¿Qué es un agente de IA? Casos de uso y costes reales

Agentes de IA en la empresa: qué es un agente de IA, qué sabe hacer de verdad, cómo lograr que funcione en producción y cuánto cuesta realmente.

Guía
11 min de lectura

Desde hace dieciocho meses, todo el mundo te habla de agentes de IA. Las demostraciones impresionan: se hace una pregunta, la IA consulta tres herramientas, contrasta, actúa y devuelve un resultado limpio. Luego se intenta reproducir lo mismo en los propios procesos, y el suelo se hunde.

La tecnología funciona. Entre la demo y un agente de IA en la empresa que funciona todos los días hay una lista de temas que nunca se abordan en la reunión de arranque: la misión exacta del agente, los casos límite, la parte del trabajo que no hay que confiar en ningún caso a un modelo, la forma de verificar el resultado y el nombre de la persona a la que se llamará cuando el agente se equivoque un viernes a las 18:00.

Son ellos los que deciden la suerte de un proyecto, y vamos a verlos uno por uno: qué es un agente de IA, el método que separa una demo de una puesta en producción, los seis agentes que ponemos en servicio en nuestros clientes y los precios.

¿Qué es un agente de IA?

Anthropic lo resume como un modelo que utiliza herramientas en bucle, guiado por lo que observa. La definición cabe en cuatro componentes. Un agente es:

  1. Un modelo de lenguaje, que entiende la petición y razona.
  2. Herramientas, es decir, funciones que el modelo puede activar: buscar_cliente, leer_factura, crear_ticket, enviar_informe. Cada herramienta se describe al modelo, que elige cuál llamar y con qué parámetros.
  3. Un bucle. En cada vuelta, el agente mira en qué punto está, decide la acción siguiente, la ejecuta, observa el resultado y vuelve a empezar. Es esta iteración la que le permite corregirse.
  4. Un perímetro: lo que tiene derecho a hacer, sobre qué datos, con qué límites y, eventualmente, un presupuesto de tiempo o de tokens.
Loading diagram…

El esquema muestra el bucle de un agente: a partir de un objetivo, el modelo elige una acción, la ejecuta mediante una herramienta, observa el resultado y vuelve a empezar mientras no se alcance el objetivo. El perímetro, vinculado al modelo, limita en todo momento lo que el agente tiene derecho a hacer.

Un agente es, por tanto, un modelo situado en el centro de un sistema de software que lo enmarca. Nada más. El protocolo MCP (Model Context Protocol), publicado por Anthropic en noviembre de 2024, ha simplificado mucho el componente de las herramientas: en lugar de volver a desarrollar cada integración para cada agente, se expone una sola vez un servidor que cualquier agente puede utilizar. Detallamos este mecanismo en nuestro artículo sobre MCP y la integración de herramientas.

Un agente no es más inteligente que un modelo solo. Simplemente se le permite actuar varias veces, con herramientas. Todo su valor procede de lo que se conecta al final.

Un agente es un chatbot equipado con herramientas

A menudo se contraponen chatbot y agente.

Un agente es un chatbot al que se le han dado herramientas. El resto es una cuestión de grado: la naturaleza de las herramientas y lo que tienen derecho a hacer. En Ask This Guy, todo es agente. La misma base sostiene el asistente que responde a una pregunta de RR. HH. y el que actualiza una ficha de cliente en tu SaaS.

NivelLo que sabe hacer el agenteHerramientas típicas
ResponderPreguntas generales, reformulación, redacciónNinguna
Responder sobre tus datosProcedimientos, contratos, historial de proyectosBúsqueda documental (RAG), consulta SQL de lectura
Consultar tus sistemasEstado real de un expediente, de un stock, de un ticketAPI de negocio de lectura, servidores MCP
ActuarCrear, modificar, enviar, cerrarAPI de negocio de escritura, envío de correo electrónico
OrquestarEncadenar varias etapas hacia un objetivoCombinación de las anteriores, validación humana

Esta tabla es una gradación, no una tipología de productos. Un asistente interno suele empezar en el segundo nivel y luego va bajando por la tabla con el paso de los meses, a medida que se asienta la confianza y se añaden herramientas.

