Cuando una empresa empieza a hablar de inteligencia artificial, la conversación suele ir demasiado rápido hacia las herramientas.
¿Usamos ChatGPT? ¿Un chatbot? ¿Un agente? ¿Lo conectamos a WhatsApp? ¿Qué modelo es mejor?
Son preguntas válidas, pero aparecen antes de otra que importa mucho más: ¿qué problema queremos resolver?
Porque tener inteligencia artificial dentro de una empresa no significa gran cosa por sí solo. Su valor aparece cuando consigue hacerse cargo de una parte del trabajo que hoy depende del tiempo, la memoria o la disponibilidad de una persona.
Para llegar hasta ahí, primero conviene entender qué estamos llamando IA, qué es un modelo y por qué últimamente se habla tanto de agentes de inteligencia artificial.
¿Qué es la inteligencia artificial?
La inteligencia artificial (IA) reúne distintas tecnologías capaces de analizar información, encontrar patrones y producir resultados a partir de datos e instrucciones.
La definición es amplia porque sus aplicaciones también lo son.
Hay inteligencia artificial detrás de algunos sistemas de recomendación, herramientas de detección de fraude, aplicaciones de reconocimiento de imágenes y plataformas como ChatGPT.
Que todas utilicen IA no significa que hagan lo mismo.
Ocurre algo parecido con la palabra “software”. Excel y WhatsApp pertenecen a la misma categoría, pero nadie esperaría utilizarlos para resolver el mismo problema, o si?. Si Meta Business Agent te estoy viendo a ti.
Con la inteligencia artificial sucede igual. Para entender lo que hoy puede hacer dentro de una empresa tenemos que bajar un nivel y hablar de los modelos de IA.
¿Qué es un modelo de IA?
Un modelo de inteligencia artificial es un sistema entrenado para encontrar patrones en información y utilizar lo aprendido cuando recibe nuevos datos.
Los grandes modelos de lenguaje, conocidos como LLM, trabajan específicamente con lenguaje. Gracias a eso pueden interpretar una pregunta, analizar un documento, resumir una conversación o generar una respuesta tomando en cuenta el contexto disponible.
Por ejemplo, si le das a un modelo la ficha de un automóvil y después preguntas qué tipo de transmisión tiene, puede encontrar esa información y responder.
El modelo entiende la pregunta y trabaja sobre la información que recibió.
El problema aparece cuando esperamos que haga algo fuera de esa conversación.
Imagina que alguien escribe por WhatsApp:
“Hola, vi el Mazda 3 que publicaron. ¿Todavía lo tienen?”
El modelo puede entender perfectamente lo que está preguntando. Pero para saber si el vehículo sigue disponible necesita consultar alguna fuente real de la empresa.
Si después la persona pregunta por financiamiento, quizá haya que revisar condiciones, conocer cuánto piensa dar de enganche, guardar sus datos y avisar a un asesor.
Ahí dejamos de hablar únicamente de generar una respuesta.
De los modelos a los agentes de IA
Un agente de IA combina un modelo de inteligencia artificial con información, instrucciones y herramientas que le permiten participar en un proceso.
Sigamos con el ejemplo del automóvil.
El cliente pregunta si sigue disponible. El agente consulta la información correspondiente y responde. Durante la conversación averigua qué versión busca, dónde se encuentra y si piensa comprar de contado o mediante financiamiento.
Cuando ya tiene la información necesaria, puede registrarla en el sistema que utiliza la empresa y dejar la conversación preparada para un asesor.
El modelo sigue siendo una pieza importante. Es el que permite comprender el lenguaje y mantener una conversación natural.
Pero el agente necesita algo más: tiene que conocer el negocio y saber qué hacer con lo que ocurre durante esa conversación.
Minds2 explica este proceso en su artículo “Cómo construir un agente de IA que atiende, califica y agenda por ti”, donde parte de algo muy poco tecnológico: antes de configurar un agente hay que decidir qué objetivo tendrá, qué información necesita y qué reglas debe seguir.
Esa diferencia también ayuda a entender por qué un agente de IA no es simplemente un chatbot que escribe mejor.
Turing se preguntaba si una máquina podía parecer inteligente.
En 1950, Alan Turing publicó Computing Machinery and Intelligence y planteó una pregunta que terminaría acompañando durante décadas el desarrollo de la inteligencia artificial:
¿Pueden pensar las máquinas?
El problema era que definir qué significa exactamente “pensar” podía convertirse en una discusión interminable.
