Un agente de inteligencia artificial no es un empleado digital: es software probabilístico con acceso a herramientas y permisos. La diferencia no es semántica. Un empleado tiene juicio, contexto acumulado, responsabilidad legal y capacidad de decir «esto no me cuadra, voy a preguntar». Un agente tiene un objetivo, un conjunto de acciones disponibles y una probabilidad de acertar.
La metáfora del empleado se ha impuesto porque vende. Y vende porque permite comparar el precio de una licencia con el coste de una nómina, que es la comparación más favorable que se puede hacer. El problema aparece cuando esa metáfora sale de la presentación comercial y entra en el diseño del sistema, porque entonces se diseña como si hubiera juicio donde solo hay probabilidad.
Un chatbot responde. Un agente actúa. Esa es toda la diferencia, y es enorme.
Cuando un modelo genera texto, el peor resultado posible es una respuesta incorrecta que alguien lee. Cuando un modelo puede ejecutar acciones —crear un pedido, emitir un reembolso, modificar un registro, enviar un correo a un cliente— el peor resultado posible es una acción incorrecta que ya ocurrió y que hay que deshacer.
Un agente se compone de cuatro elementos, y conviene poder nombrarlos los cuatro antes de aprobar ninguno:
Las tres primeras suelen estar definidas. La cuarta es la que falta en la mayoría de los proyectos que auditamos, y es la que determina si el agente es un activo o un pasivo.
McKinsey encontró en su encuesta de 2025 que el 62% de las organizaciones estaba experimentando con agentes, pero solo el 23% los había escalado en al menos una función. La distancia entre esas dos cifras es el objeto de este artículo.
Gartner fue más directo en junio de 2025: prevé que más del 40% de los proyectos de IA agéntica serán cancelados antes de finales de 2027, por costes crecientes, valor de negocio poco claro o controles de riesgo inadecuados. En el mismo análisis, Anushree Verma, directora senior de análisis de la firma, estimaba que de los miles de proveedores que se presentan como especialistas en agentes solo alrededor de 130 lo son de verdad. Al resto lo bautizaron con un término que conviene incorporar al vocabulario de cualquier comité de compras: *agent washing*.
No es un dato en contra de los agentes. Es un dato sobre qué separa a los proyectos que sobreviven de los que no: costes previstos, valor definido y controles de riesgo diseñados.
Atributo | Empleado | Agente de IA |
Responsabilidad legal | Propia, dentro del marco laboral | De la empresa que lo despliega, siempre |
Juicio ante lo inesperado | Reconoce que algo no encaja y pregunta | Completa la tarea con la información que tenga |
Contexto acumulado | Años de conocimiento tácito de la empresa | Solo lo que se le proporciona en cada ejecución |
Trazabilidad | Reconstruible mediante conversación | Solo existe si se diseñó el registro |
Coste de un error | Acotado y detectable | Escalable: repite el mismo error miles de veces |
La fila de la responsabilidad legal ya no es teórica. En el caso *Moffatt contra Air Canada*, resuelto en 2024 por el tribunal civil de Columbia Británica, la aerolínea alegó que su chatbot era una entidad separada responsable de sus propias afirmaciones. El tribunal calificó ese argumento de notable —en el mal sentido— y condenó a la compañía a indemnizar al cliente por la información errónea que había dado el sistema.
La conclusión operativa es simple: la empresa responde de lo que diga y haga su software. Siempre. No hay arquitectura de delegación que traslade esa responsabilidad al proveedor del modelo.
La fila del coste del error es la que más subestiman los comités. Un empleado que interpreta mal una política aplica ese error a los casos que toca en un día. Un agente lo aplica a todos los casos hasta que alguien lo detecta. La escala, que es el argumento de venta, es también el multiplicador del riesgo.
Sería absurdo escribir este artículo desde una posición defensiva. Los agentes resuelven problemas que antes no tenían buena solución, y estos son los patrones donde funcionan de forma consistente:
Tareas con lenguaje y estructura ambigua. Leer cincuenta correos de proveedores, extraer el número de pedido y la fecha comprometida y volcarlo a un sistema. Antes exigía reglas frágiles o trabajo manual.
