Agentes de IA que se conectan a tus sistemas reales

Coresis diseña, construye y opera agentes de inteligencia artificial para empresas y entidades públicas en Colombia. Construimos cada agente sobre los procesos, los datos y los sistemas del cliente, y lo dejamos funcionando en producción con monitoreo y soporte.

Esta guía explica qué es un agente de IA, en qué se diferencia de un chatbot, qué niveles de autonomía existen, cómo se aplican por sector y qué conviene evaluar antes de contratar a una agencia de inteligencia artificial.

Qué es un agente de inteligencia artificial

Un agente de IA es un sistema de software que percibe un entorno, decide qué hacer para cumplir un objetivo y ejecuta acciones por sí mismo, evaluando el resultado y corrigiendo el rumbo cuando es necesario. Un programa convencional sigue una ruta definida de antemano; un agente elige la ruta en tiempo de ejecución.

Un agente actual combina cuatro componentes:

Modelo de lenguaje

Interpreta la intención y razona sobre el siguiente paso.

Herramientas

Consultar una base de datos, crear un ticket, emitir una póliza o llamar a una API.

Memoria y contexto

Historial de la conversación y conocimiento propio de la organización con RAG.

Orquestador

Gobierna el ciclo, define límites, controla reintentos y decide cuándo escalar.

Sin límites explícitos, trazabilidad y una ruta de escalamiento a un humano, un agente no es un activo: es un riesgo operativo.

Agente de IA, chatbot y automatización

Los tres términos se usan como sinónimos y corresponden a soluciones distintas. La diferencia determina el alcance, el costo y el riesgo del proyecto.

• Chatbot clásico: responde con un árbol de reglas y opciones predefinidas. Sirve para preguntas frecuentes simples y se rompe ante lo imprevisto.
• Automatización de flujos: encadena reglas fijas sobre datos estructurados. Sirve para procesos estables y repetitivos.
• Agente de IA: interpreta lenguaje natural y documentos, razona sobre el objetivo en cada paso, elige la herramienta adecuada y escala a una persona cuando corresponde. Sirve para procesos con criterio y excepciones.

La mayoría de proyectos que funcionan bien combinan los tres: automatización determinista para lo que es predecible y agentes solo donde se requiere criterio. Cuando una regla resuelve el caso, la regla es más barata, más rápida y más auditable que un modelo de lenguaje.

Niveles de autonomía de un agente

Hablar de agentes autónomos sin precisar el grado de autonomía genera expectativas equivocadas. Estos son los niveles con los que trabajamos en un proyecto:

• Asistente: sugiere y redacta, no ejecuta. La persona realiza la acción.
• Copiloto: prepara la acción completa y requiere aprobación previa.
• Supervisado: ejecuta dentro de límites definidos, con revisión por muestreo y excepciones.
• Autónomo acotado: opera el proceso de punta a punta con monitoreo, alertas y auditoría.

Recomendamos empezar con aprobación humana obligatoria y aumentar la autonomía con evidencia. Cada nivel debe justificarse con métricas del propio proceso, como tasa de acierto, casos escalados y errores detectados, y no con una promesa del proveedor. Un agente que sube de nivel sin datos que lo respalden genera más retrabajo del que ahorra.

Casos de uso de agentes de IA por sector

Estos son los escenarios donde más consultas recibimos en Colombia y donde la relación entre esfuerzo y beneficio suele ser más clara.

Atención al cliente y contact center

Es el caso de uso con mayor demanda. Un agente resuelve consultas de primer nivel con información real de los sistemas, como el estado de un trámite, un saldo o la fecha de entrega, y escala a un asesor cuando detecta molestia, un caso fuera de política o un dato que no puede verificar. En operaciones de BPO, buena parte del valor está en asistir al asesor: recuperar el historial del cliente, sugerir la respuesta y redactar la tipificación de la llamada.

Seguros: cotización y automatización de pólizas

Los procesos de póliza mezclan documentos no estructurados, como cédulas, certificados e informes técnicos, con reglas de negocio estrictas. Un agente extrae los datos del documento, valida contra las reglas de suscripción, arma el expediente y deja lista la emisión para aprobación. La autonomía debe ser conservadora: la extracción y la validación se automatizan, la decisión de emitir se mantiene bajo control humano o con límites por monto definidos.

Retail y tiendas online

Agentes para resolver preguntas sobre disponibilidad, tallas, tiempos y estado del pedido consultando el inventario y el sistema de envíos en vivo. En el lado interno, agentes que enriquecen fichas de producto, generan descripciones y detectan inconsistencias de precio o stock entre canales.