Y las herramientas no son necesariamente genéricas. Pueden ser muy especializadas y contener ellas mismas inteligencia: un extractor adaptado a tus documentos contractuales, un control de coherencia que aplica tus reglas de negocio, un generador de informes en el formato que esperan tus clientes. Desarrollamos este tipo de herramientas a medida con regularidad, y el código de estas herramientas específicas te pertenece.

Lo que cambia de verdad entre la parte de arriba y la de abajo de la tabla es la naturaleza del riesgo. Un agente que se equivoca al responder produce una frase imprecisa que el usuario puede ignorar. Un agente que se equivoca al actuar crea una línea en tu ERP o envía un correo a un cliente. Es este nivel de riesgo el que debe gobernar el diseño. La etiqueta que se le pone al producto no tiene ninguna importancia.

La IA nunca es determinista: es el punto de partida del diseño

Un modelo de lenguaje es probabilístico. Dos veces la misma entrada pueden dar dos salidas distintas, y el laboratorio Thinking Machines ha demostrado que es así incluso con temperatura cero en las API de los proveedores. Un algoritmo, en cambio, es determinista: la misma entrada da siempre la misma salida, y se puede demostrar. En una tarea dada, un software clásico siempre será más fiable que un modelo, sobre todo si la tarea es sencilla.

De ahí la regla que aplicamos en todas partes: toda tarea que un algoritmo sabe hacer debe hacerla el algoritmo.

  • Comprobar que una dirección de correo es válida, o que una dirección postal existe: es una expresión regular y una llamada a una base de direcciones, no una pregunta que hacer a una IA.
  • Calcular un total, aplicar un baremo, comprobar que la suma de las líneas coincide con el pie de la factura: código.
  • Consultar una base de datos: en lugar de un modelo que escribe SQL libre, una herramienta parametrizada, con consultas acotadas, permisos explícitos y un conjunto de parámetros que el modelo se limita a rellenar. Es más fiable, más barato, y el modelo no puede escribir una consulta que no hubieras previsto.

El modelo conserva lo que solo él sabe hacer: entender el lenguaje, leer un documento no estructurado, decidir entre varios caminos según el contexto, redactar. Ya es mucho.

Esta disciplina no es cosmética, es aritmética. Imaginemos un agente que encadena diez etapas. Si cada etapa sale bien en el 95 % de los casos, la probabilidad de que salgan bien las diez es de 0,9510, es decir, alrededor del 60 %. El cálculo es deliberadamente simplista, pero el orden de magnitud es el correcto: cada etapa confiada al modelo multiplica el riesgo, mientras que una etapa confiada al código lo deja intacto. Desarrollamos esta lógica en nuestro artículo sobre la automatización con la menor IA posible.

Definir la misión del agente

Un agente que funciona es casi siempre un agente cuya misión se ha redactado correctamente, y eso se decide mucho antes de elegir el modelo.

Todo empieza por un objetivo, no por una intención. «Tratar las facturas de proveedores» no es un objetivo. «Para cada factura recibida en el buzón de contabilidad, extraer los diez campos de la lista, comprobar la correspondencia con el pedido de compra, crear el asiento si todo coincide y dejarla en la cola de revisión humana en caso contrario» sí lo es.

Los casos límite se escriben negro sobre blanco, uno por uno. ¿Qué hace el agente si el documento es ilegible, si el proveedor es desconocido, si la factura es un abono, si el importe supera un umbral, si coinciden dos pedidos de compra? Estas preguntas no tienen una respuesta correcta por defecto: tienen la tuya. Un agente al que nadie se las ha planteado inventará una media plausible, y una media plausible hace más daño que un error evidente.

Pedimos sistemáticamente una veintena de casos reales, tal cual, incluidos los feos: el escaneo torcido, el contrato con la adenda manuscrita, el fichero de clientes mal rellenado. Es sobre esos sobre los que se diseña el agente. La muestra limpia que todo el mundo propone primero no sirve para nada.

