Qué son los agentes de IA y 5 casos de uso en empresas

Los agentes de IA son programas que usan un modelo de lenguaje para decidir los pasos de una tarea y ejecutarlos en tus sistemas: consultan un pedido, leen una factura, registran un dato o avisan a una persona. No solo responden: actúan dentro de los permisos que tú les das. En una empresa funcionan mejor en tareas repetitivas, con reglas claras y datos accesibles, y conviene empezar con un piloto pequeño y medible.

Qué son los agentes de IA, en tres niveles

• Chatbot. Responde preguntas con un guion o con un modelo de lenguaje. No toca tus sistemas.
• Asistente con tus datos. Responde usando tus documentos o bases de datos y cita de dónde sacó la información. La técnica más usada se llama RAG (generación aumentada por recuperación): antes de responder, el sistema busca en una fuente confiable y responde a partir de lo que encontró, según la definición de AWS.
• Agente. Además de responder, decide qué hacer y lo hace: llama a la API (la puerta por la que dos sistemas intercambian datos) de tu ERP, el sistema donde llevas inventario, compras y contabilidad; crea un ticket o envía un correo.

Anthropic, la empresa detrás de Claude, hace una distinción útil en su guía Building effective agents (diciembre de 2024): en un flujo de trabajo los pasos están definidos de antemano en el código; en un agente el modelo dirige sus propios pasos y el uso de herramientas. Su recomendación es buscar la solución más simple posible y sumar complejidad solo cuando haga falta. Muchas tareas que se venden como «agentes» se resuelven mejor con un flujo fijo y un modelo en uno o dos pasos, que es más barato y más predecible.

Esa es la lógica con la que trabajamos en nuestro servicio de agentes de IA y software con IA: primero el proceso, después la herramienta.

Cuándo le sirve un agente de IA a una empresa

Cuando hay una tarea frecuente, con reglas que se pueden escribir y datos a los que el agente puede llegar. Elegir mal el caso sale caro: Gartner predijo en junio de 2025 que más del 40 % de los proyectos de IA agéntica se cancelarán antes de que termine 2027 por costos crecientes, valor poco claro o controles de riesgo insuficientes. En cambio, según The state of AI in 2026 de McKinsey (agosto de 2026), el 40 % de los encuestados de empresas con ingresos de más de 1.000 millones de dólares reporta que su organización ya escala agentes de IA, frente al 27 % del año anterior.

5 casos de uso de agentes de IA en empresas

Los cinco cumplen esas tres condiciones: la tarea se repite muchas veces, las reglas se pueden escribir y los datos están disponibles por una API o un archivo.

1. Atención a clientes por WhatsApp

Antes: una persona responde una y otra vez «¿dónde está mi pedido?», «¿tienen stock?», «¿a qué hora abren?», y fuera de horario los mensajes esperan hasta el día siguiente.

Después: un agente conectado a tu sistema de pedidos y a tu CRM (el sistema donde registras clientes y ventas) responde el estado real del pedido, agenda una cita o registra la solicitud, y pasa la conversación a una persona cuando el caso lo requiere (un reclamo, una venta grande, un cliente molesto).

La WhatsApp Business Platform de Meta permite automatizar mensajes a clientes y recibir los mensajes entrantes en tu servidor. Dos detalles a considerar desde el inicio: Meta cobra por mensaje desde el 1 de julio de 2025, según la categoría del mensaje, como explica su página de precios, y sus términos prohíben su uso a proveedores de IA (modelos de lenguaje, plataformas de IA generativa o asistentes de uso general) cuando esa tecnología es su funcionalidad principal. Un agente que atiende los temas de tu propio negocio es otro caso, pero revisa los términos vigentes antes de diseñarlo.

2. Clasificación de documentos y correos

Antes: alguien abre cada correo o PDF (facturas, órdenes de compra, solicitudes), decide a qué área va y copia los datos al sistema.

Después: el agente lee el documento, extrae los campos (proveedor, número, fecha, total), lo clasifica y lo registra en el sistema correcto. Lo que no entiende con suficiente confianza lo deja en una bandeja de revisión humana.

Es uno de los casos con mejor retorno porque el trabajo manual es fácil de medir: documentos por día y minutos por documento.

3. Conciliación de pagos

Antes: al cierre del día o del mes, alguien cruza el extracto bancario o el reporte de la pasarela de pagos con las facturas emitidas, línea por línea, en una hoja de cálculo.

Después: un proceso automático cruza lo que coincide exactamente (monto, referencia, fecha) y el modelo de lenguaje solo interviene en lo ambiguo: pagos con referencias mal escritas, abonos parciales, depósitos agrupados. Propone la coincidencia y una persona la aprueba.

Aquí se ve la recomendación de Anthropic en la práctica: la mayor parte del trabajo es un flujo fijo, y la IA se usa solo donde aporta.

4. Soporte interno con tus documentos (RAG)

Antes: las mismas preguntas de siempre llegan a las mismas personas: «¿cuál es la política de devoluciones?», «¿cómo se registra un anticipo?», «¿qué dice el contrato con este proveedor?».

Después: un asistente responde con tus manuales, políticas y contratos, y cita el documento y la sección de donde salió la respuesta para que cualquiera la pueda verificar. Si la respuesta no está en los documentos, lo dice.

