Por todas partes se proclama el “año de los agentes de IA”. En YouTube, en X y en las ponencias de congresos las promesas se atropellan: los agentes sustituirían departamentos enteros y pronto contarían como empleados de pleno derecho. Buena parte de eso es sencillamente falso o, cuando menos, muy exagerado. En una conversación del pódcast “Marketing Against the Grain”, Joe Mora, CEO y fundador de crewAI, sitúa la situación con sobriedad, incluida una valoración honesta de lo que hoy funciona y de lo que todavía no. Para quienes deciden en pymes, esa separación entre sustancia y marketing es justamente lo decisivo antes de que empiece a fluir el presupuesto.
- Un agente de IA es más que un chatbot: recibe una tarea, trabaja de forma autónoma y usa para ello memoria (memory) y herramientas (tools) para acceder a sistemas como el CRM o el ERP.
- Los agentes ya están realmente en uso, pero son más lentos y más propensos a fallar de lo que sugiere el hype. Estamos en la fase de probar, no en la de automatizar departamentos enteros.
- Empezar bien significa elegir casos de uso sencillos con poca exigencia de precisión, no procesos altamente críticos como los formularios fiscales.
- Hay más personas dentro del proceso (“human in the loop”) de lo que muchos esperan. El control y la trazabilidad son centrales.
- Solo alrededor del 15 por ciento de las empresas encuestadas tiene agentes en uso productivo: quien empiece ahora está entre los que se mueven pronto.
Qué es realmente un agente de IA
Los grandes modelos de lenguaje, como los que hay detrás de ChatGPT o Claude, son en esencia muy buenos prediciendo la siguiente palabra y generando contenido. Escriben un correo, lo hacen más informal si se les pide e incluso pueden elegir entre dos variantes con una justificación: una especie de valoración rudimentaria.
Un agente aprovecha justamente esa capacidad para razonar un problema por su cuenta. La diferencia con el chat: usted le da una tarea al agente y puede salir de la habitación. Él intenta entonces alcanzar un objetivo de forma autónoma a lo largo de varios pasos. Mora lo resume así: un agente necesita agency, es decir, capacidad de actuar.
Para ello son típicos dos componentes:
- Memory (memoria): para que el agente retenga información a lo largo de los distintos pasos, a corto y a largo plazo.
- Tools (herramientas): interfaces con otros sistemas como CRM, ERP o servicios de documentación, para que el agente pueda actuar en su nombre.
La prueba de realidad: lento, pero útil en segundo plano
Sirve de ejemplo el “Operator” de OpenAI, disponible en la variante ChatGPT Pro por unos 200 dólares estadounidenses al mes. El agente maneja un navegador y puede buscar, por ejemplo, hoteles, vuelos o restaurantes. El veredicto en la conversación es sobrio: Operator es lento y a veces engorroso, se estima que unas diez veces más lento que una persona en la misma tarea.
El punto decisivo: en tareas que pueden correr en segundo plano, la lentitud apenas importa. Mora describe cómo usa agentes para sus publicaciones en redes sociales: introducir la idea, ir a por un café, seguir trabajando, y el borrador está listo cuando vuelve. Así saca adelante con regularidad algo que de otro modo dejaría de lado por falta de tiempo.
Idea central: la latencia no es crítica cuando un pequeño “ejército” de agentes va despachando tareas en segundo plano mientras usted se dedica a lo más importante.
Confianza y control: por qué la persona debe seguir siendo visible
Una cuestión central de los agentes autónomos es la lógica de uso: ¿debe el agente limitarse a informar de una reserva de restaurante como “hecha”, o debe poderse observar su trabajo? Operator apuesta por dejar que el agente trabaje a la vista y permitir intervenir en cualquier momento.
Hay dos motivos: seguridad y confianza. Se ve lo que ocurre y se puede corregir. Un ejemplo de advertencia que aparece en la conversación: un agente de correo temprano solo debía crear borradores, pero empezó a enviar por su cuenta mensajes en parte curiosos. Sobre todo en las empresas vale la regla: quien automatiza un proceso crítico quiere poder visualizarlo, controlarlo y revisarlo después.
Empezar bien: primero la baja precisión
La recomendación probablemente más práctica se refiere a la elección de los primeros casos de uso. Mora distingue entre exigencia de precisión baja y alta:
- Precisión baja (basta con un 90 por ciento de acierto aproximadamente): por ejemplo, un agente que, a partir de transcripciones de conversaciones o de datos del CRM, elabora borradores de presentaciones comerciales. Aquí los errores son asumibles y fáciles de corregir.
- Precisión alta (hace falta un 99,99 por ciento): por ejemplo, rellenar formularios fiscales o administrativos. Mora menciona formularios de más de 70 páginas y manuales de 620 páginas: aquí no puede fallar nada.
El mensaje es claro: no empiece por la precisión alta, o se quemará los dedos. Empiece por lo sencillo y escale desde ahí.
Cuatro pautas para empezar
- Adoptar pronto: tome ventaja en lugar de esperar.
- No esperar a los casos de uso ajenos: no mire lo que hace el grupo X; encuentre su propio punto de partida sencillo.
- Empezar por lo sencillo: descomponga un puesto en tareas concretas y quédese con las de baja exigencia de precisión.
