Desarrollo de agentes de IA

¿Qué es un agente de IA y en qué se diferencia de un chatbot o de una automatización?

Un agente de IA (en inglés, AI agent) es un software que utiliza un gran modelo de lenguaje (LLM) como motor de decisión y al que se le dan herramientas. Al agente no se le indica cada paso uno por uno; se le da un objetivo. El agente elabora un plan para alcanzarlo, decide qué herramienta usar y en qué orden, actualiza su plan según el resultado de cada paso e informa de lo que ha hecho al terminar. El término IA agéntica (agentic AI), cada vez más frecuente, describe precisamente esta forma de trabajar.

Tres rasgos distinguen a un agente de un chatbot y de la automatización clásica: trabaja a partir de un objetivo, usa herramientas (busca en un sistema, lee registros, crea borradores) y planifica paso a paso. La siguiente tabla resume la diferencia:

Esta distinción importa en la práctica: crear un agente para una tarea con reglas claras supone un coste y un riesgo innecesarios. Para esas tareas, la automatización con IA ofrece una solución más sencilla y previsible. Si el objetivo principal es atender las preguntas de los clientes, nuestra página de chatbot con IA es un mejor punto de partida. El agente tiene sentido cuando ninguna de las dos opciones basta y los pasos cambian de un caso a otro.

¿Para qué sirven los agentes de IA?

Los agentes aportan más valor en tareas en las que un empleado abre varios sistemas, recopila información, la compara y al final prepara un resultado. Los casos de uso que vemos con más frecuencia son:

• Investigación y calificación de clientes potenciales: enriquece las solicitudes entrantes o una lista de empresas objetivo con fuentes públicas y registros del CRM, las prioriza según los criterios que usted defina y deja al equipo comercial un resumen razonado.
• Informes y recopilación de datos: extrae datos de plataformas publicitarias, herramientas de analítica y hojas de cálculo, prepara comparaciones entre periodos, señala cambios inusuales y deja la interpretación a una persona.
• Resolución de solicitudes de soporte: clasifica la solicitud entrante, lee los datos del pedido o de la cuenta en el sistema correspondiente, prepara una propuesta de solución y un borrador de respuesta, y deriva a su equipo de soporte los casos que quedan fuera de su ámbito.
• Preparación de documentos en procesos internos: convierte en borradores documentos como propuestas, resúmenes de contratos, actas de reuniones o especificaciones técnicas a partir de plantillas aprobadas y del conocimiento de la empresa.
• Tareas de control y revisión: encuentra registros incompletos o incoherentes en un catálogo de productos, una lista de precios o un inventario de contenidos y elabora una lista de correcciones.

Lo que tienen en común estas tareas es que una persona puede revisar el resultado y que un error del agente no causa un daño irreversible. Para un primer proyecto con agentes, recomendamos empezar con un proceso que cumpla ambas condiciones.

¿Cuándo un agente de IA no es la opción adecuada?

Los agentes son potentes, pero no sirven para todo. Un modelo de lenguaje funciona de forma probabilística: puede no dar exactamente la misma respuesta ante la misma entrada y puede equivocarse con total seguridad. Por eso, en los casos siguientes recomendamos no usar un agente o usarlo solo en un papel que prepare sugerencias:

• Operaciones irreversibles como pagos, reembolsos, eliminación de registros o aprobación de contratos.
• Tareas que exigen cálculos exactos, como precios, impuestos, existencias o certificaciones de obra; de eso se encarga el código clásico.
• Decisiones finales de tipo jurídico, médico o financiero; el agente solo puede preparar una revisión previa y un borrador.
• Procesos con datos dispersos, incompletos o contradictorios; primero hay que ordenar los datos.
• Tareas poco frecuentes que un empleado termina enseguida; el esfuerzo de desarrollo y supervisión supera el beneficio.

Si no está seguro de qué proceso encaja con un agente, es más sensato empezar con una consultoría de IA: revisamos sus procesos juntos y comparamos agente, automatización y software clásico.