Para que el asistente respete los permisos, cada persona solo debe poder consultar los documentos que ya puede ver.

5. Reportes bajo demanda

Antes: gerencia pide «ventas por zona del último trimestre» y alguien de sistemas o finanzas arma el reporte en uno o dos días.

Después: el agente traduce la pregunta a una consulta sobre una vista de datos preparada para eso, genera la tabla o el gráfico y muestra la consulta que usó. Funciona bien con datos ordenados y con un conjunto acotado de métricas definidas por tu equipo; no reemplaza un modelo de datos bien hecho.

Qué datos necesitas antes de empezar

• Acceso a los sistemas. Una API, una base de datos de solo lectura o, como mínimo, exportaciones periódicas. Si cada consulta depende de que alguien copie datos a mano, el agente no tiene con qué trabajar. Conectar sistemas es la mitad del proyecto; lo explicamos en integraciones y APIs.
• Documentos actualizados. Un asistente con tus documentos es tan bueno como esos documentos. Si hay tres versiones de la misma política, primero hay que decidir cuál vale.
• Ejemplos reales. Cincuenta o cien preguntas, correos o documentos reales, con la respuesta correcta, para probar el agente antes de publicarlo.
• Reglas escritas. Qué puede hacer solo, qué necesita aprobación y cuándo debe pasar a una persona.

Riesgos de los agentes de IA y cómo se controlan

Respuestas inventadas

Los modelos de lenguaje pueden generar información incorrecta con total seguridad. La documentación de Claude recomienda permitir que el modelo diga «no sé», basar las respuestas en citas textuales de los documentos y verificarlas con referencias, y aclara que estas técnicas reducen el problema pero no lo eliminan. En la práctica: respuestas con fuente citada, pruebas con preguntas reales antes de publicar y revisión humana en las decisiones importantes.

Datos sensibles y acciones indebidas

El OWASP Top 10 para aplicaciones con LLM (edición 2025) pone en los primeros lugares la inyección de instrucciones (prompt injection) y la divulgación de información sensible, e incluye la «agencia excesiva»: darle al agente más permisos de los que necesita. Los controles básicos son permisos mínimos por acción, datos sensibles fuera del alcance del agente cuando no los necesita, y confirmación humana antes de acciones con impacto. Amazon Bedrock, por ejemplo, documenta cómo pedir confirmación al usuario antes de que el agente ejecute una acción, precisamente para protegerse de instrucciones maliciosas.

Costos que crecen sin control

Cada consulta al modelo tiene un costo, y un agente que da muchas vueltas para resolver una tarea puede multiplicarlo. Conviene registrar el costo por conversación o por documento desde el piloto y fijar límites.

Herramientas para construir agentes

No hace falta elegir la herramienta antes que el caso, pero ayuda saber qué existe:

• LangGraph es un framework de orquestación para agentes de larga duración y con estado: guarda el avance para retomarlo después de un fallo o una pausa, y permite detener la ejecución para que una persona revise o corrija antes de continuar.
• Amazon Bedrock ofrece modelos y servicios administrados dentro de una cuenta de AWS. Su producto original de agentes ahora se llama Amazon Bedrock Agents Classic y no acepta clientes nuevos desde el 30 de julio de 2026; AWS dirige los proyectos nuevos a Amazon Bedrock AgentCore, una plataforma para construir, desplegar y operar agentes con cualquier framework y modelo (consultado en noviembre de 2026).
• MCP (Model Context Protocol) es el estándar abierto para conectar asistentes de IA con tus sistemas de forma controlada. Explicamos su versión más reciente en la nueva especificación MCP 2026-07-28.

Cómo empezar: un piloto medible

1. Elige un proceso. Uno solo, frecuente y con un costo que ya puedas medir: horas por semana, tiempo de respuesta, errores.
2. Define la métrica de éxito. Por ejemplo, «el 70 % de las consultas de estado de pedido se resuelven sin intervención humana» o «la conciliación diaria baja de dos horas a veinte minutos». La cifra la pones tú, con tus datos actuales.
3. Arma el conjunto de prueba. Los ejemplos reales del punto anterior, con la respuesta correcta.
4. Construye con límites. Permisos mínimos, confirmación humana para acciones con impacto y registro de cada consulta, acción y costo.
5. Mide durante unas semanas con usuarios reales y decide con datos si se amplía, se ajusta o se descarta.

Como referencia, en Ecuador un proyecto de IA con un asistente sobre los documentos o datos de tu empresa parte desde $2,500 con IVA incluido y suele estar entre $2,500 y $10,000, más el consumo del modelo; un agente que ejecuta acciones sobre tus sistemas cuesta más, según las integraciones. Los rangos son referenciales y el precio final se define en una propuesta por fases. Si estás en otro país, consúltanos y cotizamos en dólares según tu mercado.

Si quieres llevar un caso concreto a tu empresa, en nuestro servicio de agentes de IA y software con IA explicamos cómo trabajamos un proyecto, del descubrimiento a la puesta en producción. Para preparar la conversación, nuestra guía para preparar un brief para cotizar un software sirve igual para un proyecto de IA: el problema, los usuarios, el proceso actual y cómo medirás el éxito.