Agentes de IA: de chatbots a sistemas que ejecutan tareas

Del chatbot al agente: por qué la industria dejó de preguntar y empezó a ejecutar

Durante 2024 y 2025 la conversación de la inteligencia artificial giró alrededor de modelos: cuál escribe mejor, cuál programa más rápido y cuál entiende contextos largos. En 2026, el centro de gravedad se mueve hacia los agentes de IA: sistemas que reciben un objetivo, lo descomponen en pasos, consultan herramientas externas y ejecutan acciones hasta completar una tarea. La diferencia con un chatbot clásico no es de grado, es de categoría: un chatbot responde; un agente intenta conseguir un resultado.

El movimiento de capital y de producto lo refleja. Según el Agentic Enterprise Index 2026 de Salesforce, el número promedio de agentes activos por organización casi se triplicó entre febrero de 2025 y abril de 2026 —pasó de 5 a 13—, y el tiempo medio para poner un agente nuevo en producción cayó 53%, hasta 1,9 días. En abril de 2026 se consumieron 734 millones de Agentic Work Units (AWU), la unidad que Salesforce define como "una unidad discreta de trabajo completada por un agente de IA".

Qué cambia para founders: de contestar a ejecutar

Un chatbot trabaja con lo que tiene en pantalla: recibe un prompt, devuelve texto. Un agente de IA integra, además del modelo de lenguaje, herramientas externas, APIs, bases de datos y sistemas de recuperación de información —el componente conocido como RAG (Retrieval-Augmented Generation)— para ejecutar acciones concretas. Ante la instrucción de preparar un informe, por ejemplo, puede buscar información, consultar documentos, organizarlos y producir el resultado; con los permisos adecuados, incluso puede ejecutar algunas acciones directamente.

🤖 La IA no es solo para leer sobre ella

En la comunidad la aplicamos: automatización, agentes IA y herramientas reales para emprender, no solo para informarte.

👥 Aplicarla en la comunidad

Esa diferencia operativa redefine tres palancas de cualquier startup:

Producto: en lugar de vender una herramienta que ayuda al usuario a hacer algo, puedes vender un sistema que lo hace por él.
Costes: cada agente activo consume modelos, llamadas a APIs, retrieval, logging y monitorización. No es un gasto de desarrollo, es un coste operativo recurrente —similar al modelo FinOps que ya existe para la nube.
Talento: ya no basta con saber prompting. Los equipos necesitan integrar ingeniería de software, datos, evaluación de modelos, seguridad y observabilidad.

Las cifras que mejor cuentan el momento

El State of AI 2025 de McKinsey, citado por el artículo de El Nacional, encontró que 62% de las organizaciones ya experimenta con agentes de IA y 88% usa IA regularmente en al menos una función empresarial. Una versión posterior del mismo estudio, recogida por Forbes, matiza que solo 23% de las organizaciones ha escalado IA agéntica en al menos una función de negocio, mientras 39% sigue en experimentación y menos de 10% reporta despliegue escalado en cualquier función individual.

Por su parte, Deloitte estima que 26% de las organizaciones exploraba el desarrollo de agentes autónomos en gran medida, y otro 42% lo hacía en cierta medida, aunque señalaba obstáculos de regulación, riesgos y calidad de datos. Una investigación más reciente de Deloitte, recogida por Forbes, añade que solo 1 de cada 5 empresas tiene un modelo maduro de gobernanza para agentes autónomos.

En tamaño de mercado, las proyecciones varían según el alcance que se le dé a la categoría. MarketsandMarkets estima el mercado global de AI Agents en US$7.840 millones en 2025, con un crecimiento a US$52.620 millones en 2030, una CAGR de 46,3%. En una definición más amplia —Agentic AI, que incluye plataformas, orquestación y gobernanza—, la misma consultora lo cifra en US$19.330 millones en 2026, proyectando US$205.880 millones en 2033 (CAGR 40,2%).

