Qué es un agente de IA: guía práctica para equipos de ops

¿Qué es un agente de IA? Es un programa que recibe un objetivo, elige sus propios pasos, usa herramientas para ejecutarlos y comprueba el resultado antes de parar. Esa es la definición completa. Si un sistema solo responde a un prompt, es un chatbot. Si sigue un guion fijo, es un workflow. Si decide qué hacer después y lo hace, es un agente. Aquí verás cómo distinguirlos en tu stack de ops y cuándo cada uno merece su lugar.

Qué es un agente de IA en un solo bucle

Briefing en 30 segundos. Un agente ejecuta un bucle: lee la situación, decide la siguiente acción, llama a una herramienta, lee el resultado y repite hasta cumplir el objetivo o tocar un límite.

La explicación de Zapier lo describe como un software que actúa de forma autónoma para perseguir un objetivo. Toma información de su entorno, decide qué hacer y actúa. En un agente basado en LLM (modelo de lenguaje grande), el modelo es quien decide y las herramientas son sus manos: una búsqueda web, una consulta a tu CRM (sistema de gestión de relaciones con clientes), la escritura de un archivo o un mensaje en Slack.

Tres piezas importan en la práctica.

• El modelo. Lee el contexto y elige el siguiente paso.

• Las herramientas. Cada una es una capacidad estrecha con entrada y salida claras: "busca esta cuenta en el CRM", "crea una incidencia en Linear", "envía este borrador a este canal".

• La regla de parada. Una comprobación del objetivo, un tope de iteraciones o una aprobación humana. Sin regla de parada, no hay uso en producción.

Quita cualquiera de las tres y deja de ser un agente. Un modelo sin herramientas es un chatbot. Unas herramientas sin un modelo que decida son un script. Un bucle sin regla de parada es un incidente esperando un lunes por la mañana.

Agente, chatbot, workflow: ¿dónde está la línea?

Buena parte de la confusión viene de proveedores que llaman agente a todo. La división más limpia viene del equipo de ingeniería de Anthropic, en Building effective agents. Según ese texto, los workflows son sistemas en los que los LLM y las herramientas se orquestan mediante rutas de código predefinidas. Los agentes son sistemas en los que los LLM dirigen dinámicamente sus propios procesos y su uso de herramientas.

Traducido a tu día a día como ops lead:

• Chatbot. Tú decides cada paso siguiente. Fallo típico: una respuesta errónea o vaga. Sirve para redactar, resolver dudas y resumir.

• Workflow. Tu diseño decide, fijado de antemano. Fallo típico: se rompe cuando la entrada cambia de forma. Sirve para tareas repetibles con pasos conocidos.

• Agente. El modelo decide en tiempo de ejecución. Fallo típico: una acción equivocada en un sistema en vivo. Sirve para trabajos abiertos en los que no sabes cuántos pasos harán falta.

Los modos de fallo son la parte que conviene leer dos veces. Un chatbot equivocado te cuesta un minuto de releer. Un agente equivocado puede enviar la lista de contactos incorrecta o sobrescribir un campo del CRM. La autonomía traslada el riesgo de la respuesta a la acción.

La mayoría de los "agentes" que se venden a equipos de ops en 2026 son workflows con un modelo dentro de uno o dos pasos. Está bien. Muchas veces es el mejor producto. Eso sí, pruébalo y págalo como workflow, no como un compañero autónomo.

¿Cómo funcionan realmente los agentes de IA por dentro?

Quitando el marketing, el bucle de un agente tiene cinco movimientos.

1. Recibir el objetivo. "Prepara el brief de renovación de Acme antes de la llamada del jueves".

2. Planificar. El modelo divide el objetivo en pasos. Los buenos agentes replanifican cuando un paso falla.

3. Actuar. El modelo llama a una herramienta con argumentos estructurados.

4. Observar. La salida de la herramienta vuelve al contexto del modelo.

5. Decidir. Objetivo cumplido, seguir adelante, o parar y preguntar a una persona.

Los pasos 3 a 5 se repiten. Cada vuelta cuesta tokens y segundos. La propia guía de Anthropic dice que los sistemas agénticos suelen intercambiar latencia y coste por un mejor rendimiento en la tarea, y conviene tenerlo presente antes de comprar. Un prompt único con el contexto correcto responde muchas preguntas de ops en dos segundos y por una fracción de céntimo. Un agente puede tardar dos minutos y veinte llamadas a herramientas para llegar a la misma respuesta.

