Cómo aplicar agentes de IA en una empresa con criterio

Qué distingue a un agente de IA de un chatbot

Un chatbot suele responder a mensajes siguiendo un flujo definido: pregunta, opción, respuesta. Un agente de IA puede interpretar una petición expresada en lenguaje natural, consultar fuentes autorizadas y realizar una acción dentro de unos límites. Por ejemplo, no solo explica la política de devoluciones, sino que comprueba el pedido en el sistema y prepara una solicitud para que la revise el equipo.

La diferencia no está en que el agente sea autónomo por defecto. Está en la combinación de modelo de lenguaje, instrucciones, acceso a información y herramientas disponibles. Puede proponer una respuesta, abrir un registro en el CRM o generar un borrador; cada permiso debe diseñarse por separado. La automatización con IA funciona mejor cuando el alcance es concreto y la intervención humana está prevista desde el principio.

Una prueba sencilla para decidir

Si las conversaciones se resuelven con botones y unas pocas reglas estables, un chatbot convencional puede bastar. Si hay que buscar en varias fuentes, interpretar documentos o combinar información antes de responder, merece la pena evaluar un agente. En ambos casos, una integración con sistemas internos puede ser más valiosa que un modelo más complejo.

Una buena especificación describe tareas observables: «resumir una consulta y crear un contacto si cumple estos criterios», no «atender mejor». Para comparar enfoques y alcance, se puede revisar una propuesta de desarrollo de agentes de IA o el conjunto de servicios de desarrollo disponibles.

Tres casos de uso con aplicación directa

Asistencia sobre documentos de empresa

Un asistente puede responder preguntas sobre manuales, tarifas, procedimientos internos o documentación de producto. En vez de confiar en el conocimiento general del modelo, busca fragmentos relevantes de los documentos autorizados y redacta una respuesta basada en ellos. Es útil para equipos de soporte, ventas o incorporación de personal, siempre que el contenido esté actualizado y se pueda señalar de qué fuente procede cada respuesta.

Antes del despliegue, conviene preparar un conjunto de preguntas reales y comprobar si encuentra la versión correcta del documento, si distingue excepciones y si reconoce que no sabe algo. Si dos departamentos tienen políticas distintas, hay que definir qué usuarios pueden consultar cada una. Un asistente documental no corrige por sí solo archivos contradictorios.

Cualificación de leads

Un agente puede hacer preguntas iniciales, resumir las necesidades de un contacto y registrar la información en el CRM. Por ejemplo, para una empresa que vende servicios de instalación, podría recoger ubicación, tipo de proyecto y plazo deseado. El equipo comercial recibe un resumen ordenado y decide qué oportunidad atender primero.

Los criterios deben salir del proceso comercial, no de una clasificación opaca del modelo. Defina qué campos son obligatorios, qué respuestas deben activar una revisión y qué ocurre si el usuario no quiere facilitar un dato. Para enviar conversaciones desde canales de mensajería o formularios al sistema comercial, puede encajar una integración de automatización con el CRM.

Procesamiento de documentos

En facturas, formularios o pedidos, la tarea puede consistir en extraer campos, normalizarlos y compararlos con registros existentes. El agente podría detectar que falta un número de pedido o que una fecha no sigue el formato esperado y enviar el caso a revisión, en lugar de completar el proceso a ciegas.

• Empiece por una familia documental bien delimitada y con ejemplos representativos, incluidos los casos difíciles.
• Defina los campos, formatos y validaciones que necesita el proceso de destino.
• Mida errores por campo y establezca un umbral de confianza para derivar excepciones a una persona.
• Mantenga un registro de lo extraído y de las correcciones para poder mejorar el flujo.

Si la información que necesita el agente no está dentro de la empresa, el proyecto también puede requerir un proceso legítimo de recopilación y preparación de datos. La extracción de datos web es una opción para fuentes públicas cuando el uso previsto, las condiciones del sitio y los requisitos legales lo permiten.

Cómo conectar un agente con datos y sistemas

La conexión suele combinar tres piezas: una fuente de conocimiento, una interfaz de consulta y, si hace falta, herramientas para ejecutar acciones. El agente debe recibir únicamente lo necesario para su función. Darle acceso general a carpetas, correos y sistemas complica la seguridad y hace más difícil averiguar por qué produjo una respuesta.

RAG para consultar conocimiento interno

RAG, o generación aumentada por recuperación, es una forma de buscar contenido relevante antes de pedir al modelo que responda. Los documentos se preparan e indexan; ante una pregunta, el sistema recupera pasajes relacionados y los incorpora al contexto. Así se puede actualizar la base documental sin volver a entrenar el modelo cada vez que cambia un procedimiento.

RAG no garantiza exactitud: una búsqueda puede traer un fragmento incompleto, anticuado o de otra política. Hay que controlar permisos, versiones, calidad de la indexación y referencias a las fuentes. En contenidos sensibles, es preferible que el agente se abstenga y derive la consulta antes que ofrecer una respuesta convincente pero incorrecta.

