¿Estamos construyendo agentes de IA o simplemente renombrando chatbots?

Cesar Schmitzhaus, Managing Director de Teltec Data, explica por qué los agentes de IA deben ejecutar tareas, integrar sistemas y generar valor empresarial.

Cada dos o tres reuniones, alguien me presenta un agente de IA. Cuando pregunto qué hace, muchas veces la descripción que recibo corresponde más a un chatbot. Entiendo de dónde surge la confusión. Ya he visto esta historia antes, aunque con otro nombre. Hace algunos años, el término “transformación digital” se convirtió en un paraguas para iniciativas muy diferentes, desde la sustitución de un servidor hasta la digitalización de un formulario en papel. Con el tiempo, el concepto perdió precisión. Hoy percibo que “agente de IA” comienza a seguir un camino similar.

La distinción puede parecer técnica, pero tiene un impacto directo en las expectativas de negocio. Cuando una solución consulta una base documental y devuelve una respuesta en lenguaje natural, tenemos un chatbot con acceso al conocimiento. Incluso cuando existe Retrieval-Augmented Generation (RAG), una tecnología que permite buscar información relevante en una base propia antes de formular una respuesta, la función principal sigue siendo responder preguntas. Eso tiene valor. Puede reducir el tiempo dedicado a buscar una cláusula contractual, una política interna o un procedimiento. Sin embargo, responder es una categoría de trabajo menor que ejecutar.

Un agente, tal como entiendo el concepto, debe ser capaz de ejecutar tareas. Interactúa con sistemas, consulta APIs, activa procesos, actualiza registros y toma decisiones dentro de parámetros previamente definidos. La diferencia aparece después de generar una respuesta. Si nada ocurre en los sistemas de la empresa, probablemente seguimos frente a una interfaz conversacional y no a una automatización agéntica.

Tengo una prueba sencilla para evaluar este tipo de proyectos. Apague la interfaz de chat y observe qué sucede. ¿La solución continúa ejecutando alguna actividad, interactuando con sistemas o impulsando un proceso? Si la respuesta es no, vale la pena preguntarse si realmente estamos ante un agente o simplemente ante un chatbot con una capa adicional de inteligencia.

Esta discusión ya está apareciendo en el mercado. Gartner, por ejemplo, utiliza el término “agent washing” para describir la práctica de presentar soluciones como IA agéntica cuando, en la práctica, ofrecen capacidades ya conocidas en asistentes de IA, automatización robótica de procesos y chatbots. En un análisis publicado en 2025, la consultora estimó que más del 40% de los proyectos de IA agéntica podrían cancelarse antes de finales de 2027, principalmente debido al aumento de costos, un valor de negocio poco claro o controles de riesgo insuficientes. Más importante que el porcentaje es la razón que lo explica. Un proyecto de IA puede ser técnicamente funcional y aun así no generar retorno para la empresa. Esto ocurre cuando la organización comienza por la tecnología y solo después intenta descubrir qué problema de negocio debería resolver.

Aquí es donde la conversación sobre los agentes debe salir del departamento de tecnología y llegar a las áreas que realmente serán impactadas por la automatización. Antes de preguntar qué modelo se utilizará, qué arquitectura se adoptará o qué proveedor está detrás de la solución, es necesario comprender qué trabajo se ejecutará, qué sistemas deberán ser accesibles, qué decisiones podrán automatizarse y qué resultados se esperan.

Construir un agente que realmente ejecute tareas también requiere una infraestructura diferente de la que necesita un chatbot. La solución debe conectarse a los sistemas existentes, trabajar con múltiples fuentes de datos, operar dentro de marcos de seguridad y gobernanza, y mantener un nivel adecuado de confiabilidad. En muchos casos, esto significa integrar ERP, CRM, sistemas financieros, plataformas de atención al cliente, herramientas de productividad y aplicaciones desarrolladas internamente.

Esta complejidad ayuda a explicar por qué tantas iniciativas permanecen limitadas a una interfaz conversacional. Es relativamente sencillo añadir una capa de IA sobre una base documental y permitir que los empleados hagan preguntas. Es muy diferente permitir que la misma tecnología consulte un sistema, tome una decisión dentro de reglas definidas, ejecute una acción, registre el resultado y escale una excepción a una persona cuando sea necesario.

El desafío, por lo tanto, no consiste únicamente en hacer que la IA converse. Consiste en hacer que participe en procesos reales de negocio.

Esto también cambia la forma de calcular el retorno de la inversión. El número de preguntas respondidas puede ser una métrica interesante para un chatbot, pero no necesariamente demuestra el valor de un agente. Para una aplicación agéntica, resulta más relevante observar indicadores como el tiempo de ejecución de procesos, la reducción de tareas manuales, el volumen de transacciones automatizadas, la cantidad de intervenciones humanas necesarias y el impacto en costos o ingresos.

Imagine, por ejemplo, un agente utilizado en el proceso de compras. Un chatbot puede explicar la política de adquisiciones de la empresa y responder cuáles son los límites de aprobación. Un agente podría consultar la política, verificar una solicitud, obtener información del ERP, identificar la necesidad de aprobación, enviar la solicitud al responsable y registrar el resultado en el sistema. Son aplicaciones de IA diferentes, aunque ambas puedan utilizar una interfaz conversacional.

Esta diferencia es importante porque evita que las empresas confundan una demostración tecnológica con una transformación de procesos. Una interfaz que responde bien puede impresionar durante una presentación. Un sistema que elimina etapas manuales de un proceso crítico debe demostrar su valor en la operación diaria.

Por ello, antes de llamar agente de IA a una iniciativa, yo haría algunas preguntas básicas. ¿Qué tarea ejecuta? ¿Con qué sistemas interactúa? ¿Qué sucede después de generar una respuesta? ¿Qué decisiones puede tomar por sí solo? ¿En qué situaciones necesita intervención humana? ¿Cómo mide la empresa los resultados de esa automatización?

Son preguntas simples, pero ayudan a diferenciar proyectos distintos que hoy reciben el mismo nombre.

La IA tiene la capacidad de ir mucho más allá de la conversación. El siguiente paso para las empresas no debería ser simplemente poner más interfaces de inteligencia artificial a disposición de los empleados, sino identificar dónde esta tecnología puede asumir partes concretas del trabajo con seguridad, gobernanza y retornos medibles.

Al final, quizá la pregunta más importante no sea si una solución es realmente un agente. La verdadera pregunta es qué puede hacer cuando nadie está escribiendo una pregunta.

*Por Cesar Schmitzhaus, Managing Director de Teltec Data.