Agentes de IA para empresas que ejecutan acciones reales, dentro de límites claros

¿Qué son los agentes de IA para empresas y en qué se diferencian de los chatbots?

Un chatbot responde a una pregunta; un agente completa una tarea. Pregunte a un chatbot por el contrato de un cliente y encontrará la cláusula relevante. Pida a un agente que prepare un informe de renovación y extraerá el contrato de SharePoint, el uso de su base de datos de producto, los tickets abiertos de Zendesk y los correos recientes de HubSpot; después redactará el informe y lo archivará en el registro de la renovación.

La diferencia importa por el riesgo. Un chatbot que se equivoca da una mala respuesta que alguien puede ignorar. Un agente que se equivoca puede modificar un registro, enviar un correo o crear una orden de compra. Por eso el desarrollo de agentes consiste sobre todo en los límites que rodean al modelo, más que en el modelo en sí.

¿Qué tareas son buenas candidatas para un agente de IA?

Las buenas candidatas se repiten a menudo, requieren buscar información en varios sitios y terminan en una decisión que una persona puede comprobar rápidamente. Las malas candidatas son poco frecuentes, de alto riesgo o imposibles de verificar.

Uno de nuestros casos de éxito encaja bien con este patrón: para una consultora de abastecimiento y calidad de proveedores construimos dos herramientas que encuentran proveedores candidatos y aplican automáticamente los criterios de selección del cliente, con un ahorro del 85 % en tiempo y del 91 % en costos en la búsqueda de proveedores. Era una investigación de varios pasos con criterios claros al final, que es justo donde los agentes demuestran su valor.

• Investigación y cualificación de cuentas entrantes antes de que llame un comercial.
• Informes de renovación y revisión de cuentas elaborados a partir de varios sistemas.
• Investigación de proveedores según criterios de selección por escrito.
• Conciliación de registros entre CRM, ERP y hojas de cálculo.
• Investigación de tickets que reúne registros e historial antes de que intervenga un ingeniero.

¿Cómo se construye un agente de IA: herramientas, permisos y memoria?

Cada agente es un modelo más un conjunto definido de herramientas más las reglas que las rodean. Las herramientas son funciones acotadas: buscar empresas, obtener un contacto por correo, leer un PDF, crear una nota en borrador. Escribimos cada una nosotros mismos con validación de entradas, para que el modelo no pueda llamar a una API de una forma que no hayamos previsto.

Las herramientas de lectura suelen estar abiertas; las de escritura, protegidas. Crear un borrador o una tarea suele estar permitido directamente, mientras que enviar un correo, cambiar el importe de una oportunidad o crear una orden de compra espera una aprobación. La memoria se mantiene deliberadamente pequeña: las notas de trabajo de la tarea más los registros obtenidos en esa ejecución, no un almacén cada vez mayor y difícil de auditar.

Para la orquestación usamos LangGraph o Python cuando la lógica es compleja, los nodos de agente de IA de n8n cuando el equipo quiere ver y editar el flujo, y MCP cuando permite que sus sistemas actuales expongan herramientas de forma limpia. En entornos AWS, Bedrock AgentCore es una opción, y las empresas que trabajan con Microsoft pueden usar Copilot Studio cuando sus conectores encajan.

¿Cómo se evita que un agente haga algo indebido?

Con controles por capas que no dependen de que el modelo se porte bien. El modelo propone; el código decide qué está permitido.

Cada agente tiene un número máximo de pasos y un tope de costo por tarea; al alcanzarlos se detiene e informa de hasta dónde llegó. Las acciones de escritura por encima de un umbral necesitan aprobación humana en Slack, Teams o una pantalla de revisión. Todos los prompts, llamadas a herramientas, resultados y decisiones quedan registrados, de modo que un revisor puede reproducir exactamente por qué el agente hizo algo. Un interruptor de emergencia pausa el agente en todas sus ejecuciones, y cualquier cambio de prompt o de herramienta puede revertirse a la versión anterior.

• Lista explícita de herramientas permitidas para cada agente.
• Puntos de aprobación en escrituras que afectan a dinero, clientes o datos regulados.
• Límites de pasos y topes de costo por tarea.
• Registros completos de prompts, llamadas a herramientas y resultados.
• Interruptor de emergencia y reversión por versiones.

¿Por qué se cancelan tantos proyectos de agentes?

Sobre todo porque se definieron con un alcance demasiado amplio y se controlaron con poco rigor. Gartner pronosticó en junio de 2025 que más del 40 % de los proyectos de IA agéntica se cancelarán antes de finales de 2027 por su costo, un valor poco claro o controles de riesgo débiles, y advirtió del agent washing, es decir, presentar una automatización corriente como si fuera un agente.

Lo evitamos de tres maneras. Empezamos con una tarea que tenga un antes y un después medibles. Comprobamos si un flujo de trabajo sencillo bastaría, porque una automatización de camino fijo es más barata y más fiable cuando los pasos nunca cambian. Y construimos los topes de costo, las aprobaciones y los registros antes de que el agente tenga acceso a sistemas reales, no después de que algo salga mal.

¿Cómo se prueba el desarrollo de agentes de IA antes del lanzamiento?

Reproducimos tareas reales anteriores. Para cada una registramos cómo es un buen resultado, ejecutamos el agente en un entorno de pruebas o en modo de solo lectura y puntuamos tanto el resultado final como el camino seguido (si usó las herramientas correctas, en un orden razonable y dentro del presupuesto).

Tras el lanzamiento, el agente funciona primero en modo sombra o de aprobación: propone acciones y una persona acepta o rechaza cada una. Las tasas de aceptación por tipo de tarea muestran dónde se puede confiar en que el agente actúe directamente y dónde la aprobación debe ser permanente.