De chatbot a agente de IA: qué cambia en tu empresa

Muchos proveedores de IA quieren la palabra «agente» en su web. Se usa igual para un chatbot de preguntas frecuentes que para un sistema que tramita devoluciones sin que nadie lo toque, y no son lo mismo. Gartner habla de agent washing para referirse a esa práctica: presentar como agentes productos que ya existían (asistentes de IA, automatizaciones RPA, chatbots) sin capacidades agénticas sustanciales.

Para una empresa, la pregunta útil es cuánta autonomía le da a la IA en cada proceso: qué puede tocar, qué recuerda y quién revisa lo que hace. Vista así, la evolución tiene cuatro escalones, y no todos los procesos necesitan llegar arriba.

Cuatro escalones de autonomía

El modelo de lenguaje puede ser el mismo en los cuatro. Lo que cambia es el margen que tiene para actuar.

	Chatbot	Copiloto	Agente	Multiagente
Qué hace	Responde	Propone y redacta	Ejecuta tareas de varios pasos	Reparte un proceso entre agentes
Herramientas	Tu documentación, como mucho	Las de la aplicación donde vive	Tus sistemas, para leer y escribir	Cada agente, las suyas
Memoria	La conversación	El documento abierto	La tarea en curso y, si se diseña, el historial	Repartida entre agentes
Quién decide	La persona	La persona, en cada propuesta	El agente, con límites	Un agente coordinador, con límites
Supervisión	Revisar respuestas	Aceptar o descartar	Permisos, aprobaciones y registros	Lo mismo, más los traspasos

Chatbot: responde, pero no toca nada

Los primeros chatbots seguían árboles de decisión; los de ahora suelen apoyarse en un modelo de lenguaje y, bien montados, responden con la documentación de la empresa gracias a RAG en vez de improvisar.

Su límite es que no actúa: explica la política de cambios, pero no cambia el pedido. La guía de OpenAI para construir agentes no considera agentes a las aplicaciones en las que el modelo no controla la ejecución del proceso, y pone como ejemplo los chatbots simples. Para lo que es pura información (horarios, plazos de entrega, condiciones) sigue siendo la opción sensata.

Copiloto: propone, la persona decide

El copiloto vive dentro de la herramienta en la que ya trabajas, como el correo o el CRM, y deja el trabajo preparado para que alguien lo revise. En ventas, resume la llamada y redacta el correo de seguimiento; el comercial lo corrige y lo envía. En administración, propone cómo clasificar un gasto o qué datos sacar de un contrato, y una persona lo valida.

El riesgo es bajo porque nada sale sin que alguien lo mire. Por la misma razón, el ahorro tiene techo: la persona sigue presente en cada paso.

Agente: recibe un objetivo y ejecuta los pasos

Anthropic, en su guía Building effective agents, distingue los flujos de trabajo, en los que el modelo sigue un camino fijado de antemano en el código, de los agentes, en los que el propio modelo decide qué pasos dar y qué herramientas usar. La diferencia práctica con el copiloto es que el agente escribe en tus sistemas y elige el siguiente paso según lo que encuentra. Para eso necesita recordar en qué punto de la tarea está.

En reservas, un cliente pide por WhatsApp mover su cita. El agente consulta la agenda, le ofrece huecos, cambia la reserva y envía la confirmación.
En la gestión de técnicos, clasifica la incidencia, busca un técnico libre de esa zona y especialidad, propone la asignación y avisa al cliente de la franja horaria.
En facturación, cruza cada factura con su pedido, registra las que cuadran y, cuando algo no coincide, decide si pide una aclaración al proveedor o pasa el caso a contabilidad (la captura y la validación las contamos en automatización de facturas con IA).
En atención al cliente está nuestro caso fintech: un agente conversacional que atiende también por WhatsApp. Responde con RAG, consulta en el CRM el estado de los contratos y escribe en él, crea tickets y pasa el caso a una persona solo cuando hace falta. El 60% de las consultas se resuelven sin intervención humana, y la primera respuesta llega en menos de 2 minutos, frente a las 4-6 horas de antes.

Eso no significa que todo necesite un agente. Anthropic recomienda empezar por la solución más sencilla: los sistemas agénticos suelen dar mejor resultado a cambio de más latencia y más coste. Si un proceso sigue siempre los mismos pasos, como pasar un formulario al CRM y avisar al comercial, un flujo en n8n sale más barato y es más predecible.