Herramientas y permisos: ¿cómo se aplica el principio de mínimo privilegio?

Lo que un agente puede hacer lo determinan las herramientas que usted le da. Una herramienta es una función con una definición y unos límites claros que busca en un sistema, lee un registro, crea un borrador o actualiza un campo. La decisión más crítica del diseño de un agente es a qué herramienta puede acceder y con qué permiso. Aquí aplicamos el principio de mínimo privilegio: el agente trabaja con el permiso más restringido que exige su tarea y no recibe permisos de escritura donde basta con la lectura.

Para el agente se crea una cuenta de servicio propia; no se usan cuentas personales ni claves de administrador amplias. Cada llamada a una herramienta queda registrada con su entrada y su resultado. Para conectar las herramientas a sus sistemas, entre las opciones están la integración directa por API o estándares abiertos de conexión como el Model Context Protocol (MCP); elegimos juntos según su infraestructura actual, sus requisitos de seguridad y la facilidad de mantenimiento.

¿En qué puntos interviene la aprobación humana?

Un agente bien diseñado no intenta hacerlo todo solo; sabe cuándo detenerse y consultar a una persona. Los puntos de aprobación no son una capa de seguridad añadida después, sino que se diseñan desde el principio como parte del flujo de trabajo. Los puntos de aprobación habituales son:

• Todo contenido que sale de la organización: mensajes y documentos dirigidos a clientes, proveedores o al público.
• Operaciones que modifican registros: sobre todo actualizaciones que afectan a varios registros a la vez.
• Incertidumbre: cuando la información disponible es contradictoria o insuficiente, el agente pregunta en lugar de suponer.
• Superación de límites: cuando una tarea requiere más pasos, tiempo o presupuesto de lo previsto, el trabajo se detiene y se notifica.

La pantalla de aprobación debe ser sencilla: el agente muestra de un vistazo qué quiere hacer, por qué y en qué fuentes se basa; la persona aprueba, corrige o rechaza. Estas decisiones también se registran y sirven para determinar en qué tareas el agente necesitará menos aprobaciones. El alcance de la aprobación solo se reduce cuando los registros muestran que el agente es coherente en esa tarea, y siempre por decisión suya.

¿Cómo se prueba y se supervisa un agente de IA?

Los agentes no pueden probarse solo con pruebas unitarias, como el software clásico; una misma tarea puede resolverse por caminos distintos. Por eso evaluamos con escenarios basados en ejemplos reales de trabajo:

1. 1.A partir de ejemplos reales del proceso se prepara un conjunto de escenarios con casos fáciles, habituales y difíciles; para cada escenario se anota el resultado esperado.
2. 2.Se añaden escenarios que contienen a propósito información incompleta, registros contradictorios y contenido malicioso.
3. 3.El agente recorre el conjunto completo en cada versión; los resultados se puntúan con comprobaciones automáticas y con revisión humana.
4. 4.Cada escenario que falla pasa a formar parte permanente del conjunto; así se comprueba que una corrección no se rompe en versiones posteriores.

Tras el lanzamiento se registran los pasos de cada tarea, las herramientas utilizadas, las decisiones de aprobación y el coste. El panel de supervisión muestra en conjunto las tareas completadas, la proporción de tareas que necesitaron intervención humana, los tipos de error, el tiempo y el coste por tarea y el tiempo ahorrado a su equipo. Construimos esta capa de medición con el mismo enfoque que nuestro trabajo de CRO y analítica; el impacto del agente se valora con registros, no con estimaciones.

