Agentes IA para Empresas: Dónde Funcionan en Producción, Dónde Queman Presupuesto y Cómo Decidir
Hoy cada proveedor de software vende un agente. La mayoría de las empresas sigue haciéndose la pregunta equivocada: ¿qué plataforma? La pregunta correcta es qué proceso, con qué nivel de autonomía y a qué coste por caso resuelto. Este es el filtro que uso con los comités de dirección, con los datos que lo respaldan.
Michele Cimmino
CEO & Fundador · Lasting Dynamics
Los agentes IA para empresas hoy se pagan solos en un único tipo de trabajo: tareas repetitivas y de alto volumen en las que un control puede detectar una respuesta errónea y deshacerla a bajo coste, y en las que el agente llega a los datos y sistemas que necesita mediante interfaces reales. La atención al cliente sobre una base de conocimiento bien mantenida, los tickets del service desk de TI, la captura de documentos y las conciliaciones de back office son los casos más claros. Queman presupuesto en el trabajo abierto, que cruza muchos sistemas y tiene consecuencias irreversibles, en los procesos de bajo volumen y allí donde la propia norma es ambigua. Decide proceso a proceso con cinco pruebas, empieza con poca autonomía y mide el coste por caso resuelto, no por conversación.
Esa es la respuesta corta. La larga importa porque el mercado hace mucho ruido y las cifras invitan a la prudencia. Gartner prevé que más del 40% de los proyectos de agentic AI se cancelará antes de que termine 2027, y la encuesta de McKinsey de 2025 encontró que no más del 10% de las empresas está escalando agentes en una función de negocio concreta. La distancia entre la demo y el sistema en producción es donde se va la mayor parte del dinero.
Para quién es esta guía
Eres COO, CIO, CTO o CEO-fundador de una empresa mediana, probablemente en finanzas, seguros, salud o energía. Un proveedor, un consejero o tu propio equipo te empuja a "hacer algo con agentes" y tienes que decidir por dónde empezar, cuánto gastar y qué puede salir mal. Uso agentes cada día en el desarrollo de software de mi empresa, y este año la pregunta aparece en casi todas mis conversaciones con comités de dirección. Lo que sigue es un método, no un producto.
Qué Es un Agente de IA, y Qué Llaman Así los Proveedores
Un agente de IA es un software basado en un modelo de lenguaje que recibe un objetivo, decide qué pasos dar, usa herramientas (tu CRM, tu sistema de tickets, una base de datos, una cuenta de correo) para ejecutarlos, revisa los resultados y sigue hasta cumplir el objetivo o rendirse. La diferencia con un chatbot es la acción: el chatbot responde, el agente hace. La diferencia con la automatización clásica es el criterio: un workflow sigue el camino que dibujaste, un agente elige su propio camino dentro de los límites que fijas.
Tipo
Qué hace
Cuándo falla
Uso típico
Chatbot de reglas
Responde con flujos predefinidos
Ante cualquier pregunta fuera del guion
FAQ, horarios, estado del pedido
Bot RPA
Repite clics y pulsaciones fijas en pantallas
Cuando cambia una pantalla, un campo o una regla
Copiar datos entre sistemas legacy
Automatización de workflows (Zapier, n8n, Power Automate)
Ejecuta una secuencia predefinida de llamadas API
Cuando el caso no encaja en la secuencia
Reparto de leads, notificaciones, aprobaciones sencillas
Asistente LLM (copilot)
Redacta borradores de texto o código para una persona
Cuando nadie revisa el borrador
Borradores de correo, resúmenes, sugerencias de código
Agente de IA
Planifica, usa herramientas, actúa, comprueba, repite
En tareas largas, ambiguas y multisistema
Resolución de soporte, triaje de tickets, captura de documentos
Cuidado con las etiquetas. Gartner advierte del agent washing: proveedores que rebautizan chatbots, RPA y asistentes como agentes. Su estimación, publicada por Reuters el 25 de junio de 2025, es que solo unas 130 de las miles de empresas que venden agentic AI ofrecen capacidades realmente agénticas. Pide a cada proveedor que te enseñe al agente eligiendo entre dos herramientas en un caso que no ha visto nunca, y el registro de lo que hizo. Si no hay elección ni registro, es un workflow con un modelo de lenguaje encima: quizá sea justo lo que necesitas, a un precio más bajo.
