Cómo crear un agente de IA para tu empresa (sin humo)

¿Qué proceso de tu empresa conviene automatizar primero con un agente?

El primer agente debe resolver un proceso aburrido, frecuente y medible, no el más vistoso.

El mejor primer proceso para un agente de IA es uno que se repite muchas veces al día, que hoy resuelve una persona consultando información que ya existe y cuyo resultado se puede medir. Calificar leads entrantes, responder el estado de un pedido, agendar citas o clasificar solicitudes de soporte son buenos candidatos. Negociar contratos o decidir descuentos no lo son.

Una prueba útil antes de empezar: escribe diez conversaciones o casos reales tal como ocurrieron. Si una persona nueva podría resolverlos con un manual y acceso a dos sistemas, un agente también. Si cada caso exige criterio que nadie ha puesto por escrito, primero hay que documentar ese criterio; ningún modelo lo adivina.

Y una distinción que ahorra dinero: no todo lo que parece agente necesita serlo. La guía de Anthropic separa los flujos de trabajo, donde el modelo sigue pasos predefinidos en código, de los agentes, donde el modelo decide qué herramienta usar y en qué orden. Si el proceso siempre sigue los mismos pasos, un flujo con IA en un punto concreto es más barato, más predecible y más fácil de mantener. El agente se justifica cuando las peticiones varían tanto que no caben en un diagrama fijo.

¿Qué piezas tiene un agente: modelo, herramientas, memoria y reglas?

El modelo es la pieza más fácil de cambiar; las herramientas y las reglas son las que definen si el agente sirve.

Un agente de IA tiene seis piezas: un modelo de lenguaje que razona, instrucciones que definen su papel, herramientas para consultar y actuar, una fuente de conocimiento, memoria y reglas de escalamiento. La documentación de n8n lo resume igual: cada agente tiene un modelo, instrucciones y capacidades que configuras. Esto es lo que diseñamos en cada una:

• Modelo: el motor que interpreta la petición. Se elige por calidad en la tarea, latencia y costo por token, y conviene poder cambiarlo sin rehacer el resto.
• Instrucciones: el rol, el tono, lo que hace y, sobre todo, lo que nunca hace. Si el agente se porta mal, se corrigen primero las instrucciones antes de sumar herramientas.
• Herramientas: las acciones concretas, como consultar un pedido, crear un contacto o agendar. Cada una con una descripción clara y parámetros que hagan difícil equivocarse.
• Conocimiento: precios, políticas, catálogo y preguntas frecuentes reales, en una fuente que alguien del negocio mantiene al día.
• Memoria: la de la conversación en curso y, si el caso lo pide, la de interacciones anteriores. Más memoria también significa más datos personales que proteger.
• Reglas de escalamiento: cuándo el agente se detiene y pasa el caso a una persona, con el contexto ya recogido.

¿Con qué se construye un agente de IA: n8n, no-code o código a medida?

n8n es el punto medio para la mayoría de pymes; el código a medida se justifica cuando el agente es parte central del producto.

Un agente de IA se construye con tres tipos de herramientas: plataformas no-code de chatbots, orquestadores como n8n que combinan un modelo con tus integraciones, o código a medida con el SDK de un proveedor de modelos. La elección depende menos de la tecnología y más de cuántos sistemas debe tocar el agente y de quién lo va a mantener.

En la mayoría de proyectos para pymes usamos n8n como columna vertebral: permite conectar el modelo con el CRM, WhatsApp, la facturación o una base de datos, usar servidores MCP como herramientas y exigir aprobación humana antes de ejecutar herramientas sensibles. Cuando el agente es el producto, o necesita lógica que un flujo visual no expresa de forma mantenible, pasamos a código a medida.

La comparación, sin precios porque cambian con cada proveedor y plan:

¿Cómo evitar que el agente invente o haga lo que no debe?

No se le pide al modelo que se porte bien: se le quita la posibilidad de portarse mal.

