Índice9
- 01¿Qué distingue a un agente en producción de una demo?
- 02¿Qué muestra el caso Klarna sobre la calidad del servicio?
- 03¿Quién responde de lo que dice un asistente de IA? El caso Air Canada
- 04¿Qué nos enseña Project Vend, la tienda gestionada por agentes?
- 05¿Cómo evaluó la administración británica su herramienta antes de abrirla?
- 06¿Qué hacemos funcionar nosotros mismos?
- 07¿Cómo evaluar un agente antes de abrirlo a todo el equipo?
- 08Por dónde empezar
- 09Preguntas frecuentes
Un agente de IA en producción ya tiene poco que ver con la demo que llevó a adoptarlo: la demo muestra lo que sabe hacer una vez, delante de alguien que lo mira; la producción exige que lo haga cada día, sin espectadores. Esta guía de nuestra sección IA empresarial, privada y a su justo coste describe lo que permite pasar de una a otra, con cuatro casos públicos y lo que hacemos funcionar nosotros mismos. Para la definición, lea primero lo que es un agente de IA y lo que no es.
En resumen
- Un agente se convierte en producto con un responsable, límites por escrito y una medición de partida.
- En Klarna, priorizar el coste hizo bajar la calidad, según reconoce su consejero delegado.
- Air Canada fue declarada responsable de lo que afirmaba su chatbot.
- En Anthropic, unos agentes mejoraron con procedimientos, sin poder prescindir de personas.
- En nuestra casa, los agentes preparan y una persona valida lo que compromete o se publica.
¿Qué distingue a un agente en producción de una demo?
Una demo responde a una pregunta: ¿funciona? La producción añade dos: quién se ocupa cuando el agente se equivoca, y cómo saber que lo hace mejor que antes. Las respuestas caben en siete elementos, que hay que poner por escrito antes de la apertura:
- un responsable designado, del lado del negocio, que responde de los resultados;
- un alcance por escrito: lo que el agente hace solo, lo que hace validar, lo que no hace nunca;
- un presupuesto por tarea, con una parada limpia una vez alcanzado;
- una medición de partida del tiempo dedicado y de los errores;
- una escalada: el usuario sabe cómo contactar con una persona, el agente sabe cuándo cederle el paso;
- versiones del modelo y de las instrucciones, que se pueden deshacer;
- un registro de lo que el agente ha leído, decidido y hecho.
La guía Building effective agents de Anthropic, el editor de los modelos Claude, describe dos de ellos (traducción nuestra): un agente puede detenerse «para obtener la opinión de una persona en puntos de control o cuando encuentra un obstáculo», y necesita «condiciones de parada (como un número máximo de iteraciones)».
¿Qué muestra el caso Klarna sobre la calidad del servicio?
El medio especializado CX Dive reconstruyó el caso en mayo de 2025. En febrero de 2024, la empresa de pagos Klarna estimaba que su asistente de IA hacía un trabajo equivalente al de 700 agentes de atención al cliente. Presentaba también el balance del primer mes del asistente:
de conversaciones atendió el asistente ya en su primer mes, dos tercios de las del servicio de atención al cliente
era el tiempo medio de resolución de las conversaciones tratadas por el asistente
En mayo de 2025, el consejero delegado de Klarna, Sebastian Siemiatkowski, declaraba a Bloomberg que el coste parecía haber sido un criterio de evaluación «demasiado predominante», con «una calidad inferior» como resultado. Desde entonces, Klarna vuelve a contratar agentes: el cliente debe saber, dice su consejero delegado, que habrá «siempre una persona, si usted lo desea».
El asistente se ha quedado: según una portavoz, seguía tratando dos tercios de las solicitudes, con tiempos de respuesta mejorados en un 82 % desde su lanzamiento y un 25 % menos de problemas recurrentes. La lección tiene que ver con la medición: un agente juzgado ante todo por su ahorro se ajustará para ahorrar, y la calidad solo se defiende si también se mide.
¿Quién responde de lo que dice un asistente de IA? El caso Air Canada
A principios de 2024, un tribunal de Columbia Británica, en Canadá, resolvió un litigio que el bufete McCarthy Tétrault resume en una nota del 19 de febrero de 2024. El chatbot de Air Canada había dado a entender a un pasajero que podría solicitar después de su compra la tarifa reducida prevista en caso de duelo, cuando la aerolínea exigía una solicitud previa. Air Canada sostenía que su chatbot era una entidad jurídica distinta, responsable de sus propios actos. El tribunal rechazó el argumento y la declaró responsable: la compañía responde «de toda la información de su sitio web», venga «de una página estática o de un chatbot», y no había tomado precauciones razonables para asegurarse de la exactitud del suyo.
Un chatbot que informa ya compromete a la empresa; un agente que actúa la compromete aún más. El que habla al público debe apoyarse en fuentes que usted controla y decir cuándo no sabe, como nuestro asistente de IA sobre sus documentos. Lo que una IA puede decidir sola frente a una persona tiene también límites legales: vea Decisión automatizada: ¿puede la IA decidir sola?.
