Agentes de IA para empresas

Una agencia de marketing con la que trabajamos convirtió cuatro pasos manuales en una rutina de subagentes encadenados, y en otra área del mismo cliente el equipo pasó de un puñado de conceptos creativos a la semana a más de treinta por ejecución. Es el ejemplo con el que cierra esta entrada sobre agentes de IA para empresas: qué son, qué tipos existen hoy y cómo se ve uno funcionando de verdad, con la herramienta con la que se construyó y qué cambió al ponerlo en marcha.

Qué son los agentes de IA para empresas

Un asistente de chat responde una pregunta y espera la siguiente. Un agente de IA recibe una tarea, decide los pasos necesarios para completarla, ejecuta herramientas por su cuenta (leer un archivo, llamar a una API, escribir un documento) y entrega un resultado, no una respuesta suelta. La diferencia está en la arquitectura: un agente tiene acceso a herramientas y puede encadenar varias llamadas al modelo hasta cerrar la tarea, sin que un humano apruebe cada paso intermedio.

En el caso de Claude, esa capacidad de agente forma parte de la arquitectura base. Claude Code la aplica al terminal y al código: lee un repositorio, edita archivos, ejecuta comandos y corrige lo que falla. Claude Cowork aplica la misma arquitectura a trabajo de oficina: lee y escribe documentos, se conecta con Slack o Google Drive y entrega hojas de cálculo o presentaciones terminadas. Por debajo de ambos está el Agent SDK, la vía para construir agentes a medida sobre el mismo modelo cuando el caso de uso no encaja en ninguno de los dos productos ya hechos.

¿Qué agentes de IA existen?

Conviene separar los agentes por dónde corren y qué tocan, más que por lo que prometen hacer:

• Agentes de código: automatizan tareas sobre un repositorio (escribir, depurar, revisar pull requests). Claude Code es el que más rápido crece hoy.
• Agentes de oficina: automatizan tareas sobre documentos y aplicaciones de trabajo diario (informes, hojas de cálculo, presentaciones). Claude Cowork cubre este caso sin necesidad de terminal.
• Agentes verticales a medida: construidos para un proceso concreto de una empresa (cualificar leads, generar propuestas, vigilar un pipeline de ventas), normalmente con el Agent SDK o con MCP (el protocolo que conecta un agente con herramientas y datos externos) para acceder a sistemas propios.
• Subagentes especializados: dentro de un mismo flujo, distintos pasos se reparten entre agentes con su propio modelo y sus propias herramientas. Un paso de scraping puede correr en un modelo barato y rápido, y el paso de redacción final en uno más caro y capaz, todo dentro de la misma tarea.

No hay un único tipo de agente que sirva para todo. Antes de preguntar qué agente de IA existe, conviene preguntar qué parte del trabajo se repite lo suficiente como para justificar construir uno.

Ejemplo de agentes de IA construidos con Claude

La agencia de la apertura es uno de nuestros clientes. Antes de trabajar con nosotros, su pipeline de propuestas comerciales tenía cuatro pasos manuales separados: revisar el portal del cliente, enriquecer los datos, aplicar la guía de estilo y montar la propuesta. Cada paso lo ejecutaba una persona, uno detrás de otro.

Convertimos esos cuatro pasos en una sola rutina encadenada con subagentes: cada paso corre como un agente independiente, con el modelo y las herramientas que necesita, y el resultado de uno alimenta directamente al siguiente sin que nadie lo supervise en medio. El pipeline completo se ejecuta solo, de principio a fin.

El efecto se notó en otra parte del mismo cliente: el equipo ya instalado en la nueva forma de trabajar pasó de un puñado de conceptos creativos a la semana a más de treinta por ejecución, con más de cien publicados en tres mercados en cuestión de días. La combinación de varios agentes en paralelo, sobre un proceso que antes era manual paso a paso, explica ese salto.

Es un ejemplo entre muchos de crear agentes IA para empresas sobre una base ya existente, en vez de construir un producto de agente desde cero: el trabajo estuvo en identificar qué pasos se repetían siempre igual, no en escribir un modelo nuevo.

¿Qué tipo de IA usan las empresas?

