor, y con la decisión build vs buy sobre servidores MCP para la arquitectura por la que la agencia te llevará.