Por último, para cada caso, alguien debe poder decir si la salida es buena o mala. Si nadie sabe decidirlo, no se podrá ni evaluar el agente ni dejarlo funcionar solo.

Poner el agente bajo control

Un agente se pone bajo control en tres niveles, todos ellos previstos desde el diseño.

Las verificaciones dentro del bucle. En cada etapa sensible, un control determinista: ¿tiene el campo extraído el formato correcto?, ¿existe realmente la referencia en la base?, ¿es coherente el total? Cuando un control falla, el agente vuelve a empezar o cede el testigo. Es lo que eleva el 60 % de antes a un nivel aprovechable.

La evaluación antes de cada puesta en producción. Un conjunto de casos de referencia, con el resultado esperado, que se vuelve a ejecutar con cada cambio de prompt, de herramienta o de modelo. Así el agente evoluciona sin volver a una fase de pruebas manuales, y las regresiones se ven antes que tus usuarios.

Queda el seguimiento una vez en producción, y es el que antes se abandona. Tasa de tratamiento automático, tasa de revisión humana, coste por ejecución, latencia, casos que el propio agente señala como inciertos. Un agente que no se supervisa no se rompe con estrépito: se vuelve silenciosamente menos preciso, mientras cambian los formatos de tus archivos y los modelos evolucionan bajo tus pies. Chen, Zaharia y Zou midieron así que GPT-4 había pasado del 84 % al 51 % de respuestas correctas en la identificación de números primos entre marzo y junio de 2023.

Añadimos una persona en el bucle en las acciones irreversibles y en los casos que el propio agente señala como dudosos, lo que coincide con la recomendación de OWASP de una validación humana de las acciones de gran impacto. Ponerla en todas partes haría desaparecer el interés del agente.

Seis ejemplos de agentes de IA que ponemos en producción

Los seis funcionan ahora mismo en clientes.

Actuar en un SaaS desde la conversación

Una herramienta de negocio se equipa con un agente capaz de modificarla. El usuario escribe «crea este cliente con estos datos» o «pasa el expediente a estado tratado, acabo de hacer la intervención», y el agente ejecuta la acción en la aplicación, con los permisos de la persona que habla. Se eliminan diez clics y tres pantallas, y se capta la información en el momento en que existe, no tres días después.

Tratar documentos especializados

Llegan documentos de negocio: pedidos de compra, formularios administrativos, contratos, actas, documentos regulatorios. El agente extrae la información correcta, aplica tus reglas de control, la enriquece con tus datos maestros, alimenta la base y señala lo que se sale del marco. Es el caso de uso más rentable, porque el volumen está ahí y la regla es explícita. Un pedido de un cliente o un formulario administrativo (en Francia, por ejemplo, un formulario Cerfa) se tratan muy bien así: el formato varía de un emisor a otro, pero los campos esperados no cambian.

Generar informes personalizados a partir de archivos de entrada

Tus clientes o tus equipos depositan archivos. El agente los analiza, aplica tus reglas de cálculo y tus criterios de lectura, produce un informe en el formato esperado y lo envía por correo electrónico a los destinatarios adecuados. La persona que dedicaba a ello media jornada ahora lo revisa en veinte minutos.

Cualificar un lead y avisar al equipo comercial

Todo empieza con una conversación corriente en el chatbot de tu sitio web. Un visitante pregunta por una oferta, el agente responde a partir de tu contenido y luego pasa al contexto, al tamaño de la empresa, al plazo. Cuando se reúnen las señales de un lead real, envía en ese mismo momento un correo al equipo comercial, con la transcripción literal de la conversación, la cualificación y la acción recomendada. Una llamada en la hora siguiente en lugar de dos días después. Hemos descrito este mecanismo en detalle en nuestro artículo sobre los leads cualificados mediante el chatbot web.

El mismo esquema vale para un ticket de soporte o una petición interna: el agente contrasta con el CRM o la base de conocimiento, clasifica, prioriza y lo dirige a la persona adecuada con un resumen ya redactado.

Conciliar y vigilar

Comparar dos repositorios de datos que deberían decir lo mismo, detectar las diferencias y producir la lista de anomalías con un diagnóstico. A nadie le gusta hacerlo a mano, y nadie lo hace con la regularidad necesaria.

