Agentes de IA en la empresa: qué son, qué no son, y cuándo valen la pena

La palabra "agente" se gastó en 2024 igual que se gastó "AI-powered" en 2023. Hoy cualquier formulario que llama una vez a la API de OpenAI se vende como agente. Vamos a separar lo que es marketing de lo que es ingeniería.

Qué es un agente de IA en serio

Un agente es un sistema que:

1. Tiene un objetivo más allá de responder un mensaje.
2. Toma decisiones sobre que herramienta o acción usar en cada paso.
3. Mantiene contexto entre interacciones (memoria, estado).
4. Se recupera de errores y reintenta con estrategias alternativas.

Si tu "agente" hace una sola llamada a un LLM y devuelve la respuesta, no es un agente. Es un wrapper. No hay nada de malo con los wrappers, pero llamémoslos por su nombre.

El caso Tontin: lo que hay debajo de un agente real

Tontin es nuestra plataforma de coaching profesional con IA. Tiene un chatbot y una extensión de Chrome. Visto desde afuera parece "otro asistente". Visto desde adentro:

• Múltiples agentes especializados con prompts y memorias distintas: el asesor de CV, el consultor web, el buddy de código. Cada uno con conocimiento propio.
• Memoria persistente entre sesiones. Si vuelves la semana que viene, el sistema recuerda en que estabas.
• Compresión de contexto: antes de cada llamada, una capa propia reduce el contexto histórico un 50% sin perder lo importante. Eso baja costos a la mitad.
• Fallback chain entre proveedores: si Groq está caído, salta a Gemini. Si Gemini está saturado, salta a Anthropic. El usuario no se entera.
• Búsqueda semántica con embeddings sobre conversaciones pasadas usando pgvector dentro de Postgres.
• Feedback loop: cada respuesta puede marcarse como útil o no, y eso retroalimenta el sistema.

Después de más de 500 conversaciones completadas, todo eso está probado en producción. Ese es el costo real de un agente que funciona.

Cuándo vale la pena para tu empresa

Un agente bien hecho tiene sentido si:

• El proceso es repetitivo pero requiere razonamiento contextual (no se puede automatizar con un if-else).
• El costo del error es bajo o está acotado (sugerir, no decidir cosas irreversibles).
• Tenés volumen suficiente para amortizar la inversión inicial.

Ejemplos donde si: clasificación y enrutamiento de tickets, generación de borradores de propuestas, asistente interno sobre tu propia documentación, síntesis de reuniones con acciones extraídas.

Ejemplos donde no, todavía: tomar decisiones financieras sin supervisión humana, atender clientes en momentos críticos sin escalamiento humano garantizado, cualquier cosa donde un error sin filtro humano genere daño real.

El costo escondido que casi nadie nombra

Un agente en producción no es solo el desarrollo inicial. Es:

• Costo por llamada al LLM (cada interacción son tokens facturados).
• Almacenamiento de embeddings y memoria persistente.
• Monitoreo de calidad: revisar muestras periódicamente para detectar regresiones.
• Actualizaciones: los modelos cambian, lo que funcionaba hace 3 meses puede comportarse distinto.

El costo depende mucho del enfoque: usando modelos open-source y servicios con capa gratuita (Groq, Supabase, Vercel), se puede poner en producción un agente funcional con costo inicial cercano a cero. Lo que si cuesta es el tiempo de ingeniería y el mantenimiento.

Conclusión

Los agentes de IA son una de las pocas tecnologías actuales que justifican el hype, pero solo si están bien hechos. Un agente mal hecho es peor que no tener nada: confunde a los usuarios, da respuestas malas y desgasta al equipo. Antes de meterte, definir el caso de uso concreto, la métrica de éxito y el plan de mantenimiento.

Si tenés un proceso que se repite y crees que la IA podría ayudar, escribinos. En una primera llamada vemos si el caso justifica un agente, un wrapper simple, o ni siquiera eso.

---

Por Esteban Aleart, Founder & Lead Engineer de Pair Programming.