Agentes de IA para empresas: qué cambió

Durante años, la promesa de la IA empresarial se limitó a responder preguntas: un chatbot en la web, un asistente que redactaba correos, un buscador semántico sobre los documentos internos. Todo eso era un asistente: esperaba una instrucción y devolvía una respuesta. En 2026 la industria ha cambiado de foco. Los agentes de IA para empresas ya no responden: ejecutan. Toman un objetivo, planifican los pasos, usan herramientas reales (correo, CRM, hojas de cálculo, código) y completan el trabajo con la supervisión humana mínima que el caso permita. La transición de asistente a agente es el cambio tecnológico más relevante del año en el software de negocio. Septiembre de 2026 marcó varios puntos de inflexión que conviene conocer antes de tomar decisiones.

Qué es un agente de IA y en qué se distingue de un chatbot

Un agente de IA es un sistema que combina cuatro piezas. Un modelo de lenguaje como motor de razonamiento, un conjunto de herramientas que puede invocar, memoria sobre lo que ya ha hecho y un disparador que lo activa. A diferencia de un chatbot clásico, que responde a un mensaje y termina, el agente puede encadenar decenas de pasos. Consulta una base de datos, clasifica la información, escribe un borrador, pide una confirmación y actúa según la respuesta.

IBM describe a los agentes como «sistemas inteligentes que eligen estrategias, aprenden de los resultados y actúan de forma autónoma con supervisión humana mínima» (referencias al final). Deloitte publicó en abril de 2026 una recopilación continua de tendencias agénticas. Los sitúa como la «siguiente frontera»: software que no solo analiza datos. También gestiona tareas complejas, colabora con personas y con otros agentes, y se adapta a condiciones cambiantes del negocio. Salesforce aporta el matiz diferencial: el auto-refinamiento, la capacidad de aprender de cada interacción y volverse más preciso con el tiempo.

Un asistente ahorra minutos en tareas sueltas. Un agente puede encargarse de un proceso completo y entregar un resultado terminado. Es el caso de responder una licitación o gestionar todas las incidencias de soporte: procesos que antes consumían jornadas completas.

Por qué ahora: lo que cambió en septiembre 2026

La madurez de la categoría se nota en tres movimientos del último año, con un pico en el verano de 2026 y un solo anuncio de septiembre: el nuevo Copilot de Microsoft.

Microsoft reinventa Copilot: Home, Code y Autopilot

El 25 de septiembre de 2026 Microsoft anunció el nuevo Copilot con tres capacidades nuevas. Home unifica Chat y Cowork: es el punto de partida donde conversar con el modelo o delegarle trabajo de extremo a extremo. Code permite a cualquier empleado construir soluciones con la misma tecnología que impulsa GitHub Copilot. Y Autopilot es el paso más agresivo: un agente persistente, proactivo y personal que sigue trabajando «incluso cuando tú no estás». Microsoft confirmó que Home y Code comenzarían su despliegue en el programa Frontier en las semanas siguientes, mientras Autopilot amplía su previsualización privada a finales de septiembre (private preview). También presentó capacidades de FinOps para IA, dirigidas a controlar el gasto creciente en modelos y agentes; junto al modelo de licencia fija, Cowork y otros componentes funcionan con facturación por consumo en Copilot Credits, dato que hay que presupuestar de entrada. Para las empresas, la delegación de trabajo pasa a ser una función de un producto de oficina.

Plataformas agénticas consolidadas

A la altura de 2026, Zapier repasó la categoría en un listado propio (donde sitúa a Zapier en primer lugar). Su conclusión: los agentes «fueron la promesa de 2024, el bombo de 2025 y son la expectativa de 2026». Ya existen opciones listas para desplegar con permisos acotados y acceso real a herramientas. También hay salvaguardas para los datos que tocan. OpenAI había cerrado el círculo en octubre de 2025 presentando AgentKit. El conjunto incluye un constructor visual de flujos con versionado, un registro centralizado de conectores y ChatKit para incrustar agentes en productos propios. En su anuncio citó dos ejemplos. Klarna gestiona dos tercios de sus incidencias con un agente de soporte, y Clay multiplicó por diez su crecimiento con un agente de ventas (OpenAI no dice qué métrica). Matiz importante del desenlace de Klarna: la cifra corresponde a su primer mes de operación y, en mayo de 2025, su CEO reconoció que priorizar el coste había rebajado la calidad del servicio y volvió a contratar personal humano; el agente sigue gestionando dos tercios de las consultas, pero con una capa humana reforzada.

Los flujos multiagente se generalizan

Devoteam publicó con Google Cloud su análisis de tendencias de agentes para 2026. Sitúa la generalización de los flujos de trabajo multiagente como una de las cinco corrientes dominantes. Son agentes especializados que se coordinan entre sí para cubrir procesos enteros.