Anticiparse, combinando machine learning y vigilancia del entorno

Algunos agentes sirven para prever más que para reaccionar. Es ahí donde mejor se ve el reparto entre software y modelo.

Tomemos la gestión de stocks y flujos, en la distribución o la industria. La previsión en sí corresponde al machine learning clásico: un modelo estadístico entrenado con tu historial de ventas, tus estacionalidades y los plazos de tus proveedores prevé la demanda al menos tan bien como un modelo de lenguaje, con un coste de cálculo muy inferior y de forma reproducible. Tan y sus coautores mostraron en NeurIPS 2024 que retirar el modelo de lenguaje de una herramienta de previsión no empeora sus resultados. El agente aporta dos cosas que el modelo estadístico no sabe hacer. Integra el contexto no estructurado: una vigilancia sobre tus proveedores, una huelga anunciada, una novedad regulatoria, un lanzamiento de la competencia. Y traduce la previsión en una acción legible, señalando las referencias con riesgo de rotura de stock o de exceso de existencias junto con la explicación correspondiente.

Lo determinista calcula; el modelo interpreta y redacta.

Los casos de uso que fracasan, y por qué

Seamos directos: algunos proyectos no deberían empezar, y a veces los descartamos. Gartner prevé que más del 40 % de los proyectos de IA agéntica se cancelarán de aquí a finales de 2027, debido a costes crecientes y a un valor de negocio poco claro.

  • El proceso no está escrito. Si nadie sabe describirlo en diez líneas, el agente no lo inventará.
  • El resultado no es verificable. Sin criterio de éxito no hay evaluación y, por tanto, no hay autonomía posible.
  • El volumen es bajo y todos los casos son distintos. Veinte expedientes al mes, todos atípicos: el coste de diseño nunca se amortizará.
  • La acción es irreversible y no está supervisada. Transferencia bancaria, envío a un cliente, borrado de datos. Técnicamente posible, operativamente imprudente mientras el agente no haya demostrado su valía.

¿Cuánto cuesta un agente de IA en la empresa?

El coste de un agente de IA se divide en tres partidas.

1. El diseño y el desarrollo

Es la partida principal. Incluye la formalización de la misión, el desarrollo de las herramientas, los conectores con tus sistemas, la gestión de permisos, las pruebas con casos reales, el conjunto de evaluación y el paso a producción.

En Ask This Guy, un agente listo para producción se sitúa normalmente entre 2.000 y 5.000 € de desarrollo. Hablamos de un agente conectado a tus sistemas, con sus permisos, sus verificaciones, su registro de actividad y su supervisión, que trata tus expedientes reales desde el primer día, no de una prueba de concepto de demostración. El precio depende mucho de la complejidad, pero se mantiene en ese orden de magnitud porque nunca partimos de cero: la plataforma ya aporta los conectores, la ingesta documental, la gestión de permisos, el catálogo de herramientas MCP, el registro de actividad y la base LLMOps. El trabajo específico se centra en tu regla de negocio, no en la fontanería.

Dos comparaciones útiles:

  • Reconstruirlo todo desde cero se cuenta en decenas de miles de euros, y la mayor parte se va en lo que no tiene ningún valor de negocio para ti.
  • Encargar la automatización sobre una plataforma de terceros de gran público (las herramientas no-code de orquestación) cuesta menos al principio, pero plantea un problema de durabilidad. Estas plataformas evolucionan muy deprisa. El día en que una de ellas cambia su funcionamiento, tu automatización se detiene y vuelves a pagar al proveedor. Y, por construcción, un proveedor que no domina la plataforma sobre la que construye no puede comprometerse con un SLA.

2. El coste de ejecución

Es el coste en tokens, y no obedece a ninguna regla general: todo depende de lo que haga el agente. Un agente que trata 500 expedientes al mes, con unos 30.000 tokens por expediente contando las idas y vueltas con las herramientas, cuesta unas decenas de euros al mes con un modelo de gama media, facturado por ejemplo a 1 dólar por millón de tokens de entrada en OpenAI. En cambio, un análisis con contexto largo, un razonamiento exigente o un volumen importante cambian por completo el orden de magnitud, y un agente mal diseñado que entra en bucle sin salvaguardas puede multiplicar la factura por diez.

