En 2024–2025, «agente de IA» se convirtió en la misma palabra de moda que fue «ChatGPT para empresas» en 2023. Y el problema también es el mismo: el 90% de los artículos sobre agentes de IA los escriben marketers, no ingenieros. Promesas por las nubes, ejemplos abstractos y nada concreto sobre precios o plazos.
En March Code integramos agentes de IA en procesos de negocio desde 2024. En este artículo verás qué son sin humo, 5 escenarios, cómo funcionan por dentro, cuánto cuestan y cuándo NO necesitas un agente de IA.
Qué es un agente de IA, explicado sin rodeos
Un agente de IA es un programa capaz de ejecutar tareas por sí solo, no solo de responder preguntas. ChatGPT es un chat: tú preguntas y él responde. Un agente de IA se parece más a un empleado: le das una tarea y él busca la información que necesita, toma decisiones y actúa.
Así se ve la diferencia en la práctica:
ChatGPT: «Escribe una respuesta a la queja de un cliente por un retraso en la entrega» → genera un texto que un gestor copia y envía a mano.
Agente de IA: recibe la queja → consulta el estado del pedido en el CRM → encuentra el motivo del retraso → redacta una respuesta personalizada → se la envía al cliente → crea una tarea en el gestor de tareas para el equipo de logística → avisa a un responsable si el retraso es crítico.
La diferencia clave es la autonomía. El agente no espera a que una persona copie el texto del chat al CRM. Está conectado a los sistemas que necesita y ejecuta él mismo la cadena de acciones.
La segunda propiedad importante es el contexto. El agente trabaja con tus datos: tarifas, documentación, base de conocimiento, historial de conversaciones. No se inventa las cosas (para ser exactos, alucina un orden de magnitud menos) porque responde a partir de datos concretos, no de un «conocimiento general» sobre todo lo que existe.
5 casos de uso reales
1. Gestión de solicitudes entrantes
La tarea: una empresa de servicios recibe 80–120 solicitudes al día por correo, mensajería y formularios web. Un gestor dedica 3–4 horas a la primera criba: leer → clasificar → responder la pregunta estándar o reenviarla al especialista adecuado.
Qué hace el agente: lee la solicitud entrante → determina su tipo (consulta, queja, pedido, spam) → redacta una respuesta a partir de la base de conocimiento para las preguntas estándar → deriva las demás al empleado adecuado con un breve resumen → crea un registro en el CRM.
El resultado: el 60–70% de las solicitudes se resuelve automáticamente. El tiempo de respuesta baja de 2–4 horas a 30 segundos. El gestor se ocupa de los casos complejos en lugar de copiar y pegar las mismas respuestas.
2. Revisión de documentos y contratos
La tarea: un despacho de abogados recibe cada día 10–15 contratos estándar para revisar. Un abogado dedica 40–60 minutos a cada uno: leerlo, buscar desviaciones respecto a las condiciones estándar y preparar una versión con los cambios marcados.
Qué hace el agente: recibe el contrato (PDF/Word) → extrae las condiciones clave (plazos, penalizaciones, responsabilidad, procedimiento de resolución) → las compara con la plantilla de referencia → marca desviaciones y riesgos → genera un informe: «cláusula 5.3: penalización del 10% en lugar del 5% estándar; cláusula 8.1: no hay cláusula de fuerza mayor».
El resultado: el análisis de cada contrato pasa de 45 minutos a 3. El abogado revisa las conclusiones del agente en lugar de leer 20 páginas de texto. Ahorro: unas 200 horas al mes con 15 contratos al día.
3. Atención al cliente a partir de tu documentación
La tarea: un producto SaaS con 2.000 clientes y un equipo de soporte de 4 operadores. El 65% de las consultas son rutinarias: «¿cómo configuro la integración?», «¿dónde descargo el informe?», «¿por qué no funciona el filtro?». Las respuestas están en la documentación, pero los clientes no quieren ir a buscarlas.
Qué hace el agente: está conectado a la base de conocimiento (documentación, FAQ, changelog, wiki de Notion) mediante RAG. Cuando un cliente escribe en el chat, el agente encuentra el artículo relevante, formula una respuesta con palabras que el cliente entiende (no un copia-pega de la documentación) y adjunta un enlace a la fuente. Si su nivel de confianza queda por debajo de un umbral, pasa la conversación a un operador junto con el contexto.