Qué Dicen los Datos en 2026
La investigación sobre agentes en la empresa es joven y en buena parte la escriben los proveedores. Estas son las cifras independientes en las que me apoyo, cada una con su fecha, porque este mercado cambia cada trimestre.
Fuente
Fecha
Resultado
Gartner (vía Reuters)
Junio 2025
Más del 40% de los proyectos de agentic AI se cancelará antes de finales de 2027 por costes crecientes y valor de negocio poco claro
Gartner (vía Reuters)
Junio 2025
En 2028 el 33% de las aplicaciones de software empresarial incluirá agentic AI y al menos el 15% de las decisiones de trabajo diarias se tomará de forma autónoma
McKinsey, The State of AI 2025
Nov 2025 (encuesta a 1.993 personas, junio–julio 2025)
El 23% de las organizaciones escala un sistema de agentic AI en alguna parte, el 39% experimenta; no más del 10% escala agentes en una función concreta
MIT NANDA, The GenAI Divide (vía Fortune)
Ago 2025
Alrededor del 95% de los pilotos de IA generativa en empresas no logra una aceleración rápida de ingresos; los mayores retornos vienen de automatizar el back office
Benchmark TheAgentCompany (Carnegie Mellon y otros)
2025
En una empresa de software simulada, el mejor agente completó de forma autónoma el 30% de tareas de oficina realistas
Moffatt v Air Canada, 2024 BCCRT 149
Feb 2024
Una empresa responde de lo que su chatbot dice a los clientes, igual que de cualquier otra página de su web
Leídas juntas, estas cifras dicen tres cosas. La adopción es real pero superficial: experimentar es habitual, escalar dentro de una función es raro. La autonomía en trabajo complejo sigue siendo débil: un 30% de tareas completadas en trabajos realistas de varios pasos es una investigación notable y un sistema de producción inaceptable. Y los retornos se concentran donde el trabajo es acotado y repetitivo, que rara vez es donde va primero el presupuesto. El MIT encontró que más de la mitad de los presupuestos de IA generativa va a herramientas de ventas y marketing, mientras los mayores retornos están en el back office.
Dos Historias que Todo Consejo de Administración Debería Conocer
Klarna: el caso de éxito con un segundo capítulo
En febrero de 2024 Klarna anunció que su asistente de IA, construido con OpenAI, había gestionado 2,3 millones de conversaciones con clientes en sus primeras cuatro semanas: dos tercios de todos sus chats de atención, en 35 idiomas, con el trabajo equivalente a 700 agentes a tiempo completo. El tiempo de resolución bajó de 11 minutos a menos de 2, las consultas repetidas cayeron un 25% y la empresa esperaba una mejora de beneficio de 40 millones de dólares en 2024. Sigue siendo uno de los despliegues de agentes mejor documentados en atención al cliente.
El segundo capítulo es igual de útil. En mayo de 2025 el CEO dijo a Bloomberg que Klarna garantizaría que los clientes puedan hablar siempre con una persona, y que invertir en la calidad del soporte humano era el camino a seguir, reconociendo que el empuje AI-first había costado calidad. La lección no es que el agente fracasara: absorbió el volumen. La lección es que el objetivo de diseño era el coste por conversación, y el negocio necesitaba calidad por cliente. Diseña para el resultado que de verdad te importa y mantén abierta una vía hacia una persona desde el primer día.
Air Canada: el agente habla en nombre de la empresa
En Moffatt v Air Canada (Civil Resolution Tribunal de Columbia Británica, 14 de febrero de 2024) el chatbot de la web de la aerolínea dijo a un pasajero en duelo que podía solicitar la tarifa por fallecimiento después de viajar. La página oficial de la política decía lo contrario. Air Canada alegó que no podía responder de lo que decía el chatbot. El tribunal no lo aceptó: una empresa es responsable de toda la información de su web, venga de una página estática o de un chatbot, y concedió al pasajero 812,02 dólares canadienses.
La cantidad es pequeña. El principio no. Todo lo que tu agente diga o haga ante un cliente, lo ha dicho o hecho tu empresa. En Europa el listón es aún más alto: desde el 2 de agosto de 2026, el artículo 50 del AI Act obliga a informar a las personas cuando interactúan con un sistema de IA. La responsabilidad y la transparencia van en el diseño del agente, no en un aviso legal añadido al final.
