En una empresa, un agente de IA es un modelo de lenguaje envuelto en prompts, herramientas y reglas de negocio, de modo que puede elegir el siguiente paso de un proceso: consultar datos, actuar en un sistema, responder o entregarle el trabajo a una persona. Sirve solo dentro de un proceso que la empresa ya hizo explícito, con límites sobre lo que puede leer y cambiar.
Rashid Azarang · Ingeniero de IA senior · Monterrey, México · Actualizado
Cómo funciona
El modelo es una parte. Alrededor están las instrucciones que describen el trabajo, las herramientas que llegan a los sistemas de la empresa y las reglas del negocio. En cada turno el agente lee la solicitud, decide si necesita un dato o una acción, llama a una herramienta y sigue hasta que puede responder o tiene que dejarle la conversación a alguien.
En una empresa, ese ciclo necesita límites. Primero se autentica a quien llama y se resuelven sus permisos, y el agente trae solo los datos que su tarea necesita. Las llamadas al modelo y a las herramientas tienen plazo. Las iteraciones de herramientas están acotadas. El trabajo largo se va a una cola con una referencia que alguien puede consultar, y las escrituras se hacen de modo que repetirlas no cause daño. Cuando una dependencia falla, el desenlace ya está decidido: una respuesta parcial, un reintento o el relevo a una persona.
Dónde aparece en el trabajo real
Trabajo por contrato en los agentes de un grupo de educación superior que atiende a una población de más de 700,000 estudiantes. Corren en Google Cloud y resuelven preguntas de admisiones, inscripciones, citas, canalización al equipo humano correcto y el soporte diario a estudiantes. Mi trabajo ahí incluye la maquinaria que decide si un cambio al agente puede salir: casos guionados, un juez calibrado y una compuerta en el pipeline.
La segunda lección vino de un equipo pequeño. Al principio nuestros agentes pedían mucha supervisión, instrucciones específicas y que alguien les pasara el contexto cada vez. Eso cambió cuando hicimos explícito nuestro propio proceso: cómo dejamos evidencia, cómo conectamos una historia con un cambio, cómo revisamos y cuál es el estado real de un proyecto. El agente dejó de reconstruir todo desde cero. La autonomía fue consecuencia de la estructura a su alrededor.
Qué no es
Un agente no es solo el modelo. Si cambias los prompts, las herramientas o las reglas, su comportamiento se mueve, así que el agente es el arreglo completo. Tampoco es autonomía entregada el primer día: en mi experiencia, la autonomía llega después de que el proceso está claro.
Cuándo lo necesita una empresa
Una empresa está lista para un agente cuando el trabajo tiene un procedimiento conocido, cuando el estado de ese trabajo se puede leer en sus sistemas y cuando un error se puede notar antes de que cueste. El orden que sigo es el que nos funcionó: primero fortalecer el proceso, después ganar autonomía y al final conservar el resultado como una arquitectura que se mantiene, se observa y se audita.
Mi contribución: Construcción del harness de evaluación, calibración del juez LLM, aislamiento de casos y controles por ambiente.
Qué respalda: El caso público describe casos de referencia como código, un juez LLM calibrado y el harness de evaluación que los ejecuta, sobre agentes en Google Cloud.
Qué no demuestra: La cifra de más de 700,000 estudiantes describe la población atendida por el sistema. No mide usuarios simultáneos, solicitudes por segundo ni autoría individual de toda la plataforma. El código y los datos del cliente son privados.
Fuente revisada:
Preguntas frecuentes
¿A cuántos usuarios puede atender un agente de IA?
Depende de la carga de trabajo, no del número de usuarios registrados. Cientos de miles de usuarios registrados no significan esa cantidad de conversaciones al mismo tiempo. El sistema se dimensiona con usuarios activos, solicitudes pico por segundo, sesiones simultáneas, llamadas a herramientas por turno y objetivos de latencia, y la cuota del modelo se presupuesta junto con las conexiones a la base de datos.
¿Cómo sabes que un agente sigue funcionando después de un cambio?
Haciendo de la evaluación una compuerta del pipeline. Contra el cambio corren casos guionados con estado fijo, las comprobaciones deterministas cubren lo que una comparación puede decidir, un modelo juez calibrado califica lo demás, y un veredicto negativo detiene la versión. Un sistema probabilístico se puede publicar cuando lo que lo rodea es determinista.
¿Conviene empezar por darle más autonomía a un agente?
No. En el trabajo que describo, la autonomía fue consecuencia de fortalecer el sistema alrededor del agente. Cuando el proceso, las reglas y la evidencia quedaron explícitos, el agente pudo saber dónde estaba el proyecto y qué acciones eran válidas.
¿Qué pasa cuando un agente no puede terminar una tarea?
Eso se decide de antemano. El sistema regresa una respuesta parcial, ofrece un reintento o le pasa la conversación a una persona, y el trabajo largo se va a una cola con una referencia que permite consultar su avance. Los reintentos llevan espera creciente y un presupuesto acotado.