El resultado: el agente cierra el 70–80% de las consultas sin intervención humana. Tiempo de respuesta: 15 segundos en lugar de 40 minutos. Los operadores se ocupan de los casos complejos y ayudan a mejorar el producto.
4. Automatización del flujo documental
La tarea: una gestoría da servicio a 80 empresas. Cada mes toca reunir documentación justificativa, conciliaciones e informes. Un contable clasifica a mano más de 500 documentos: partes de trabajo, facturas, albaranes, justificantes de pago.
Qué hace el agente: recibe los documentos (escaneo, PDF, foto) → reconoce el tipo y extrae los datos (NIF, importe, fecha, cliente o proveedor) → los coteja con la base de datos de clientes y proveedores → los categoriza → los sube al programa de contabilidad → genera un registro de anomalías (duplicados, importes que no cuadran).
El resultado: procesar 500 documentos lleva 3 horas en lugar de 2 días. Precisión del reconocimiento: 95–98% (el 2–5% restante son escaneos ilegibles, que se revisan a mano).
5. Asistente para el equipo comercial
La tarea: una empresa tiene 15 comerciales. El mejor cierra el 40% de las operaciones; el comercial medio, el 15%. La diferencia está en el conocimiento del producto, los guiones y la gestión de objeciones. Esa experiencia no se transmite en una formación: hace falta práctica.
Qué hace el agente: está integrado con el CRM y la telefonía. Durante la llamada, sugiere en tiempo real respuestas a las objeciones. Después, analiza la conversación: qué objeciones surgieron, cómo respondió el comercial, qué se podría mejorar. Cada semana genera un informe para el director comercial con las métricas de cada vendedor.
El resultado: la conversión media por comercial subió del 15% al 22%. El tiempo de incorporación de un comercial nuevo pasó de 3 meses a 3 semanas: el agente funciona como un «segundo cerebro» con la experiencia del mejor vendedor.
Cómo funciona por dentro: LLM + RAG + herramientas
Esta sección es para CTO y responsables técnicos. Si te basta con la visión de negocio, salta a «Cuánto cuesta la implantación».
Los tres componentes de un agente de IA
Orquestación: cómo encaja todo
Cuando el agente recibe una tarea, ocurre lo siguiente:
Paso 1. El LLM analiza la solicitud entrante y planifica una cadena de acciones: «El cliente pregunta por el estado de un pedido → buscar el pedido en el CRM → comprobar el estado del envío → redactar la respuesta».
Paso 2. El agente llama a una herramienta: una búsqueda en el CRM por número de pedido. Recibe los datos: estado, fecha de envío, número de seguimiento.
Paso 3. Si necesita más información, recurre al RAG: busca en la base de conocimiento la política de retrasos y las condiciones de compensación.
Paso 4. El LLM genera la respuesta final combinando los datos del CRM y de la base de conocimiento, y se la envía al cliente.
Paso 5. El agente registra el resultado: tiempo de procesamiento, fuentes de datos, nivel de confianza. Si la confianza está por debajo del umbral, escala el caso a una persona.
No nos atamos a un solo modelo. GPT-4o es bueno generando texto y trabajando con tablas. Claude destaca en el análisis de documentos largos y en razonamientos complejos. Los modelos alojados en una región concreta encajan cuando los datos tienen que quedarse en una jurisdicción determinada. Los modelos open source (Llama, Mistral) dan la máxima confidencialidad cuando todo se ejecuta en los servidores del cliente.
Cuánto cuesta la implantación
(1 escenario, 2–3 semanas)
(RAG + 3–5 integraciones)
(varios agentes, desarrollo a medida)
De qué se compone el coste
Auditoría y análisis (3–5 días, 900–1.800 €). Analizamos los procesos, identificamos qué automatizar y calculamos el ROI. Resultado: un documento con 3–5 escenarios ordenados por impacto frente a coste de implantación.
