Qué hacen de verdad los agentes de IA en una empresa en 2026

¿Qué es un agente de IA, explicado en sencillo?

Un agente de IA es un programa construido sobre un modelo de lenguaje (LLM, por sus siglas en inglés), el tipo de modelo que hay detrás de Claude o ChatGPT, capaz de planificar una secuencia de acciones, ejecutarlas con herramientas y comprobar sus propios resultados, en lugar de limitarse a responder una pregunta. Un chatbot habla. Un agente hace.

La diferencia importa para el presupuesto. Un chatbot ahorra minutos por conversación. Un agente elimina pasos completos de un proceso: lee el ticket, busca el pedido, emite el reembolso dentro de su límite, actualiza el CRM y escribe un resumen de 3 líneas para la persona que revisa las excepciones. El valor está en los pasos que quita, no en las palabras que escribe.

¿Qué procesos de negocio llevan hoy los agentes de IA?

Hoy los agentes de IA llevan 4 tipos de procesos con poca supervisión: atención al cliente, operaciones de back office, operaciones de ventas e ingeniería de software. Todo lo demás es trabajo asistido o sigue siendo un experimento.

La atención al cliente es lo más maduro. Salesforce informó en junio de 2026 de que su propio Agentforce había gestionado 4,3 millones de consultas en su web de ayuda y resuelto el 70% de forma autónoma, y ahora solo cobra cuando el agente resuelve el caso. El asistente de Klarna hace el trabajo de 853 agentes a tiempo completo y atiende 2 de cada 3 consultas, según los resultados del tercer trimestre de 2025 de Klarna recogidos por CX Dive.

El back office es el ganador silencioso: casar facturas, revisar gastos, extraer datos de contratos, vigilar sistemas y redactar el informe de incidencias. Nadie publica una nota de prensa sobre eso, y de ahí sale la mayor parte de las horas que ahorramos. La ingeniería de software es lo que ha cambiado más rápido. Herramientas de programación agéntica como Claude Code, Codex y Cursor escriben, prueban y abren pull requests por su cuenta. El AI Index 2026 de Stanford recoge que la tasa de éxito de los agentes en tareas reales de terminal subió del 20% en 2025 al 77,3%. Yo sigo escribiendo código cada semana, pero casi todo mi tiempo se va en revisar lo que han escrito los agentes.

• Soporte: triaje, respuestas con el contexto de la cuenta, reembolsos dentro de un límite, escalado con resumen.
• Back office: conciliación de facturas, extracción de contratos, controles de cumplimiento, monitorización y notas de incidencias.
• Operaciones de ventas: enriquecimiento de leads, limpieza del CRM, de las notas de reunión a los siguientes pasos, primeros borradores de propuestas.
• Ingeniería: funcionalidades a partir de un ticket, escritura de tests, actualización de dependencias, revisión de código.

¿Dónde sigue haciendo falta una persona?

Una persona sigue en el circuito allí donde una acción es irreversible, cara, legalmente vinculante o visible para un cliente que espera a un humano: pagos por encima de un límite, condiciones de contrato, contrataciones, precios, comunicación pública y cualquier decisión que dejaría en mal lugar a la empresa si sale mal.

No es una limitación temporal. Los agentes son buenos ejecutando y malos juzgando con información incompleta. Cuando un cliente dice "la factura está mal", el agente puede encontrar la factura, compararla con el contrato y proponer una corrección. Decidir si hacemos una excepción comercial a un cliente que está a punto de irse sigue siendo una decisión humana.

El diseño práctico es una cola de revisión: el agente hace el 100% del trabajo y una persona aprueba el 5% a 15% de casos que el agente marca. En mis empresas, la persona que antes hacía la tarea ahora supervisa 10 veces más volumen. Klarna lo aprendió a golpes: tras recortar personal de soporte en 2024, volvió a contratar en 2025 y dejó que los clientes pidieran hablar con un humano, porque las respuestas genéricas dañaban la satisfacción, según CX Dive.

¿Qué no hacen todavía los agentes de IA?

Los agentes de IA todavía no llevan un departamento entero, no negocian con humanos impredecibles, no trabajan de forma fiable sobre 20 sistemas heredados sin API ni se mantienen en la tarea durante días sin desviarse. Quien te venda eso en 2026 te está vendiendo una demo.

