Durante el último año no puede abrir LinkedIn sin que alguien le explique por qué necesita un agente de IA. Salesforce tiene Agentforce. Make ha lanzado una nueva generación de agentes de IA. Zapier ofrece agentes para empresas. Con la API de OpenAI puede construir el suyo. Y una de cada dos presentaciones en conferencias empieza con «los agentes son el futuro del trabajo».
Quizá. Pero cuando hablo con directores generales de empresas medianas, la mayoría no necesita un agente. Necesita una automatización bien configurada. La diferencia entre ambas cosas decide el presupuesto y también si dentro de medio año queda alguien capaz de mantener el resultado.
Zapier y Make se apoyan en un solo principio. Usted define un disparador y una acción. Llega un correo con una factura, se guarda el adjunto en Google Drive y se envía una notificación a Slack. Cambia el estado de un pedido en el CRM, se actualiza el registro en el sistema de contabilidad.
Es determinista y predecible. Precisamente por eso resulta tan valioso. Usted sabe de antemano qué va a pasar y, una vez configurado, funciona durante meses sin intervención.
Un agente funciona de otra manera. Recibe un objetivo, no una instrucción. Tiene acceso a herramientas, datos e historial, y elige por su cuenta los pasos que lo llevan al objetivo.
Dígale «gestiona esta reclamación de cliente» y leerá el mensaje, buscará el historial del cliente en el CRM, evaluará la gravedad y decidirá si responde él mismo o lo pasa a una persona. Si responde, elige el tono y el contenido según el contexto.
La diferencia cabe en una frase. La automatización ejecuta instrucciones y el agente toma decisiones. Con las decisiones llega un riesgo que alguien tiene que vigilar.
Tras diez meses implantando ambos enfoques con clientes nos quedó un marco de decisión sencillo. Lo aplicamos incluso cuando el cliente llega pidiendo directamente un agente.
Si sus entradas tienen un formato predecible y las reglas caben en lógica if/then, no necesita un agente. La automatización sale más barata, se implanta antes y se mantiene sin un especialista al lado. Aquí entran la sincronización de CRM y contabilidad, las notificaciones basadas en estados, los documentos generados a partir de plantillas o los informes periódicos de la base de datos.
Si las entradas llegan en formatos distintos, en lenguaje natural, y procesarlas exige criterio, el agente tiene sentido. Suele tratarse del análisis de reclamaciones, la clasificación de documentos por contenido, la respuesta a preguntas complicadas desde una base de conocimiento o la valoración de propuestas de proveedores.
Y aquí está lo interesante. La mayoría de las soluciones reales no son ni un agente puro ni pura automatización. Son flujos de automatización que llaman a la IA en los nodos de decisión. Make o Zapier controla el flujo, la IA decide donde hace falta y el resto sigue siendo determinista. Así paga inteligencia solo en los pocos pasos que la necesitan de verdad.
La bandeja de ventas recibe más de 200 mensajes al día y el equipo comercial dedica una hora diaria solo a clasificarlos.
Zapier captura cada correo nuevo y lo envía a la API de OpenAI. Esta encaja el mensaje en una de cinco categorías, ya sea nueva consulta, oportunidad existente, spam, reclamación o facturación. Según el resultado, Zapier lo dirige al canal de Slack correcto, le asigna una etiqueta en el CRM o responde directamente cuando es spam o la pregunta es evidente.
Un agente completo sobraría aquí. El flujo es claro y la IA hace una sola cosa, clasificar. El resto es automatización determinista, así que hay menos errores y una factura de API más baja.
El soporte al cliente responde al 80% de las mismas preguntas. Aun así no se puede responder sin contexto, es decir, sin el plan del cliente, el historial de comunicación y las incidencias abiertas.
Aquí desplegamos un agente de IA conectado a la base de conocimiento, al CRM y al sistema de monitorización. El cliente escribe una pregunta, el agente busca la documentación relevante, revisa su historial y evalúa si puede responder solo. Si puede, responde. Si no, crea un ticket con contexto y lo asigna a la persona adecuada.
La automatización no llegaría, porque las preguntas son imprevisibles y el contexto cambia. El agente tiene que entender el significado, no las palabras clave. Lo importante, sin embargo, es otra cosa. El agente tiene límites claros sobre cuándo escala a una persona, y nunca decide por sí mismo sobre reembolsos, condiciones contractuales ni intervenciones técnicas.
La dirección quiere un resumen semanal de rendimiento, solo que los datos están repartidos en tres sistemas y un analista pierde cada viernes recopilándolos.