Turing decidió plantearlo de otra manera. En lugar de intentar demostrar qué ocurría dentro de una máquina, propuso observar su comportamiento mediante lo que llamó el juego de imitación, antecedente de la conocida prueba de Turing.
Si una persona mantenía una conversación escrita y no podía distinguir con claridad si al otro lado había otra persona o una máquina, habíamos llegado a un punto interesante.
Más de setenta años después, el dilema sigue teniendo algo de vigencia.
Un sistema puede escribir de forma sorprendentemente humana y aun así no conocer el inventario de tu empresa, no saber cuáles son tus políticas ni entender cuándo debe dejar de responder y pedir ayuda.
Para un negocio, por eso, la pregunta se ha vuelto bastante más práctica.
No necesitamos decidir si una máquina “piensa” como nosotros.
Necesitamos saber qué puede hacer de forma confiable dentro de un proceso real.
¿Cómo funciona un agente de IA dentro de una empresa?
Por fuera puede parecer una conversación normal.
Por dentro ocurren varias cosas.
El modelo interpreta lo que está diciendo la persona. Después utiliza el contexto proporcionado por la empresa: información de productos, servicios, requisitos, políticas, inventarios, preguntas frecuentes o cualquier otro conocimiento necesario.
También necesita reglas: Por ejemplo, qué información puede compartir, qué datos debe solicitar, cuándo puede continuar por su cuenta y en qué momento debe involucrar a una persona.
Por último están las herramientas son las que permiten que lo que ocurre en la conversación tenga consecuencias en otros sistemas. Dependiendo del caso, el agente puede consultar información, actualizar un CRM, crear una tarea, programar una cita o activar otro proceso.
Minds2 profundiza en este tipo de conexiones en contenidos como “Cómo conectar tu agente de IA con Zapier y automatizar cualquier flujo de negocio” y “Cómo tu agente de IA avisa a tu equipo de ventas en el momento exacto”.
El detalle importante es que el agente no trabaja en el vacío.
Su utilidad depende tanto del modelo que utiliza como del proceso al que está conectado.
¿Por qué utilizar IA para algo que una persona ya sabe hacer?
Porque saber hacer algo y tener que hacerlo cincuenta veces al día son problemas distintos.
Un vendedor sabe explicar los requisitos para solicitar financiamiento.
Un reclutador sabe preguntar por experiencia y disponibilidad.
Una persona de atención al cliente sabe consultar un estatus.
El desgaste aparece cuando esas mismas acciones se repiten una y otra vez mientras siguen entrando nuevas conversaciones.
Hay que contestar a alguien que escribió hace dos horas. Revisar qué se habló ayer. Copiar información al CRM. Enviar nuevamente una ficha. Recordar que un prospecto quedó pendiente. Confirmar una cita.
Son tareas pequeñas.
Hasta que existen cincuenta conversaciones abiertas.
Ahí es donde un agente puede empezar a recuperar algo que normalmente no aparece en una hoja de resultados: tiempo de atención del equipo.
Un ejemplo: cuando Recursos Humanos deja de administrar mensajes
Carobra tenía un problema muy concreto.
Su equipo de Recursos Humanos recibía un volumen importante de candidatos y antes de poder evaluar realmente a una persona había que hacer varias preguntas, recopilar información y determinar si tenía sentido avanzar.
Minds2 implementó un agente dentro de esa primera parte del proceso.
De acuerdo con el caso de éxito publicado por la empresa CAROBRA, más de 6,000 candidatos han pasado por el sistema y el agente llegó a gestionar más de 300 mensajes diarios.
Lo interesante no es imaginar a una IA sustituyendo a Recursos Humanos.
El cambio está en algo mucho más cotidiano: un reclutador puede llegar a una conversación con información que antes tenía que recopilar manualmente.
El criterio sigue estando en las personas.
Lo que cambia es cuánto tiempo utilizan antes de llegar al punto donde ese criterio realmente hace falta.
Antes de implementar IA, conviene mirar dónde se está yendo el tiempo
No hace falta empezar con una transformación completa de la empresa.
Durante una semana, basta con observar.
Quizá descubras que el CRM casi siempre va atrasado porque actualizarlo compite con tareas más urgentes.
Tal vez haya mensajes que llegan por la noche y esperan hasta la mañana siguiente.
Puede que los asesores respondan las mismas preguntas varias veces al día o que el seguimiento dependa de que alguien recuerde revisar una conversación.
También puede ocurrir algo menos evidente: personas con mucha experiencia dedicando varias horas a mover información de un lugar a otro.
