Puntos clave
- Una demo demuestra que el camino feliz existe; el valor de producción reside en los casos límite y la lógica de escalado.
- Empieza por la decisión que automatizas y su coste de error, no por el modelo.
- Restringe los agentes de forma agresiva: datos fundamentados, pocas herramientas bien probadas, salidas estructuradas.
- Humano en el bucle por diseño: un agente que sabe cuándo escalar supera a uno que se marca un farol.
- Instrumenta todo y lanza acotado: primero el valor medible, después la expansión.
La trampa de la demo
Cada semana vemos una demo pulida de un agente de IA: reserva una reunión, redacta un correo, responde una pregunta en segundos. La sala aplaude. Luego la cosa llega a producción y se desmorona en silencio: alucina un precio, olvida el contexto tras tres turnos o se atasca porque un cliente real formuló su solicitud de forma inesperada. La brecha entre una demo y un agente fiable es donde va a morir la mayoría de los presupuestos de IA.
Construimos agentes para ganarnos la vida, y nuestro punto de partida es incómodo pero útil: una demo no demuestra nada excepto que el camino feliz existe. El valor real reside en los caminos infelices, los casos límite y la aburrida fontanería operativa que nadie graba.
Empieza por la decisión, no por el modelo
La primera pregunta que hacemos nunca es "¿qué modelo?" Es "¿qué decisión o tarea intentamos quitar del plato de una persona, y cuánto cuesta cuando esa decisión es incorrecta?" Un agente que redacta notas internas puede ser flexible y creativo. Un agente que cotiza precios, aprueba reembolsos o habla con clientes no puede serlo.
Anclarnos en la decisión nos da tres cosas de inmediato:
- Un presupuesto de tolerancia: cuánto error es aceptable antes de que el agente deba pasar el caso a una persona.
- Una métrica de valor: horas ahorradas, tiempo de respuesta, conversión, tasa de error, definida antes de escribir una línea de código.
- Un límite de alcance: lo que el agente explícitamente no intentará.
Si no podemos nombrar la métrica, no construimos el agente. Esa única disciplina mata más proyectos de vanidad que cualquier revisión técnica.
Restringe de forma agresiva, luego afloja
El instinto con los agentes LLM es darles libertad y herramientas y esperar que la inteligencia emergente haga el resto. En producción, la libertad es riesgo. Diseñamos agentes como diseñamos buenos empleados: rol claro, límites claros, escalado claro.
En la práctica, eso significa fundamentar las respuestas en tus datos reales mediante recuperación en lugar de la memoria del modelo, dar al agente un pequeño conjunto de herramientas bien probadas en vez de una caja de herramientas desmesurada, y forzar salidas estructuradas allí donde un sistema posterior consume el resultado. Un agente de reembolsos debería devolver un objeto de decisión sobre el que tu ERP pueda actuar, no un párrafo de prosa que alguien tenga que volver a teclear.
Humanos en el bucle, por diseño
Los agentes más valiosos que hemos puesto en marcha no son totalmente autónomos. Gestionan el 80% de los casos que son rutinarios y escalan con confianza el 20% que no lo son. Ese umbral de confianza es una decisión de producto, y es donde se gana la confianza. Un agente que sabe cuándo decir "no estoy seguro, esto lo derivo a una persona" vale mucho más que uno que se marca un farol.
Instrumenta todo desde el primer día
No puedes mejorar lo que no puedes ver. Cada agente que desplegamos registra sus entradas de razonamiento, llamadas a herramientas y resultados para que podamos medir el rendimiento en el mundo real, no el rendimiento de laboratorio. Esto hace dos cosas: nos permite detectar deriva y patrones de fallo pronto, y convierte al agente en un activo que se acumula. Cada semana de registros son datos de entrenamiento para la siguiente iteración.
Aquí también vive la disciplina de costes. Los costes de tokens, la latencia y el volumen de llamadas a herramientas aparecen todos en las cifras. Hemos reducido a la mitad los costes operativos de clientes simplemente enrutando las consultas simples a modelos más baratos y reservando el razonamiento caro para los casos que realmente lo necesitan.
Lanza en pequeño, demuestra valor, luego expande
Nuestros proyectos más felices empezaron acotados: un flujo de trabajo, un equipo, un resultado medible. Un agente de triaje de soporte. Un asistente de conocimiento interno. Un flujo de cualificación de leads. Una vez que demuestra que ahorra tiempo y la gente confía en él, la expansión es fácil: la organización arrastra al agente hacia nuevas áreas en lugar de que nosotros lo empujemos.
Los proyectos fallidos casi siempre intentaron abarcarlo todo: un único asistente que "lo hace todo" y que no hacía nada de forma fiable. El alcance es la diferencia entre un agente que se vuelve indispensable y uno que se convierte en el hazmerreír.
Cómo se ve lo bueno
Un agente de IA de nivel de producción, en nuestra experiencia, es aburrido en el mejor sentido. Hace un trabajo definido, la mayor parte del tiempo, sin dramas. Escala con elegancia. Su rendimiento es visible en un panel. Cuesta una cantidad conocida por transacción. Y su valor se expresa en cifras que un director financiero reconoce, no en el aplauso que recibió en una reunión hace seis meses.
Ese es el listón. Las demos son teatro; los agentes son infraestructura. Construir el segundo tipo requiere menos magia y más disciplina de ingeniería de lo que la mayoría espera, que es exactamente por lo que los resultados perduran.
Si estás sopesando dónde los agentes de IA podrían mover realmente la aguja en tus operaciones, siempre nos alegra conversarlo, sin discurso de venta, solo una conversación franca sobre qué vale la pena construir y qué no.
