Insights
Agentes de IA en empresas: cómo afrontar su incorporación y cómo elegir bien
La incorporación de agentes de IA a los procesos de trabajo ya no depende solo de elegir entre Claude, ChatGPT, Gemini o Perplexity. La decisión crítica está en la infraestructura: quién controla los flujos, la memoria, los permisos y la capacidad de cambiar de modelo cuando cambian los costes, las condiciones o las necesidades reales de la organización.
Agentes de IA en empresas y decisión de infraestructura
En muchas organizaciones, la conversación sobre inteligencia artificial ha dejado de girar alrededor de la curiosidad. Ya no se trata de elegir un chatbot para resumir documentos o generar una primera versión de un email, dejando que los equipos trabajen en silos sin tener contexto del resto. La pregunta real es cómo incorporar agentes de IA en procesos de trabajo que ya existen, con personas, sistemas, permisos, datos sensibles y objetivos de negocio que no pueden depender de un experimento aislado.
Ese cambio parece sutil, pero altera por completo la decisión. Un agente no es solo un modelo conversacional con mejor interfaz. Es una pieza operativa que puede leer información, ejecutar tareas, recordar contexto, activar herramientas, pedir aprobaciones y trabajar durante más tiempo que una interacción puntual. Cuando esa pieza entra en compras, soporte, reporting, marketing, operaciones o desarrollo, la empresa ya no está comprando una herramienta: está diseñando infraestructura.
La IA en procesos de trabajo exige más que un buen modelo
Durante los primeros años de adopción, muchas decisiones de IA se tomaron como si todo dependiera del modelo. GPT frente a Claude, Gemini frente a Llama, Opus frente a otros modelos de frontera. Esa comparación sigue importando, pero ya no basta. En sistemas de agentes, el valor no está solo en la capacidad lingüística o de razonamiento del modelo, sino en todo lo que permite convertir esa capacidad en trabajo fiable.
La diferencia se entiende bien con una metáfora sencilla. El modelo es la gasolina. Puede ser más potente, más eficiente o más barata según el momento. Pero el motor es la arquitectura que define qué puede hacer el agente, dónde vive la memoria, cómo se conectan los sistemas, qué permisos tiene, cómo se audita cada acción y cómo se corrige cuando algo funciona por debajo de lo esperado.
Implementar agentes en una empresa exige definir flujos repetibles, conectar CRM, ERP, repositorios documentales, herramientas de mensajería, bases de datos y sistemas internos. También exige diseñar permisos, trazabilidad, límites de actuación, revisión humana, métricas de rendimiento y formación para los equipos que van a convivir con esos agentes. Esa inversión no se improvisa en una tarde, y conviene decidir desde el principio si va a quedar dentro de una plataforma cerrada o bajo control de la organización.
Qué están haciendo Claude, ChatGPT, Gemini y Perplexity
Los grandes proveedores están empujando con claridad hacia agentes gestionados. Anthropic ha desarrollado Claude Code, su Agent SDK y Claude Managed Agents, un servicio alojado para trabajos de largo recorrido donde la sesión, el entorno de ejecución y el agente quedan organizados dentro de la plataforma Claude. Además, Anthropic ha impulsado el Model Context Protocol, una pieza positiva porque estandariza cómo los agentes se conectan a herramientas y datos externos.
OpenAI se mueve en una dirección parecida con Workspace Agents en ChatGPT. La propuesta permite crear agentes compartidos para equipos, conectarlos con herramientas como Slack, automatizar tareas complejas, mantener memoria y ejecutar trabajo en la nube incluso cuando la persona no está conectada. Es una evolución lógica de los GPTs personalizados hacia workflows corporativos más persistentes y operativos.
Google ha consolidado su apuesta empresarial con Gemini Enterprise Agent Platform, evolución de Vertex AI orientada a construir, escalar, gobernar y optimizar agentes. Su ventaja es evidente para organizaciones muy apoyadas en Google Cloud y Google Workspace: integración profunda, gobierno centralizado, registro de agentes, observabilidad, modelos propios y acceso a modelos de terceros desde su plataforma.
Perplexity, por su parte, ha dado recientemente un salto cualitativo con Computer. Ya no es solo un motor de búsqueda asistida: es un agente autónomo que orquesta hasta 19 modelos de IA en paralelo. El usuario describe el resultado que necesita y el sistema lo descompone en subtareas, las distribuye entre modelos especializados y entrega el trabajo terminado. En la versión Enterprise se añaden controles de seguridad organizativos, auditoría, SCIM y retención de datos configurable.
