APRENDER
Qué es un agente de IA: definición, tipos y ejemplos en empresas
Todos los proveedores usan la misma palabra para cosas distintas. Esta página define qué es un agente de IA, qué lo separa de un chatbot de reglas y de un asistente generativo, de qué está hecho por dentro y cómo se evalúa uno antes de firmar: la palabra sin definición.
Respuesta corta
Un agente de IA es un software que recibe un objetivo, razona con un modelo de lenguaje sobre el conocimiento de la organización, elige y ejecuta acciones en sistemas conectados y decide cuándo derivar a una persona. Se diferencia de un chatbot de reglas porque ejecuta acciones, y de un asistente generativo porque trabaja hacia un resultado sin instrucciones paso a paso.
Qué es un agente de IA, en definición operativa
La definición pública más repetida viene de la literatura de inteligencia artificial: un agente es un sistema que percibe su entorno y actúa sobre él para alcanzar un objetivo. Es correcta y es inútil para decidir una compra, porque un termostato entra en esa definición.
La definición que sirve en una operación B2B tiene cuatro partes, y las cuatro tienen que estar presentes:
- Objetivo. Recibe un resultado a alcanzar ("conseguir que este cliente tenga su cotización"), no una instrucción de un solo paso.
- Razonamiento sobre conocimiento propio. Interpreta el pedido contra el catálogo, las reglas, los precios y los procedimientos de esa organización, no contra internet.
- Acción sobre sistemas. Lee y escribe en el ERP, el CRM, la agenda, el expediente. La conversación termina con algo hecho.
- Criterio de derivación. Sabe cuándo no le corresponde resolver y pasa el caso a una persona con el contexto completo.
Si falta la tercera, tenés un asistente que redacta. Si falta la cuarta, tenés un riesgo. Objetivo, no instrucción.
Agente de IA, chatbot de reglas y asistente generativo: la diferencia en la práctica
Las tres categorías conviven y las tres se venden con la palabra "IA". La diferencia se ve en lo que pasa cuando el pedido se sale del guion.
Un chatbot de reglas avanza por un árbol que alguien dibujó. Ante un pedido no previsto, ofrece el menú otra vez. Su falla típica es el cliente que escribe "operador" en el tercer mensaje.
Un asistente generativo interpreta lenguaje natural y produce texto plausible. Su falla típica es la respuesta que suena bien y contradice el precio vigente, porque no consultó ningún sistema.
Un agente de IA interpreta, consulta el sistema que tiene la respuesta, ejecuta la acción y registra lo que hizo. Su falla típica es distinta y es la que hay que auditar: ejecutar una acción que no le correspondía. Por eso los permisos y el registro de acciones importan más que la fluidez de la redacción.
| Criterio | Chatbot de reglas | Asistente generativo | Agente de IA |
|---|---|---|---|
| Entrada que acepta | Opciones de un menú | Lenguaje natural | Lenguaje natural, audio, imágenes |
| De dónde saca la respuesta | Texto precargado en el flujo | El modelo y lo que tenga en el prompt | Conocimiento de la organización más consulta al sistema en vivo |
| Qué hace con un pedido imprevisto | Repite el menú | Improvisa una respuesta | Pregunta lo que falta o deriva |
| Ejecuta acciones en sistemas | No | No, salvo que alguien lo integre a mano | Sí: crea, actualiza, agenda, cotiza |
| Mantiene contexto entre mensajes | Dentro del flujo | Dentro de la ventana de conversación | Dentro del caso, con historial persistente |
| Sabe cuándo callarse | No aplica | Rara vez | Sí, es una regla explícita |
| Deriva a una persona | Por botón | No por sí mismo | Por criterio escrito y con contexto |
| Qué se puede auditar | El árbol de flujos | El texto generado | Cada acción ejecutada, con quién y cuándo |
El criterio de compra que se deduce de la tabla es simple: si tu consulta típica se responde con información fija, un chatbot de reglas alcanza y cuesta menos. Si tu consulta típica requiere mirar un dato que cambia (stock, precio, estado de un expediente, cupo de una agenda), ningún chatbot de reglas y ningún asistente generativo van a resolverla. La diferencia es la acción.
La anatomía de un agente de IA: los cinco componentes
Cuando un proveedor dice "agente", pedí que te muestre estas cinco piezas. Si no puede señalar dónde está cada una, lo que te están vendiendo tiene otro nombre.
1. El modelo. El motor de razonamiento y de lenguaje. Importa menos de lo que parece: es el componente más intercambiable y el que menos determina el resultado en una operación real.
2. Las herramientas (tools). Las funciones que el agente puede invocar: consultar stock, crear una oportunidad, reservar un turno, generar un número de reclamo, adjuntar una ficha técnica. Cada herramienta es una capacidad concreta con un permiso asociado. Sin herramientas, el agente conversa y nada más.
3. La memoria. Dos niveles que suelen confundirse. La memoria de la conversación mantiene el hilo dentro del intercambio. La memoria del caso recuerda que esta persona ya reclamó dos veces por lo mismo y que tiene una cotización abierta. La segunda es la que cambia la experiencia y la que exige una capa de control.