¿Qué nos enseña Project Vend, la tienda gestionada por agentes?
En 2025, Anthropic confió, junto con la empresa Andon Labs, una pequeña tienda automática de sus oficinas a un agente llamado Claudius. Tras una primera fase fallida, que contamos en lo que un agente de IA no es, la segunda, publicada el 18 de diciembre de 2025, describe el intento de enderezar la situación.
El equipo cambió de modelo, añadió herramientas, entre ellas un CRM, y pidió a Claudius que volviera a comprobar precios y plazos con sus herramientas de búsqueda en cada solicitud de producto, lo que «ayudó mucho». Se le unió un agente director, Seymour Cash: tras su llegada, el número de descuentos bajó alrededor de un 80 % y el de artículos regalados, a la mitad. Pero aceptaba unas ocho veces más a menudo de lo que rechazaba los gestos comerciales que Claudius le pedía para los clientes: si la tienda empezó a ganar dinero, quizá fue «a pesar del director, más que gracias a él». A lo largo de esa fase, las semanas con margen negativo desaparecieron en gran parte.
El pasaje que retenemos:
Una forma de verlo es que redescubrimos que la burocracia importa. Aunque algunos puedan torcer el gesto ante los procedimientos y las listas de control, existen por una razón: proporcionan una especie de memoria institucional que ayuda a los empleados a evitar los errores habituales en el trabajo.
Un agente en producción sale ganando si recibe los procedimientos de un nuevo empleado; un agente supervisor no los sustituye. Claudius mejoró, concluye Anthropic, pero «sigue siendo vulnerable en muchos aspectos importantes», y los agentes siguieron necesitando mucho apoyo humano.
¿Cómo evaluó la administración británica su herramienta antes de abrirla?
En 2025, el Gobierno británico probó Consult, una herramienta de IA generativa que analiza las respuestas a las consultas públicas. Según su comunicado del 14 de mayo de 2025, la herramienta extrajo los temas de más de 2.000 respuestas a una consulta escocesa; unos expertos los verificaron y afinaron, y después la herramienta clasificó en ellos cada respuesta. Coincidía con el análisis humano «la mayor parte del tiempo», con una puntuación F1 de 0,76, una medida habitual de concordancia. El Gobierno estima que podría ahorrar unos 75.000 días de análisis al año, es decir, 20 millones de libras en gastos de personal: una proyección, para una herramienta «todavía en pruebas».
Consult no es un agente, pero su método vale para cualquier agente: medirlo frente al trabajo humano, con casos reales, antes de abrirlo, y distinguir lo medido de lo estimado.
¿Qué hacemos funcionar nosotros mismos?
Nuestros ejemplos proceden de nuestras herramientas internas y de un portal que operamos para un cliente: decisiones de diseño, no ganancias medidas.
Un agente en la mensajería del equipo
Se envía la foto de un recibo por Telegram; nuestro agente de registro contable extrae el proveedor, el importe y el IVA, y archiva el justificante. Unos controles verifican los duplicados, la coherencia de los importes y un umbral de confianza antes de cualquier asiento; queda un gesto humano, validar la ficha con un botón. En producción desde julio de 2026, forma parte de las herramientas que hacemos funcionar nosotros mismos, y vive en la mensajería, como nuestros bots de Telegram o WhatsApp para su negocio.
Un motor SEO que prepara, una persona que publica
El posicionamiento de este sitio sigue el mismo reparto.
Quién hace qué en el motor SEO de este sitio
- El escaneo, sin IA
Cada día, la lectura de Google Search Console establece la cola de trabajo (búsquedas al alcance de la primera página, tasas de clic que reparar, páginas que retroceden).
- Los agentes, cada semana
Cuatro agentes especializados toman de la cola y entregan como máximo dos contenidos por pasada, en borrador, en una copia de trabajo separada del sitio.
- La revisión, por una persona
Alguien revisa y después publica. Nada sale solo.
Esta regla de revisión procede de tres contenidos inventados que un modelo había publicado en un sitio que operamos para un cliente.
Nuestra primera pasada sin supervisión, el 30 de agosto de 2026, no produjo nada: el agente que la dirigía hizo una pregunta en lugar de decidir, y no había nadie para responder. Desde entonces, su instrucción prohíbe cualquier pregunta a mitad de camino: el momento de la persona es la revisión.
Una traducción que cambió de proveedor
En Palmora Property, un portal inmobiliario que operamos, la traducción a seis idiomas no se confía a un agente: es un paso de IA en una cadena ajustada, con glosario, caché persistente y control de paridad. El cambio de proveedor dividió allí el coste por 60, y el 95 % de los segmentos salen de la caché sin volver a llamar a la IA. Aísle así el paso de IA: el día en que baste un modelo más barato, se sustituye sin tocar el resto.
Ninguna de estas herramientas ha recibido una misión amplia: cada una tiene una tarea acotada, alojada en una herramienta que el equipo ya utiliza.
¿Cómo evaluar un agente antes de abrirlo a todo el equipo?
La evaluación se hace en cuatro tiempos, dos de ellos precauciones propias de los agentes:
- Probar.
