Qué pasa por dentro cuando un agente resuelve una tarea
El modelo no ejecuta nada por sí mismo: genera una petición estructurada —«llama a la función buscar_cliente con este correo»— que el software del agente ejecuta y cuya respuesta le devuelve. Por eso se pueden poner límites claros: el agente solo puede hacer lo que sus herramientas permiten.
En la práctica, casi todos los agentes repiten un mismo ciclo hasta terminar:
- Interpretar: lee el objetivo, las instrucciones y el contexto disponible.
- Planificar: decide el siguiente paso o descompone el objetivo en subtareas.
- Actuar: llama a una herramienta con los parámetros adecuados, por ejemplo una búsqueda en el CRM.
- Observar: incorpora el resultado de la herramienta a su contexto.
- Decidir: comprueba si ha terminado, si necesita otro paso o si debe escalar el caso a una persona.
Ejemplos de agentes de IA en empresas
Los agentes que funcionan bien en producción suelen tener un alcance acotado y unas herramientas concretas. Algunos flujos habituales:
- Atención al cliente con acciones: identifica al cliente, consulta su pedido en el ERP, tramita un cambio de dirección si está permitido y abre una incidencia cuando el caso se sale de sus reglas.
- Facturas de proveedores: lee las facturas que llegan por correo, extrae importes y datos fiscales, las cruza con los pedidos de compra y marca las discrepancias para contabilidad.
- Cualificación comercial: cuando entra un formulario, busca información pública de la empresa, la clasifica según tus criterios, la registra en el CRM y propone el siguiente paso.
- Soporte interno: responde dudas del equipo con la documentación interna y, si hace falta, crea la solicitud correspondiente en la herramienta de tickets.
Agente, chatbot y automatización: en qué se diferencian
Un chatbot tradicional sigue un guion o responde preguntas, pero no actúa sobre tus sistemas. Uno basado en un LLM conversa con más naturalidad, aunque sigue limitado a responder. Cuando le das herramientas y la capacidad de decidir cuándo usarlas, se convierte en un agente.
La automatización clásica, con reglas del tipo «si llega X, haz Y», es determinista y muy fiable cuando el proceso es predecible. Un agente aporta flexibilidad en los casos que no caben en reglas fijas, como un correo redactado de cualquier manera, a cambio de ser menos predecible. Muchos sistemas en producción combinan ambos: reglas para lo estable y un agente para lo que exige interpretar.
Limitaciones y cómo empezar con criterio
Un agente hereda los defectos de su modelo: puede malinterpretar una instrucción ambigua, elegir la herramienta equivocada o dar por buena información incorrecta, y en tareas largas un error se arrastra a los pasos siguientes. Cada paso, además, suma coste y tiempo de respuesta.
Lo sensato es empezar por un proceso concreto, con volumen suficiente y reglas claras: permisos de solo lectura o aprobación humana antes de cualquier acción irreversible, registro de cada decisión y más autonomía solo cuando los resultados lo justifiquen.