¿Qué hace distinto a un agente frente a una automatización normal?
Una automatización clásica ejecuta reglas que tú escribiste: si el formulario llega con el campo «país» igual a Colombia, asigna al vendedor X. Es determinista, se audita leyendo la regla y falla de forma predecible.
Un agente de IA interpreta información ambigua y decide qué hacer: lee el correo entero, entiende que la persona pregunta por precios de un producto que ya compró, y decide enrutarlo a soporte y no a ventas. Es potente exactamente donde la regla no llega, y es impredecible exactamente por lo mismo.
La consecuencia práctica: usar IA donde bastaban reglas encarece el proyecto y añade incertidumbre sin ganar nada.
¿Qué tareas son buenas candidatas?
Una tarea es buena candidata para un agente de IA cuando cumple las tres condiciones a la vez:
- Es repetitiva y frecuente. Ocurre a diario o semanalmente, con volumen suficiente para que ahorrar minutos importe.
- Trabaja sobre lenguaje o datos poco estructurados. Correos, documentos, formularios de texto libre, transcripciones, tickets.
- Tiene un criterio verificable de «bien hecho». Alguien puede mirar el resultado y decir si es correcto sin abrir un debate.
Si falla la tercera condición, no automatices todavía: primero define el criterio. La parte difícil de un proyecto de IA casi nunca es el modelo, es acordar qué debe pasar en los casos ambiguos.
¿Cuáles son los casos de uso con retorno más rápido?
Los que combinan alto volumen con bajo riesgo si se equivocan:
| Caso de uso | Por qué funciona | Riesgo si falla |
|---|---|---|
| Clasificar y enrutar solicitudes entrantes | Volumen alto, criterio claro, corrección barata | Bajo: se reasigna |
| Extraer datos de documentos | Trabajo manual puro, resultado verificable campo a campo | Bajo con revisión humana |
| Resumir llamadas y volcarlas al CRM | Nadie lo hace bien manualmente hoy | Bajo: el audio sigue existiendo |
| Primeros borradores de respuestas | Ahorra el arranque, que es lo caro | Bajo: siempre pasa por una persona |
| Responder preguntas sobre documentación interna | Sustituye búsquedas lentas | Medio: depende de la calidad de los documentos |
¿Qué no conviene automatizar con IA?
Tres categorías, y conviene ser estricto con las tres.
Lo que se resuelve con reglas. Si el criterio se puede escribir como una condición, escríbela. Un flujo de trabajo tradicional es más barato, se audita leyéndolo y no cambia de opinión.
Las decisiones irreversibles o con consecuencia directa. Emitir una factura, aplicar un descuento, cerrar un caso, enviar una comunicación en nombre de la empresa a un cliente molesto. Un agente puede preparar la decisión; conviene que la ejecute una persona.
Aquello que nadie puede verificar. Si el resultado solo lo puede evaluar la misma persona que lo habría hecho a mano, y esa persona ya no lo revisa porque «lo hace la IA», has automatizado el trabajo y también el control.
¿Por qué fracasan los primeros proyectos?
Por dos motivos que se repiten. El primero es elegir el caso de uso más vistoso en lugar del más medible: un asistente conversacional de cara al cliente luce mejor en un comité que «clasificar los correos que entran a soporte», pero el segundo se puede medir en dos semanas y el primero compromete la cara de la marca.
El segundo es la calidad de la información. La IA no ordena datos desordenados: los amplifica. Un asistente que consulta documentos dispersos y desactualizados da respuestas dispersas y desactualizadas, con excelente redacción y mucha seguridad. Eso es peor que no tenerlo.
¿Cómo se elige el primer proyecto?
Ubica cada candidato en dos ejes: impacto —cuánto tiempo o dinero libera al año— y esfuerzo —integraciones necesarias, calidad de los datos, riesgo si se equivoca—. Empieza por el cuadrante de alto impacto y bajo esfuerzo, aunque sea el menos espectacular.
El primer proyecto debería mostrar resultado en semanas, no en meses. Su objetivo real no es transformar la operación: es que la organización aprenda dónde están sus cuellos de botella reales, que casi siempre resultan ser de datos y de procesos, no de modelos. En Articod Digital Lab esa priorización es el entregable de un AI Discovery, precisamente para no invertir en desarrollo antes de saber qué vale la pena construir.