Su ejemplo más ilustrativo es Hypebeast. Los distribuidores de la compañía solían pasar hasta una semana localizando stock entre hojas de cálculo y cadenas de correo. Tras desplegar Gemini Enterprise con Devoteam, preguntan al agente corporativo y obtienen la respuesta en segundos.

El segundo cambio se produce en el perfil del empleado: el trabajo pasa de la ejecución a la dirección. Ya no se le dice al ordenador qué hacer paso por paso. Se describe lo que se quiere conseguir, y el agente averigua el camino apoyándose en los datos y sistemas propios de la organización. Los empleados de alto rendimiento que antes «se multiplicaban» manualmente ven cómo esa multiplicación se pone al alcance de todo el equipo.

La cifra que obliga a mirar el fenómeno de otra manera

IBM publicó que desplegó IA agéntica internamente sobre 270.000 empleados en múltiples funciones. El impacto estimado: 4.500 millones de dólares en productividad. Hay que leer la cifra con el matiz habitual: es una estimación corporativa, no una auditoría externa. Aun así, el dato cambia la conversación dentro de los comités de dirección. Los agentes dejaron de ser un experimento de laboratorio y son una palanca de eficiencia a escala en una de las empresas más grandes del mundo, aunque un impacto en productividad estimado por el propio proveedor no equivale a un retorno financiero medido por un tercero. Oracle, por su parte, publicó en mayo de 2025 una lista de 23 casos de uso donde pueden encajar los agentes, más hipotéticos que despliegues documentados: van desde redactar ofertas y programar entrevistas en RR. HH. hasta estimar reparaciones en manufactura. También señala que los agentes pueden mantener procesos en marcha de noche, cuando nadie está delante de la pantalla.

Casos de uso que ya funcionan

• Atención al cliente: resolución de consultas de primer nivel, con escalado a humanos cuando la intención se complica. Klarna es el caso más citado: dos tercios de las incidencias gestionadas por un agente.
• Ventas y prospección: investigación de cuentas antes de una llamada, borradores de propuestas y seguimiento de oportunidades. Clay multiplicó por diez su ritmo de captación de clientes con esta aproximación.
• Finanzas y compra: conciliación, elaboración de presupuestos, respuesta de licitaciones y paquetes de cierre — el tipo exacto de trabajo delegado que Microsoft agrupa en Cowork.
• RR. HH. y reclutamiento: redacción de ofertas, programación de entrevistas, explicación de nóminas y beneficios y riesgo de fuga. El cribado inicial de candidaturas con IA entra, además, en el anexo III del AI Act (empleo): es un uso de alto riesgo y no conviene como punto de partida.
• Cadena de suministro e inventario: localización de stock y alertas en tiempo real, el caso de Hypebeast con Gemini Enterprise.
• Seguridad de sistemas: Devoteam destaca que los agentes ya asumen tareas de detección de amenazas que los equipos humanos no tienen capacidad de revisar a mano.

Comparativa de las principales plataformas

Las plataformas han convergido en lo esencial —permisos acotados, conectores, memoria— pero difieren en el punto de entrada. Esta comparativa resume el panorama de finales de 2026:

Plataforma	Apuesta	Punto fuerte	Dónde encaja
Microsoft Copilot (Autopilot)	Agente persistente dentro del ecosistema M365	Home, Code y Cowork integrados con Office y facturación por créditos	Empresas que ya viven en Microsoft 365
OpenAI AgentKit + ChatGPT	Constructor visual de flujos y agentes embebibles	Evaluación y optimización integradas	Equipos que construyen agentes propios
Salesforce Agentforce	Agentes para el ciclo comercial y de cliente	Datos de CRM nativos y razonamiento sobre ellos	Comercial y soporte con Salesforce como base
Google Cloud (Gemini Enterprise)	Agentes sobre los datos de la organización	Casos a gran escala documentados (Hypebeast)	Empresas con Google Workspace
IBM watsonx Orchestrate	Orquestación corporativa multiagente	Despliegue a escala (270.000 empleados internos)	Grandes corporaciones con procesos regulados

Esa decisión se repite en la práctica: si la empresa opera en Microsoft 365, el camino natural de Copilot y Autopilot evita integraciones. Si el equipo es de desarrollo, AgentKit de OpenAI o un SDK agéntico permiten construir con control más fino; y en el ecosistema open-source, proyectos como Hermes Agent u OpenClaw llevan la misma idea hasta el extremo: el agente se monta sobre tus propias herramientas y credenciales, sin subir nada al tenant de un proveedor. La plataforma correcta no es el «mejor» en abstracto: es la que puede leer el correo y el CRM reales. Quien no accede a ambos es un juguete con buena presentación.