Eso suele ser una señal interesante.
No porque todas esas tareas deban resolverse con IA, sino porque ahí se encuentran algunos de los mejores candidatos para automatización.
¿Entonces cualquier empresa debería implementar inteligencia artificial?
No.
Y ésa es probablemente una de las cosas más importantes que conviene decir en un momento en el que casi todas las empresas sienten presión por “hacer algo con IA”.
Implementarla únicamente para poder decir que se está utilizando rara vez termina bien.
En el white paper de Minds2 “Lo que nadie te dice antes de meter IA a tu negocio” se aborda precisamente este problema. La guía retoma una cifra que ha llamado mucho la atención: una gran parte de los proyectos de inteligencia artificial en equipos comerciales no consigue entregar los resultados esperados.
El punto importante no es convertir ese porcentaje en una frase alarmista.
Lo interesante es preguntarse por qué ocurre.
Muchas veces el proyecto empieza con la tecnología y después intenta encontrar dónde colocarla.
Sería más útil hacerlo al revés.
¿Qué debería tener una empresa antes de implementar IA?
No necesitas una operación perfecta ni un manual de cien páginas.
Sí necesitas entender suficientemente bien lo que quieres mejorar.
Si vas a utilizar un agente para atender nuevos prospectos, alguien debería saber qué información necesitamos obtener, cuáles son las preguntas habituales, qué características hacen que una oportunidad sea relevante y cuándo tiene que participar una persona.
También ayuda saber dónde debe quedar registrada la información y qué tendría que ocurrir cuando un contacto deja de responder.
Cuando esas respuestas existen únicamente en la cabeza de una persona, implementar IA obliga primero a convertir ese conocimiento en un proceso que otros puedan entender.
Eso no es un inconveniente.
En muchos casos termina siendo uno de los beneficios secundarios del proyecto.
Una buena implementación obliga a la empresa a preguntarse cómo está haciendo realmente las cosas.
Hay procesos que no necesitan IA
Éste es otro punto que conviene tener presente.
Que una tarea pueda automatizarse con inteligencia artificial no significa que deba hacerse así.
Hay procesos que se resuelven perfectamente con una automatización tradicional.
Otros tienen tan poco volumen que automatizarlos costaría más trabajo que seguir haciéndolos manualmente.
Y hay decisiones donde el nivel de criterio, riesgo o sensibilidad hace conveniente mantener a una persona desde el principio.
Encontrar un buen caso de uso consiste precisamente en hacer esa separación.
La IA resulta especialmente interesante cuando existe volumen, información suficiente, cierta repetición y un beneficio claro por reducir tiempos de respuesta o trabajo manual.
Un agente tampoco necesita resolver todo
Supongamos que una persona escribe a una agencia automotriz a las 9:18 de la noche después de ver un vehículo en Instagram.
Pregunta si sigue disponible.
Durante la conversación menciona cuánto podría dar de enganche, que preferiría financiar el resto y que le interesa visitarlo durante el fin de semana.
Un agente puede resolver las primeras dudas, recopilar esos datos y dejar registrada la conversación.
Cuando el asesor comienza su jornada al día siguiente, no necesita abrir veinte chats para averiguar qué ocurrió durante la noche. Puede encontrar una conversación con contexto suficiente para saber por dónde continuar.
Eso ya puede ser una mejora importante.
No necesitamos que el agente negocie todo el automóvil, autorice una condición especial o cierre una operación sin intervención humana.
De hecho, parte de diseñarlo bien consiste en definir dónde termina su trabajo.
Un buen agente también necesita saber cuándo pedir ayuda
Siempre habrá situaciones que no encajen perfectamente en un flujo.
Un cliente puede estar molesto.
Puede pedir una excepción.
Tal vez aparezca una pregunta para la que no existe información suficiente.
O simplemente quiere hablar con alguien.
En esos casos, seguir intentando automatizar la conversación puede empeorar la experiencia.
Por eso conviene preguntar a cualquier proveedor de agentes:
¿Qué ocurre cuando el sistema no sabe qué hacer?
Minds2 utiliza flujos en los que el agente puede identificar que una conversación necesita intervención humana y avisar al equipo junto con el contexto necesario para continuar.
Ese detalle puede ser tan importante como la capacidad del agente para responder.
También importa quién está detrás de la IA
Una demostración puede durar quince minutos.
Una implementación tiene que sobrevivir meses o años.
Y durante ese tiempo el negocio cambia.
Cambian precios, productos, condiciones, procesos internos, herramientas y preguntas de los clientes.