Es, por tanto, una partida que hay que estimar caso por caso. En nuestro caso, es una tarifa plana conocida de antemano: sabes lo que cuesta el agente antes de ponerlo en servicio, y una desviación del consumo es problema nuestro, no tuyo.

3. El mantenimiento y la industrialización

La partida que todo el mundo olvida, y la que más proyectos rompe. Tus herramientas evolucionan, tus reglas cambian, un proveedor modifica un formato, un modelo queda obsoleto y, como advierte Scaleway, su sustituto no se comporta exactamente igual. Hace falta, por tanto, LLMOps, supervisión, un conjunto de evaluación reutilizable y una vigilancia de la obsolescencia de los modelos.

Integramos estos elementos en nuestra oferta en lugar de facturarlos por separado. Un agente entregado sin ellos es una demo con fecha de caducidad, y es también lo que hace sostenible un compromiso de servicio a largo plazo, tema que tratamos en nuestro artículo sobre el SLA de una IA en la empresa.

El ROI, calculado sistemáticamente

No empezamos un proyecto sin haber hecho el cálculo: tiempo ahorrado al mes frente al coste total de propiedad a un año. El objetivo es un retorno de la inversión en menos de seis meses, idealmente en menos de tres. Con desarrollos en la horquilla de 2.000 a 5.000 € y automatizaciones que ahorran habitualmente una veintena de horas al mes al equipo afectado, el objetivo es alcanzable en la gran mayoría de los casos. Si no lo es en el tuyo, más vale saberlo antes de empezar que seis meses después.

Comprometerse con el resultado

Un último punto, que te servirá sobre todo para elegir un proveedor.

Nos comprometemos con el resultado y con un precio cerrado, pero solo después de haber examinado tus ejemplos reales y entendido tu proceso y lo que esperas. En el orden inverso, el compromiso no valdría nada.

Lo más seguro es elegir una empresa que proceda de la misma manera. Un proveedor que vende un agente por horas, sin haber visto tus casos reales y sin comprometerse con un resultado medible, te transfiere todo el riesgo. Vistos desde fuera, un buen agente y un mal agente se parecen mucho en una demostración. Al cabo de tres meses ya no se parecen en nada.

El enfoque de Ask This Guy

Construimos agentes sobre una plataforma que ya incluye los componentes comunes, lo que nos permite concentrar el presupuesto en tu negocio. Tres decisiones guían nuestra práctica:

  • Empezar con poco y de forma medible. Un workflow, una ganancia cuantificada, una puesta en producción rápida. La ambición llega después de la prueba.
  • Seguir siendo soberanos. Alojamiento europeo, posibilidad de restringir los tratamientos a proveedores sujetos al derecho europeo, ningún entrenamiento con tus datos. El tema se detalla en nuestra página IA soberana.
  • Dejarte marchar. Los desarrollos realizados para ti, tus configuraciones y tus conectores te pertenecen. La reversibilidad forma parte del contrato.

Para ver cómo se concreta, nuestra página IA agéntica y automatización detalla los workflows tipo y sus costes.

Preguntas frecuentes

¿Qué es un agente de IA en la empresa?

Un agente de IA empresarial es un modelo de lenguaje colocado en un bucle, equipado con herramientas y con un objetivo de negocio. Elige por sí mismo la secuencia de acciones que debe llevar a cabo, ejecuta esas acciones en tus sistemas mediante sus herramientas, observa el resultado y vuelve a empezar hasta alcanzar su meta o constatar que no lo conseguirá. Técnicamente, es un modelo de lenguaje enmarcado por software.

¿Qué diferencia hay entre un agente de IA y un chatbot?

