En resumen
- Cinco errores explican muchas decepciones con los agentes de IA: demasiada autonomía demasiado pronto, ninguna medición de partida, una herramienta mal conectada, opacidad, una supervisión olvidada.
- Varios casos recogidos por la prensa (Builder.ai, 11x, Artisan) muestran estos fallos: promesas de autonomía, cifras cuestionadas, un reparto poco claro entre la máquina y las personas.
- Cada error tiene su remedio: una ficha de funciones validada por usted, una prueba «en sombra» en la que el agente propone sin actuar, niveles de autonomía y una supervisión continua.
Un agente de IA es un programa que se apoya en un modelo de inteligencia artificial para preparar o ejecutar tareas en sus programas: clasificar correos electrónicos, preparar un recordatorio, rellenar un presupuesto. Se habla de IA «agéntica» cuando la IA actúa, y no solo cuando responde. Sin embargo, algunos de estos proyectos se quedan a medio camino.
Varios casos recogidos por la prensa muestran por qué. Estos son cinco errores y el remedio de nuestro método.
Error 1: aspirar a la autonomía total desde el principio
Un agente que trabaja solo, de día y de noche: la promesa es tentadora. Sigue siendo arriesgada.
El máximo responsable de Artisan, una joven empresa que vende agentes de prospección comercial, lo reconoció: «Tuvimos alucinaciones extremadamente graves en nuestro lanzamiento» (TechCrunch, 9 de abril de 2025, traducido del inglés). La empresa afirma haber resuelto desde entonces lo esencial del problema. Una alucinación es una información inventada por la IA pero presentada como verdadera. Cuando un agente actúa solo, una invención puede llegar directamente a su cliente.
El remedio: niveles de autonomía. Cada agente empieza en el nivel 0 (propone, su equipo hace) y luego pasa al nivel 1 (prepara, usted valida cada acción). Solo pasa al nivel 2 (actúa solo en los casos seguros, escritos en su ficha de funciones) o al 3 (autónomo, supervisado) si las mediciones lo justifican y, como prevé nuestro método, con su acuerdo por escrito. Tras una alerta grave, puede bajar un nivel. El método prevé además que algunas acciones nunca superen el nivel 1: un pago, el envío a un tercero de un documento que le compromete, una supresión de datos. Sus casos de parada están escritos en su ficha de funciones: en esos casos, se detiene y cede el control en lugar de adivinar.
Error 2: no medir nada antes de empezar
Sin cifras de partida, nadie puede decir si el agente ha ayudado. El proyecto se convierte en una partida de presupuesto que recortar.
Tomemos un escenario tipo: una pyme de 30 empleados que reclama a mano sus facturas impagadas. Antes de conectar nada, hay que saber cuántos recordatorios salen cada semana, el tiempo que llevan y el plazo medio de pago.
El remedio: la auditoría y la prueba en sombra. La auditoría (de pago, descontada del presupuesto si usted lo firma en un plazo de 30 días) recoge sus herramientas, sus volúmenes y las ganancias esperadas. Cada ficha de funciones fija sus indicadores: por ejemplo, el plazo medio de pago antes y después, o la proporción de borradores que valida su equipo. Viene después la prueba en sombra, lo que los informáticos llaman pruebas de aceptación: durante unas semanas, el agente propone y su equipo trabaja como de costumbre. La tasa de acuerdo, los errores y el tiempo ganado se miden antes de cualquier puesta en servicio.
Error 3: una herramienta genérica que no habla con sus programas
Utilizado sin conexión, un asistente conversacional generalista no ve su programa de facturación y no conoce sus reglas. Se copia, se pega, y la herramienta puede rellenar los huecos adivinando. Y no todo requiere un agente: para una tarea repetitiva sin ninguna decisión que tomar, una simple automatización suele bastar.
El remedio: una ficha de funciones por agente y conectores elegidos. Un conector es el pequeño programa que une el agente con uno de sus programas. La ficha de funciones del agente, que usted valida antes de cualquier construcción, precisa lo que lee, lo que produce y dónde valida una persona. Los accesos se reducirán a lo estrictamente necesario, en solo lectura cuando sea posible. Los conectores se elegirán según sus programas, cada uno con una versión fija.
Error 4: la opacidad sobre lo que hace la IA y lo que hacen las personas
Builder.ai prometía crear aplicaciones gracias a la IA. Respaldada por Microsoft y por el fondo soberano de Catar, su valoración se acercaba a los mil millones de dólares. En mayo de 2025, su máximo responsable anunció que la empresa se declaraba en quiebra por falta de fondos (The Register, 21 de mayo de 2025, que cita al Financial Times). The Register recuerda que The Wall Street Journal ya había contado en 2019 que confiaba la mayor parte del código a ingenieros humanos en lugar de a la IA. En marzo de 2025, Bloomberg reveló que, desde el verano de 2024, había revisado a la baja las cifras de ventas comunicadas a sus inversores y había contratado auditores para examinar sus cuentas (Bloomberg, 31 de marzo de 2025).
Después corrió un rumor: su «IA» habría sido en realidad 700 ingenieros. Antiguos ingenieros lo niegan: según ellos, existía un verdadero generador de código y desarrolladores subcontratados construían las aplicaciones de los clientes (The Pragmatic Engineer, 12 de junio de 2025, fuente secundaria basada en testimonios). Incluso después de la quiebra, se sigue debatiendo sobre la parte de la máquina y la de las personas. Es exactamente el problema.