El agente también tiene que cambiar.
Por eso, al evaluar una solución de inteligencia artificial, vale la pena mirar más allá del modelo utilizado.
¿Quién configura el agente?
¿Quién prueba los casos difíciles?
¿Quién actualiza la información cuando el negocio cambia?
¿Quién puede revisar por qué determinada conversación salió mal?
¿Existe soporte después de ponerlo en producción?
En Minds2, por ejemplo, la implementación incluye una etapa de descubrimiento del proceso, configuración, conexión con las herramientas de la empresa y acompañamiento posterior.
La tecnología importa.
Pero el equipo que mantiene esa tecnología alineada con la operación también.
¿Cómo se ve un agente de IA cuando realmente funciona?
No necesariamente como una demostración espectacular.
Se parece más a la situación de la agencia automotriz que acabamos de describir.
El cliente escribió cuando el equipo ya no estaba trabajando, pudo resolver sus primeras dudas y dejó información suficiente para continuar. Al día siguiente, el asesor encontró una oportunidad mucho mejor organizada que un simple “Hola, me interesa”.
En Venta Autos MX, por ejemplo, Minds2 implementó un agente para ayudar con atención y seguimiento de prospectos. En el caso publicado, uno de cada dos prospectos atendidos proporcionó la información necesaria para continuar el proceso comercial, y el primer lead calificado apareció durante la primera semana.
No significa que el agente venda un automóvil por sí solo.
Significa que una parte del trabajo que antes dependía completamente de la disponibilidad del asesor puede ocurrir antes de que éste intervenga.
Eso es bastante más útil que una IA haciendo trucos durante una demo.
Los casos de éxito ayudan a entender dónde sí tiene sentido
No todas las empresas deberían medir un agente con las mismas métricas.
En reclutamiento puede importar cuántos candidatos llegan correctamente filtrados a Recursos Humanos.
En una inmobiliaria quizá interesen las oportunidades calificadas y las citas.
En atención al cliente pueden importar los tiempos de respuesta y cuántas consultas se resuelven sin escalar.
Por eso los casos reales son útiles cuando se leen en contexto.
En Patrimonial Capitalia, el caso documentado por Minds2 registra 576 leads, 33 oportunidades calificadas y cuatro apartados durante el periodo analizado. El material del caso señala además que el agente ayudó a organizar la atención, la calificación y el seguimiento para que un equipo pequeño pudiera concentrarse en visitas y cierres.
En Venta Autos MX, la automatización se centró en atender y dar seguimiento a prospectos sin depender de que un asesor estuviera disponible para cada primer contacto.
En Carobra, el problema era diferente: reducir el trabajo previo que Recursos Humanos tenía que realizar antes de saber qué candidatos merecían una conversación más profunda.
La tecnología es parecida.
El problema que está resolviendo cambia.
Y ésa es precisamente la forma correcta de pensar en agentes de IA.
¿Cómo saber si tu empresa tiene un buen caso de uso?
Antes de buscar proveedores, observa tu operación durante algunos días.
Hay algunas señales que vale la pena investigar:
- personas respondiendo constantemente las mismas preguntas;
- información importante repartida entre WhatsApp, hojas de cálculo, correos y notas;
- conversaciones que pierden seguimiento cuando aumenta el volumen;
- datos que deberían llegar al CRM, pero no siempre llegan;
- clientes esperando porque la persona correcta está ocupada;
- empleados experimentados dedicando demasiado tiempo a recopilar o mover información;
- procesos que funcionan con veinte conversaciones, pero empiezan a romperse cuando llegan cien.
No todas estas situaciones necesitan IA.
Pero cada una merece una pregunta:
¿realmente necesitamos que una persona siga haciendo esto de la misma manera?
¿Qué debería buscar una empresa al elegir un agente de IA?
Preguntar qué modelo utiliza está bien, pero no debería ser la única comparación.
Los modelos cambian con demasiada rapidez.
Para una operación real probablemente resulte más útil saber si el agente puede trabajar con información actualizada, conectarse con las herramientas que ya utiliza la empresa y entregar una conversación a una persona sin perder el contexto.
También conviene saber qué se puede medir, quién tendrá acceso a la configuración y qué soporte existe después de la implementación.
Un modelo muy avanzado trabajando sobre información incorrecta seguirá produciendo malos resultados.
Y un agente capaz de realizar veinte acciones diferentes puede convertirse en un problema si nadie entiende qué está haciendo.
En una empresa, la confiabilidad suele ser mucho menos llamativa que una buena demo.
