Agentes de IA para empresas: qué son y cómo empezar

Usar IA es preguntar y recibir una respuesta. Un asistente como ChatGPT o Copilot espera a que alguien le escriba, y la persona decide qué hace con lo que contesta.

Un agente funciona de otra manera. Recibe una meta, como revisar facturas o preparar el seguimiento comercial, y él mismo decide los pasos y los ejecuta. Está conectado a los datos de la empresa (el CRM o el ERP) y actúa sin que nadie se lo pida cada vez.

Esa autonomía es lo que lo hace útil. Pero también obliga a decidir quién lo supervisa.

En el Foro de Invierno de la Asociación de Fabricantes de Bricolaje y Ferretería (AFEB), Rafael Tamames preguntó a 150 directivos cuántos usaban la IA en su empresa más de una vez a la semana. Hubo silencio. Después les enseñó cuatro agentes que ya funcionan en empresas con sistemas y datos parecidos a los suyos:

• En ventas, un agente que cada mañana prepara un resumen con los diez clientes con más probabilidad de recompra esa semana.
• En operaciones, uno que detecta una rotura de stock antes de que ocurra y propone la reposición.
• En administración, uno que procesa albaranes, encuentra discrepancias y las concilia con el ERP.
• En atención al cliente, uno que responde dudas de disponibilidad y plazos a las tres de la mañana.

Los cuatro empiezan igual: una tarea que alguien hace a diario y cuyo resultado se puede medir.

Omega Healthcare, empresa de servicios de gestión sanitaria, puso en marcha con UiPath agentes de IA para procesar documentación médica y reclamaciones. Según los datos publicados por las dos compañías, el tiempo dedicado a documentación bajó un 40 % y la empresa ahorra miles de horas de trabajo al mes. Rafael Tamames lo analiza en «La IA agéntica ya trabaja por ti: el caso de Omega Healthcare».

Según el informe The State of AI 2025 de McKinsey, el 23 % de las organizaciones encuestadas está escalando algún sistema de IA agéntica, pero en ninguna función concreta de la empresa ese porcentaje supera el 10 %.

Rafael Tamames lo ve en sus reuniones con directivos. El director de operaciones de un gran banco español le contó que, al pasar los pilotos a producción, los resultados se parecían poco a lo previsto en el plan de negocio. Lo resolvieron volviendo al proceso y ajustando. Su conclusión está en «El laboratorio no es producción»: las empresas que más avanzan son las que hablan con más honestidad de lo que no ha funcionado.

Hay una segunda razón. Automatizar cada vez cuesta menos, pero comprobar lo que hace un agente sigue necesitando tiempo de personas. Los investigadores Catalini, Hui y Wu llaman a esa diferencia measurability gap, y Rafael Tamames la explica en «La brecha entre automatizar y verificar».

Un agente que funciona sin responsable es un riesgo, aunque dé buenos resultados. Antes de llevarlo a un proceso importante, el comité de dirección tiene que responder cuatro preguntas:

1. Qué hace el agente solo y qué pasa siempre por una persona. Según Rafael Tamames, es la primera decisión de gobierno y casi nadie se la ha planteado en voz alta. Lo cuenta en «Antes de escalar la IA, decide quién gobierna».
2. Quién responde cuando se equivoca. Cada agente necesita un responsable con nombre, como cualquier proceso de la empresa.
3. Cuánto cuesta y quién vigila el consumo. Los agentes se pagan por uso y la factura sube con cada consulta. Una encuesta de Gravitee a 750 responsables de tecnología, de abril de 2026, encontró que el número de agentes se había duplicado en cuatro meses mientras la monitorización solo cubría el 52 %. Más en «El coste invisible de la IA se come el margen».
4. Qué datos y qué sistemas toca. Un agente conectado al CRM o al ERP cambia información real, así que hay que saber qué agentes existen, a qué acceden y quién los ha aprobado.

1. Elegir una tarea. Rafael Tamames la busca con una pregunta que deja a los comités de dirección: ¿qué tarea está haciendo hoy alguien de tu equipo que podría no hacer mañana? Mejor si se repite a menudo y su resultado se puede medir.
2. Probarla en un piloto corto, con el tiempo o el error de partida medido para poder comparar después.
3. Decidir el gobierno antes de escalar, con las cuatro preguntas anteriores.
4. Cuando haya varios agentes, hacer que trabajen juntos con datos unificados. Es lo que Rafael Tamames llama orquestación agéntica, y su apuesta para 2026: «Mi apuesta para 2026: la orquestación agéntica de IA».