Todas estas propuestas son relevantes. También son cómodas. Reducen fricción, aceleran pilotos y ofrecen una capa gestionada que muchas empresas van a valorar. Pero comparten una tensión de fondo: cuanto más profundo vive el agente dentro del ecosistema de un proveedor, más difícil resulta separar la inversión hecha en procesos, memoria, permisos, skills y conectores de la plataforma que la aloja.
El riesgo operativo no está solo en la tecnología
Cuando una empresa construye sus agentes dentro de una plataforma cerrada, no solo compra funcionalidad. Acepta una dependencia operativa. Esa dependencia puede ser razonable para ciertos casos, pero debe nombrarse con precisión porque afecta a costes, continuidad, negociación, privacidad y capacidad de migración.
El riesgo más evidente es el lock-in. Si el proveedor cambia precios, modifica condiciones, deprecia un modelo, limita una integración o altera su política de uso, la empresa no cambia simplemente una suscripción. Puede verse obligada a rediseñar flujos, reentrenar equipos, reconstruir memoria operativa y volver a validar permisos, trazas y resultados. La factura real no está en la cuota mensual, sino en la reimplementación de todo lo que rodea al agente.
También existe un riesgo de acceso. En 2025, medios como Wired y TechCrunch publicaron que Anthropic revocó el acceso de OpenAI a Claude tras considerar que se estaba usando para comparar capacidades antes del lanzamiento de GPT-5. En otra escala, la comunidad de OpenAI recoge casos de empresas con cuentas API suspendidas sin explicación específica inicial. Y Google restringió accesos vinculados a Antigravity y herramientas de terceros, un episodio que mostró cómo una decisión de proveedor puede cortar de golpe una línea de trabajo.
No hace falta convertir estos casos en alarma. Lo interesante es leerlos como señales de madurez. Los proveedores tienen derecho a proteger sus condiciones, sus modelos y sus plataformas. Las empresas, por su parte, tienen la responsabilidad de no diseñar procesos críticos como si ese acceso fuera una propiedad permanente. En agentes, la continuidad debe diseñarse, no suponerse.
Infraestructura open source para agentes de IA
La alternativa más sólida para organizaciones que van a depender de agentes consiste en separar el motor del combustible. El motor es la infraestructura: flujos, conectores, memoria, skills, permisos, observabilidad y canales de interacción. El combustible es el LLM que se usa en cada momento: Claude, GPT, Gemini, Mistral, Llama, DeepSeek, modelos locales u otros proveedores especializados.
Esta separación permite construir sobre frameworks open source o autohospedables, desplegados en infraestructura controlada por la organización o por un partner tecnológico. El modelo se invoca cuando hace falta, pero la lógica operativa no pertenece al proveedor del modelo. Si mañana una tarea funciona mejor con Claude y otra con GPT, el sistema puede decidirlo. Si los costes cambian, se ajusta el proveedor. Si una política bloquea un acceso, el motor sigue vivo.
OpenClaw representa bien esta filosofía. Es un asistente de IA personal y autohospedable que conecta canales de trabajo como Slack, Discord, Telegram, WhatsApp o Microsoft Teams con agentes capaces de usar herramientas, memoria, automatizaciones y modelos de distintos proveedores. Su documentación refleja una orientación clara hacia control local, múltiples canales y catálogo amplio de proveedores, desde Anthropic, OpenAI y Gemini hasta Mistral, Groq, Ollama, vLLM, LM Studio y otros modelos locales o gateway de modelos.
Hermes Agent, desarrollado por Nous Research, aporta otra lectura interesante: un agente open source con foco en memoria persistente, aprendizaje a partir de tareas realizadas y creación de skills reutilizables. Su propuesta insiste en poder usar distintos modelos, desde OpenAI y Hugging Face hasta OpenRouter o endpoints propios, sin reescribir el sistema. Para organizaciones centradas en research, análisis recurrente y trabajo de conocimiento, esa memoria acumulativa puede ser tan importante como la ejecución inmediata.
La defensa del open source no debe confundirse con ingenuidad. Autohospedar agentes exige conocimiento, seguridad, mantenimiento, supervisión y gobierno. No es gratis, ni necesariamente más sencillo en el corto plazo. Pero cambia la naturaleza del gasto: una parte relevante de la inversión se convierte en activo propio, no en dependencia opaca dentro de una plataforma que puede cambiar unilateralmente.
En The Interactive Studio diseñamos e implantamos integraciones de IA generativa desde esa lectura: primero la arquitectura operativa, después el modelo. Ese enfoque permite conectar agentes a sistemas reales, definir permisos, versionar skills, medir resultados y mantener margen de maniobra ante cambios de proveedor. Para organizaciones que quieren avanzar con rigor, esta diferencia no es anecdótica.