La memoria merece una línea. Los agentes llevan memoria a corto plazo dentro de la ventana de contexto y, en algunos productos, un almacén más largo con datos sobre tus cuentas o tus preferencias. La memoria a largo plazo es útil, y también es el sitio donde se fijan datos viejos o erróneos. Revisa lo que tu agente recuerda como revisas un campo del CRM: alguien debe ser su dueño y alguien debe auditarlo.

¿Qué tipos de agentes existen y cuáles importan en ops?

Los manuales listan agentes reactivos simples, basados en modelo, orientados a objetivos, basados en utilidad y que aprenden. Esas etiquetas sirven para un examen. Para un equipo de ops, tres categorías prácticas cubren casi todo lo que vas a comprar o construir.

• Agentes LLM con herramientas. El modelo llama a APIs: CRM, calendario, tickets, correo. Es la mayor parte de los agentes útiles en ops. Son fiables porque las acciones están estructuradas y se pueden registrar.

• Agentes de uso de ordenador. El modelo opera una pantalla, haciendo clic y escribiendo en la interfaz como lo haría una persona. Son útiles cuando una herramienta no tiene API. Son más lentos y frágiles, porque un cambio de diseño puede romper una ejecución. Trátalos como último recurso.

• Sistemas multiagente. Un orquestador reparte subtareas entre agentes especialistas. En una demo impresiona. En producción, cada agente extra multiplica la superficie de registros y de depuración. Evítalo hasta que un agente único con buenas herramientas haya tocado claramente su techo.

¿Qué hace un agente de IA en un equipo de GTM o de CS?

Los ejemplos que aguantan en equipos reales comparten un perfil: objetivo claro, pocas herramientas y una persona que puede revisar el resultado en menos de un minuto.

• Investigación de cuenta antes de una llamada. Extrae el registro del CRM, los correos recientes, las noticias públicas y los tickets abiertos, y devuelve un brief de una página. Una persona lo lee. No se envía nada.

• Triaje de entrada. Lee un lead o un ticket nuevo, lo clasifica, adjunta contexto y lo envía a la cola correcta. El agente propone; una regla decide si puede actuar solo en las clases de bajo riesgo.

• Seguimiento de reuniones. Convierte una transcripción en actualizaciones del CRM y en un borrador de resumen, en cola para aprobación.

• Higiene de datos. Marca cuentas duplicadas, campos vacíos y propietarios desactualizados, y abre una tarea por cada lote.

Fíjate en lo que falta: nada que mueva dinero, borre registros o escriba a clientes sin revisión. No es timidez. Es la diferencia entre un agente que conservas y uno que apagas tras una mala semana.

El tiempo ahorrado depende de tu volumen y de tu punto de partida, así que mídelo en tu contexto. Cronometra diez ejecuciones manuales de la tarea, cronometra diez ejecuciones asistidas por el agente incluyendo la revisión, y compara. Si la revisión se come toda la ganancia, la tarea todavía no tiene forma de agente.

¿Cuándo conviene saltarse el agente?

La recomendación de Anthropic es directa: encuentra la solución más simple posible y aumenta la complejidad solo cuando haga falta. Para muchos trabajos, optimizar llamadas únicas al LLM con recuperación de información y ejemplos en contexto suele bastar.

Salta el agente cuando:

• Los pasos son conocidos. Si puedes escribir el proceso como una lista numerada, construye un workflow. Será más barato, más rápido y más fácil de depurar.

• El trabajo es una sola transformación. Resume esto, reescribe aquello, extrae estos campos. Un prompt lo resuelve.

