Qué es un agente de IA
Un agente de IA es un sistema que recibe un objetivo y ejecuta los pasos para cumplirlo usando herramientas reales. Un chatbot responde; un agente actúa. Acá está la definición completa, los cinco componentes que necesita para operar de verdad, y en qué casos conviene no usar uno.
La definición
Un agente de IA es un sistema que recibe un objetivo expresado en lenguaje natural, decide por sí mismo qué pasos dar para cumplirlo, y los ejecuta usando herramientas reales: leer y escribir archivos, consultar bases de datos, llamar APIs, correr código. No devuelve una recomendación sobre qué hacer. Hace la cosa.
La frontera con un chatbot es exactamente esa. Un chatbot te explica cómo emitir una factura. Un agente la emite, verifica que se haya emitido y te avisa si falló. El modelo de lenguaje es el mismo; lo que cambia es que el agente tiene manos.
La prueba de una línea
Si el sistema termina su trabajo devolviendo texto, es un chatbot. Si termina habiendo cambiado el estado de algo (un archivo, una fila en la base, un ticket, una factura), es un agente.
Agente, chatbot y automatización clásica
Los tres se confunden todo el tiempo y sirven para cosas distintas.
| Chatbot | Automatización (n8n, Zapier) | Agente de IA | |
|---|---|---|---|
| Qué produce | Texto | Una acción fija | Una secuencia de acciones que decide en el momento |
| Quién define los pasos | Un guion previo | Un flujo dibujado de antemano | El propio sistema, según el caso |
| Tolera entradas variables | Poco | No | Sí, es su razón de ser |
| Predecible | Bastante | Totalmente | No del todo: por eso necesita verificación |
| Costo de operación | Bajo | Bajo | Medio a alto |
| Cuándo conviene | Preguntas frecuentes | Procesos estables y repetitivos | Procesos con excepciones constantes |
La regla práctica para decidir
Si podés dibujar el proceso entero en un diagrama de flujo y el diagrama cierra, hacelo con automatización clásica: es más barato, más rápido y no falla de forma creativa. El agente se justifica cuando el diagrama no cierra, porque siempre aparece un caso nuevo.
Los cinco componentes de un agente en producción
Si falta uno, lo que hay es una demo.
1. Un modelo que razona
El motor que interpreta el objetivo y planifica los pasos. Es la parte más visible y, casi siempre, la más barata del proyecto.
2. Herramientas conectadas a los sistemas reales
Sin acceso al ERP, al correo, a la base de datos o al sistema de facturación, el agente solo puede escribir sobre lo que le contaron. Acá es donde entra MCP.
3. Memoria y contexto
Saber qué pasó en las ejecuciones anteriores, qué documentos ya procesó y cuáles son las reglas propias de la empresa. Sin esto repite trabajo y contradice decisiones previas.
4. Permisos explícitos
Qué puede leer, qué puede escribir y qué requiere aprobación humana. Un agente sin límites definidos es un incidente esperando fecha.
5. Verificación
Algo que compruebe que el resultado es correcto antes de darlo por bueno: tests, reglas de validación, o un humano en el paso final. Es el componente que más se saltea y el que más caro sale saltear.
De los cinco, el que decide si el proyecto llega a producción casi nunca es el modelo. Es el segundo y el quinto: conectar los sistemas de verdad y poder demostrar que el resultado está bien.
Qué es MCP y por qué cambió el costo de los agentes
MCP (Model Context Protocol) es un estándar abierto creado por Anthropic para conectar modelos de lenguaje con herramientas y fuentes de datos externas. Funciona como un adaptador: un servidor MCP expone un sistema (el ERP, el CRM, una base de datos, un repositorio) y cualquier agente compatible lo puede usar sin integración a medida.
Por qué importa en términos de plata: antes, cada agente nuevo requería reprogramar el acceso a cada sistema. Con MCP, el ERP se integra una vez y sirve para todos los agentes que vengan después. El costo de la primera automatización sigue siendo alto; el de la quinta baja mucho. Es la diferencia entre un proyecto y una plataforma.