Sistemas multiagente: varios especialistas y un coordinador

El último escalón reparte un proceso entre varios agentes especializados, a menudo con uno que coordina. Así funciona el sistema de investigación que describió Anthropic en junio de 2025: un agente principal analiza la consulta y lanza subagentes que trabajan en paralelo. En ventas, uno cualificaría los contactos, otro prepararía el presupuesto y otro haría el seguimiento, y el comercial aprobaría la oferta antes de enviarla.

Suele ser el escalón más caro. En los datos de Anthropic que recoge ese artículo, los agentes usan unas 4 veces más tokens que una conversación de chat, y los sistemas multiagente, unas 15 veces más. Tampoco encajan, por ahora, en tareas en las que todos los agentes necesitan el mismo contexto o dependen mucho unos de otros. La guía de OpenAI también aconseja exprimir primero un solo agente.

Dónde un agente todavía no es buena idea

En junio de 2025, Gartner predijo que más del 40% de los proyectos de IA agéntica se cancelarán antes de que acabe 2027 por costes crecientes, un valor de negocio poco claro o controles de riesgo insuficientes. Antes de dar autonomía a un agente, comprueba si el proceso cae en alguno de estos casos:

El proceso tiene reglas claras y datos ordenados. La guía de OpenAI aconseja construir agentes donde hay decisiones complejas, reglas difíciles de mantener o mucha información no estructurada; si no, puede bastar una automatización clásica.
La acción es irreversible o mueve dinero (pagos, cancelaciones, devoluciones importantes). Aquí el agente no debería actuar solo: la misma guía pide supervisión humana para estas acciones hasta que haya confianza en su fiabilidad.
Nadie sabe explicar cómo se decide. Si el criterio está en la cabeza de alguien, el agente no lo va a adivinar.
El volumen es bajo. Con pocas operaciones al mes, es difícil recuperar lo que cuesta construir y vigilar un agente.
La ley exige que haya una persona. La Ley 10/2025 de servicios de atención a la clientela prohíbe que los sistemas automáticos sean el único canal de atención y obliga a que los bots conversacionales ofrezcan, desde el inicio y en cualquier momento, hablar con una persona que se identifique. Afecta a las empresas de servicios básicos (agua, gas, electricidad, transporte de viajeros, telecomunicaciones, servicios postales y financieros) y a las que venden sobre todo a consumidores con al menos 250 trabajadores, más de 50 millones de euros de facturación o más de 43 millones de balance. Tienen hasta el 28 de diciembre de 2026 para adaptarse.

Además, desde el 2 de agosto de 2026 el Reglamento europeo de IA exige que los sistemas de IA que interactúan con personas les informen de que hablan con una IA, salvo que sea evidente.

Cómo es la supervisión humana de un agente

La supervisión se diseña antes de poner el agente en marcha. Las orientaciones de la AEPD sobre IA agéntica, de febrero de 2026, proponen ajustar la autonomía al impacto y al riesgo de cada tratamiento de datos: ejecución autónoma cuando son bajos, intervención humana obligatoria cuando son altos. Traducido a reglas concretas:

El agente consulta solo lo que necesita para la tarea y actúa por su cuenta en lo reversible y de poco riesgo, como confirmar una cita. Lo que tenga efecto económico o legal, o supere el importe que fije la empresa, va a una cola de aprobación con el contexto ya preparado.
Si no entiende al cliente tras varios intentos, pasa el caso a una persona (es uno de los dos supuestos de intervención humana de la guía de OpenAI) con un resumen de la conversación, para que el cliente no tenga que repetirla.
Cada acción queda registrada (qué hizo, con qué datos y por qué) para que alguien revise una muestra cada semana.
Antes de llegar a producción, se prueba en un entorno aislado, como recomienda Anthropic, con casos sacados del histórico.

La AEPD advierte también contra cargar sobre quien supervisa los fallos que vienen del diseño. Para que la supervisión sea efectiva, esa persona tiene que poder anular la decisión y contar con la información para entenderla. La guía señala además el sesgo de automatización: dar por bueno lo que propone el sistema porque suele acertar. Si alguien valida cientos de operaciones seguidas sin abrir ninguna, no hay supervisión.

Cuando funciona, cambia el papel del equipo. En el caso de logística, un agente de IA reasigna las rutas automáticamente cuando surge una incidencia: el equipo pasó de planificar rutas a supervisar excepciones, y los costes operativos bajaron un 25%.

Esa autonomía se gana por fases. Muchas veces el primer paso es un copiloto o un flujo bien montado, y el agente llega cuando el volumen y los registros lo justifican, igual que se da más responsabilidad a alguien nuevo en el equipo a medida que demuestra que acierta.