El Filtro de Cinco Pruebas para Agentes
Antes de elegir plataforma, toma tus procesos candidatos, diez si puedes, y pasa cada uno por cinco pruebas. Lo llamo el Filtro de Cinco Pruebas. Un proceso que supera las cinco es un buen primer agente. Un proceso que falla dos o más es un proyecto que probablemente acabará en el 40% de Gartner.
Volumen. ¿El proceso se ejecuta cientos o miles de veces al mes? Los agentes tienen costes fijos (integración, evaluación, monitorización) que solo el volumen amortiza. Una tarea que se hace veinte veces al mes sale más barata hecha por una persona.
Verificabilidad. ¿Una regla, un segundo modelo o un vistazo humano rápido pueden decir si el resultado es correcto? Si la única forma de comprobar una respuesta es rehacer el trabajo, el agente no ahorra nada.
Reversibilidad. ¿Cuánto cuesta una acción equivocada y se puede deshacer? Redactar un borrador de respuesta es reversible. Emitir un reembolso, cambiar una póliza, mover dinero o borrar datos normalmente no lo es.
Alcance. ¿Puede el agente llegar a los datos y sistemas que necesita mediante APIs estables con permisos adecuados? Si la respuesta es hacer screen scraping de un sistema legacy, arregla antes las tuberías.
Tasa de excepciones. ¿Qué parte de los casos se sale de las reglas documentadas? Por debajo de uno de cada cinco, el agente gestiona la rutina y deriva el resto. Por encima, estás automatizando la ambigüedad.
Prueba
Se supera cuando
Señal de alarma
Volumen
Cientos de casos al mes o más, demanda estable
Solo picos estacionales, o menos de cincuenta casos al mes
Verificabilidad
Resultados comprobables con reglas, muestras o un segundo modelo
Solo un experto que rehace el trabajo puede juzgarlo
Reversibilidad
Las acciones erróneas cuestan poco y se deshacen
Dinero, contratos, salud o situación legal cambian con un clic
Alcance
APIs, datos limpios, permisos por rol
Screen scraping, credenciales compartidas, datos en hojas de cálculo
Tasa de excepciones
La mayoría de los casos sigue reglas escritas
Las políticas viven en la cabeza de las personas y cambian cada semana
La prueba que mata a la mayoría de los proyectos
En mi experiencia, la que decide es la verificabilidad. Los equipos se entusiasman con un proceso de volumen enorme y luego descubren que nadie sabe decir rápido si la salida del agente es correcta. Si no puedes medir la precisión desde el primer día, no puedes mejorarla, no puedes defenderla ante un auditor y no puedes demostrar el ahorro a tu CFO. Construye la plantilla de respuestas correctas antes que el agente.
Dónde Funcionan Hoy los Agentes, y Dónde Queman Presupuesto
Aplicado a procesos reales, el filtro produce un mapa bastante estable. La encuesta de McKinsey indica que el uso de agentes es más común en TI, por ejemplo en la gestión del service desk, y en la gestión del conocimiento, por ejemplo en la investigación en profundidad. El estudio del MIT señala la automatización del back office como fuente de los mayores retornos. Mi experiencia confirma ambas cosas.
Proceso
Encaje hoy
Por qué
Atención al cliente de primer nivel sobre una base de conocimiento cuidada
Fuerte
Alto volumen, respuestas comprobables contra las fuentes, derivación a una persona sencilla
Service desk de TI (cambio de contraseña, accesos, triaje)
Fuerte
Repetitivo, basado en reglas, sistemas que ya tienen APIs
Captura de documentos (facturas, partes de siniestro, expedientes KYC)
Fuerte
Extracción validable con reglas y muestreo; las excepciones las aprueba una persona
Búsqueda interna de conocimiento e informes de investigación
Bueno
Riesgo bajo, la salida la lee un empleado antes de usarla
Investigación comercial y preparación de reuniones
Bueno
Borradores para una persona, sin acciones externas
Decisiones de siniestros o de crédito
Solo apoyo
Irreversibles para el cliente, reguladas, de alto riesgo según el AI Act en varios casos
Operaciones abiertas multisistema ("gestiona las compras")
Débil
Las cadenas largas de pasos acumulan errores; los benchmarks muestran tasas de finalización bajas
Negociación, reclamaciones, clientes vulnerables
Mejor humano
El criterio, la empatía y la responsabilidad pesan más que la velocidad
El patrón detrás de la tabla es sencillo. Los agentes son fuertes donde el trabajo es acotado y la comprobación es barata. Son débiles donde los errores se acumulan a lo largo de muchos pasos: si cada paso de una tarea de diez pasos acierta el 95% de las veces, la cadena completa acierta solo alrededor del 60%. Es esa aritmética, no la inteligencia del modelo, lo que hace decepcionante la autonomía sin límites.
