Desarrollo de agentes de IA: cómo implementar inteligencia artificial conectada a tu empresa

El desarrollo de agentes IA no consiste en escribir un prompt largo. Consiste en construir un sistema: un modelo con instrucciones acotadas, herramientas conectadas a datos reales, límites de permisos, un mecanismo de evaluación y un plan para cuando el agente se equivoque.

La mayoría de los pilotos que fracasan no fracasan por el modelo. Fracasan porque nadie definió qué datos podía tocar, cómo se iba a medir el resultado o qué pasaba cuando la respuesta era incorrecta.

Esta guía recorre cómo se construye un agente conectado a la operación de una empresa, en el orden en que conviene hacerlo.

Qué se construye realmente

Un agente empresarial tiene cinco capas. Cada una es una decisión de diseño:

Capa	Qué define	Pregunta que responde
Modelo	Qué motor razona	¿Necesito velocidad, profundidad o costo bajo?
Instrucciones	Rol, tono, límites	¿Qué debe hacer y qué nunca debe hacer?
Contexto	A qué información accede	¿De dónde saca la verdad?
Herramientas	Qué acciones ejecuta	¿Qué puede hacer además de responder?
Control	Permisos, registro, aprobación	¿Cómo lo auditamos y lo detenemos?

Si alguna de estas capas queda sin definir, aparece en producción como un problema.

Etapa 1 — Elegir el caso, no la tecnología

El error más caro es empezar por la herramienta. El punto de partida es un proceso concreto con tres características: ocurre con frecuencia, consume tiempo de personas calificadas y tiene un resultado verificable.

Preguntas útiles para elegirlo:

¿Cuántas veces al mes ocurre?
¿Cuánto tiempo toma hoy y quién lo hace?
¿Existe un criterio que alguien pueda explicar en voz alta?
¿Se puede revisar si el resultado estuvo bien o mal?
¿Qué pasa si el agente se equivoca una de cada veinte veces?

Si la última pregunta no tiene respuesta aceptable, el caso no es un buen primer proyecto.

Etapa 2 — Diseñar el acceso a los datos

Aquí se decide la mitad del éxito. Un agente sin contexto propio es un asistente genérico.

Hay tres formas de darle acceso, y normalmente se combinan:

Consulta directa a sistemas. El agente llama una API del ERP, el CRM o una base de datos para obtener el dato vigente. Es la opción más precisa para información que cambia: stock, saldos, estado de un pedido.

RAG sobre documentos. Los documentos se indexan y el agente recupera los fragmentos relevantes antes de responder. Es la opción para contratos, manuales, políticas y conocimiento acumulado. Lo explicamos en RAG para empresas.

Contexto entregado en la solicitud. Datos que ya vienen en el ticket, el correo o el formulario que originó el caso.

Lo que casi nunca corresponde es reentrenar un modelo con datos de la empresa. Es caro, lento, difícil de actualizar y no resuelve el problema de permisos. La información cambia; el modelo entrenado no.

Etapa 3 — Definir las herramientas

Una herramienta es una acción concreta que el agente puede invocar. Buenas prácticas al definirlas:

Una herramienta, una responsabilidad. buscar_cliente y crear_cotizacion separadas, no una función que hace ambas cosas.
Descripciones explícitas. El modelo elige la herramienta leyendo su descripción; si es ambigua, elegirá mal.
Solo lectura por defecto. Las herramientas que escriben o modifican se habilitan después, con controles.
Errores informativos. Si falla, el mensaje debe permitir al agente corregir el intento, no solo abortar.
Límites duros en el código. Los topes de monto, cantidad o alcance se validan en la herramienta, no se confían a la instrucción.

Esa última regla es la que separa un prototipo de un sistema productivo. Las instrucciones se pueden eludir; la validación en código, no.

Etapa 4 — Escribir las instrucciones

Las instrucciones del sistema definen el comportamiento. Deben cubrir:

Rol y alcance. Qué es el agente y para qué área trabaja.
Fuentes de verdad. Qué priorizar cuando dos fuentes se contradicen.
Qué hacer cuando no sabe. Decir que no sabe y derivar, nunca inventar.
Formato de salida. Estructura esperada, nivel de detalle, idioma.
Prohibiciones explícitas. Temas fuera de alcance, datos que no debe exponer, acciones que requieren aprobación.
Citación. Que indique de qué documento o registro salió cada afirmación.

El punto 6 es el que más confianza genera en los usuarios internos. Una respuesta con la fuente al lado se puede verificar en diez segundos.

Etapa 5 — Evaluar antes de publicar

Sin evaluación no hay proyecto, hay una demo.

