- Un agente de IA es un modelo de lenguaje con un objetivo, herramientas para actuar sobre tus sistemas y reglas. Además de responder, consulta, comprueba, registra y avisa.
- La escalera es chatbot, asistente, agente. Cada escalón suma capacidad, coste y riesgo. Se elige el más bajo que resuelva el problema.
- Puede compensar cuando el proceso se repite, tiene reglas que se pueden describir y conecta con sistemas accesibles. Estima el esfuerzo actual y el coste de implantar, revisar y mantener la solución. Si no necesita decidir, puede bastar un flujo automático más sencillo.
- Un agente para producción lleva permisos mínimos, validaciones antes de escribir, confirmación humana en lo irreversible y registro de cada paso. Sin eso es una demo.
La búsqueda «agente de IA» prácticamente no existía en España hasta 2024 y en 2026 es una de las consultas sobre inteligencia artificial que más crecen en Google. La razón es sencilla: hasta ahora la IA en una empresa era algo que respondía preguntas, y ahora se vende como algo que hace el trabajo. Entre lo uno y lo otro hay un salto técnico real, y también mucha demo bonita que no aguanta un lunes de facturación. Este artículo va de separar las dos cosas.
Lo que cuesta la prisa ya está medido. Gartner publicó en junio de 2025 que más del 40% de los proyectos de IA agéntica se cancelarán antes de que acabe 2027, por costes que se disparan, valor de negocio difuso o controles de riesgo insuficientes. En esa misma nota la consultora pone nombre a la otra mitad del problema, el «agent washing»: rebautizar como agente lo que ya era un chatbot o un RPA. De los miles de proveedores que hoy se anuncian como agénticos, Gartner estima que unos 130 lo son de verdad.
Si quieres primero el mapa general de para qué sirve la IA en un negocio de la región, está en IA en una empresa de Cantabria: para qué sirve de verdad. Aquí bajamos a la pieza concreta.
Qué es un agente de IA (y qué no)
Un modelo de lenguaje, por sí solo, convierte texto en texto. Le das una pregunta y te devuelve una respuesta. Eso es un chatbot, y con eso no se registra una factura.
El agente es ese mismo modelo metido en un bucle con tres cosas más:
- Un objetivo escrito en lenguaje normal: «registra esta factura de proveedor si cuadra con su pedido; si no cuadra, avisa a compras».
- Herramientas: funciones concretas que el modelo puede invocar. Leer un PDF, buscar un pedido por referencia, crear un asiento, mandar un correo. Cada herramienta la programa alguien, con sus límites.
- Reglas y validaciones: qué puede hacer sin preguntar, qué necesita confirmación y qué no puede hacer nunca.
El modelo lee el objetivo, decide qué herramienta usar, mira el resultado, decide el siguiente paso, y así hasta terminar o hasta toparse con algo que no puede resolver solo. Esa capacidad de encadenar pasos y reaccionar a lo que encuentra es lo que lo distingue de un flujo automático clásico, que sigue siempre el mismo camino.
Lo que no es un agente: un chatbot con un nombre nuevo, una macro con un modelo por detrás, ni un sistema que «aprende solo» de tu empresa. El modelo no aprende nada entre ejecuciones salvo que alguien lo entrene a propósito, y en la mayoría de casos de empresa no hace falta ni conviene (el porqué está en RAG vs fine-tuning).
Chatbot, asistente, agente: la escalera
Conviene tener los tres escalones claros porque el precio, el riesgo y el mantenimiento suben en cada uno.
| Chatbot | Asistente | Agente | |
|---|---|---|---|
| Qué hace | Responde en una conversación | Puede responder con apoyo documental y mostrar referencias, si se implementa esa función | Recibe un objetivo y ejecuta pasos sobre tus sistemas |
| De dónde saca la información | De lo que sabe el modelo | De tus documentos (RAG) | De tus documentos y de tus sistemas (API, base de datos, correo) |
| Puede modificar datos | No | No | Sí, con permisos acotados |
| Riesgo principal | Dar información incorrecta | Citar un documento que no viene al caso o responder sin base suficiente | Ejecutar una acción equivocada |
| Control necesario | Revisar respuestas según el uso | Comprobar búsquedas, referencias y permisos | Permisos, validaciones, confirmación humana y registro |
| Cuándo basta | Consultas genéricas sin datos propios | Preguntas sobre información propia que cambia | Procesos que exigen decidir y actuar |
La regla que aplicamos en Ignira: el escalón más bajo que resuelva el problema. Un despacho que quiere encontrar cláusulas en sus contratos necesita un asistente, no un agente. Una distribuidora que quiere que los pedidos por correo acaben en su programa de gestión sin que nadie los teclee necesita un agente, o algo muy parecido.