Prueba de concepto (1–2 semanas, 2.100–4.500 €). Construimos un prototipo funcional con los datos reales del cliente. Ves cómo el agente gestiona solicitudes reales y juzgas la calidad de sus respuestas. Si la PoC no da resultado, te has gastado unos pocos miles de euros, no 54.000 €.
Desarrollo para producción (3–8 semanas, 5.900–54.000 €). Un agente completo con integraciones, monitorización, gestión de errores y derivación a una persona. La mayor parte del coste se va en las integraciones con tus sistemas (CRM, ERP, mensajería) y en «entrenar» al agente con tus datos.
Costes operativos (continuos). API de LLM: aproximadamente 130–1.350 € al mes, según el volumen de solicitudes. Servidores para el RAG: 90–270 € al mes. Monitorización y actualización de la base de conocimiento: parte de la jornada de alguien si lo lleva tu propio equipo, o 900–2.250 € al mes con nuestro soporte.
La economía de un proyecto típico. Un centro de atención con 5 operadores a 2.100 € al mes cada uno = 126.000 € al año en salarios. Un agente de IA gestiona el 60% de las solicitudes → libera a 3 operadores → ahorra unos 75.000 € al año. Coste de implantación: 15.000 € + 900 € al mes de costes operativos = 25.800 € el primer año. ROI: alrededor del 190% el primer año.
Qué ha cambiado en 2026
El mercado de agentes de IA se mueve rápido. Estos son tres cambios del último año que afectan directamente a las decisiones de negocio:
El coste de las API ha caído entre 5 y 10 veces. A principios de 2025, procesar una solicitud con GPT-4 costaba unos 9–14 céntimos. En 2026 cuesta alrededor de 1 céntimo, gracias a GPT-4o-mini, Claude Haiku y modelos similares. Eso significa que un agente de IA ya compensa incluso a una pequeña empresa con 50–100 solicitudes al día.
Los modelos open source han alcanzado a los comerciales. Llama 3.3, Mistral Large y DeepSeek-V3 se acercan a GPT-4o en calidad de respuesta para la mayoría de tareas de negocio. Puedes ejecutarlos en tus propios servidores, así que los datos nunca salen de casa. Para empresas con requisitos de confidencialidad (finanzas, sanidad, legal), eso es crítico.
Los sistemas multiagente ya son prácticos. Hace un año, un agente resolvía una tarea. Hoy varios agentes trabajan juntos: uno clasifica la solicitud, otro busca la información, un tercero redacta la respuesta y un cuarto revisa la calidad. La orquestación con LangGraph y CrewAI permite montar flujos complejos sin programar a mano cada paso.
Cuándo NO necesitas un agente de IA
Somos una empresa que gana dinero implantando IA. Pero la honestidad importa más que una venta. Estas son las situaciones en las que un agente de IA no es la respuesta:
Cómo elegir un partner para implantar IA
El mercado de servicios de IA es joven y caótico. Muchas empresas revenden la API de ChatGPT con un margen enorme y pocas construyen sistemas que funcionen de verdad. Esto es lo que debes mirar:
Pregunta por el RAG. Si un proveedor te ofrece «conectar ChatGPT a tu negocio» sin mencionar RAG, bases de datos vectoriales o fine-tuning, está revendiendo una API. Un agente sin RAG alucinará y se inventará respuestas. Tu chatbot le hablará a un cliente de un descuento que no existe y te enterarás por la reclamación.
Exige una PoC con tus datos. Ni datos de demostración ni ejemplos sintéticos: tus documentos y solicitudes reales. Una PoC de 1–2 semanas demuestra si el enfoque funciona antes de invertir dinero en serio.
Pregunta qué pasa cuando se equivoca. Un buen agente sabe cuándo no está seguro y pasa la pregunta a una persona. Uno malo suelta disparates con total aplomo. Pregunta: «¿Cómo sabe el sistema que no sabe la respuesta? ¿Qué porcentaje de solicitudes se escala?». Lo normal es un 20–40% en el lanzamiento y un 10–20% al cabo de 2–3 meses.
Revisa el stack. El proveedor debe trabajar con varios LLM (no solo GPT), tener experiencia con frameworks de RAG (LangChain, LlamaIndex) y saber desplegar modelos open source para datos confidenciales. Depender de un solo modelo es un riesgo: si OpenAI cambia sus precios o bloquea tu región, tu agente deja de funcionar.
