Agentes de IA para empresas: qué son, cómo funcionan y cuándo usarlos

01 IA y agentes

¿Qué son los agentes de IA?

Un agente de inteligencia artificial es software que usa un modelo para administrar la ejecución de una tarea. Recibe un objetivo y contexto, decide qué acción corresponde, consulta o modifica sistemas mediante herramientas y observa el resultado antes de continuar o detenerse. Esa capacidad de escoger pasos durante la ejecución lo diferencia de una respuesta aislada de un modelo. La guía de OpenAI consultada el 27 de julio de 2026 resume sus componentes básicos como modelo, herramientas e instrucciones; es una guía de proveedor, no evidencia de retorno financiero.^[1]

La autonomía siempre está acotada por diseño. Un agente no conoce por sí solo las políticas de devolución, qué base es la fuente oficial ni cuánto dinero puede comprometer. Esas restricciones deben convertirse en instrucciones, permisos y validaciones verificables. Tampoco equivale a inteligencia general: puede resolver un flujo delimitado y aun así fallar ante un dato ausente, una instrucción ambigua o una situación fuera de distribución.

Esta distinción importa porque cambia el riesgo. Generar un borrador que una persona revisa no es lo mismo que emitir un reembolso, actualizar stock o enviar una orden de compra. Antes de hablar de “agentes autónomos”, conviene describir el verbo exacto que podrán ejecutar, sobre qué objetos, con qué límite monetario, qué evidencia conservarán y quién responde cuando el resultado sea incorrecto.

02 IA y agentes

Cómo funciona un agente: modelo, herramientas, instrucciones y bucle

El núcleo es un bucle de decisión. El agente observa la solicitud y el estado disponible; el modelo propone un paso; una política autoriza, rechaza o deriva esa acción; la herramienta devuelve un resultado; y el agente incorpora la observación para decidir nuevamente. ReAct formalizó un patrón que intercala razonamiento y acción en benchmarks académicos. Sus resultados ayudaron a estudiar agentes, pero pertenecen a modelos y entornos anteriores y no garantizan fiabilidad en una operación comercial.^[2]

La memoria no es obligatoria. Para consultar el estado de un pedido puede bastar el contexto de esa ejecución. Una memoria persistente se justifica cuando la tarea necesita continuidad, pero agrega obligaciones de retención, acceso, corrección y eliminación. Es mejor guardar hechos en el sistema dueño —por ejemplo, el CRM o el OMS— y entregar al agente solo el contexto necesario, en vez de construir una memoria paralela difícil de gobernar.

• Herramientas de lectura.

  Buscar pedidos, consultar políticas o recuperar documentos. Deben filtrar datos por identidad y propósito.

• Herramientas de propuesta.

  Preparar una respuesta, clasificación o cambio para revisión. Reducen el costo de error frente a una ejecución directa.

• Herramientas de acción.

  Modificar registros, enviar mensajes o mover dinero. Requieren controles más estrictos, confirmación e idempotencia.

• Condiciones de salida.

  Éxito verificable, dato faltante, límite de pasos, error técnico, riesgo alto o derivación humana.

03 IA y agentes

Agente, chatbot, copiloto y workflow: diferencias

Los nombres comerciales suelen mezclar capacidades distintas. Para elegir arquitectura conviene comparar quién decide, qué estado conserva y si puede actuar. Un mismo producto incluso puede combinar las cuatro formas: una conversación recibe la solicitud, un workflow ejecuta controles, un copiloto propone y un agente resuelve excepciones.

La opción más avanzada no es necesariamente la mejor. Si la lógica cabe en reglas estables, un workflow es más barato de probar y auditar. Si el problema exige interpretar correos, reunir antecedentes de varias fuentes y decidir qué información falta, un agente puede aportar flexibilidad. Un copiloto es una buena transición cuando existe juicio experto y todavía no hay evidencia para delegar la decisión.

04 IA y agentes

Casos de uso en eCommerce y operaciones

Un caso defendible combina una tarea repetida, decisiones contextuales, datos accesibles y un costo de error controlable. “Mejorar atención” es demasiado amplio; “reunir el pedido, revisar la política vigente y proponer la resolución de un ticket de entrega tardía” permite definir entradas, permisos y resultado esperado.

Ejemplo hipotético: una tienda recibe 600 tickets mensuales por atrasos. Hoy una persona abre el OMS, consulta al transportista y busca la política antes de responder. Un piloto puede limitarse a leer esos tres sistemas, construir una línea de tiempo y proponer una respuesta. No emite compensaciones. Si faltan eventos, hay contradicción o el pedido supera un monto definido, deriva. El beneficio se mide contra el tiempo y la exactitud actuales, no contra la promesa genérica de “atención 24/7”.