La apuesta de Meta y por qué Zuckerberg habla de "miles de millones de agentes personales"

Mark Zuckerberg, CEO de Meta, ha situado a los agentes en el centro de su estrategia. Su tesis: "si miras dentro de cinco años, miles de millones de personas con un agente personal que comprenda tus objetivos y que simplemente esté trabajando en tu nombre las 24 horas del día, los 7 días de la semana, para alcanzar tus metas en cualquier dominio que te importe".

La promesa es potente, pero la propia industria reconoce el problema de fondo: una cosa es generar una respuesta correcta y otra muy distinta ejecutar de forma confiable en un entorno real. Las preguntas que ya aparecen en juntas directivas no eran relevantes en la era del chatbot:

¿Qué información puede consultar un agente?
¿Qué acciones puede ejecutar?
¿Qué ocurre si interpreta mal una instrucción?
¿Cuándo debe transferir la decisión a una persona?

Estas cuestiones pesan especialmente en sectores regulados como salud, finanzas y servicios empresariales, donde un agente que se equivoca no solo responde mal: cobra, prescribe o transfiere dinero.

Colombia como señal: el agente de voz que sigue pacientes posoperatorios

El caso más concreto del lado hispano llega desde Medellín. El Tech Sphere Challenge 2026, organizado por Source Meridian —empresa de ingeniería tecnológica especializada en healthcare y life sciences con operaciones en América Latina—, propuso a desarrolladores senior construir un agente de voz con IA para hacer seguimiento posoperatorio de pacientes.

El sistema debía mantener conversaciones de voz en tiempo real, interpretar información clínica, gestionar latencia e interrupciones, administrar memoria contextual y escalar situaciones críticas al personal sanitario. La construcción involucró RAG, sistemas conversacionales y plataformas de comunicación de voz simultánea. Participaron AI Tinkerers Medellín, Google Developer Group Medellín, Databricks Crew LATAM, la Institución Universitaria Pascual Bravo, la Universidad Nacional de Colombia, con Anthropic como organización aliada. El primer lugar recibirá US$500 en una cuenta prepagada de Claude, y los ganadores se anunciarán el 25 de agosto, con presentación final el 5 de septiembre en la sede Medellín de la Universidad Nacional.

Que una empresa con operaciones en healthcare ponga a desarrolladores a construir esto en 72 horas dice dos cosas: crear un prototipo es cada vez más barato, y convertirlo en un sistema sólido requiere ingeniería de verdad —integración, datos sensibles, regulación HIPAA/HITRUST/SOC 2, gestión de excepciones.

Qué significa esto para tu startup

Si trabajas con IA o construyes sobre ella, 2026 es el año en que el discurso cambia de "qué puede hacer el modelo" a "qué trabajo confiable puede ejecutar tu sistema por tu cliente". Eso obliga a tomar decisiones concretas.

Acciones para implementar esta semana:

Mapea un workflow, no un modelo. Identifica un proceso repetitivo y determinístico en tu operación o en la de tu cliente —soporte de primer nivel, calificación de leads, seguimiento post-venta, recuperación de cobros— y pregúntate qué datos, APIs y permisos necesitaría un agente para cerrarlo de extremo a extremo.
Diseña pensando en coste por agente activo, no por prompt. Como recuerda Forbes, el gasto en IA no acaba en el despliegue: monitoring, evaluación de outputs, actualización de prompts, mantenimiento de integraciones y gobernanza son costes operativos. Presupuéstalos desde el día uno o tu margen se evaporará en producción.
Pon el escalado de salida desde el inicio. Decide de antemano qué puede hacer tu agente y qué debe escalar a una persona. Sin esa frontera clara, en sectores como salud o finanzas, una demo atractiva se convierte en un problema legal.

La frontera de la IA ya no está en lo que el modelo sabe. Está en lo que tu sistema puede hacer, de forma confiable, sin que alguien tenga que pedirle cada paso.