En la práctica, casi ninguna empresa usa un solo tipo. Lo habitual es una combinación: un asistente de chat de uso general para preguntas puntuales (Claude, ChatGPT, Gemini), un agente de código para el equipo técnico (Claude Code es el preferido por los desarrolladores con más experiencia) y, cuando el volumen de un proceso concreto lo justifica, un agente a medida construido con MCP o el Agent SDK para ese caso específico.

La diferencia entre empresas que sacan partido de un agente y las que no suele estar menos en qué producto eligieron y más en si identificaron bien qué proceso merece un agente dedicado. Un chat normal sigue siendo lo más rápido para una pregunta suelta; un agente solo compensa la fricción de configurarlo cuando la tarea se repite y tiene varios pasos.

¿Cuáles son las 10 IA más utilizadas?

No existe un ranking único y estable de “las 10 IA más utilizadas”: las cifras varían según si se mide tráfico web, usuarios activos, adopción dentro de empresas o descargas de app móvil, y cada fuente pública mide algo distinto. Lo que sí se repite en casi todos los estudios es qué asistentes aparecen arriba: Claude de Anthropic, ChatGPT de OpenAI y Gemini de Google encabezan de forma consistente las listas de uso general junto a DeepSeek, Grok, Copilot o Perplexity según la fuente, seguidos de herramientas más especializadas según el sector.

Esa clasificación responde a qué asistente usa más gente, una pregunta distinta de qué asistente resuelve mejor un proceso concreto de una empresa. Una empresa que necesita un agente para cualificar leads o generar propuestas elige el modelo que ejecuta bien esa tarea con el coste y el control que necesita, al margen de su posición en el ranking.

¿Cuál es el mejor agente de IA para el trabajo?

No hay un “mejor” agente de IA en abstracto, depende de qué trabajo hay que resolver. Para tareas de código, un agente que corre en el terminal y entiende un repositorio completo (como Claude Code) tiene sentido. Para tareas de oficina sobre documentos y aplicaciones ya en uso, un agente que corre en Desktop sin terminal (como Claude Cowork) encaja mejor. Para un proceso interno muy específico de una empresa, ninguno de los dos productos ya hechos sirve tal cual: hace falta construir uno a medida con el Agent SDK o conectarlo a sistemas propios vía MCP.

En nuestra experiencia con clientes, el error más frecuente es intentar automatizar un proceso que la empresa aún no tiene bien definido cuando lo hace a mano, más que elegir mal el agente. Un agente ejecuta rápido lo que ya se sabe hacer, y ejecuta igual de rápido un proceso ambiguo, sin resolverlo.

Cómo crear agentes IA para empresas

El proceso que seguimos para crear agentes IA para empresas empieza siempre por el mismo paso: mapear el proceso manual tal como se hace hoy, con sus pasos exactos, antes de tocar ninguna herramienta. Solo entonces tiene sentido decidir la arquitectura.

1. Identificar el proceso repetible. Un proceso que se ejecuta igual cada vez, con pasos claros, es candidato a agente. Un proceso que cambia de criterio cada vez que lo hace una persona distinta, no lo es todavía.
2. Elegir la base correcta. Si el trabajo es sobre código, se construye sobre Claude Code. Si es sobre documentos y aplicaciones de oficina, sobre Claude Cowork. Si el proceso es propio de la empresa y no encaja en ninguno de los dos, se construye con el Agent SDK, conectado a los sistemas internos vía MCP.
3. Dividir en pasos, no en un solo agente que hace todo. El pipeline de propuestas de antes funciona porque cada paso (portal, enriquecimiento, estilo, propuesta) es un agente separado con su propio modelo, no una única llamada que intenta cubrirlo todo.
4. Probar con datos reales del cliente antes de desplegar al equipo. Un agente que funciona con datos de prueba y falla con los reales no está listo, por bien que se vea en la demo.
5. Dejar el proceso corriendo solo, con alguien revisando el resultado, no cada paso intermedio. El objetivo final es que la rutina se ejecute sin supervisión constante; la revisión humana se mueve al final del proceso, no a mitad de cada paso.

Construir agentes IA para empresas no exige un equipo de ingeniería de IA propio. Exige tener claro qué proceso se repite, con qué datos trabaja y qué parte de ese proceso puede quedar corriendo sola sin perder control sobre el resultado.