Los agentes de IA no son solo para escribir código (y ahí está el error de cómo los estás usando)

La mayoría de las empresas medianas asocia 'agente de IA' con programadores. La oportunidad real está en aplicarlos a tareas de negocio, sin equipo técnico.

Cuando la mayoría de los decisores de empresas medianas escucha “agente de IA”, piensa en un desarrollador con Copilot o Cursor abiertos, escribiendo código más rápido. Es una imagen incompleta, y esa incompletitud le está costando a muchas empresas una oportunidad que ya está disponible hoy, sin equipo técnico de por medio.

Un agente de IA, en el fondo, no es una herramienta de programación. Es un sistema que lee una tarea, la divide en pasos, ejecuta cada paso con las herramientas que tiene a mano, y revisa su propio resultado antes de entregarlo. Eso describe exactamente lo que hace un buen asistente administrativo — solo que a otra velocidad y sin cansarse en la tarea número doscientos.

El problema: la oportunidad se quedó encerrada en el equipo técnico

La narrativa dominante de los últimos dos años puso a los agentes de IA en manos de programadores. Tiene sentido: ahí nació la tecnología, ahí están los casos de uso más visibles (autocompletar código, revisar pull requests, generar tests). Pero esa misma narrativa dejó a la mayoría de las empresas medianas pensando que “agentes de IA” es un tema de IT, no un tema que les compete a ellos directamente.

El resultado es previsible: mientras el equipo de desarrollo (si es que existe uno interno) experimenta con estas herramientas, el resto de la empresa sigue haciendo a mano exactamente el tipo de trabajo que un agente resuelve mejor — ordenar información dispersa, clasificar, resumir, cruzar datos de fuentes distintas. La carpeta de correos sin clasificar. El reporte semanal armado a mano cruzando tres Excel. El contrato que hay que revisar cláusula por cláusula antes de firmar. Nada de eso requiere escribir una línea de código, y sin embargo se sigue haciendo como si la única forma de aprovechar la IA fuera contratar ingenieros.

Ese desfase tiene un costo concreto, aunque casi nunca se mida. Cada hora que una persona con criterio de negocio pasa clasificando correos o copiando números entre planillas es una hora que no está dedicando a lo que realmente requiere su experiencia: negociar mejor, detectar un problema antes de que escale, atender a un cliente que necesita algo específico. La empresa no está “ahorrando” nada por no automatizar esas tareas — está pagando el salario completo de una persona calificada por hacer trabajo que no necesita esa calificación.

Qué es realmente un agente aplicado a tareas de negocio

La diferencia entre un chatbot tradicional y un agente es simple pero importante: un chatbot responde una pregunta. Un agente ejecuta una tarea de varios pasos de forma autónoma, usando herramientas — leer un archivo, buscar información, escribir un resultado, verificar que tenga sentido — hasta completarla.

Aplicado a negocio, eso se traduce en cosas muy concretas:

• Clasificar y resumir información dispersa. Correos, contratos, notas de reuniones, tickets de soporte — un agente puede leer cientos de documentos, extraer lo relevante y entregarlo organizado, en el formato que la empresa necesite.
• Cruzar fuentes que hoy se cruzan a mano. El reporte que alguien arma cada semana copiando números de tres sistemas distintos es exactamente el tipo de tarea mecánica que un agente ejecuta sin errores de copiado.
• Redactar primeras versiones, no la versión final. Un borrador de contrato, un resumen ejecutivo, una respuesta a un cliente — el agente hace el primer 80%, una persona revisa y ajusta el 20% que requiere criterio humano.
• Revisar contra reglas conocidas. Validar que una factura coincida con una orden de compra, que un contrato tenga las cláusulas estándar, que un reporte no tenga números que no cuadran — trabajo de verificación repetitivo, ideal para un agente.

Ninguna de estas tareas requiere integrar nada al ERP ni armar un pipeline de datos complejo. Requiere, en la mayoría de los casos, explicarle al agente en lenguaje natural qué información buscar y cómo organizarla — de forma parecida a como se lo explicarías a alguien que empieza en el puesto.