Cómo decidir por dónde empezar
La incorporación de agentes debe empezar por los procesos, no por el proveedor. Antes de elegir modelo conviene identificar dos o tres flujos repetibles, de valor claro y riesgo controlado. Por ejemplo, clasificación de solicitudes internas, preparación de informes recurrentes, investigación comercial, soporte documental, seguimiento de incidencias o revisión de contenido antes de publicación.
Cada flujo debe describirse con entradas, salidas, responsables, herramientas implicadas, permisos necesarios y criterios de éxito. Después se decide qué partes puede ejecutar el agente, qué decisiones requieren aprobación humana y qué trazas deben conservarse para auditar el trabajo. Este mapa evita que la IA se convierta en una capa brillante encima de procesos poco definidos.
La segunda decisión es la arquitectura. Para pilotos muy acotados, una plataforma gestionada puede acelerar aprendizaje. Para procesos que van a crecer, tocar datos relevantes o convertirse en capacidad estable, conviene evaluar una infraestructura agnóstica al modelo. OpenClaw puede encajar cuando el agente debe vivir en los canales donde ya trabaja el equipo. Hermes puede tener sentido cuando la memoria, la mejora acumulativa y la continuidad entre sesiones son el centro del caso de uso.
La tercera decisión es la medición. Un agente empresarial debe evaluarse por coste por tarea, tasa de resolución, tiempo ahorrado, calidad de salida, número de intervenciones humanas, incidencias, trazabilidad y satisfacción de los equipos. Sin estas métricas, la conversación se queda en entusiasmo. Con ellas, la organización puede decidir qué automatizar, qué mantener asistido y qué dejar fuera.
El motor debe pertenecer a la organización
La incorporación de la IA a procesos de trabajo no se juega en una sola herramienta. Se juega en una decisión de arquitectura. Los grandes proveedores ofrecen velocidad, comodidad y modelos extraordinarios. Conviene usarlos cuando aportan valor. Pero una empresa que va a depender seriamente de agentes necesita proteger aquello que más cuesta construir: sus flujos, su conocimiento operativo, sus conectores, su memoria y su capacidad de adaptación.
Por eso defendemos una posición clara: los modelos pueden cambiar, la infraestructura no debería evaporarse con ellos. La organización debe poder elegir la gasolina más adecuada en cada momento sin reconstruir el motor cada vez que cambia el mercado. Esa es la diferencia entre probar IA y convertirla en una capacidad empresarial sostenible. Si este punto forma parte de una decisión de producto, el siguiente paso es contrastar la arquitectura con un equipo especializado.
Preguntas frecuentes
La incorporación debe empezar por procesos concretos, no por el modelo. Conviene identificar flujos repetibles, definir entradas y salidas, conectar herramientas internas, establecer permisos, medir resultados y decidir qué partes requieren supervisión humana.
El principal riesgo es el lock-in operativo. Si el proveedor cambia precios, condiciones, modelos o acceso, la empresa puede perder parte de la inversión realizada en flujos, memoria, conectores y skills, o verse obligada a reconstruirla en otra plataforma.
Separar el motor del LLM permite conservar la infraestructura de agentes aunque cambie el proveedor de modelo. Los flujos, permisos, memoria y conectores permanecen bajo control de la organización, mientras el modelo puede elegirse según coste, rendimiento o requisitos de privacidad.
Anthropic impulsa Claude Code, Agent SDK y Managed Agents; OpenAI ofrece Workspace Agents en ChatGPT; Google desarrolla Gemini Enterprise Agent Platform; y Perplexity orienta Comet hacia navegación e investigación asistida. Todos avanzan hacia capas de agentes más gestionadas.
Tiene sentido cuando los agentes van a operar procesos relevantes, usar datos sensibles, integrarse con sistemas internos o convertirse en capacidad estable. En esos casos, controlar flujos, permisos, memoria y portabilidad suele pesar más que la comodidad inicial.
No. Una infraestructura open source puede invocar modelos de frontera como Claude, GPT o Gemini mediante API. La diferencia es que el sistema de agentes no queda atado a un único proveedor y puede cambiar de modelo sin rehacer toda la arquitectura.
OpenClaw permite desplegar un asistente autohospedable conectado a canales de trabajo y a múltiples proveedores de modelos. Su valor está en separar la experiencia operativa del agente del proveedor concreto de LLM que se use en cada tarea.
Debe medir coste por tarea, tasa de resolución, calidad de salida, tiempo ahorrado, intervenciones humanas, trazabilidad, incidencias y adopción por parte del equipo. Estas métricas convierten la IA en una decisión operativa, no en una prueba difusa.
De la teoría a la práctica
Agentes IA, en producción
Más información
