Puntos clave
- Si no puedes nombrar la métrica de negocio que mueve, no construyas el agente.
- Un agente acotado con alta finalización supera a un asistente general con baja fiabilidad.
- Diseña primero los caminos poco felices — saber cuándo no actuar es una función.
- La fundamentación en tus datos reales importa más que el tamaño bruto del modelo.
- Despliega en modo sombra, mide con honestidad y luego expande.
La trampa de la demo
Todo el mundo ha visto la demo impresionante: un agente de IA agenda una reunión, redacta un correo, responde una pregunta sin fallos. Luego se pone en producción, se encuentra con el desorden de los datos reales, los usuarios reales y los casos límite reales, y muere en silencio. Hemos revisado decenas de estos proyectos, y el patrón siempre es el mismo. El agente se construyó para parecer inteligente en una sala controlada, no para generar resultados en una caótica.
En Evocative, nuestro punto de partida es deliberadamente poco glamuroso. Antes de escribir un solo prompt o elegir un modelo, hacemos una pregunta: ¿qué cosa medible cambia en el negocio si esto funciona? ¿Menos tickets de soporte escalados? ¿Un ciclo de cotización a cobro más corto? ¿Más leads cualificados llegando a ventas? Si no podemos nombrar la métrica, no construimos el agente.
Acota el alcance, luego profundiza
El mayor error que vemos es la ambición sin límites. Un único agente del que se espera que "gestione la atención al cliente" fracasará, porque la atención al cliente son cien trabajos distintos llevando una sola etiqueta. En su lugar, delimitamos una tarea acotada y repetible con una definición clara de qué significa estar terminada.
- Alto volumen, alta repetición — la tarea ocurre con la frecuencia suficiente como para importar.
- Tolerante a un respaldo humano — cuando el agente no está seguro, la escalación es barata y segura.
- Fundamentada en datos accesibles — la información necesaria ya existe en un sistema al que podemos acceder.
Un agente acotado que gestiona de principio a fin el 70% de las solicitudes de reembolso supera a un "asistente general" que gestiona todo con un 40% de fiabilidad. El valor para el negocio vive en las tasas de finalización, no en la amplitud de la ambición.
Diseña para el fallo, no solo para el éxito
Un agente en producción pasa la mayor parte de su vida lidiando con lo inesperado. Por eso diseñamos primero los caminos poco felices. ¿Qué pasa cuando faltan los datos? ¿Cuando el usuario pregunta algo fuera de alcance? ¿Cuando el modelo alucina una política que no existe?
Nuestros agentes se construyen con barreras de protección y salidas explícitas: umbrales de confianza que activan la entrega a un humano, llamadas estructuradas a herramientas en lugar de razonamiento libre donde la precisión no es negociable, y registros que capturan cada decisión. Un agente que sabe cuándo no actuar es mucho más valioso que uno que siempre tiene una respuesta.
Fundamenta el agente en tu realidad
Los modelos genéricos conocen internet; no conocen tus reglas de precios, tu tono de voz ni tu política de reembolsos del martes pasado. La diferencia entre un juguete y una herramienta es la fundamentación. Conectamos los agentes a fuentes en vivo y autorizadas — tu CRM, tu base de conocimiento, tu sistema de pedidos — y los limitamos a razonar únicamente sobre lo que es cierto para tu negocio.
Aquí es también donde la recuperación y el uso de herramientas importan más que el tamaño del modelo. Un agente más pequeño, bien fundamentado y bien instrumentado supera de forma consistente a un modelo de frontera conectado a nada. La inteligencia que cuenta es contextual, no bruta.
Lanza en pequeño, mide, expande
Nunca lanzamos un agente al 100% del tráfico el primer día. Primero lo ejecutamos en modo sombra, comparando sus decisiones con las humanas sin actuar. Luego lo liberamos en una porción pequeña de casos reales, observamos la métrica que definimos al principio y ampliamos la apertura solo cuando los números se mantienen.
Esta disciplina logra dos cosas. Protege al negocio de fallos silenciosos y construye el único activo que hace que los proyectos de IA perduren: la confianza. Los equipos adoptan lo que pueden verificar. Un agente cuyo impacto es visible en un panel se gana su lugar; una caja negra se apaga la primera vez que avergüenza a alguien.
La verdad incómoda
La mayor parte del trabajo en un gran agente de IA no es IA. Es fontanería de datos, claridad de procesos, mapeo de casos límite y gestión del cambio. El modelo es quizás el 20% del esfuerzo. Precisamente por eso las demos son fáciles y el valor es difícil — la demo se salta el 80%.
Cuando un agente genera valor real, rara vez es porque el modelo subyacente fuera extraordinario. Es porque alguien hizo el trabajo poco emocionante de acotar con precisión, fundamentar en profundidad, fallar con elegancia y medir con honestidad. Ese es el oficio. Todo lo demás es una presentación de diapositivas.
Si tienes una idea de IA que luce preciosa en una demo pero aún no se ha ganado su lugar, estaremos encantados de conversarla y descubrir dónde reside realmente el valor — y el trabajo real.