También suele ser mucho más valiosa.
¿Por dónde empezar a implementar inteligencia artificial en un negocio?
Puede que el mejor primer paso no sea buscar “el mejor agente de IA”.
Empieza por revisar el trabajo de la última semana.
¿Qué tareas se repitieron?
¿Cuáles dependieron de que alguien recordara hacerlas?
¿Dónde hubo personas esperando una respuesta?
¿Qué información tuvo que copiarse manualmente?
¿En qué actividades alguien con experiencia dedicó tiempo sin necesitar realmente utilizar esa experiencia?
Después separa lo que requiere criterio, negociación, empatía o una decisión humana de aquello que podría resolverse con información y reglas suficientemente claras.
Ahí suele aparecer un mapa mucho más útil de las oportunidades de automatización.
Después sí tiene sentido hablar de modelos, integraciones, agentes y proveedores.
Antes de meter IA a tu negocio, vale la pena hacer esta revisión
La inteligencia artificial puede ahorrar tiempo, mejorar la continuidad de algunos procesos y permitir que una empresa atienda un volumen que antes resultaba difícil manejar manualmente.
Pero sigue siendo una herramienta.
Si no existe un problema claro, información confiable, reglas y alguien responsable de la implementación, probablemente termine convirtiéndose en otra plataforma que el equipo abre cada vez menos.
Por eso Minds2 desarrolló el white paper “Lo que nadie te dice antes de meter IA a tu negocio”, enfocado precisamente en las decisiones que conviene revisar antes de llevar inteligencia artificial a una operación comercial.
Más de setenta años después de que Turing se preguntara si una máquina podía parecer inteligente, las empresas tienen una pregunta bastante más cercana:
¿Qué parte del trabajo que hacemos hoy todavía necesita realmente nuestro tiempo?
Encontrar una buena respuesta puede ser un mejor punto de partida para implementar IA que empezar comparando herramientas.
Acabas de leer sobre inteligencia artificial, modelos, agentes y qué necesita una empresa antes de implementarlos. Veamos qué tanto se te quedó — 7 preguntas, menos de un minuto.
Preguntas frecuentes sobre inteligencia artificial y agentes de IA
¿Qué es la inteligencia artificial?
La inteligencia artificial es un conjunto de tecnologías que permite a sistemas informáticos analizar información, reconocer patrones y producir resultados a partir de datos e instrucciones. Dentro de esta categoría existen tecnologías diferentes, desde sistemas de recomendación hasta modelos generativos y agentes de IA.
¿Qué es un modelo de inteligencia artificial?
Un modelo de IA es un sistema entrenado con datos para reconocer patrones y aplicarlos a nueva información. Los modelos de lenguaje pueden interpretar instrucciones, analizar texto y generar respuestas según el contexto disponible.
¿Qué es un agente de IA?
Un agente de IA utiliza un modelo de inteligencia artificial junto con instrucciones, información y herramientas que le permiten participar en un proceso. Dependiendo de su configuración, puede consultar datos, registrar información, actualizar sistemas, agendar citas o solicitar la intervención de una persona.
¿Cuál es la diferencia entre un chatbot y un agente de IA?
Un chatbot puede concentrarse en mantener una conversación o responder preguntas. Un agente puede utilizar lo que ocurre en esa conversación para consultar información y ejecutar otras acciones dentro de los sistemas de una empresa.
¿Qué es la prueba de Turing?
Alan Turing propuso en 1950 el llamado juego de imitación para abordar la pregunta de si una máquina podía mostrar un comportamiento que una persona considerara inteligente. El planteamiento dio origen a lo que hoy conocemos como prueba de Turing.
¿Qué necesita una empresa antes de implementar IA?
Conviene tener identificado un problema concreto, información suficientemente confiable, reglas sobre cómo funciona el proceso, criterios para saber cuándo debe intervenir una persona y una forma de medir si la implementación genera una mejora.
¿Un agente de IA reemplaza empleados?
No necesariamente. En muchos casos se utiliza para hacerse cargo de tareas repetitivas o administrativas y permitir que las personas dediquen más tiempo a actividades donde se necesita experiencia, criterio, negociación o una relación humana.
¿Cómo saber si existe un buen caso de uso para IA?
Los procesos que ocurren con frecuencia, consumen muchas horas, siguen reglas razonablemente claras y dependen de información que puede estar disponible para un sistema suelen ser buenos lugares para investigar. El volumen y el costo actual del problema también ayudan a decidir si automatizar tiene sentido.