Telecomunicaciones

Diagnóstico guiado de fallas antes de escalar a soporte técnico, gestión de solicitudes de cambio de plan y consultas de facturación. El reto en telco no está en el modelo sino en la integración: el agente sirve para poco si no puede consultar el estado real del servicio del cliente.

Recursos humanos

Un agente que responde preguntas de política interna, como vacaciones, incapacidades y certificaciones laborales, con la fuente citada, y que radica las solicitudes en el sistema correspondiente. En selección puede apoyar el filtrado inicial de hojas de vida, con una advertencia importante: cualquier uso en decisiones de contratación exige criterios auditables y revisión humana, tanto por riesgo legal como por sesgo.

Educación: soporte académico y administrativo

Las instituciones educativas concentran un volumen alto de preguntas repetitivas sobre matrículas, calendarios, requisitos y certificados. Un agente conectado al sistema académico responde con datos del estudiante concreto y libera a las áreas administrativas en los picos de inicio de semestre.

Logística y seguimiento de envíos

Consultas de trazabilidad resueltas contra el sistema de transporte en tiempo real, notificación proactiva de retrasos y gestión de novedades de entrega. La automatización determinista cubre gran parte del flujo y el agente aporta en la excepción: entender una novedad descrita en lenguaje libre y decidir el siguiente paso.

Turismo y hotelería

Atención en varios idiomas, resolución de dudas sobre disponibilidad y políticas, y apoyo en la gestión de reservas y cambios integrado con el motor de reservas.

Sector público

Orientación sobre trámites y requisitos con la información oficial vigente como fuente. Las restricciones son más estrictas que en el sector privado: trazabilidad de cada respuesta, accesibilidad, tratamiento de datos personales según la Ley 1581 de 2012 y transparencia sobre el uso de IA frente al ciudadano. Nuestra experiencia en plataformas para entidades del Estado se puede revisar en GOV.CO y Drupal.

Arquitectura y stack técnico

El stack adecuado depende de las restricciones de datos, presupuesto y equipo de cada organización. Estos son los componentes con los que trabajamos.

• Orquestación con n8n: conecta el agente con CRM, ERP, bases de datos, correo, mensajería y APIs propias. Puede autoalojarse, lo que permite que los datos sensibles no salgan de la infraestructura del cliente, un requisito frecuente en banca, salud y sector público.
• Construcción con Dify: permite definir agentes, gestionar y versionar prompts y montar bases de conocimiento con RAG sin construir el andamiaje desde cero. Facilita que el equipo del cliente ajuste contenidos sin depender de un desarrollador para cada cambio.
• Modelos: trabajamos con modelos comerciales por API y con modelos abiertos desplegados en infraestructura propia cuando la sensibilidad de los datos o el volumen lo justifican. El criterio es la latencia, el costo por interacción y las restricciones de privacidad del caso, no el tamaño del modelo.
• Conocimiento propio con RAG: indexamos documentos, manuales, políticas y catálogos para que el agente responda con información de la organización y cite la fuente. Cuando el contenido vive en un CMS la integración es directa, una ventaja de nuestra experiencia como expertos en Drupal.
• Despliegue: en AWS o en la infraestructura del cliente, con contenedores, monitoreo y registro de cada interacción para auditoría. Un agente sin observabilidad no se puede mejorar.

Cómo implementamos un proyecto de agentes de IA

Trabajamos por fases cortas con un punto de decisión al final de cada una, para poder detener o redirigir el proyecto antes de comprometer más presupuesto.

• Diagnóstico y selección del caso: priorizamos procesos candidatos por volumen, grado de repetición, calidad de los datos disponibles y costo del error. Un proceso de alto volumen y bajo costo de error es el mejor primer caso.
• Prueba de concepto acotada: construimos el agente sobre el caso elegido con datos reales y lo medimos contra la línea base actual, para determinar si es viable y a qué costo por interacción.
• Piloto en producción: salida controlada con un subconjunto de usuarios y un nivel de autonomía bajo, midiendo tasa de resolución, casos escalados y satisfacción.
• Integración y escalamiento: conexión completa con los sistemas, ampliación de cobertura y aumento gradual del nivel de autonomía respaldado por métricas.
• Operación y mejora continua: monitoreo, ajuste de prompts y base de conocimiento, control de costos y evolución del alcance. Los modelos y las plataformas cambian con rapidez y un agente sin mantenimiento se degrada.