APIs y CRM para actuar

Una API permite intercambiar datos con un sistema de forma definida: consultar el estado de un pedido, crear una incidencia o actualizar un campo del CRM. Antes de habilitar acciones, acuerde qué operaciones se permiten, qué datos se validan y qué cambios requieren confirmación humana. Si no existe una API adecuada, puede ser necesario desarrollar una integración específica o revisar el diseño del sistema.

Un flujo razonable para un agente de leads podría ser: recoger datos, comprobar campos obligatorios, buscar si el contacto ya existe, preparar un resumen y pedir confirmación antes de crear o modificar el registro. Los registros de actividad ayudan a investigar errores y a revisar si la automatización respeta el proceso previsto.

1. Elija una tarea frecuente y defina su resultado, sus excepciones y quién responde de ella.
2. Identifique las fuentes autorizadas, sus responsables, formatos y reglas de acceso.
3. Cree un prototipo con datos de prueba y evalúe respuestas, acciones y casos de abstención.
4. Pruebe con usuarios del proceso, supervise los resultados y amplíe el alcance de forma gradual.

Cuando la solución necesita combinar datos propios con fuentes públicas, es importante revisar el uso previsto y las condiciones aplicables a cada fuente. Kodrana dispone de un catálogo de scrapers preparados y desarrolla extractores a medida; la disponibilidad de una herramienta no sustituye la evaluación legal del proyecto.

Riesgos: precisión, privacidad y uso de datos

Un modelo puede inventar detalles, confundir versiones o interpretar mal una petición ambigua. La mitigación empieza por limitar su función: indicar qué fuentes puede utilizar, pedir aclaraciones cuando falten datos y definir situaciones en las que debe derivar el caso. Para tareas con consecuencias relevantes, no conviene dejar una decisión final exclusivamente en manos del agente.

En privacidad, hay que averiguar qué datos personales entran en el flujo, para qué se usan, quién puede consultarlos y cuánto tiempo se conservan. La empresa debe revisar sus obligaciones conforme al RGPD y la LOPDGDD, así como las recomendaciones aplicables de la AEPD. No introduzca información personal o confidencial en un servicio sin haber comprobado sus condiciones y las garantías adecuadas.

Si se alimenta el sistema con contenido de terceros, también debe revisarse el derecho sui generis sobre bases de datos recogido en la Ley de Propiedad Intelectual, además de las condiciones de uso de la fuente. Que un dato sea accesible públicamente no significa que cualquier forma de recopilarlo y reutilizarlo sea admisible. Para un caso concreto, consulte con un abogado.

• Separe permisos de lectura y escritura, y limite el acceso a los datos necesarios.
• Establezca qué tipos de información no deben enviarse al modelo.
• Pruebe con casos adversos: datos incompletos, peticiones fuera de alcance y documentos contradictorios.
• Defina quién revisa los errores, cómo se corrigen y cuándo se detiene la automatización.

La protección anti-bot de una web es otra consideración si el proyecto depende de datos externos. No debe plantearse como un obstáculo que haya que sortear: hay que respetar los controles del sitio, sus condiciones y la normativa aplicable. Para entender cómo afecta al planteamiento, puede consultar el artículo sobre protección anti-bot en proyectos de datos.

Qué determina el precio y el plazo

El coste no depende solo del modelo elegido. Influyen el número de fuentes y formatos, la calidad de los datos, las integraciones, los permisos, la complejidad del flujo y el nivel de supervisión que exige el negocio. Conectar un asistente a un conjunto ordenado de documentos es distinto de procesar archivos variados y escribir resultados en varios sistemas.

También cuenta el mantenimiento: documentos que cambian, API que se modifica, nuevas excepciones y seguimiento de respuestas. Una estimación útil separa el desarrollo inicial de los gastos recurrentes de los servicios o infraestructuras que se utilicen. Antes de contratar, pida que se especifiquen entregables, criterios de aceptación, responsabilidades y qué ocurre si cambia el alcance.

Como referencias del catálogo de Kodrana, un asistente de soporte con IA parte de 3790 € y suele requerir 2–4 semanas; un agente de cualificación de leads, de 2990 € y 2–3 semanas; y el procesamiento de documentos, de 5390 € y 3–5 semanas. Son puntos de partida para esos tipos de proyecto, no una tarifa universal: el alcance final depende de los sistemas, datos y requisitos concretos.

Para acotar el proyecto, prepare una descripción breve con el proceso actual, ejemplos de entradas y resultados esperados, sistemas implicados y excepciones conocidas. Kodrana trabaja con estimación fija antes de empezar, presenta avances semanales y puede preparar un prototipo en 24–48 horas después de recibir el brief. El código pertenece al cliente tras el pago; el soporte posterior se ofrece por un 10-15% del coste del proyecto al mes.

Si está valorando un agente, puede enviar el proceso y algunos ejemplos anonimizados para solicitar una muestra de datos gratuita o un presupuesto. Así se puede comprobar el encaje antes de comprometerse, sin asumir que toda tarea debe resolverse con IA.