Qué hace un agente en una pyme: tres ejemplos concretos
Lectura y preparación del registro de facturas
Llega un PDF por correo. El sistema extrae proveedor, número, fecha, líneas e importes; busca el pedido correspondiente y comprueba las cantidades y los precios. Si las reglas se cumplen, puede preparar el registro en el programa de facturación; si encuentra una diferencia, la deriva a una persona. Las comprobaciones y el nivel de automatización dependen de los documentos y del sistema conectado. El flujo completo está en Automatizar la entrada de facturas con IA y en la página de facturas de proveedor.
Pedidos que llegan por correo en cualquier formato
Un cliente manda «ponme lo de siempre pero el doble de la referencia 4412» y otro adjunta una hoja de cálculo. El agente interpreta el correo, resuelve «lo de siempre» consultando el histórico, comprueba stock y tarifas del cliente, prepara el pedido en el sistema y devuelve una confirmación con lo entendido. Si hay ambigüedad real (dos referencias posibles, una cantidad rara), pregunta antes de crear nada.
Incidencias que se clasifican y escalan
En un ejemplo hipotético, el sistema clasifica cada aviso (correo, formulario o llamada transcrita) por tipo y urgencia, comprueba si hay un contrato vigente y prepara un parte para que lo revise una persona. El tiempo de revisión dependerá del proceso y debe medirse antes y después de implantarlo. Si lo que buscas es contestar a los clientes (responder correos y mensajes de WhatsApp, atender llamadas), ese caso tiene su propia página: asistente de IA para correos, WhatsApp y llamadas.
Los tres tienen algo en común: el proceso ya existía, ya estaba documentado (aunque fuera en la cabeza de alguien) y tocaba sistemas a los que se puede acceder por API o base de datos. Sin esas condiciones no hay agente que valga.
Cuándo compensa: cinco condiciones
Antes de presupuestar nada, en la primera llamada comprobamos estas cinco. Si fallan dos, lo normal es que la respuesta correcta no sea un agente.
- Se repite lo suficiente para medirlo. Estima cuánto tiempo requiere hoy, cuántas excepciones aparecen y qué esfuerzo añadido implicaría automatizarlo y revisarlo. No hay un umbral de horas que sirva para todos los procesos.
- Tiene reglas razonablemente estables. Pueden ser complejas, pero no cambiar cada semana. Un agente ejecuta reglas; no las inventa bien.
- Los sistemas se dejan tocar. API, base de datos accesible o, como mínimo, un buzón y una carpeta. Un programa que solo se maneja a golpe de ratón es una mala base.
- Hay excepciones que necesitan criterio. Si no las hay, un flujo automático clásico (sin modelo de lenguaje) lo hace igual de bien, más barato y sin sorpresas. La comparación entre herramientas visuales y desarrollo a medida está en Automatizar procesos en una pyme: no-code o a medida.
- Alguien se va a encargar. Revisar excepciones, ajustar reglas y consultar el registro cuando algo falla. Sin una persona responsable, el agente puede quedarse atrás cuando cambian los sistemas o el proceso.
Los riesgos reales y cómo se controlan
Un agente que puede escribir en tus sistemas puede escribir mal en tus sistemas. Por eso las cuatro piezas de arriba no se negocian.
- Permisos mínimos. El agente que registra facturas no tiene permiso para pagarlas. Cada herramienta expone solo la acción que necesita, y las credenciales son suyas, separadas de las de cualquier persona.
- Validaciones deterministas antes de escribir. El modelo interpreta; el código comprueba. Que los importes cuadren, que la referencia exista, que la fecha sea plausible, que el proveedor esté dado de alta. Todo eso se valida con reglas normales, porque una regla no tiene días malos.
- Confirmación humana en lo irreversible. Pagar, enviar a un cliente, borrar, cerrar un pedido. Ahí el agente prepara y una persona aprueba. Con el tiempo se puede dejar que lo rutinario pase sin aprobación (importes pequeños, proveedores habituales), pero solo cuando los datos lo justifican.