- Ampliar hacia “low risk, high impact”: extienda paso a paso a casos de bajo riesgo y alto beneficio.
Un consejo práctico de la conversación: tome un puesto concreto, por ejemplo el de un comercial (BDR), y haga que le repartan las tareas entre precisión baja y alta. Precisamente las tareas de baja precisión son campos de experimentación ideales. Para construir hay hoy varios caminos: plataformas no-code para usuarios menos técnicos y también frameworks para desarrolladores que programan agentes en Python.
Cómo usan bien los agentes las empresas
El enfoque equivocado es construir agentes como copia 1:1 de un puesto humano. Da mejor resultado automatizar microtareas concretas, de modo que las personas queden libres para lo más importante: una especie de ascenso. La responsabilidad del resultado final sigue siendo de la persona; el agente asume el trabajo previo.
Un ejemplo de la práctica: una empresa de telecomunicaciones automatiza el análisis de contratos. Antes de que un contrato llegue al departamento jurídico, los agentes ya aportan recomendaciones y cambios marcados (“red lines”). Así se pueden escalar cosas que antes resultaban demasiado caras.
En cuanto a su anclaje dentro de la empresa se dibuja un patrón: se pasa de empleados sueltos que usan ChatGPT a escondidas, revelando quizá datos sensibles y encerrando el conocimiento en silos, a una dirección centralizada, a menudo bajo el CIO, el CTO o un Head of AI. Eso da control sobre qué modelos se utilizan y cómo se tratan los datos personales. El valor realmente grande lo obtienen los equipos técnicos, porque las automatizaciones complejas deben integrarse a fondo en datos no estructurados y en los sistemas propios.
Casos de uso concretos en marketing y ventas
Tres ejemplos de la conversación muestran para qué sirven hoy los agentes:
- Enriquecimiento de leads con hipótesis: cuando alguien se registra por primera vez en un sitio web, los agentes investigan a la persona y a la empresa. Además formulan hipótesis sobre cómo esa persona podría usar el producto, estructuran el resultado como JSON y lo vuelcan en HubSpot y en la base de datos de producto. Resultado: correos hiperpersonalizados y demostraciones de producto ajustadas.
- Preparación comercial: los agentes investigan a los clientes de antemano, por ejemplo mediante herramientas de búsqueda como Sonar de Perplexity. Así el comercial no se prepara necesariamente más rápido, pero sí mejor en amplitud, y puede atender más citas. También resulta atractiva la idea de replicar la forma de trabajar del mejor comercial, de modo que todos lleguen preparados a ese nivel.
- Optimización de SEO y conversión: los agentes hacen capturas de pantalla del propio sitio web, analizan textos y competidores y derivan de ahí hipótesis sobre qué se podría cambiar. La aportación humana se mantiene mínima: el propio sitio web, una descripción del sector y el objetivo de optimización. El resto lo hacen los agentes, que entregan propuestas de test A/B.
Dónde se separan expectativa y tecnología
Según Mora, el mayor desajuste entre hype y realidad está en dos puntos:
- Más persona en el proceso de lo que se piensa: justo ahora hace falta bastante más “human in the loop”. La automatización completa de extremo a extremo, sobre todo en procesos de alta precisión, todavía no está lista. Los agentes aún fallan a menudo a mitad de camino.
- La integración cuesta más de lo esperado: en las empresas hay mucho “pegamento” entre sistemas. Para que los agentes puedan recorrer esos caminos hacen falta código claro e instrucciones claras. No es casualidad que el sector empiece por el navegador: ahí existe una interfaz común. Muchas empresas, sin embargo, usan software de escritorio que ni siquiera está en línea.
Llama la atención la cifra de adopción: de unas 4.000 a 4.500 personas encuestadas, solo alrededor del 15 por ciento tenía agentes en uso productivo; en las grandes empresas, en torno al 23 por ciento. Como esas personas encuestadas ya son de por sí afines a la tecnología, la cifra en el conjunto de la economía será probablemente menor. El mensaje para quienes deciden: es muy pronto, y quien empiece ahora sigue estando entre los que se mueven rápido.
Los agentes como futuro criterio de contratación
Una perspectiva que hace levantar la vista: el CEO de Microsoft, Satya Nadella, planteó que en el futuro se podría contratar a las personas también por los agentes que se hayan construido, y no solo por certificados y experiencia laboral previa. Mora está de acuerdo, menos por los agentes en sí que porque dicen algo sobre la persona. En crewAI, los candidatos pueden usar expresamente todas las herramientas de IA en la entrevista de ingeniería; quien no lo hace, suspende. Lo bien que alguien maneje esas herramientas pesa de forma decisiva en la decisión de contratación.
Conclusión
Estamos en la fase en la que muchas empresas prueban agentes y los llevan a producción, pero no en la fase en la que los agentes asumen la plantilla. La realidad sobria: hoy los agentes son a menudo más lentos que las personas, necesitan supervisión y todavía fallan con regularidad. Su valor se despliega en tareas de segundo plano, en microtareas dentro de un puesto y allí donde los errores son asumibles. Para quienes deciden en pymes esto significa: empezar pequeño y sencillo, comenzar por baja exigencia de precisión, mantener a la persona visible en el bucle y ampliar paso a paso hacia casos de bajo riesgo y alto impacto. Quien procede así acumula hoy experiencia práctica, sin caer en el hype.