Orquestación entre sistemas que no se hablan. Consultar tres fuentes, cruzarlas y proponer una acción. El agente no sustituye la integración, pero reduce la fricción cuando la integración completa no es rentable.
Primer nivel de clasificación y enrutado. Decidir a qué cola va una incidencia, con qué prioridad y qué información falta para resolverla.
Preparación de decisiones, no ejecución de decisiones. El patrón más rentable que hemos visto: el agente reúne, contrasta y propone; la persona aprueba. El ahorro está en la preparación, que es donde estaba el 80% del tiempo.
Nótese que en los cuatro casos el agente opera dentro de un proceso definido. Ninguno de ellos funciona sobre un proceso que nadie ha mapeado, por la misma razón que expusimos al hablar de por qué la IA no arregla una empresa mal diseñada
Proponemos sustituir «empleado digital» por capacidad automatizada supervisada. Es más feo y menos vendible, y describe exactamente lo que se está comprando.
El cambio de vocabulario cambia las preguntas que se hacen en la reunión. Nadie pregunta a un «empleado digital» cuál es su alcance máximo de actuación, porque los empleados no tienen alcance máximo de actuación definido en un documento. A una capacidad automatizada sí se le pregunta:
Un proyecto que puede responder a las seis está listo para producción. Uno que no puede responder a tres o más no está listo, con independencia de lo bien que funcione la demo.
La cuestión de la identidad y los permisos merece un tratamiento propio, porque es donde se concentra el riesgo real: la hemos desarrollado en identidades no humanas, agentes de IA y ciberseguridad
Cuando alguien proponga desplegar un agente, la pregunta útil no es qué puede hacer. Es qué pasa el día que se equivoque, porque se va a equivocar: es software probabilístico y eso está en su naturaleza, no en su calidad.
Si la respuesta incluye un registro completo de lo ocurrido, un mecanismo de reversión, un responsable identificado y un límite claro de actuación, el proyecto está bien planteado. Si la respuesta es que no se equivocará porque el modelo es muy bueno, lo que se está comprando no es un sistema: es una expectativa.
Un chatbot responde con texto; un agente ejecuta acciones sobre sistemas reales. Un agente se compone de un objetivo, un conjunto de herramientas, un conjunto de permisos y un mecanismo de control. La diferencia es crítica: el peor error de un chatbot es una respuesta incorrecta, el de un agente es una acción incorrecta ya ejecutada.
Porque atribuye juicio, contexto acumulado y responsabilidad propia a un sistema que no los tiene. Un agente completa la tarea con la información disponible aunque falte contexto, no reconoce cuándo algo no encaja y repite el mismo error a escala hasta que alguien lo detecta.
La empresa que lo despliega. En el caso Moffatt contra Air Canada (2024), el tribunal rechazó el argumento de que el chatbot fuera una entidad responsable de sus propias afirmaciones y condenó a la aerolínea a indemnizar al cliente por la información errónea del sistema.
Según McKinsey (2025), el 62% de las organizaciones experimenta con agentes pero solo el 23% los ha escalado en alguna función. Gartner prevé que más del 40% de los proyectos de IA agéntica se cancelen antes de finales de 2027 por costes, valor poco claro o controles de riesgo insuficientes.
En tareas con lenguaje y estructura ambigua (extracción de información de correos o documentos), en orquestación entre sistemas que no se comunican, en clasificación y enrutado de incidencias, y sobre todo en preparación de decisiones que después valida una persona.
Poder responder a seis preguntas: qué puede y qué no puede hacer, con qué identidad accede a los sistemas, qué queda registrado de cada ejecución, qué decisiones requieren validación humana, cómo se revierte una acción incorrecta y quién responde del resultado.
¿Estás evaluando un proyecto de agentes? Analizamos el caso de uso, el modelo de permisos y los controles de riesgo antes de que se convierta en un despliegue difícil de revertir. Dos horas de consultoría, sin compromiso. Let's talk → |
Español Español 
English
Français
العربية
Português
Deutsch
Italiano