- Registro de cada paso. Qué leyó, qué decidió, qué herramienta llamó, qué devolvió. Sirve para revisar errores, para auditar y para mejorar las reglas. Si el agente no deja rastro, nadie puede encargarse de él.
Hay un quinto punto que no es de seguridad sino de dinero: el coste por ejecución. Un agente consume tokens en cada paso, y un proceso mal acotado puede dar vueltas. Se controla limitando pasos, cortando conversaciones y midiendo el coste por operación desde la primera semana, igual que se mide el tiempo ahorrado.
Qué dicen la AEPD y el Reglamento europeo de IA
La Agencia Española de Protección de Datos publicó en febrero de 2026 la versión 1.2 de sus orientaciones sobre IA agéntica desde la perspectiva de protección de datos. Entre sus medidas figuran ajustar la autonomía del agente al riesgo del tratamiento, con intervención humana obligatoria cuando el impacto es alto, limitar los privilegios de las herramientas, poder revertir las acciones que modifiquen datos personales y conservar la trazabilidad. Es el reparto de controles de la sección anterior, visto desde el regulador.
El Reglamento europeo de IA suma una obligación para los agentes que hablan con personas. Su artículo 50 exige que esos sistemas informen de que son una IA, salvo que el contexto lo haga evidente, y se aplica desde el 2 de agosto de 2026. El ómnibus digital (Reglamento (UE) 2026/1744, en vigor desde el 27 de julio de 2026) no aplazó esa fecha, pero sí movió al 2 de diciembre de 2027 las obligaciones de los sistemas de alto riesgo del anexo III, según el calendario de la Comisión Europea. Si tu agente trata datos personales o decide sobre personas, pide una revisión jurídica antes de ponerlo en marcha.
¿n8n, Make o desarrollo a medida?
Las herramientas visuales de automatización (n8n, Make, Zapier) han incorporado nodos de IA y permiten montar algo parecido a un agente sin programar. Para probar una idea o para flujos sencillos entre aplicaciones conocidas, son una opción razonable, y si tu caso se resuelve así y te sale más barato, te lo decimos.
Donde dejan de compensar es donde entran las cuatro piezas de arriba: validaciones con reglas de negocio propias, permisos finos por herramienta, confirmación humana integrada en tu forma de trabajar y un registro que puedas auditar. Ahí el flujo visual se convierte en un enredo de nodos que nadie quiere tocar, y la lógica importante acaba viviendo en cajas de código dentro de la herramienta. En ese punto es más limpio escribirlo como software propio: el proceso queda como código, con sus pruebas, corre en infraestructura europea, no paga por ejecución y es tuyo.
La regla práctica: si la lógica de negocio cabe en una servilleta, herramienta visual. Si necesita una hoja, a medida.
Datos en Europa
Un agente ve datos de proveedores, clientes y empleados. Antes de la primera línea de código hay que decidir tres cosas: qué modelo se usa y desde dónde se sirve, qué datos ve el modelo (y cuáles se enmascaran antes), y qué se guarda del registro y durante cuánto tiempo.
Se puede configurar el servicio para que las peticiones se procesen dentro de una región geográfica europea cuando el proveedor, el modelo y la función lo permiten. En Amazon Bedrock, un perfil geográfico de la UE puede encaminar solicitudes entre regiones europeas compatibles; un perfil global puede usar otras regiones. Comprueba el alcance para el modelo concreto, además de almacenamiento, registros, soporte y contrato. Que las peticiones se procesen en Europa no determina por sí solo el recorrido de todos los datos. El detalle de proveedores está en Datos en Europa: alternativas RGPD.
Un proceso, uno solo, medido antes y después
Un agente se implanta por un proceso, uno solo: el que más horas se come y mejor cumple las cinco condiciones. Se mide cuánto cuesta hoy (horas, errores, retrasos), se monta el agente para ese proceso con las cuatro piezas de control, se pone en marcha en paralelo con la forma actual durante unas semanas y se compara. Si funciona, se abre el siguiente. Si no, se ha aprendido barato.
Es la forma en la que trabajamos la implantación de IA y automatizaciones desde Torrelavega con empresas del norte, y la página de inteligencia artificial para empresas en Cantabria resume cómo: acotar, construir, medir antes y después, y entregarte al final el código y la documentación. Lo demás es humo, y el humo se nota el primer lunes de facturación.