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

¿Qué es un agente de IA?

Un agente de IA es un sistema que usa un modelo de lenguaje para cumplir una tarea por su cuenta, en nombre de alguien. La guía práctica de OpenAI para construir agentes lo define como un sistema que realiza tareas de forma independiente en tu nombre, y aclara qué no es un agente: los chatbots simples, los modelos que responden una sola vez o los clasificadores de opiniones usan IA, pero no controlan la ejecución del trabajo.

Anthropic propone una distinción útil para un gerente. En los flujos de trabajo, el modelo y las herramientas siguen caminos definidos de antemano en el código. En los agentes, el modelo dirige de forma dinámica sus propios pasos y decide qué herramienta usar. En la práctica, muchos procesos de una empresa combinan ambos: un camino fijo para lo previsible y un agente para entender documentos, conversaciones y excepciones.

Un ejemplo en Ecuador: el agente recibe el XML de una factura de proveedor, busca la orden de compra en el ERP, compara cantidades y precios, registra la factura si todo cuadra y, si no, escribe al responsable explicando qué no coincide. No conversa por conversar: termina una tarea y deja registro de lo que hizo.

¿En qué se diferencia un agente de IA de un chatbot y de un RPA?

Los tres automatizan, pero de forma muy distinta. La diferencia práctica está en si entienden lenguaje libre, si actúan en tus sistemas y qué hacen cuando aparece un caso que nadie previó.

El RPA (automatización robótica de procesos) sigue siendo útil: según IBM, sus robots solo pueden seguir los procesos que definió el usuario, lo que lo hace confiable para tareas estables. El agente agrega comprensión de documentos y conversaciones. Las comparaciones completas están en chatbot o agente de IA y en RPA o IA agéntica.

¿Cómo funciona un agente de IA por dentro?

La guía de OpenAI describe tres componentes básicos: el modelo, que razona y decide; las herramientas, funciones o API que le permiten actuar; y las instrucciones, que fijan cómo debe comportarse y cuáles son sus límites. En una empresa conviene agregar dos piezas más: los datos que consulta y los permisos que tiene.

OpenAI clasifica las herramientas en tres tipos: de datos (consultar el CRM o una base de datos, leer un PDF), de acción (actualizar un registro, enviar un mensaje, pasar un caso a una persona) y de orquestación, cuando un agente usa a otros agentes como herramientas.

El funcionamiento es un ciclo: el agente recibe la tarea, decide el siguiente paso, usa una herramienta, revisa el resultado y repite hasta terminar. Según la misma guía, un buen agente reconoce cuándo completó el trabajo, corrige sus acciones si hace falta y, si falla, detiene la ejecución y devuelve el control a una persona.

Para conectar agentes con sistemas se impuso un estándar abierto: el Model Context Protocol (MCP), que Anthropic presentó en noviembre de 2024 como una forma estándar de conectar asistentes de IA con los sistemas donde viven los datos. En diciembre de 2025, Anthropic lo donó a una fundación de la Linux Foundation cofundada con Block y OpenAI, e informó que ya había más de 10.000 servidores MCP públicos activos y que lo usaban productos como ChatGPT, Gemini y Microsoft Copilot.

Ejemplos de agentes de IA por área

Estos son usos típicos en medianas y grandes empresas, con lo que decide el agente, lo que sigue en manos de una persona y cómo se mide.

¿Cuáles son los agentes de IA más utilizados?

La encuesta global de McKinsey de 2026, con 1.719 participantes de 97 países, da una foto clara. Los chatbots siguen siendo la herramienta de IA más extendida: el 47 % de los encuestados dice que su organización ya los escala en toda la empresa. Cerca de dos de cada diez reportan escalar agentes de IA, una proporción similar a la de agentes de programación. El salto está en las empresas grandes, con ventas de más de USD 1.000 millones: el 40 % escala agentes en al menos una función, frente al 27 % un año antes, mientras que en las más pequeñas la cifra se quedó en 22 %.