La diferencia está en el equipamiento: un agente es un chatbot al que se le han dado herramientas. Un chatbot sin herramientas se limita a responder. En cuanto se le conecta una búsqueda documental, una base de datos o una API de negocio, puede consultar y después actuar. La frontera que importa está entre lectura y escritura: a partir del momento en que la IA modifica algo en tus sistemas, las exigencias de fiabilidad, permisos y trazabilidad cambian de escala.

¿Qué tareas no hay que confiar nunca al modelo en un agente?

Todas las que un algoritmo sabe hacer. Un modelo es probabilístico; un algoritmo es determinista y, por tanto, más fiable. Validar el formato de un correo electrónico, comprobar que una dirección existe, calcular un total, aplicar un baremo, ejecutar una consulta en una base de datos: todo eso debe pasar por código o por una herramienta parametrizada. El modelo conserva la comprensión del lenguaje, la lectura de documentos no estructurados, la decisión según el contexto y la redacción.

¿Cuánto cuesta un agente de IA para una empresa?

El desarrollo de un agente listo para producción se sitúa normalmente entre 2.000 y 5.000 € cuando se apoya en una plataforma existente, y mucho más si se parte de cero. A ello se suman el coste de ejecución en tokens, muy variable según la tarea y que, por tanto, hay que estimar caso por caso, y el mantenimiento: LLMOps, supervisión, evaluación reutilizable y gestión de la obsolescencia de los modelos. En Ask This Guy, el conjunto tiene una tarifa plana conocida antes de la puesta en servicio.

¿En cuánto tiempo se amortiza un agente de IA?

El objetivo que hay que fijar antes de empezar es un retorno de la inversión en menos de seis meses, y a menudo se alcanza en menos de tres. El cálculo es sencillo: tiempo ahorrado al mes multiplicado por el coste por hora con cargas, comparado con el coste de desarrollo y de mantenimiento a un año. Si el cálculo no sale, el proyecto no debe empezar.

¿Puede un agente de IA acceder a nuestros datos sensibles?

Solo accede a lo que tú le das. La buena práctica es que el agente herede los permisos del usuario que lo activa, o asignarle una cuenta de servicio con un perímetro explícitamente limitado, y registrar cada acceso. Un agente con acceso global a tu sistema de información es un riesgo.

¿Cuánto se tarda en poner un agente en producción?

Unos días para un primer workflow sencillo en una plataforma existente. Unas semanas si hay que crear los conectores, si hay que formalizar las reglas de negocio o si el proceso implica acciones irreversibles que requieren una validación humana.


Lo que hay que retener

Un agente de IA es un chatbot equipado con herramientas, autorizado a actuar dentro de un perímetro que tú defines. Su valor procede de la calidad de su misión, de sus herramientas y de sus verificaciones, mucho más que del propio modelo.

Los proyectos que salen bien comparten el mismo perfil: una misión escrita con sus casos límite, ejemplos reales desde el diseño, todo lo que puede hacer un algoritmo confiado a un algoritmo, un conjunto de evaluación reutilizable, un seguimiento en producción y un ROI calculado antes de empezar.

¿Tienes en mente un proceso manual? En una demo de 30 minutos te diremos si se puede automatizar, a qué coste y con qué ganancia esperada.

Partager :

Artículos relacionados

Automatización con IA: usar la menor IA posibleGuía

Automatización con IA: usar la menor IA posible

¿Qué es la automatización con IA? Ventajas, ejemplos, tareas que conviene automatizar y pasos clave, con la menor cantidad de IA posible en producción.

¿Qué es MCP? El Model Context Protocol explicadoGuía

¿Qué es MCP? El Model Context Protocol explicado

¿Qué es MCP? Definición del Model Context Protocol, cómo funciona y su relación con el function calling, las skills y las MCP Apps en la IA agéntica.

Text-to-SQL: cómo construir un agente de IA fiableGuía

Text-to-SQL: cómo construir un agente de IA fiable

Text-to-SQL en la práctica: lo que hemos aprendido al conectar agentes de IA a bases de datos de empresa. Trampas en producción, seguridad y make or buy.

6 min

¿Te interesan nuestras soluciones?

Mira cómo Ask This Guy puede acelerar tus proyectos de IA

Reservar una demo