4. Los guardrails. Las reglas que acotan el comportamiento: qué temas no responde, qué montos no confirma, qué acción no ejecuta sin aprobación, qué hace cuando su confianza es baja. Se escriben antes de producción y se prueban contra conversaciones históricas.
5. El handoff. El criterio explícito de derivación a una persona y el mecanismo que lo hace posible: a quién le llega, con qué contexto, en qué plazo. Una derivación sin contexto obliga al cliente a repetir todo y destruye lo que el agente ganó.
Estos cinco componentes explican por qué dos agentes con el mismo modelo se comportan de forma completamente distinta. El modelo es lo intercambiable.
Tipos de agentes de IA
Hay dos ejes útiles para clasificar, y conviene usarlos juntos.
Por alcance de acción:
- Agente informativo. Responde con conocimiento propio y no escribe en ningún sistema. Consulta requisitos, horarios, fichas técnicas, políticas. Riesgo bajo.
- Agente de consulta a sistemas. Lee en vivo del ERP, la agenda o el expediente y responde con el dato real, pero no modifica nada. Riesgo bajo, valor alto, es el escalón que más se subestima.
- Agente transaccional. Escribe: crea la oportunidad, agenda el turno, radica el reclamo, arma la cotización. Acá empiezan a importar los permisos.
- Agente de proceso. Sostiene un caso a lo largo del tiempo: hace seguimiento, reabre, recuerda, cierra. Necesita memoria persistente y una capa de control.
Por autonomía:
- Asistido. Propone y una persona confirma antes de que la acción se ejecute.
- Supervisado. Ejecuta dentro de límites definidos (monto, tipo de caso, horario) y registra todo para revisión posterior.
- Autónomo acotado. Ejecuta sin confirmación dentro de un dominio cerrado y derivable.
La literatura académica clásica clasifica además por arquitectura (reactivos, basados en modelo, en objetivos, en utilidad, de aprendizaje). Esa taxonomía es correcta y no ayuda a comprar: en una operación lo que define el riesgo es qué puede escribir el agente y quién confirma antes. Autonomía por dominio.
Ejemplos de agentes de IA en operaciones B2B
Los ejemplos que valen no son "responde preguntas frecuentes". Son flujos donde el agente toca un sistema y el resultado se puede auditar. Estos son los tres que MoPッ opera con SmartBot, descritos como flujo y sin métricas.
Cotización técnica en distribución industrial. Entra un audio de WhatsApp de un jefe de compras pidiendo repuestos por descripción, no por código. El agente transcribe, identifica la pieza contra el catálogo, consulta stock y precio vigente en el ERP, arma la cotización y la envía. Si el pedido supera el monto que habilita descuento, o si el cliente negocia condiciones, el caso pasa a un vendedor con la conversación y la cotización ya armada.
Ruteo de reclamos en atención ciudadana. Entra una foto de una luminaria apagada con la ubicación. El agente clasifica el tipo de reclamo, verifica si ya existe uno abierto en esa esquina, genera el número, lo asigna al área con plazo y avisa al vecino cuando el estado cambia. Ante riesgo físico, vulnerabilidad o un reclamo reiterado fuera de plazo, deriva de inmediato a una persona del municipio.
Identificación de repuestos por imagen. Entra la foto de una pieza rota. El agente la compara contra el catálogo, propone las coincidencias con número de parte, confirma compatibilidad con el modelo de máquina y consulta disponibilidad. Si la confianza en la identificación es baja, no adivina: deriva al asistente técnico con la imagen y las hipótesis.
El patrón es el mismo en los tres: entrada en el canal que la persona ya usa, consulta a un sistema real, acción registrada y un criterio escrito de cuándo entra alguien. Termina con algo hecho.
Cómo evaluar un agente de IA antes de comprarlo
Siete preguntas que separan una demo de una operación.
- Mostrame la lista de acciones que puede ejecutar. Si la respuesta es una descripción y no una lista, no hay herramientas definidas.
- ¿Qué pasa cuando no sabe? Las tres respuestas aceptables son preguntar, derivar o decir que no tiene el dato. Cualquier otra cosa es una alucinación con buena prensa.
- ¿Contra qué se prueba antes de producción? La respuesta correcta es "contra tus conversaciones históricas", porque es la única forma de medir el comportamiento sobre casos que ya pasaron.
- ¿Dónde se ven las acciones ejecutadas? Tiene que existir un registro por caso: qué hizo, cuándo, con qué dato y quién lo revisó.
- ¿Cómo se escribe un guardrail nuevo? Si requiere un desarrollo de semanas, el sistema no es gobernable por tu equipo.
- ¿Cuál es el criterio de derivación y quién lo define? Lo define tu organización y queda escrito. Si lo define el proveedor, el riesgo es tuyo y el criterio no.