Fíjate en la monitorización. Un agente de IA no es algo que se instala y se olvida. Hay que seguir la calidad de las respuestas: porcentaje de respuestas correctas, tiempo de respuesta, número de escalados, valoraciones de los usuarios. Si un proveedor no ofrece un panel de monitorización, su plan es entregar el proyecto y olvidarse de él.
Nuestro enfoque: un piloto en 2 semanas
En March Code implantamos agentes de IA con el principio de «apuestas pequeñas, resultados rápidos»:
Trabajamos con GPT-4o, Claude y modelos open source, y elegimos lo que mejor resuelve cada tarea concreta. No enviamos datos de clientes a API externas sin consentimiento explícito; para datos confidenciales, desplegamos los modelos en los servidores del cliente.
Preguntas frecuentes
¿En qué se diferencia un agente de IA de un chatbot?
Un chatbot clásico funciona con guiones: si el usuario escribe «A», responde «B». Un agente de IA entiende el contexto, maneja cualquier forma de preguntar y puede ejecutar cadenas de acciones: buscar información → tomar una decisión → actuar → informar. Un chatbot es un árbol de decisiones. Un agente es un empleado con acceso a herramientas.
¿Es seguro darle datos de clientes a un agente?
Depende de la arquitectura. Si el agente funciona con la API de GPT, los datos pasan por los servidores de OpenAI (su política dice que los datos de la API no se usan para entrenar, pero los datos sí salen de tu entorno). Para la máxima seguridad, desplegamos modelos open source (Llama, Mistral) en los servidores del cliente y los datos nunca salen de ahí. Cuesta más, pero para datos financieros, médicos y legales es la única opción correcta.
¿Cuánto se tarda en entrenar a un agente?
Depende del tamaño de la base de conocimiento. 50 documentos (FAQ, instrucciones): 2–3 días. 500 documentos: 1–2 semanas. Más de 5.000 documentos: 2–4 semanas. Aquí «entrenar» no significa hacer fine-tuning del modelo (eso es caro y normalmente innecesario); significa preparar el RAG: dividir los documentos, indexarlos y probar la calidad de la búsqueda.
¿Y si el agente se equivoca?
Se equivocará, eso es seguro. La cuestión es el sistema de control. Un buen agente (1) cita la fuente de su respuesta (un enlace al documento), (2) muestra su nivel de confianza, (3) pasa el caso a una persona cuando la confianza es baja y (4) registra cada respuesta para poder auditarla. En el lanzamiento, la tasa de error es del 10–20%. Tras un mes de trabajo y calibración, del 3–7%. En tareas rutinarias (respuestas de FAQ, clasificación, enrutado), la precisión llega al 95–98%.
¿No podemos usar ChatGPT sin más en lugar de un agente a medida?
Para uso personal, sí. Para procesos de negocio, no. ChatGPT no conoce tus precios, tus condiciones ni a tus clientes. Se inventará respuestas con total aplomo a partir de su «conocimiento general». Un agente a medida con RAG responde con tus datos y dice honestamente «no lo sé» cuando la información no está.
¿Un agente de IA sustituirá a los empleados?
No los sustituirá; redistribuirá el trabajo. El agente se queda con la rutina (respuestas estándar, clasificación, rellenar plantillas) y las personas, con lo que requiere empatía, creatividad y decisiones fuera de lo común. En la práctica no es «despedir a 5 operadores», sino «5 operadores atienden el triple de solicitudes y se ocupan de casos complejos en lugar de copiar y pegar».
¿Por dónde empezamos si queremos probarlo?
Define una tarea concreta: «los gestores dedican 3 horas al día a X». No «meter IA en la empresa», sino un proceso con una métrica medible. Después, una PoC en 2 semanas, una evaluación de los resultados y la decisión de escalar.
Si quieres hablar de cómo podría funcionar un agente de IA en tu negocio, escríbenos. Haremos una auditoría gratuita: encontraremos 3–5 puntos que automatizar y calcularemos el ROI. Sin compromiso: recibes el análisis, lo piensas y decides.