Se evita que un agente invente limitando lo que puede responder a datos verificables y lo que puede hacer a permisos mínimos. La regla que aplicamos en todos los proyectos: si el dato no está en la fuente de conocimiento o en un sistema consultado, el agente no lo improvisa, lo escala. En el caso de Hudson Oils, por ejemplo, el agente de voz y chat recoge los datos que ventas necesita para cotizar sin inventar precios: sus instrucciones son tan explícitas sobre lo que no hace como sobre lo que hace.

El segundo riesgo es la inyección de instrucciones. OWASP la define como una entrada que altera el comportamiento del modelo de formas no previstas, y distingue la directa, cuando el usuario escribe algo como «ignora tus reglas», de la indirecta, cuando la instrucción viene escondida en un correo, un documento o una página que el agente lee. Las mitigaciones que propone son concretas: mínimo privilegio, aprobación humana para acciones de alto riesgo, separar el contenido externo de las instrucciones y validar las salidas con código.

En la práctica eso significa un usuario propio para el agente en cada sistema, herramientas de solo lectura por defecto, confirmación humana para todo lo que mueva dinero o borre datos, un límite de pasos por tarea para que no entre en bucles, y pruebas con conversaciones hostiles antes de abrirlo al público. La guía de Anthropic insiste en lo mismo: pruebas extensas en entornos aislados y condiciones de parada claras.

¿Cuánto cuesta crear y operar un agente de IA?

La construcción se paga una vez; el consumo del modelo, el canal y el mantenimiento se pagan cada mes.

El costo de un agente de IA tiene dos partes: la construcción, que se paga una vez, y la operación, que se paga cada mes. La construcción depende de cuántos sistemas integra, cuántas herramientas expone y cuánto hay que documentar del proceso. Por eso desconfía de precios cerrados sin haber visto el proceso: un agente que responde preguntas frecuentes y uno que agenda, cotiza y actualiza el CRM son proyectos distintos.

La operación se compone de cuatro rubros. El modelo de lenguaje, que se cobra por millón de tokens de entrada y de salida, con precios muy distintos entre modelos. Para dimensionarlo sirve un dato público: Meta estima que cada mensaje de su propio agente para WhatsApp consume entre 20.000 y 25.000 tokens. El canal, por ejemplo los mensajes de la API de WhatsApp, que Meta cobra por mensaje. El alojamiento de n8n o del servidor donde corre el agente. Y el mantenimiento: actualizar el conocimiento, revisar conversaciones y ajustar instrucciones.

La cuenta mensual se arma así: conversaciones al mes, por mensajes por conversación, por tokens por mensaje, por precio del token, más canal, alojamiento y horas de revisión. Hacer ese cálculo con tus volúmenes reales antes de construir evita la sorpresa más común: un agente que funciona bien pero cuesta más que la persona que iba a apoyar.

¿Cómo medir si el agente de IA está funcionando?

Un agente se mide por los casos que resuelve bien sin ayuda, no por los mensajes que responde.

Un agente de IA funciona si resuelve correctamente una parte creciente de los casos sin intervención humana y escala bien el resto. Las métricas que usamos son pocas: tasa de resolución sin ayuda, tasa de escalamiento y su motivo, errores detectados en revisión, tiempo de respuesta y la acción de negocio que se buscaba, como citas agendadas, leads calificados o pedidos consultados.

Antes del lanzamiento conviene armar un set de prueba con conversaciones reales, incluidas las difíciles, y correrlo cada vez que se cambian las instrucciones, el modelo o una herramienta. n8n incluye evaluaciones para probar flujos de IA, y cualquier stack serio debería tener algo equivalente. Sin ese set, cada ajuste es una apuesta.

Después del lanzamiento, la tarea más valiosa es la menos glamorosa: leer conversaciones cada semana. Ahí aparecen las preguntas que nadie previó, los datos desactualizados y los casos donde el agente debió escalar antes. Si después de un periodo razonable el agente no mueve la métrica de negocio que justificó el proyecto, lo honesto es reducir su alcance o apagarlo, no seguir ampliándolo.