El método práctico: reunir entre 40 y 100 casos reales del pasado con su resultado conocido. Ejecutar el agente sobre ellos y comparar. Medir:

Exactitud: cuántas respuestas coinciden con el resultado correcto.
Alucinación: cuántas veces afirmó algo que no está en las fuentes.
Cobertura: cuántos casos pudo resolver sin derivar.
Uso correcto de herramientas: si eligió la acción adecuada.
Latencia y costo por caso.

Estos números son la línea base. Cada cambio en instrucciones, modelo o herramientas se vuelve a medir contra el mismo conjunto. Sin eso, “mejorar el prompt” es adivinar.

Etapa 6 — Controles, permisos y trazabilidad

Antes de producción hay que responder:

¿El agente respeta los permisos del usuario que lo consulta?
¿Qué acciones requieren aprobación humana explícita?
¿Qué queda registrado: la solicitud, las herramientas usadas, los datos consultados, la respuesta?
¿Cómo se apaga el agente si algo sale mal?
¿Cada cuánto se revisa una muestra de sus respuestas?

En Chile, el tratamiento de datos personales dentro de estos flujos entra en el alcance de la Ley 21.719. Revisa el checklist técnico de Ley 21.719 e IA y la guía de IA privada con datos empresariales.

Etapa 7 — Piloto, medición y ampliación

El piloto opera con supervisión: una persona revisa las salidas durante un período definido. Al cierre se comparan los indicadores contra la línea base y se decide si se amplía el alcance, se aumenta la autonomía o se corrige el diseño.

La ampliación gradual funciona mejor que el despliegue completo. Cada nuevo permiso debería apoyarse en evidencia del período anterior.

Errores frecuentes en el desarrollo de agentes IA

Dar al agente acceso total “para que sea más útil”. Aumenta el riesgo sin aumentar el valor.
Saltarse la evaluación. Sin métricas, cada ajuste es una opinión.
Confiar los límites al prompt. Los topes críticos van en código.
Automatizar un proceso roto. Si el flujo actual está mal diseñado, el agente lo hará mal más rápido.
No considerar el costo por caso. Un agente que consulta demasiado contexto puede ser más caro que la persona a la que reemplaza.
Ignorar la adopción. Si el equipo no confía en la herramienta, no la usará aunque funcione.

Stack y decisiones técnicas

No hay una única respuesta correcta, pero sí criterios:

Modelo: elegir según la tarea. Los modelos más capaces convienen para razonamiento complejo; los más rápidos y económicos, para clasificación y extracción de alto volumen.
Orquestación: empezar simple. Muchos casos se resuelven con un ciclo de llamadas a herramientas, sin frameworks complejos.
Almacenamiento vectorial: necesario solo si hay RAG sobre documentos.
Observabilidad: registro de cada ejecución desde el día uno, no después.
Despliegue: en la infraestructura de la empresa cuando los datos lo exigen. Lo abordamos en arquitectura cloud.

Preguntas frecuentes

¿Cuánto demora desarrollar un agente de IA?

Un agente acotado, con una o dos fuentes de datos y un proceso bien definido, suele tomar entre cuatro y ocho semanas hasta el piloto. Los plazos se extienden cuando hay que integrar sistemas antiguos sin API o cuando el proceso no está documentado.

¿Se necesita reentrenar un modelo con los datos de la empresa?

En la mayoría de los casos, no. Conectar el modelo a las fuentes mediante herramientas y RAG entrega información actualizada, respeta permisos y es mucho más económico que un entrenamiento propio. El ajuste fino se justifica en escenarios muy específicos de formato o dominio.

¿Qué equipo se necesita para un proyecto de agentes IA?

Un perfil que conozca el proceso de negocio, un desarrollador con experiencia en integraciones y APIs, y alguien responsable de la evaluación y los controles. En proyectos acotados, esos roles pueden concentrarse en dos o tres personas.

¿Cómo se evita que el agente invente respuestas?

Con tres medidas combinadas: obligarlo a citar la fuente de cada afirmación, instruirlo explícitamente para responder “no tengo esa información” cuando corresponda, y evaluar la tasa de alucinación sobre un conjunto de casos conocidos antes de liberarlo.

¿Conviene empezar con una herramienta comercial o con desarrollo propio?

Depende del caso. Si el proceso es estándar y no requiere tocar sistemas internos, una herramienta comercial puede bastar. El desarrollo a medida se justifica cuando el agente debe operar sobre datos propios, respetar permisos internos y ejecutar acciones dentro de tus sistemas.

Construyamos tu primer agente

En Syscode desarrollamos agentes de IA conectados a los sistemas de cada empresa: con evaluación previa, permisos acotados y trazabilidad desde el primer día.

Cuéntanos tu proceso y definamos un piloto medible en semanas, no en trimestres.