El remedio: escribirlo todo y hacerlo visible. Cada acción de un agente se anotará en un registro: lo que ha leído, lo que ha propuesto, la decisión humana, quién la tomó y cuándo. Cada agente tendrá también un esquema de su recorrido, legible por usted, que mostrará sus pasos y los puntos en que valida una persona. El agente prepara, su equipo valida y usted sabrá quién ha hecho qué.
Error 5: olvidar la supervisión y el mantenimiento
Los agentes de prospección comercial, vendidos como capaces de trabajar solos, han tenido unos comienzos difíciles. En 11x, una joven empresa del sector, un empleado citado de forma anónima por TechCrunch declaró: «Perdíamos entre el 70 y el 80 % de los clientes que llegaban» (traducido del inglés). La empresa lo discute: sitúa sus mayores pérdidas de clientes a finales de 2023 y anuncia un 79 % de clientes conservados (TechCrunch, 24 de marzo de 2025). El máximo responsable de Artisan, por su parte, describe la primera generación de estas herramientas: una tasa de respuesta «bastante baja» y una pérdida de clientes «relativamente alta» (TechCrunch, 9 de abril de 2025).
Estos artículos no dicen de dónde vienen esas pérdidas. Un testimonio de experiencia aclara un factor: la atención humana. Jason Lemkin hace en el blog de SaaStr el balance de seis meses de agentes de prospección de IA; su equipo hace funcionar cinco. Anuncia resultados, pero al precio de 15 a 20 horas de supervisión humana a la semana. Su fórmula: «El rendimiento sube y baja directamente con la atención humana» (SaaStr, traducido del inglés). Un balance publicado en abril de 2026 recoge 11x, Artisan y este testimonio de SaaStr (deathtocoldemails.com, fuente secundaria).
Un agente no se instala para olvidarse de él. Los modelos de IA cambian, sus programas se actualizan, sus reglas evolucionan.
El remedio: la supervisión por suscripción. Seguiremos sus agentes en un cuadro de mando, en preparación: alertas, informes, revisión de los niveles de autonomía y de las versiones, a un ritmo definido con usted. Los agentes señalarán también ellos mismos sus problemas (un fallo, un error que se repite, un cambio de modelo de IA) en su área de cliente, también en preparación. Cada agente tendrá una versión fija y toda actualización pasará por una prueba corta. El precio de la suscripción se precisa en su presupuesto.
El método en una página: ficha de funciones, prueba en sombra, niveles de autonomía, supervisión
- Auditoría (de pago, descontada del presupuesto si usted lo firma en un plazo de 30 días): herramientas, volúmenes, ganancias esperadas, agentes elegidos.
- Ficha de funciones por agente, validada por usted: misión, puntos de validación humana, casos de parada, indicadores, nivel de autonomía inicial.
- Plan y construcción: conectores, pruebas con sus datos anonimizados, revisión de seguridad.
- Prueba en sombra de unas semanas: el agente propone, su equipo hace, se mide. Usted decide la puesta en servicio.
- Puesta en servicio progresiva, del nivel 1 al nivel 2, según las mediciones.
- Supervisión continua y formación de su equipo: leer las propuestas, validar, corregir, señalar.
Usted decide dos veces: en la ficha de funciones y en la puesta en servicio. Entre medias, nosotros hacemos el trabajo y cada paso quedará registrado.
Para ir más allá
- El método paso a paso: nuestro método
- Lo que cubre la suscripción: la supervisión
- Los cuatro agentes tipo: nuestros agentes
- Empezar por medir: solicitar una auditoría, descontada del presupuesto si usted lo firma en un plazo de 30 días
Fuentes
Consultadas el 12 y el 13 de octubre de 2026.
- TechCrunch, artículo sobre Artisan del 9 de abril de 2025: https://techcrunch.com/2025/04/09/artisan-the-stop-hiring-humans-ai-agent-startup-raises-25m-and-is-still-hiring-humans
- TechCrunch, artículo sobre 11x del 24 de marzo de 2025: https://techcrunch.com/2025/03/24/a16z-and-benchmark-backed-11x-has-been-claiming-customers-it-doesnt-have
- The Register, artículo sobre Builder.ai del 21 de mayo de 2025: https://www.theregister.com/2025/05/21/builderai_insolvency/
- Bloomberg (republicado por Bloomberg Law), artículo sobre Builder.ai del 31 de marzo de 2025: https://news.bloomberglaw.com/ip-law/microsoft-backed-ai-firm-hires-auditors-after-overstating-sales
- The Pragmatic Engineer, 12 de junio de 2025 (fuente secundaria): https://blog.pragmaticengineer.com/builder-ai-did-not-fake-ai/
- SaaStr, Jason Lemkin, seis meses de agentes de prospección de IA (fecha no indicada en la página): https://www.saastr.com/6-months-of-ai-sdrs-whats-worked-how-they-brought-in-1m-in-90-days-and-the-real-data-everyones-asking-for/
- deathtocoldemails.com, Peter Korpak, abril de 2026 (fuente secundaria): https://deathtocoldemails.com/ai-sdr-post-mortem/