Seguridad de los agentes de IA: inyección de instrucciones y contenido externo

Los agentes leen contenido del exterior: correos, páginas web, documentos subidos, solicitudes de soporte. Intentar dirigir a un agente con instrucciones ocultas en ese contenido se llama inyección de instrucciones (prompt injection). Por ejemplo, una frase insertada en un correo puede pedir al agente que ignore sus instrucciones anteriores y envíe registros al exterior. Hoy este riesgo no puede eliminarse por completo; por eso basamos la seguridad en la arquitectura y no en el buen comportamiento del modelo:

• El contenido externo se trata siempre como datos, nunca como instrucciones; solo las instrucciones de sistema que usted define determinan la tarea del agente.
• Un agente que lee contenido no fiable no recibe herramientas que modifiquen registros o envíen datos al exterior.
• Las llamadas sensibles a herramientas pasan por aprobación humana, independientemente del contenido.
• Los datos personales se enmascaran cuando es necesario; el agente solo ve los datos que su tarea requiere.
• Los escenarios con contenido malicioso forman parte permanente del conjunto de pruebas.

En los agentes que tratan datos personales, antes de la puesta en marcha aclaramos el flujo de datos, el plazo de conservación, el contrato con el proveedor del modelo y las condiciones de las transferencias internacionales según normas de protección de datos como el RGPD y la KVKK. Para los detalles técnicos sobre elección de modelo, alojamiento y privacidad de datos, consulte nuestra página de integración de IA y soluciones con LLM.

¿Cómo se mantiene bajo control el coste de un agente?

El coste de un agente crece con el número y la longitud de las llamadas al modelo en cada tarea. Un agente que planifica y revisa su propio resultado hace más llamadas que un bot que responde a una sola pregunta. Para controlar el coste desde el principio utilizamos estos métodos:

• Un límite de pasos, tiempo y presupuesto para cada tarea; al alcanzarlo, el agente se detiene y avisa.
• Modelos más pequeños y económicos para subtareas sencillas, y modelos más potentes para el razonamiento difícil.
• Caché para la información repetida e instrucciones breves que no arrastran contexto innecesario.
• Coste por tarea en el panel de supervisión, junto al tiempo ahorrado.

Entre las opciones de modelo están las empresas que ofrecen modelos cerrados, como OpenAI, Anthropic o Google, y los modelos abiertos que se ejecutan en su propia infraestructura. Construimos la arquitectura de modo que el modelo sea una pieza sustituible; cuando aparece una opción más adecuada, no hace falta reescribir el agente desde cero.

¿Un solo agente o un sistema multiagente?

En los sistemas multiagente, las tareas se reparten en funciones separadas, como agentes que investigan, redactan y revisan. Esta estructura puede ordenar trabajos complejos, pero cada agente adicional aumenta el coste, la latencia y la dificultad de depuración. La información que se pasan los agentes también crea una nueva superficie de errores y de riesgos de seguridad.

Por eso, en la mayoría de los proyectos recomendamos empezar con un único agente que trabaje con herramientas bien definidas. Si la tarea requiere de verdad especialidades independientes entre sí, o si la revisión del trabajo de un agente por otro mejora la calidad de forma medible, pasamos a una estructura multiagente tras comparar ambas opciones con pruebas de escenarios. La decisión se basa en los resultados de la evaluación, no en lo atractiva que parezca la arquitectura.

¿Por qué elegir UNIT İstanbul para desarrollar agentes de IA?

UNIT İstanbul es una agencia con sede en Estambul que desde 2009 trabaja en marketing de resultados y crecimiento; desarrolla proyectos de software e IA con el mismo equipo bajo su marca Unit Software. Por nuestro origen en el marketing, empezamos cada proyecto de agentes con la misma pregunta: ¿qué trabajo acelerará este agente y cómo lo vamos a medir? No nos limitamos a programar el agente; entregamos juntos sus herramientas, permisos, puntos de aprobación, conjunto de pruebas y panel de supervisión.

Ya utilizamos en nuestro trabajo diario los sistemas de CRM, publicidad, analítica y comercio electrónico a los que se conecta un agente, lo que facilita diseñar el proceso en el mismo idioma que su equipo. Si tiene un proceso que podría encajar con un agente, escríbanos desde nuestra página de contacto para una evaluación preliminar gratuita; veremos juntos si un agente es adecuado o si bastaría una solución más sencilla.