• Una acción equivocada sale cara. Cambios de facturación, ediciones de contratos, envíos masivos. Deja a una persona en el disparador.

• No puedes comprobar la salida. Si nadie puede verificar el resultado rápido, has creado un problema de confianza, no un ahorro de tiempo.

Aquí es donde los comandos slash se ganan su sitio. Un comando como /research más el nombre de una cuenta ejecuta el mismo prompt, con el mismo contexto, cada vez. Una cadena de tres comandos, /research, después /summarize y después /draft-email, cubre buena parte de lo que se llama trabajo agéntico, con una persona pulsando Enter entre pasos. CommanderGPT está pensado para ese patrón: comandos guardados, un Workflow Builder para encadenarlos y Team Playbooks para compartirlos. El límite es real, eso sí. Una cadena de comandos no replanifica si el paso dos devuelve algo inesperado. Un agente sí. Elige según cuánta variación tengan tus entradas.

¿Qué herramientas dan comportamiento de agente hoy?

Los nombres cambian cada trimestre, así que juzga por el patrón y no por el logo. Buscas un modelo que pueda llamar a herramientas, una forma de ver cada paso que dio y una forma de detenerlo.

Claude es el modelo que muchos equipos ponen detrás de agentes con llamadas a herramientas, gracias a su buen seguimiento de instrucciones y a su contexto largo. Funciona como interfaz de chat y como motor de agentes a través de la API.

ChatGPT sigue siendo la opción por defecto por su ubicuidad. Los GPTs personalizados y sus herramientas integradas cubren un comportamiento de agente ligero para una persona. Donde notarás fricción es al compartir playbooks probados con todo el equipo.

Lindy es un constructor sin código de agentes de tareas conectados a correo, calendario y CRM. Encaja cuando el trabajo está claro y quieres publicarlo en una tarde. Lee el registro de acciones antes de confiarle mensajes salientes.

Raycast pone la IA detrás de una paleta de comandos, lo que va bien para tareas rápidas de un solo disparo en tu propio equipo. Se parece más a una capa de comandos que a un agente autónomo, y eso es lo que suele querer un colaborador individual.

¿Qué conviene revisar antes de que un agente toque datos reales?

Repasa esta lista antes de dar acceso de escritura a cualquier agente. Lleva treinta minutos y evita la mayoría de las malas semanas.

1. Empieza en solo lectura. Deja que el agente investigue y redacte durante dos semanas antes de que escriba en ningún sitio.

2. Limita el bucle. Define un número máximo de iteraciones y un gasto máximo por ejecución. Anthropic recomienda condiciones de parada, como un número máximo de iteraciones.

3. Registra cada llamada a herramienta. Necesitas la entrada, la salida y la marca de tiempo. Si una herramienta no se puede registrar, no se la des a un agente.

4. Pon puerta a lo irreversible. Envíos, borrados, pagos y cambios de permisos necesitan un clic de aprobación humana.

5. Prueba en un sandbox. Usa una copia del CRM o un espacio de trabajo de prueba con el mismo desorden realista que tiene producción.

6. Sigue dos números. Con qué frecuencia la ejecución termina sin ayuda y con qué frecuencia una persona corrige la salida. Ambos cambiarán cuando cambien tus datos.

7. Asigna un responsable. Una persona revisa los registros cada semana. Un agente sin responsable se desvía.

Tu siguiente comando

Elige una tarea que tu equipo repita al menos diez veces por semana y cuya salida se pueda revisar en menos de un minuto. La investigación de cuentas suele ser la ganadora. Escríbela primero como comando guardado y ejecútala durante dos semanas. Si las entradas varían tanto que el comando sigue rompiéndose, esa es tu señal de que el trabajo podría tener forma de agente. Si funciona limpio cada vez, acabas de ahorrarte una factura de agente y un hábito de depuración.

Luego decide con datos de tus propias ejecuciones: ten un playbook, cronometra las ejecuciones y lee los registros. Misión cumplida.