Durante décadas, el objetivo de la arquitectura de atención fue construir la mejor interfaz para el agente. Reunir información del cliente, historial, contexto y funcionalidades en una única aplicación para que una persona pudiera resolver cualquier solicitud.
En la era Agentic, esa premisa cambia.
La llegada de la IA Generativa, los LLMs y los agentes autónomos transforma una idea que permaneció prácticamente intacta durante más de dos décadas: el principal consumidor de las capacidades del negocio ya no es necesariamente una persona navegando por una interfaz. Cada vez más, esas capacidades también serán consumidas por agentes de IA.
Para las empresas de electricidad, gas y agua, este cambio ocurre en un momento especialmente importante. La industria necesita reducir el costo de servir mientras mejora la experiencia del cliente. Al mismo tiempo, los consumidores comparan la experiencia ofrecida por su utility con la de bancos, empresas de retail y telecomunicaciones, mientras que las exigencias regulatorias, la expansión de las concesiones y los nuevos modelos de negocio hacen que la eficiencia operativa sea cada vez más estratégica.
La respuesta de la industria ha sido acelerar la inversión en canales digitales, IA Generativa y agentes autónomos. La expectativa es clara: reducir costos, aumentar la capacidad de resolución y mejorar la satisfacción del cliente.
Pero vale la pena hacerse una pregunta: ¿Una interacción iniciada en un canal digital realmente termina con un problema resuelto?
Más canales digitales y mejores modelos de IA, por sí solos, no hacen que una atención sea más resolutiva. Para solicitar una nueva conexión, negociar una deuda, consultar una interrupción del servicio, cambiar la titularidad de un contrato o iniciar un servicio de agua o gas, un agente necesita comprender el contexto completo del cliente, aplicar reglas regulatorias y de negocio, y ejecutar procesos que atraviesan múltiples sistemas como CRM, CIS, Billing, GIS, OMS, ERP y plataformas legadas.
Y es precisamente ahí donde la mayoría de las iniciativas encuentra su principal obstáculo.
El desafío no está en la capacidad de los modelos de lenguaje, sino en la dificultad para conectarlos de forma segura, gobernada y contextualizada con las capacidades reales del negocio. Sin esa capa, muchas interacciones terminan siendo transferidas a un agente humano, derivadas al back office o resueltas mediante procesos manuales.
No es casualidad que se estime que cerca del 95% de los pilotos de IA nunca lleguen a producción. El problema rara vez está en el modelo de lenguaje. Está en la ausencia de una arquitectura capaz de proporcionar contexto, gobernanza, seguridad y acceso estandarizado a las capacidades del negocio a gran escala.
Es en este contexto donde una arquitectura Headless cobra relevancia.
En lugar de ocultar las capacidades del negocio detrás de interfaces de usuario, estas pasan a estar disponibles de forma estandarizada para diferentes consumidores. Una forma de hacerlo es mediante MCP Servers, que permiten a los agentes descubrir y ejecutar esas capacidades sin necesidad de conocer la complejidad de los sistemas internos.
La misma capacidad de negocio puede ser consumida desde diferentes superficies: un agente utilizando el Utilities Agent Console, una conversación en Slack o Microsoft Teams, una aplicación móvil, un agente autónomo atendiendo a un cliente por WhatsApp o incluso asistentes como ChatGPT, Claude o Gemini. La lógica de negocio sigue siendo la misma; lo único que cambia es quién la consume.
Este enfoque también preserva uno de los activos más valiosos de una utility: sus reglas de negocio, el contexto del cliente, las integraciones y los procesos construidos durante años. En lugar de reconstruirlos para cada nuevo canal o agente, esas capacidades pueden reutilizarse de forma consistente, con gobernanza, seguridad y observabilidad.
Guía para gestionar una compañía agéntica
Descubre cómo definir funciones, establecer métricas y gestionar agentes de IA de forma segura a lo largo de todo su ciclo de vida.
En la práctica, una arquitectura Headless puede entenderse a través de cuatro capas complementarias.
Sistema de Contexto
Reúne datos confiables y en tiempo real sobre clientes, contratos de servicio, puntos de suministro, historial de consumo, facturación, activos, órdenes de trabajo y toda la información necesaria para comprender cada situación.
Sistema de Trabajo
Implementa las capacidades del negocio, como solicitar una nueva conexión, negociar una deuda, consultar el historial de consumo, emitir una copia de una factura o crear una orden de trabajo. Estas capacidades pasan a estar disponibles mediante APIs y MCP Servers para cualquier consumidor, preservando toda la lógica de negocio construida durante años.
Sistema Agentic
Es la capa donde se construyen, prueban y gobiernan los agentes de IA. Estos utilizan las capacidades del Sistema de Trabajo respetando las mismas reglas de negocio, permisos, políticas de seguridad y mecanismos de gobernanza definidos por la organización.
Sistema de Engagement
Entrega la experiencia a través del canal más adecuado para cada interacción, ya sea Utilities Agent Console, Slack, Microsoft Teams, WhatsApp, voz o cualquier otra superficie, sin duplicar la lógica del negocio.
En la era Agentic, la ventaja competitiva dejará de estar en la interfaz de la aplicación y pasará a estar en las capacidades de negocio que una empresa sea capaz de poner a disposición de cualquier agente, humano o digital.
De la teoría a la práctica
Para materializar estos conceptos, preparé una demostración basada en un escenario muy común en las utilities: una disputa de factura.
En la demostración utilizo una interfaz conversacional únicamente para evidenciar el concepto de una arquitectura Headless. La elección de la interfaz es intencional. El objetivo no es sugerir que los agentes de atención utilizarán ChatGPT en su trabajo diario, sino mostrar que, cuando las capacidades del negocio están disponibles a través de MCP Servers, dejan de depender de la interfaz tradicional de la aplicación.
Durante toda la demostración, la atención se realiza sin acceder a la interfaz tradicional de Salesforce. Un MCP Server conectado a la plataforma expone las capacidades del Sistema de Contexto y del Sistema de Trabajo, permitiendo localizar clientes, recuperar contratos, consultar el historial de consumo y facturación, analizar la situación y crear una disputa de factura utilizando exactamente las mismas reglas de negocio de la plataforma.
La misma arquitectura podría ser consumida por Utilities Agent Console, Slack, Microsoft Teams, un portal corporativo o cualquier otra aplicación. ChatGPT es simplemente una de las posibles superficies de consumo.
Más que demostrar una nueva interfaz, el objetivo es mostrar que, en una arquitectura Headless, el verdadero diferencial no está en la pantalla utilizada, sino en las capacidades de negocio que pueden ser reutilizadas por cualquier consumidor, ya sea un agente humano, un asistente de IA o un agente completamente autónomo.
El video a continuación muestra esta arquitectura funcionando en la práctica.