- ¿Qué se mide? Tiempo a primera respuesta, casos resueltos sin intervención, casos derivados, cumplimiento de plazo. Y la línea base tiene que salir de tu propia operación, no de un promedio de mercado.
Una demo bien preparada aprueba las siete con conversaciones inventadas. Traé tres casos reales tuyos, incluido uno que haya salido mal. Traé el caso feo.
Cuándo un agente de IA no es la respuesta
Un agente de IA no corresponde si tu consulta típica se resuelve con una página de preguntas frecuentes y un formulario, porque vas a pagar razonamiento para entregar texto fijo. Tampoco si no existe ningún sistema con el dato que el agente debería consultar: sin eso, el proyecto se convierte en redacción automática. Tampoco si nadie de tu organización va a ser dueño del conocimiento que lo alimenta, porque un agente sin mantenimiento empieza a contestar precios viejos.
Y no corresponde si el objetivo es eliminar al equipo. El trabajo repetitivo se va; el criterio se queda, y alguien lo tiene que ejercer. Alguien tiene que decidir.
Referencia
La tabla que te podés llevar
| Componente | Qué es | Qué preguntar al proveedor | Qué pasa si falta |
|---|---|---|---|
| Modelo | El motor de razonamiento y lenguaje | Cuál usa, si está declarado, cómo se cambia | Dependencia opaca de un proveedor |
| Herramientas | Las acciones que puede ejecutar en sistemas | La lista completa, una por una | Conversa pero no resuelve |
| Memoria | Contexto de la conversación y del caso | Qué recuerda entre conversaciones y dónde se guarda | El cliente repite todo cada vez |
| Guardrails | Reglas de qué no hace y qué no confirma | Cómo se escriben y quién las aprueba | Respuestas inventadas y acciones indebidas |
| Handoff | El criterio y el mecanismo de derivación | Quién lo define, a quién le llega, con qué contexto | Casos sensibles resueltos por software |
Dónde entra MoPッ
De la teoría a tu operación
En MoPッ el agente se llama SmartBot y los cinco componentes están separados a propósito. Las herramientas son la lista de acciones que SmartBot puede ejecutar sobre tu ERP, tu agenda o tu sistema de expedientes, y cada una lleva un permiso. Los guardrails y el criterio de derivación se escriben con tu equipo en la semana de diseño y se prueban contra tu histórico antes de salir a producción. La memoria del caso y el registro de cada acción viven en PanelCRM, donde un supervisor ve qué hizo el agente, con qué dato y qué derivó. La persona entra cuando se cumple un criterio escrito (negociación, riesgo, baja confianza del sistema) y siempre que el cliente lo pida, con la conversación completa a la vista. El criterio queda escrito.
Preguntas
Lo que preguntan antes de decidir
Un agente de IA es un software que recibe un objetivo, razona sobre el conocimiento de una organización, ejecuta acciones en sus sistemas y deriva a una persona cuando corresponde. Sirve para cerrar tareas completas en el canal donde la persona ya está: armar una cotización con el precio vigente, agendar un turno con cupo real, registrar un reclamo con número y hacerle seguimiento.
Relacionado: Cotizaciones automatizadas
Los tipos de agentes de IA se ordenan en dos ejes. Por alcance de acción hay cuatro: informativo (responde), de consulta a sistemas (lee el dato en vivo), transaccional (escribe: crea, agenda, cotiza) y de proceso (sostiene el caso en el tiempo). Por autonomía hay tres: asistido (una persona confirma), supervisado (ejecuta dentro de límites y queda registrado) y autónomo acotado (ejecuta solo dentro de un dominio cerrado).
Un asistente responde a instrucciones paso a paso y produce texto. Un agente recibe un objetivo y decide por su cuenta la secuencia de pasos para alcanzarlo, incluidas las consultas a sistemas y la acción final. La prueba práctica: pedile al proveedor la lista de acciones que el software puede ejecutar. Si no existe esa lista, es un asistente.
No. Absorbe lo repetitivo y de bajo criterio, y entrega a las personas los casos que requieren decidir, con el contexto ya armado. En toda implementación seria hay un criterio escrito de derivación (negociación, riesgo legal o de seguridad, baja confianza del sistema, pedido explícito de la persona) y el equipo es quien lo define.
Relacionado: Implementación y seguridad · Dónde entra la persona
Evaluar un agente de IA pide tres cosas que una demo estándar no incluye. Primero, tus conversaciones históricas como banco de prueba, incluido un caso que haya salido mal. Segundo, la lista explícita de acciones ejecutables y sus permisos. Tercero, métricas sobre tu propia línea base: tiempo a primera respuesta, resolución sin intervención, casos derivados y cumplimiento de plazo.
Crear un agente de IA empieza por lo fácil, porque conectar un modelo de lenguaje a WhatsApp es rápido. Lo que lleva tiempo es lo demás: cargar y mantener el conocimiento, integrar los sistemas que tienen el dato, escribir los guardrails y el criterio de derivación, dar a los equipos una capa de control y medir. La decisión real es construir o contratar.
Relacionado: Construir o contratar