Cómo elegir una agencia de inteligencia artificial en Colombia

Estas preguntas ayudan a distinguir a un proveedor con capacidad de ingeniería de uno que solo conecta una API:

• Propiedad de la solución: si el agente vive dentro de una plataforma cerrada del proveedor, migrar después resulta costoso. Conviene preguntar por la portabilidad.
• Ubicación de los datos: debe haber una respuesta concreta sobre dónde se procesan y almacenan, si se usan para entrenar modelos de terceros y cómo se cumple la Ley 1581 de 2012.
• Integración: el valor está en la conexión con los sistemas existentes. Un agente sin acceso a datos reales solo entrega respuestas genéricas.
• Medición: las métricas del proceso se definen antes de empezar, no se reportan como actividad al final.
• Manejo del error: debe existir una ruta de escalamiento definida, registro de la interacción y un mecanismo de corrección.
• Operación futura: conviene aclarar el soporte, la transferencia de conocimiento y qué parte puede mantener el equipo interno.

Coresis viene de la ingeniería de software y de plataformas críticas para entidades públicas y empresas privadas. Ese origen define cómo trabajamos: integración real, control de los datos y sistemas que se puedan operar y auditar en el tiempo. Puedes conocer nuestro equipo o revisar nuestros proyectos.

Costos y retorno

Un proyecto de agentes tiene tres componentes de costo que conviene separar desde el inicio:

• Construcción: diseño, integración y puesta en producción. Es un costo puntual y depende sobre todo de cuántos sistemas hay que integrar.
• Consumo: costo por interacción con el modelo. Es variable y se optimiza eligiendo el modelo adecuado, ajustando el contexto y resolviendo con reglas lo que no requiere un modelo de lenguaje.
• Operación: monitoreo, mantenimiento de la base de conocimiento y ajustes. Es recurrente y suele subestimarse.

El retorno se mide contra la línea base del proceso: tiempo por caso, volumen atendido, tasa de error o de reprocesos. Cuando el proceso no se puede medir hoy, el primer entregable útil es la medición y no el agente. Las cifras de ahorro varían de forma amplia entre un proceso bien documentado y uno que depende del conocimiento tácito de pocas personas.

Preguntas frecuentes

¿Qué es un agente de inteligencia artificial?

Es un sistema que percibe su entorno, decide de forma autónoma qué hacer para cumplir un objetivo y ejecuta acciones usando herramientas conectadas a sistemas reales, evaluando el resultado y ajustando su comportamiento. Se diferencia de un chatbot en que no sigue un árbol de opciones fijo.

¿En qué se diferencia un agente de IA de un chatbot?

Un chatbot clásico responde con reglas y menús predefinidos. Un agente interpreta lenguaje natural, consulta datos reales, ejecuta acciones eligiendo la herramienta adecuada y escala a una persona cuando corresponde.

¿Qué tan autónomo puede ser un agente de IA?

Depende del riesgo del proceso. Trabajamos con cuatro niveles, desde un asistente que solo sugiere hasta un agente autónomo acotado que opera el proceso completo bajo monitoreo. La recomendación es empezar con aprobación humana obligatoria y aumentar la autonomía con métricas que la respalden.

¿Cuánto tarda implementar un agente de IA?

Una prueba de concepto sobre un caso acotado suele resolverse en semanas. Un agente integrado en producción depende de cuántos sistemas haya que conectar y del estado de la información. La integración y la calidad de los datos determinan el cronograma, no el modelo.

¿Mis datos quedan expuestos al usar inteligencia artificial?

No necesariamente. Es una decisión de arquitectura: se puede trabajar con modelos autoalojados y orquestación en la infraestructura del cliente para que la información sensible no salga de sus servidores, o con proveedores comerciales bajo acuerdos que excluyen el uso de los datos para entrenamiento.

¿Se puede integrar un agente con mi CRM, ERP o sitio web?

Sí. Integramos con CRM, ERP, bases de datos, sistemas de tiquetes, canales de mensajería y sitios web mediante APIs. Un agente sin acceso a los datos reales solo entrega respuestas genéricas.

¿Necesito un equipo técnico interno para mantenerlo?

No para operar, aunque conviene tener a alguien que gestione la base de conocimiento. Entregamos documentación y capacitación, y ofrecemos soporte y evolución continua para las organizaciones que prefieren delegarlo.

¿Qué procesos conviene automatizar primero con IA?

Los de alto volumen y alta repetición, con información disponible en sistemas y donde un error tiene costo bajo y es reversible. La atención de consultas frecuentes, la clasificación de solicitudes y la extracción de datos de documentos suelen ser buenos primeros casos.