Cinco arquetipos de agente IA que sí funcionan en empresas
Después de 18 implementaciones, los patrones que entregan valor son menos novedosos de lo que vende el marketing. Acá los cinco que mejor pasan a producción.
Carlos Copisrad · 22 marzo 2026
El sesgo que tenemos que superar
Cuando alguien dice "agente IA" la primera imagen suele ser un ChatGPT con personalidad. Eso es chatbot, no agente. Un agente real tiene tres componentes mínimos: objetivo medible, herramientas que ejecuta y guardrails que evitan que se desvíe.
De los 18 proyectos en los que trabajamos durante 2025–2026, los cinco que mejor pasaron de demo a producción se agrupan en estos arquetipos.
1. Triage clasificador
Recibe input no estructurado (email, ticket, mensaje), lo clasifica y deriva. Sin generar contenido nuevo, sin tomar decisiones complejas. Un agente "humilde".
Por qué funciona: el LLM hace lo que mejor hace (clasificar texto), las herramientas hacen lo que mejor hacen (mover datos). Riesgo bajo, valor alto.
Métricas típicas: 60–85% de accuracy en clasificación correcta, ahorro de 40–60% del tiempo de derivación manual.
Cuándo conviene: volumen mayor a 200 inputs/día con derivación a más de 2 destinos.
2. RAG asistente interno
Responde preguntas con contexto recuperado de documentación interna (HR, IT, legal, comercial). Cita fuentes, dice "no sé" cuando no hay match, escala a humano cuando aplica.
Por qué funciona: la mayoría de preguntas internas son repetitivas y la documentación ya existe. El agente solo conecta los puntos.
Métricas típicas: 50–70% deflection rate (preguntas resueltas sin humano), satisfaction 4.2–4.6/5.
Cuándo conviene: empresas mayores a 100 personas con KB documentada.
3. SDR autónomo
Investiga prospectos, redacta outreach personalizado, agenda demos. NO cierra ventas — ese sigue siendo trabajo humano. Filtra y prepara.
Por qué funciona: SDR es el rol más mecánico del funnel. Investigación pública es lo que mejor hace un LLM con tools de web.
Métricas típicas: 30–50% más demos agendadas con el mismo headcount, 60% reducción en tiempo de research por prospecto.
Cuándo conviene: ICP claro, volumen objetivo de outbound mayor a 500 prospectos/mes.
4. Reporte ejecutivo recurrente
Pulls data de 3-10 fuentes, sintetiza, compara con período anterior, marca anomalías y entrega PDF/email a stakeholders.
Por qué funciona: sintetizar tablas en narrativa es exactamente el sweet spot del LLM. Las anomalías se detectan con queries determinísticas, no con el modelo.
Métricas típicas: 4–8 horas/semana liberadas del analista de datos, reportes consistentes en formato.
Cuándo conviene: reporting semanal/mensual a stakeholders no técnicos.
5. Cobranzas asistidas
Mensajes escalonados a clientes con factura vencida. Tono configurable según relación con cliente. Deriva a humano cuando detecta intención de pago, queja o disputa.
Por qué funciona: el 80% de los mensajes de cobranza son rutina. El humano solo entra cuando hay matiz.
Métricas típicas: 25–40% reducción en DSO, recuperación 15–22% mayor en facturas mayores a 60 días.
Cuándo conviene: volumen mayor a 200 facturas mensuales con clientes recurrentes.
Lo que NO funciona (todavía)
- Agentes "all-in-one" que prometen reemplazar 3 roles. Falla por scope.
- Agentes que toman decisiones financieras o legales sin review humano. Falla por riesgo.
- Agentes con memoria persistente compleja sin observabilidad clara. Falla por debugging imposible.
- Agentes con más de 5 herramientas. Falla por confusion del LLM al elegir tool.
Cierre
El patrón común en los cinco que funcionan: scope estrecho, herramientas mínimas necesarias, métrica clara de éxito y guardrails explícitos. Los que fallan tienen alguno de estos cuatro componentes flojo.
Si querés discutir cuál arquetipo encaja con un proceso tuyo, escribinos.