Pruebe varios modelos con sus casos reales, incluidos los difíciles: nuestra guía para evaluar un modelo de IA antes de ponerlo en producción da el método, y nuestra oferta IA a su justo coste compara de 3 a 5 modelos con 20 a 30 muestras de sus contenidos.
- Fijar el umbral.
Acuerde con el negocio la tasa de error aceptable.
- Abrir progresivamente.
Empiece con una o dos personas que conozcan la tarea, con una revisión a los 30 días.
- Cuantificar.
Calcule el coste por tarea, llamadas repetidas al modelo incluidas, como explica nuestra guía sobre el coste de la IA en la empresa.
Por dónde empezar
Compruebe primero que necesita un agente: Anthropic recomienda añadir sistemas agénticos de varios pasos solo cuando las soluciones más sencillas no bastan, y nuestro artículo Automatización sin IA: cuando basta una regla ayuda a hacer la selección. Si el agente está justificado, designe a su responsable y redacte su alcance antes de la primera línea de código: los proyectos de IA rentables son ante todo proyectos de organización, como muestra nuestro análisis de la rentabilidad de la IA en la empresa. Para elegir la tarea, nuestra auditoría de madurez digital e IA sirve para saber qué automatizar antes de gastar, con un GO o un NOGO por escrito para cada proyecto. Para lo que sigue, de los datos a la elección del modelo y su coste, nuestra guía para integrar la IA en la empresa toma las decisiones en orden.
Preguntas frecuentes
¿Quién es responsable cuando un agente de IA se equivoca?
Frente a los clientes, la empresa que lo pone en servicio. A principios de 2024, en Canadá, Air Canada sostuvo que su chatbot era una entidad distinta, responsable de sus actos; el tribunal respondió que respondía de toda la información de su sitio web, chatbot incluido. Internamente, designe a una persona que responda del agente: fija su alcance, sigue sus errores y puede suspenderlo.
¿Hace falta siempre una persona para validar lo que hace un agente de IA?
No para todo, pero sí para lo que es difícil de deshacer. Un agente puede clasificar o preparar solo. Para las acciones sensibles, n8n permite exigir la aprobación de una persona antes de que un agente use una herramienta concreta, y su documentación cita como ejemplo el borrado de datos, el envío de comunicaciones externas y las compras. El workflow se detiene entonces, y un rechazo anula la acción.
¿Puede un agente de IA gestionar solo un servicio de atención al cliente?
Una parte, sí. En Klarna, el asistente seguía tratando dos tercios de las solicitudes en 2025, pero el consejero delegado reconoció que una organización demasiado centrada en el coste había hecho bajar la calidad, y la empresa vuelve a contratar agentes humanos. Prevea desde el principio cómo contacta un cliente con un agente y qué solicitudes debe transmitir el agente de IA sin intentar responderlas.
¿Cómo saber si un agente de IA es realmente rentable?
Comparándolo con una medición tomada antes de su llegada, sobre el tiempo dedicado y los errores. Cuente también lo que añade, como la revisión y la corrección de sus errores. Sin medición de partida, ninguna ganancia se puede demostrar. Nuestro análisis de la rentabilidad de la IA en la empresa explica por qué tantos proyectos tardan en ser rentables.
Fuentes
- Building effective agents (nueva pestaña)anthropic.com
- CX Dive reconstruyó el caso en mayo de 2025 (nueva pestaña)customerexperiencedive.com
- Resume en una nota del 19 de febrero de 2024 (nueva pestaña)mccarthy.ca
- Segunda, publicada el 18 de diciembre de 2025 (nueva pestaña)anthropic.com
- Comunicado del 14 de mayo de 2025 (nueva pestaña)gov.uk
- Exigir la aprobación de una persona antes de que un agente use una herramienta concreta (nueva pestaña)docs.n8n.io
CX Dive reconstruyó el caso en mayo de 2025
Leer en customerexperiencedive.com(nueva pestaña)Exigir la aprobación de una persona antes de que un agente use una herramienta concreta
Leer en docs.n8n.io(nueva pestaña)Jim · fundador de Brain Plus AI
Más artículos sobre ia empresarial
Entender10 min
Agente de IA: lo que es y lo que no es
Un agente de IA elige por sí mismo sus pasos y sus herramientas para alcanzar un objetivo. Es útil en tareas abiertas, pero no es ni un chatbot con otro nombre ni la respuesta por defecto a cada automatización.
Guía práctica10 min
Evaluar un modelo de IA antes de ponerlo en producción
Las clasificaciones públicas no dicen si un modelo hará bien su trabajo. Esta guía da un método para probarlo con sus propias tareas: criterios cifrados, ejemplos reales, puntuación, coste y una nueva prueba en cada cambio de modelo.
Tomar perspectiva4 min
¿Sustituirá la IA al desarrollador? Lo verdadero y lo falso
Un debate se repite sin fin: la IA genera el código, pero solo un humano decide si debe existir. Enfrente, se responde que ya nadie lee el ensamblador. Ambos bandos aciertan en un punto y fallan en el mismo. Nuestro análisis y nuestra posición.