Por tipo, los agentes que encontrarás en el mercado son de cuatro clases:

• Agentes dentro de los asistentes de uso general, para tareas personales como investigar o preparar documentos.
• Agentes dentro del software empresarial. Gartner prevé que el 33 % de las aplicaciones de software empresarial incluirá IA agéntica en 2028, frente a menos del 1 % en 2024.
• Agentes de programación. Según McKinsey, el 32 % de los encuestados dice que su organización decidió no comprar al menos un producto o función de software porque pudo construirlo internamente con estas herramientas.
• Agentes a medida conectados a tus sistemas, para procesos que cruzan el ERP, el SRI, el banco o WhatsApp.

Gartner también estima que al menos el 15 % de las decisiones de trabajo del día a día se tomará de forma autónoma mediante IA agéntica en 2028, cuando en 2024 era 0 %.

¿Qué tipo de IA usan las empresas?

Cuatro familias, que muchas veces trabajan juntas:

La adopción ya es amplia, aunque el valor llega a pocos. McKinsey reporta que casi nueve de cada diez encuestados usan IA con regularidad en al menos una función y que el 56 % la usa en tres o más. En Ecuador, la encuesta de CEO de PwC muestra que el 46 % de los CEO todavía no percibe cambios en ingresos ni costos por la IA.

¿Cómo conseguir un agente de IA para tu empresa?

Hay tres caminos, y la elección depende de cuántos sistemas cruza el proceso.

El informe del MIT NANDA encontró que las alianzas con proveedores externos llegaron a producción en cerca del 67 % de los casos, frente a cerca del 33 % de los desarrollos internos, según lo declarado por los entrevistados. Pero elige con cuidado: Gartner estima que solo unos 130 de los miles de proveedores que dicen vender IA agéntica lo son de verdad, y llama agent washing a rebautizar asistentes, RPA o chatbots como agentes. Advise trabaja en el tercer camino: integra la data de la empresa con IA y deja cada proceso funcionando, medido y en producción. Para decidir entre construir y contratar, revisa desarrollar IA internamente o con un proveedor.

¿Qué riesgos tienen los agentes de IA y cómo se supervisan?

Un agente actúa, y por eso sus errores cuestan más que los de un chat. Los riesgos principales están bien documentados:

• Instrucciones ocultas. La inyección de instrucciones (prompt injection) encabeza el Top 10 de OWASP para aplicaciones con modelos de lenguaje de 2025: un correo o un PDF que el agente lee puede traer órdenes disfrazadas que alteran su comportamiento.
• Permisos excesivos. La misma lista incluye la «agencia excesiva», es decir, darle al sistema más permisos o autonomía de los que la tarea necesita.
• Costos y errores que se acumulan. Anthropic advierte que la autonomía de los agentes implica costos más altos y la posibilidad de errores que se encadenan, y recomienda pruebas extensas en entornos aislados, con barreras de control.
• Proyectos que no llegan. Gartner prevé que más del 40 % de los proyectos de IA agéntica se cancelará hasta fines de 2027 por costos crecientes, valor poco claro o controles de riesgo insuficientes.

En Ecuador hay además obligaciones legales. El artículo 20 de la Ley Orgánica de Protección de Datos Personales protege a las personas frente a decisiones basadas única o parcialmente en valoraciones automatizadas que produzcan efectos jurídicos o afecten sus derechos. Y la norma general de la Superintendencia de Protección de Datos Personales sobre sistemas de IA, reformada en septiembre de 2026, pide incluir en el registro de actividades de tratamiento las decisiones automatizadas que generen impactos jurídicos o afecten derechos y libertades.

Los controles que sí funcionan:

1. Permisos mínimos por rol: el agente ve y toca solo lo que su tarea necesita.
2. Aprobación humana para lo irreversible: la guía de OpenAI recomienda la intervención humana ante acciones sensibles, irreversibles o de alto impacto, y cuando el agente supera un límite de fallos.
3. Límites explícitos: montos máximos, número de intentos y horarios.
4. Registro de cada acción: qué leyó, qué decidió y qué hizo, para auditar.
5. Pruebas antes de producción: con datos reales, en un entorno aislado y en paralelo al proceso actual.
6. Un indicador de negocio: si el agente no mueve el número acordado, se corrige o se apaga.

Sobre el costo, ten en cuenta que un agente consume bastante más que una consulta simple: Anthropic reporta que sus agentes usan cerca de 4 veces más tokens que una conversación. El detalle de precios está en cuánto cuesta implementar inteligencia artificial.