Los datos respaldan la prudencia. Según el informe State of AI 2025 de McKinsey, el 23% de las organizaciones está escalando un sistema de IA agéntica en alguna parte de la empresa, otro 39% está experimentando y, en cualquier función concreta, no más del 10% está escalando agentes. Gartner predijo en junio de 2025 que más del 40% de los proyectos de IA agéntica se cancelarán antes de finales de 2027 por costes crecientes, valor de negocio poco claro o controles de riesgo insuficientes, y estimó que solo unos 130 de los miles de proveedores que dicen vender agentes son reales.

Los benchmarks cuentan la misma historia desde el otro lado. El AI Index 2026 de Stanford recoge que los agentes pasaron del 12% a cerca del 66% de éxito en OSWorld, una prueba de tareas reales con el ordenador, lo que también significa que siguen fallando en 1 de cada 3 intentos. En un proceso que se ejecuta 1.000 veces al día, 1 de cada 3 no es un error de redondeo. Por eso los límites y las colas de revisión no son opcionales.

¿Cuáles son los fallos típicos de los agentes de IA en una empresa?

Los 5 fallos que me han costado dinero de verdad son datos inventados presentados con seguridad, inyección de instrucciones a través de texto no fiable, costes desbocados por bucles, permisos demasiado amplios y la ausencia de evaluaciones antes de lanzar.

La alucinación es el fallo famoso y, en la práctica, el menos peligroso, porque una cola de revisión lo detecta. La inyección de instrucciones (prompt injection) es la que me quita el sueño: un agente lee un correo de un cliente o un ticket de soporte con instrucciones escondidas y las obedece. La solución es de arquitectura, no de un prompt mejor: trata todo lo que lee el agente como datos, nunca como instrucciones. Los costes desbocados aparecen cuando un agente reintenta durante 6 horas un paso que falla; los presupuestos por tarea y por día nos lo resolvieron. Los permisos amplios y la falta de evaluaciones son los 2 errores que más veo en otras empresas.

¿Cómo empezar con agentes de IA en 30 días?

Empieza con 1 proceso que se ejecute al menos 50 veces por semana, que ya esté documentado, con una definición clara de "terminado" y un coste de error bajo. Dáselo a un agente en modo solo lectura, mídelo durante 2 semanas y después permite acciones de escritura con aprobación humana.

Este es el plan que doy a cada CEO que me pregunta. Cuesta 1 persona a tiempo parcial durante un mes y menos en inferencia que 1 salario mensual. Lo difícil no es la tecnología. Es elegir un proceso lo bastante acotado para terminarlo y resistir la tentación de automatizar todo el departamento en la semana 2. La señal de que funciona es sencilla: la gente que antes hacía la tarea dedica su tiempo a las excepciones y a los clientes, y la métrica que elegiste en la semana 1 se ha movido.

• Semana 1: elige el proceso, escribe sus 10 pasos, define la métrica (tiempo de resolución, coste por caso, tasa de error).
• Semana 2: conecta el agente en solo lectura y deja que redacte, no que actúe; compara 100 resultados con lo que hacían las personas.
• Semana 3: permite las acciones de escritura seguras con una persona aprobando cada una; fija presupuestos y registros.
• Semana 4: revisa la métrica, documenta los casos de fallo y decide si escalar, corregir o parar.

¿Compensa para una empresa pequeña o mediana?

Sí, y las empresas pequeñas suelen ganar más que las grandes, porque tienen menos sistemas heredados, cadenas de aprobación más cortas y procesos que 1 persona entiende de principio a fin.

Un agente que lleva el soporte o el back office cuesta una fracción de un salario y trabaja 24 horas al día en todos los idiomas de tus clientes. El Economic Index de Anthropic de junio de 2026 encontró que el 86% de los trabajadores encuestados declaraba mejoras de velocidad, el 82% de alcance y el 69% de calidad, y que el 57% decía que la IA había hecho más valiosas sus habilidades. El límite para una empresa pequeña es la atención, no el dinero. Alguien tiene que ser dueño de los agentes, revisar la cola y mantener las evaluaciones al día. Dale un responsable y una métrica, y se paga solo en el trimestre.