La selección también debe considerar frecuencia y vigencia del conocimiento. Un agente que usa una política desactualizada escala el error con rapidez. Cada herramienta debe indicar la fuente, la fecha y el identificador del objeto consultado. Para decisiones de precio, inventario o dinero, la respuesta generada nunca debe reemplazar los controles transaccionales del sistema dueño.

05 IA y agentes

¿Cuándo usar un sistema multiagente?

Un sistema multiagente distribuye el trabajo entre componentes con roles o entornos distintos. Puede existir un agente coordinador que llama especialistas como herramientas, o agentes que se transfieren el control. La guía de OpenAI recomienda aprovechar primero un agente único: más agentes agregan coordinación, latencia, costo y nuevas rutas de falla. Es una recomendación de diseño del proveedor, no una ley universal.^[1]

• Separación real de dominios.

  Compras y finanzas usan políticas, permisos y herramientas distintas que conviene aislar.

• Herramientas difíciles de distinguir.

  Un agente selecciona consistentemente la herramienta equivocada aun después de mejorar nombres, esquemas e instrucciones.

• Fronteras de seguridad.

  Un coordinador sin permisos de escritura entrega una tarea acotada a un componente con autorización específica.

• No es justificación suficiente.

  Crear un agente por departamento solo para que el diagrama parezca una organización humana.

Cada traspaso puede perder contexto o amplificar una suposición. Por eso el mensaje entre agentes debe tener un esquema: objetivo, evidencia, incertidumbre, acciones ya intentadas y resultado requerido. El coordinador no debería aceptar como hecho una conclusión sin procedencia. Cuando dos agentes pueden modificar el mismo registro, además se necesitan control de concurrencia e idempotencia.

Los benchmarks recuerdan que las cadenas largas acumulan errores. WebShop evaluó agentes en un entorno simulado de compras con más de un millón de productos y reportó una brecha importante frente a personas; AgentBench comparó 29 modelos en ocho entornos y documentó dificultades de horizonte largo y seguimiento. Son fotografías académicas de 2022–2024, no tasas esperables en 2026 ni resultados de negocio, pero justifican evaluar la tarea completa y no solo respuestas individuales.^[3,4]

06 IA y agentes

Riesgos y controles no negociables

Un agente combina el riesgo probabilístico del modelo con el acceso determinista de sus herramientas. Una instrucción maliciosa dentro de un correo o documento puede intentar desviar el flujo; una API demasiado amplia puede convertir esa desviación en acción. Los guardrails del modelo ayudan, pero no reemplazan autenticación, autorización, controles de aplicación ni seguridad convencional. La defensa debe existir aunque el modelo ignore una instrucción.^[1]

1. 01
   Permiso mínimo.

   Credenciales separadas por herramienta, tenant y ambiente; lectura por defecto y escritura solo donde sea imprescindible.

2. 02
   Entradas y salidas tipadas.

   Esquemas, rangos, allowlists y validación determinista antes de cada acción.

3. 03
   Acciones seguras.

   Claves de idempotencia, límites monetarios, vista previa, confirmación y reversa documentada.

4. 04
   Aislamiento.

   No entregar secretos al prompt; ejecutar contenido no confiable en un entorno restringido y separar datos sensibles.

5. 05
   Trazabilidad.

   Registrar versión de instrucciones, herramientas, entradas relevantes, resultado, aprobador y motivo de detención.

6. 06
   Fallback humano.

   Derivar ante baja evidencia, conflicto, alto impacto, dato faltante o demasiados pasos; nunca insistir indefinidamente.

El perfil de IA generativa de NIST organiza la gestión en Govern, Map, Measure y Manage e incluye procedencia, privacidad, seguridad, incidentes, confabulación y dependencia humana. Es un marco voluntario y transversal: no certifica una solución ni demuestra cumplimiento legal chileno. Sirve como lista de riesgos para asignar dueño y evidencia, no como arquitectura lista para copiar.^[5]

07 IA y agentes

Cómo elegir un piloto y medirlo

El primer piloto debe tener suficiente volumen para aprender, resultado verificable y errores reversibles. Evita comenzar por pagos, despidos, decisiones legales o cambios masivos. Conserva una muestra histórica representativa y define el baseline humano antes de conectar acciones. Sin esa comparación, una demostración fluida puede confundirse con mejora.

Ejemplo hipotético: en 200 tickets históricos, el proceso actual resuelve correctamente 172, tarda una mediana de 11 minutos y requiere reabrir 18. El piloto trabaja primero sin responder al cliente. Se considera apto para una fase asistida solo si mantiene o mejora la exactitud, identifica los casos sin evidencia y reduce tiempo sin elevar reaperturas. Esas cifras ilustran el método; no son benchmark de atención para Chile.