Errores comunes al adoptar agentes de IA

Los tropiezos del primer despliegue se repiten en casi todas las organizaciones. Conocerlos los desactiva por anticipado.

• Pensar que el agente lo resuelve solo. Activar la herramienta sin estrategia, datos adecuados ni problemas concretos produce un impacto marginal, como advierte la experiencia recogida por ITware Latam.
• Subestimar la calidad de los datos. Un agente alimentado con información incompleta o desordenada replica el desorden a escala. Curar y clasificar antes de activar.
• No definir límites de autonomía. Cada agente debe tener documentado qué puede hacer por su cuenta, qué escala a un humano y cómo deja constancia de sus decisiones.
• Diseñar sin pensar en el usuario. Si el agente añade fricción en lugar de quitarla, queda abandonado en semanas. La adopción se diseña, no ocurre.
• No planificar coste ni ROI. Las horquillas de mercado en España para un agente a medida arrancan alrededor de 3.000-5.000 euros para un caso simple y suben a 8.000-18.000 euros con integraciones según proveedores locales (javadex.es, 2026); sin línea base ni horquilla de coste el proyecto no puede justificarse ante dirección.
• Ignorar la gobernanza de credenciales. Zapier lo destaca explícitamente: los agentes necesitan acceder a decenas de sistemas, y no deben llevar tokens de administrador con acceso total. Permisos por tarea y corta duración.
• No medir nada. Sin línea base previa (tiempo de resolución, volumen de casos, error humano) es imposible demostrar el retorno y ajustar el diseño.

Riesgos y regulación en la UE

El marco regulatorio europeo condiciona cualquier despliegue. El Reglamento de IA (AI Act) entró en vigor el 1 de agosto de 2024 y se aplica por fases, y el Reglamento (UE) 2026/1744 (Ómnibus digital sobre IA), en vigor desde el 27 de julio de 2026, aplazó las obligaciones de los sistemas de alto riesgo: las standalone del anexo III (entre ellos, el reclutamiento y la selección de personal) pasan al 2 de diciembre de 2027, y las integradas en productos del anexo I, al 2 de agosto de 2028. Lo que sigue aplicando desde agosto de 2026 son sobre todo las obligaciones de transparencia y la gobernanza general. La privacidad se gestiona con GDPR: un agente que procesa datos de clientes actúa como responsable del tratamiento. Las decisiones automáticas con efecto legal exigen garantías adicionales. Kaspersky, en su guía sobre riesgos agénticos de 2026, señala otro vector: los agentes con muchas conexiones amplían la superficie de ataque. Un agente comprometido se mueve por donde le abren sus credenciales. La práctica recomendada converge en todos los expertos consultados. Se exige supervisión humana en las decisiones sensibles, con registros de auditoría en cada acción. Y una revisión periódica de los permisos concedidos.

Cómo empezar sin quemar el presupuesto

Si el fundamento agéntico aún no está claro, el contexto completo está en agentes de IA autónomos: qué son y cómo funcionan. La pregunta de negocio es otra: dónde encontrar valor sin hipotecar hardware. Para equipos que prefieren ejecutar la IA en sus propias máquinas, la prueba de campo de 44 modelos en un Mac Studio M1 Max sirve de referencia. Ahí se compara el rendimiento real de cada categoría de modelo.

La regla de oro de los despliegues es sencilla: empezar por el proceso más repetitivo y con mayor volumen, no por el más vistoso. Un piloto útil comparte cuatro características: volumen alto de casos, criterio de éxito medible, datos accesibles y tolerancia al error inicial. Atención al cliente de primer nivel o investigación previa a ventas suelen ser el mejor punto de entrada. Los procesos regulados con efecto jurídico no, al menos al principio.

El segundo consejo es elegir la plataforma por los sistemas que ya se usan. Ese solo criterio evita integraciones costosas y agentes que no ven el negocio. La forma más sencilla de arrancar pasa por un piloto de 4 a 8 semanas con un agente de una sola tarea bien acotada. Solo después se plantean las orquestaciones multiagente.

En la práctica, la mayoría de las empresas acaba combinando agentes comerciales de plataforma con desarrollos internos para sus procesos diferenciadores. No es provisional: es el estado estable del mercado. Antes de activar el agente conviene cerrar la gobernanza: activar la verificación en dos pasos en las cuentas que el agente va a usar y repasar cómo se implantan unas passkeys para dejar de depender de contraseñas, porque un agente comprometido se mueve por donde le abren sus credenciales.

Preguntas frecuentes

¿En qué se diferencia un agente de IA de un chatbot?

La diferencia está en el alcance: el chatbot contesta un mensaje y cierra la conversación; el agente recibe un objetivo, lo descompone en pasos, maneja herramientas de la empresa y termina el proceso que se le encomendó, con un nivel de supervisión que se ajusta a cada caso, desde revisiones paso a paso al inicio hasta delegaciones más amplias con auditoría de acciones.