Un flujo de Make extrae cada viernes a las 6:00 de la mañana datos del CRM, la contabilidad y la herramienta de gestión de proyectos. Los agrega en un JSON estructurado y lo envía a la API de OpenAI, que genera un resumen ejecutivo con las métricas clave, las tendencias y las recomendaciones. El resultado va al correo y a Slack.
Un agente no tendría nada que hacer aquí. Los datos están estructurados y el proceso se repite igual cada semana. La IA resume e interpreta, no decide.
El error más común. Una empresa lee sobre agentes y quiere uno en cada proceso. Acaba con costes altos de llamadas a la API, comportamiento impredecible y errores difíciles de depurar. Aplique una regla sencilla. Si el proceso se dibuja como un diagrama de flujo sin rombos de decisión, no necesita un agente.
El agente decide de forma autónoma y nadie revisa las salidas. El primer mes todo va genial. El segundo mes empieza a generar respuestas que no son del todo correctas. El tercer mes los clientes presentan reclamaciones. Por eso todo agente necesita una ruta de escalado definida y un límite a partir del cual interviene una persona.
Cuando un agente toma una mala decisión, usted necesita saber por qué. Sin un registro de las entradas, del proceso de decisión y de las salidas, no hay forma de depurarlo. Registre las entradas, el prompt, la respuesta del modelo, la acción ejecutada y el resultado.
En cada despliegue de IA en producción mantenemos cuatro cosas.
Ningún dato viaja en texto plano. La comunicación entre herramientas, API y bases de datos va por TLS.
El agente solo accede a lo que necesita. Si procesa correos, no llega a los datos financieros. Cuando se equivoca, se equivoca dentro de un espacio acotado.
Cada decisión del agente acaba en un registro de auditoría. Quién, cuándo, qué y por qué. El regulador preguntará algún día y usted tendrá que responder.
Quedan el rate limiting y los topes de coste. Un agente sin límite de llamadas a la API es un riesgo de seguridad y también financiero, porque un flujo que se enreda consigo mismo puede gastar un presupuesto mensual antes de que nadie lo note.
Imagine un flujo de Make con un nodo de IA que clasifica los pedidos entrantes por complejidad. El pedido entra en el sistema, el flujo lo envía al modelo elegido y el modelo propone una categoría según el número de artículos y los requisitos especiales.
Los pedidos simples (productos estándar, dirección habitual, sin requisitos especiales) pasan directamente al procesamiento automático. Los pedidos complejos (grandes volúmenes, requisitos no estándar, clientes nuevos de alto valor) se marcan para revisión manual.
Esto es una ilustración de arquitectura, no una afirmación sobre el resultado de un cliente. El éxito de un piloto hay que medirlo con datos reales. Mire la proporción de pedidos clasificados correctamente, el número de correcciones manuales y el tiempo de procesamiento antes y después del despliegue.
Ningún agente. Un flujo determinista con un único nodo de decisión de IA y un camino claro a la revisión manual.
No necesita un agente para todo. La mayoría de los procesos de negocio se automatizan con herramientas corrientes. Donde haga falta decidir, añada un nodo de IA. Y despliegue un agente completo solo donde la complejidad sea real y donde ya tenga la infraestructura de monitorización, registro y escalado.
Si quiere averiguar dónde tiene sentido la IA en su empresa y dónde basta con la automatización, podemos hacerlo en un AI Sprint de dos semanas. Mapeamos los procesos, diseñamos una solución y entregamos un prototipo funcional. Póngase en contacto y concertamos una llamada inicial.
Fundador y responsable técnico de Rise.sk. Diseña y entrega aplicaciones web, sistemas de datos y automatizaciones, y escribe sobre decisiones de software, IA y servicios digitales.
Los modelos chinos están ahora a meses, no a años, de la frontera estadounidense, y a una fracción del coste. Para una empresa europea la verdadera pregunta no es quién gana la carrera, sino si conviene usarlos y cómo.
OpenAI dice que GPT-5.6 Sol supera a Claude Fable 5 en programación por un tercio del coste. Anthropic dice que Fable 5 lidera en capacidad bruta. Ambos tienen razón. Aquí tiene qué modelo gana qué trabajo.
Los tokens de API pueden costar menos que una hora de desarrollador, pero no son todo el proyecto. Una comparación práctica del uso del modelo, la revisión, las pruebas y los costes operativos.
Su contexto determina la respuesta
