La tentación es comprensible. Lees que los agentes de IA pueden gestionar cobranzas, responder clientes, organizar tu calendario y redactar reportes. La conclusión parece obvia: hay que automatizar todo. Pero esa conclusión es la que más daño hace a las empresas que están empezando con IA.

McKinsey publicó este mes un análisis sobre agentes inteligentes en el entorno corporativo con una advertencia que pocos quieren escuchar. Stephen Xu, socio de la consultora, lo resume así: si una tarea tiene reglas estrictas y resultados siempre predecibles, unos pocos códigos bastan. Usar un modelo de lenguaje para eso sería, en palabras de Dave Kerr, otro socio de McKinsey, "como emplear un misil para matar una mosca."

Eso no significa que los agentes no sirvan. Significa que sirven para cosas específicas, y que saber distinguir cuándo usarlos y cuándo no es probablemente la decisión más importante que un fundador puede tomar antes de invertir en automatización.

Dónde los agentes generan valor real

Un agente de IA tiene sentido cuando el proceso requiere interpretar información ambigua, tomar decisiones con matices o adaptarse a situaciones que cambian. Piensa en un agente que gestiona la atención al cliente: no solo responde preguntas frecuentes, sino que revisa el historial del cliente, detecta si hay un problema recurrente, decide si escalar a un humano e inicia una devolución o ajuste. Eso no se puede hacer con una regla estática.

Según el análisis de McKinsey, en el sector legal ya existen herramientas basadas en agentes que redujeron el tiempo de gestión de procesos a una cuarta parte. No porque la IA sea más rápida leyendo documentos, sino porque puede cruzar información de múltiples fuentes, identificar inconsistencias y priorizar los casos que requieren atención humana.

Los agentes funcionan cuando hay juicio involucrado. Cuando la tarea requiere evaluar, priorizar o decidir entre opciones que no están escritas en un manual.

Dónde los agentes son un exceso

Hay procesos que funcionan perfectamente con automatización tradicional. Si tu empresa necesita enviar una factura el día 5 de cada mes, no necesitas un agente que "razone" sobre cuándo enviarla. Necesitas una regla simple: si es día 5, enviar factura.

Lo mismo aplica para validaciones de formularios, cálculos contables con fórmulas fijas, asignación de turnos basada en disponibilidad o generación de reportes con estructura invariable. Estos procesos son predecibles, repetitivos y tienen un resultado correcto único. Un script, una macro o una automatización básica los resuelve de forma más confiable, más rápida y más barata que cualquier modelo de lenguaje.

El problema no es técnico. Es de expectativa. Muchas empresas asumen que un agente de IA hará todo mejor, cuando en realidad un agente es tan bueno como la claridad con la que defines qué debe hacer y qué información necesita para hacerlo.

La pregunta que falta en la mayoría de implementaciones

Antes de elegir una herramienta, antes de probar un modelo, la pregunta más útil es esta: ¿este proceso requiere criterio o solo requiere ejecución?

Si la respuesta es ejecución pura, la solución no es un agente. Es una automatización directa. Si la respuesta es criterio, entonces un agente tiene sentido, pero solo si le das el contexto necesario para ejercer ese criterio.

Aquí aparece un concepto que está ganando tracción en 2026 y que Carlos Sarmiento, de Confluent, llama ingeniería de contexto. La idea es que el rendimiento de un agente no depende solo de la calidad del modelo de IA, sino de la información que recibe, cuándo la recibe y cómo está organizada. Un agente con acceso a todo es tan ineficiente como uno sin acceso a nada. El arte está en darle exactamente lo que necesita para cada tarea.

Para una PYME, esto se traduce en algo concreto. Si quieres que un agente gestione la comunicación con tus clientes, necesita acceso a su historial de interacciones, sus pagos pendientes y el contexto de conversaciones anteriores. Pero no necesita acceso a tu contabilidad interna ni a los contratos de tus proveedores. Definir esos límites no es un detalle técnico, es lo que separa una implementación que funciona de una que genera más problemas de los que resuelve.

Un criterio simple para decidir

Si estás evaluando automatizar procesos en tu empresa, esta clasificación puede ahorrarte meses de prueba y error.

  • Reglas fijas, resultado único. Usa automatización tradicional. Scripts, macros, flujos de trabajo simples. Ejemplos: facturación periódica, notificaciones por fecha, cálculos con fórmulas definidas.
  • Reglas flexibles, múltiples variables. Usa un agente con scope limitado. Dale acceso solo a la información que necesita y define claramente qué puede y qué no puede hacer. Ejemplos: seguimiento de cobranza donde cada cliente tiene condiciones distintas, respuesta a consultas que requieren revisar historial.
  • Sin reglas claras, alta variabilidad. Mantén a un humano en el proceso, con un agente como asistente que prepara información y sugiere opciones. Ejemplos: negociaciones comerciales complejas, decisiones estratégicas, gestión de crisis.

Michael Chui, investigador senior de McKinsey, anticipa que en 12 a 24 meses dejaremos de hablar de inteligencia artificial porque será una capacidad esperada en cualquier herramienta. Pero llegar a ese punto requiere que las empresas hagan bien el trabajo previo: entender sus propios procesos antes de automatizarlos.

La IA no falla cuando el modelo es malo. Falla cuando le pides que haga algo para lo que no fue diseñada, o cuando le das información desordenada y esperas resultados ordenados. Antes de elegir qué automatizar, asegúrate de saber qué tipo de problema estás resolviendo. Esa claridad vale más que cualquier herramienta.