Por qué esto no es “la IA lo hace todo sola”

Vale la pena ser honesto sobre los límites. Un agente aplicado a tareas de negocio no reemplaza el criterio de quien conoce la empresa — reemplaza el trabajo mecánico de ordenar y cruzar información que, hasta ahora, tenía que hacer una persona a mano antes de poder aplicar ese criterio.

Es una distinción importante porque cambia qué esperar del resultado. En un caso real que hemos visto de cerca, una empresa con tres años de correos de proveedores sin ningún orden le apuntó un agente a esa carpeta para armar un resumen del estado de cada relación comercial. El resultado no fue perfecto de entrada — hubo un puñado de casos ambiguos que requirieron revisión humana — pero lo que hubiera tomado dos semanas completas de trabajo manual quedó armado en una tarde, con una persona revisando solo las excepciones. Esa combinación (el agente hace el volumen, una persona revisa el criterio) es la que funciona en la práctica, no la fantasía de “cero intervención humana”.

¿Cuándo aplica esto y cuándo no?

Aplica bien cuando la tarea es repetitiva, involucra volumen de información (muchos correos, muchos documentos, muchas filas) y tiene reglas relativamente claras aunque no estén escritas formalmente. Clasificar, resumir, cruzar, validar contra un criterio conocido — ahí un agente genera valor rápido y con poco riesgo.

No aplica todavía, o aplica con mucha más cautela, cuando la tarea requiere juicio de negocio genuino sin un criterio claro de referencia — decidir una estrategia, negociar un contrato de fondo (no solo revisar cláusulas estándar), o cualquier decisión donde equivocarse tiene un costo alto y no hay forma fácil de verificar el resultado antes de actuar sobre él. Ahí el agente puede ayudar a preparar información para que una persona decida mejor, pero no debería ser quien decide.

Tampoco tiene sentido si la información de base es tan poco confiable que ni una persona podría sacar conclusiones útiles de ella — como se discutió en un post anterior de este mismo blog, eso es un problema de datos que hay que resolver antes, no algo que un agente pueda arreglar por su cuenta.

Cómo empezar sin equipo técnico propio

No hace falta un proyecto de meses ni contratar ingenieros para probar esto. El punto de partida más simple:

1. Identifica una tarea repetitiva y tediosa que involucre leer, clasificar u ordenar información — algo que alguien en la empresa “sabe que hay que hacer” pero nunca tiene tiempo de hacer bien.
2. Junta la información en un solo lugar (una carpeta, una exportación, un conjunto de archivos) — no hace falta integrarla a ningún sistema todavía.
3. Prueba con una herramienta de agente accesible (hay varias disponibles hoy sin necesidad de desarrollo propio) explicando la tarea en lenguaje natural, como si le estuvieras dando instrucciones a alguien nuevo.
4. Revisa el resultado con ojo crítico antes de confiar en él para algo importante — la primera vez, siempre.

Ese ejercicio de una tarde dice más sobre el potencial real de la IA en tu empresa que cualquier demo genérica de un vendor.

Preguntas frecuentes

¿Necesito saber programar para usar un agente de IA en mi empresa?

No, para las tareas de negocio descritas acá. La interacción es en lenguaje natural, como darle instrucciones a una persona. Programar solo se vuelve relevante si se quiere integrar el agente de forma automática y recurrente a un sistema existente.

¿Qué tan confiable es el resultado de un agente en tareas de negocio?

Depende de la tarea. Para clasificación y resumen de volumen alto, suele ser muy bueno con revisión humana de los casos ambiguos. Para decisiones de negocio sin criterio claro, no debería usarse sin supervisión estrecha.

¿Esto reemplaza contratar personal?

No es la pregunta correcta. La pregunta útil es qué tareas mecánicas le están quitando tiempo a las personas que sí aportan criterio — un agente libera ese tiempo, no reemplaza el criterio en sí.

---

Si te interesa el ángulo de por qué la IA no arregla datos desordenados por sí sola, la semana pasada escribimos sobre por qué el 70% de las empresas en Colombia no está lista para IA — mismo principio, aplicado a la base de datos en vez de a los agentes.