¿Qué casos de uso de agentes de IA ya funcionan hoy?

Ya están consolidados la atención al cliente (el agente de Klarna asume dos tercios de las consultas y el caso terminó con Klarna reforzando el equipo humano), la prospección comercial (el caso de Clay), la conciliación financiera, la localización de inventario en tiempo real y la vigilancia de seguridad informática. El cribado de candidaturas, en cambio, es un uso de alto riesgo bajo el AI Act: más que un punto de partida, es un caso que exige garantías adicionales.

¿Qué retorno están obteniendo las empresas con la IA agéntica?

El dato de referencia es el ahorro estimado por IBM en su propia organización, unos 4.500 millones de dólares de impacto interno en productividad, con la advertencia de que es una estimación corporativa. Oracle, además, publica una lista de veintitrés casos de uso donde los agentes pueden encajar (redacción de ofertas, onboarding, estimación de reparaciones en manufactura), aunque son usos propuestos más que despliegues documentados.

¿Qué plataforma conviene elegir para desplegar agentes en una empresa?

El criterio no es el catálogo de funciones, sino los sistemas que ya se usan: quien vive en Microsoft 365 tiene el camino natural en Copilot, quien busca construir agentes propios arranca en AgentKit y quien opera sobre Salesforce tiene a Agentforce. Antes de decidir, evaluar el coste por consumo (copilot credits) y los permisos que el agente necesita: la integración con correo y CRM reales pesa más que la lista de funciones.

¿Qué riesgos y regulación hay que considerar al adoptar agentes en la UE?

Conviven dos marcos: el AI Act europeo, cuyas obligaciones para los sistemas de alto riesgo quedaron aplazadas por el Ómnibus de IA (Reglamento UE 2026/1744) al 2 de diciembre de 2027 en el anexo III y al 2 de agosto de 2028 en el anexo I, y el RGPD, que sitúa al agente en la posición de responsable del tratamiento cuando maneja datos de clientes. A ello se suma el riesgo técnico señalado por los especialistas en ciberseguridad: cada integración nueva es una puerta de entrada, de modo que lo mínimo exigible es control humano en las decisiones delicadas, trazabilidad de cada acción y revisión periódica de credenciales.

¿Cuánto cuesta desarrollar e implantar un agente de IA a medida?

Las horquillas que publican los proveedores en España arrancan en torno a 3.000-5.000 euros para un caso acotado y llegan a 8.000-18.000 euros cuando el agente se integra con CRM, ERP o bases de datos internas; a partir de ahí, cada conexión adicional y el mantenimiento elevan la factura. Las opciones de catálogo se abonan por suscripción, aunque su utilidad real depende de que los datos de la empresa ya estén accesibles.

¿Cuánto tiempo y personas necesita el primer piloto de un agente?

La referencia habitual sitúa el primer piloto en torno a 4 a 8 semanas, con tres roles: quien marca el objetivo de negocio, quien ajusta la tecnología y quien revisa los resultados. Y preferentemente volcado en un único proceso recurrente y medible.

Resumen práctico

• El cambio de 2026 es de asistente a agente: de responder a ejecutar procesos, con la supervisión humana que cada caso exija.
• Septiembre 2026 trajo el anuncio de Microsoft (Home, Code y Autopilot) que convierte la delegación en función del software de oficina.
• El retorno tiene referencias públicas con letra pequeña: IBM cifra en 4.500 millones de dólares el impacto interno estimado, y Klarna automatiza dos tercios de las consultas, aunque reforzó después el equipo humano por calidad.
• El error dominante no es tecnológico sino de diseño: activar sin datos limpios, sin límites de autonomía ni criterio de medición.
• En la UE, el AI Act y el GDPR condicionan el despliegue: el Ómnibus de 2026 aplazó el alto riesgo al 2-dic-2027 (anexo III) y al 2-ago-2028 (anexo I), y la supervisión humana y la auditoría de acciones no son opcionales.

Referencias externas:

• Enterprise AI Agents: Beyond Productivity — IBM
• Casos de uso de agentes de IA — IBM
• AI agents for business: Agentic AI insights — Deloitte
• Introducing the new Copilot with Home, Code and Autopilot — Microsoft
• Presentamos AgentKit — OpenAI
• 5 tendencias de agentes de IA para empresas en 2026 — Devoteam
• The best AI agents for enterprises in 2026 — Zapier
• Agentes de IA: qué son, tipos y arquitectura — Salesforce
• 23 casos de uso reales de agentes de IA — Oracle
• Los errores más comunes al implementar agentes de IA — ITware Latam
• Agentes de IA en tu organización: cómo gestionar los riesgos — Kaspersky
• Agentes de IA en empresas: qué son y ejemplos reales — Berocam