Qué cuesta operar un agente
Tres costos separados. El error clásico es presupuestar solo el primero.
| Costo | Referencia | Comentario |
|---|---|---|
| Modelo (licencia) | Claude Pro 20 USD/mes (17 con pago anual) · Max desde 100 USD/mes · Team 25 USD/mes por asiento (20 anual) | Precios de Anthropic al 25-jul-2026, en dólares y sin impuestos incluidos. Es el costo más chico y el más predecible. |
| Implementación | Se cotiza por alcance | El grueso. Depende de cuántos sistemas hay que integrar y de qué tan ordenada esté la data de entrada. |
| Mantenimiento | Recurrente | Las APIs cambian, los formatos cambian y el agente hay que ajustarlo. Un agente sin mantenimiento se degrada. |
Desconfiá de un precio cerrado dado antes de mirar tu operación. El rango real depende de la cantidad de sistemas a integrar y del estado de tus datos, y las dos cosas solo se saben mirando.
Cuándo NO conviene un agente
Los límites que casi nadie publica.
El proceso ya está resuelto con una regla simple
Si una automatización determinista lo cubre, meter un agente agrega costo y variabilidad sin beneficio. Más inteligencia no es mejor si el problema no la necesita.
El error es grave e irreversible y no se puede verificar
Transferencias, bajas de datos, comunicaciones a clientes sin revisión. Si no existe una forma automática de comprobar que la acción fue correcta, hace falta un humano en el medio o no va.
La data de entrada está desordenada
Si los documentos están sin normalizar y cada área tiene su propio formato, el proyecto real es de datos, no de IA. Un agente sobre datos sucios amplifica el desorden.
Nadie se va a hacer cargo de operarlo
Un agente necesita un dueño que mire los resultados y corrija el rumbo. Sin esa persona, se degrada en semanas y termina desconectado.
Agentes que operan hoy
Tres sistemas nuestros en producción, con lo que hacen y lo que se midió.
Sistema de agentes para SEO y GEO
Un sistema de agentes que investiga, escribe, audita y valida contenido optimizado para buscadores y para modelos de lenguaje, con validadores que cortan el proceso si el resultado no pasa. Ver el caso.
Generador de propuestas para una agencia de medios
Arma en minutos propuestas y media plans que antes llevaban horas de trabajo manual. Ver el caso.
Base de conocimiento con RAG sobre AWS
Una base de conocimiento privada con recuperación semántica, en producción para una empresa en Ecuador. Ver el caso.
En proyectos de automatización con métricas publicadas, los resultados medidos fueron 15 horas semanales recuperadas en gestión de inventario para farmacias y una reducción del 85% en el tiempo de armado de reportes para una agencia de marketing.
Preguntas frecuentes sobre agentes de IA
¿Qué es un agente de IA?+
¿En qué se diferencia un agente de IA de un chatbot?+
¿Un agente de IA es lo mismo que una automatización con n8n o Zapier?+
¿Qué necesita un agente de IA para funcionar en una empresa?+
¿Qué es MCP y por qué importa para los agentes?+
¿Cuánto cuesta operar un agente de IA?+
¿Cuándo NO conviene usar un agente de IA?+
¿Los agentes de IA reemplazan a las personas del equipo?+
¿Tenés un proceso que podría operar un agente?
La conversación útil no empieza por la herramienta, empieza por el proceso: cuál te está costando más horas o más errores hoy.
Cómo trabajamos
Arrancamos por un diagnóstico acotado que define qué automatizar primero y con qué tecnología, incluida la opción de que no haga falta un agente.
Artículos Relacionados
Agentes de IA con Claude Code: guía para empresas
La guía práctica: cómo se crean, cómo se conectan a tus sistemas y cómo se llevan a producción.
Subagentes en Claude Code
Cómo se reparte el trabajo entre varios agentes especializados y cuándo conviene.
RAG para empresas
Cómo se le da a un agente acceso al conocimiento propio de la empresa sin reentrenar un modelo.