Los proyectos que queman presupuesto suelen empezar por la plataforma: primero se compra la licencia, después se busca el caso de uso.
Automatizan un proceso roto: el agente hereda reglas poco claras y las reproduce más rápido.
Miden actividad, no resultados: conversaciones atendidas en lugar de casos resueltos sin un segundo contacto.
Se saltan el trabajo de integración: el agente sabe hablar pero no llega a los sistemas donde ocurre el trabajo.
La Escalera de Autonomía: Decide Cuánto Puede Hacer el Agente
La segunda decisión, tras el proceso, es cuánta libertad dar al agente. La mayoría de los fracasos nace de empezar en lo alto de la escalera. Uso cuatro niveles y subo un proceso al siguiente solo cuando los datos del anterior lo justifican.
Nivel 1 — Sugerir. El agente propone una respuesta o una acción; una persona decide y actúa. Cero riesgo externo, aprendizaje inmediato sobre la precisión.
Nivel 2 — Borrador para aprobar. El agente prepara la acción completa (la respuesta, la actualización del ticket, el registro extraído); una persona aprueba con un clic. Aquí deberían pasar sus primeros meses la mayoría de los procesos.
Nivel 3 — Actuar con ventana para deshacer. El agente actúa solo en los casos de bajo riesgo, dentro de límites (importes, segmentos de clientes, tipos de caso), con registro y una forma sencilla de revertir.
Nivel 4 — Actuar dentro de límites, auditar después. El agente actúa de forma autónoma en una clase definida de casos; las personas revisan muestras y excepciones. Resérvalo para procesos con meses de precisión medida.
Cada nivel tiene su métrica de éxito. En los niveles 1 y 2, mide la tasa de aprobación sin cambios: cuando para un tipo de caso las personas aceptan el borrador del agente sin tocarlo nueve de cada diez veces, ese tipo de caso es candidato al nivel 3. En los niveles 3 y 4, mide reversiones, reclamaciones y segundos contactos. Escribe la regla de promoción antes de empezar el piloto, para que la decisión de dar más autonomía se base en datos y no en entusiasmo.
Cuánto Cuesta de Verdad un Agente de IA
Los precios de los proveedores convergen en el uso. Estas son las tarifas públicas de dos de las mayores plataformas, comprobadas el 11 de noviembre de 2026. Son una referencia útil aunque construyas el tuyo, porque muestran cuánto cree el mercado que vale una unidad de trabajo de un agente.
Plataforma
Unidad de precio
Precio de tarifa
Fuente, fecha de comprobación
Intercom Fin (agente de soporte)
Por resultado
0,99 USD
intercom.com/pricing, 11 nov 2026
Salesforce Agentforce
Por conversación
2,00 USD
salesforce.com/agentforce/pricing, 11 nov 2026
Salesforce Agentforce (Flex Credits)
Por acción estándar (20 créditos; 500 USD cada 100.000 créditos)
0,10 USD
salesforce.com/agentforce/pricing, 11 nov 2026
Salesforce Agentforce (Flex Credits)
Por acción de voz (30 créditos)
0,15 USD
salesforce.com/agentforce/pricing, 11 nov 2026
La licencia rara vez es el mayor coste. La cifra que importa es el coste por caso resuelto: todo lo que gastas en el agente en un mes, dividido entre los casos que cerró correctamente sin un segundo contacto ni una corrección humana. Una conversación mal atendida no es un ahorro: es un coste, más una segunda conversación y, a veces, una reclamación.
Integración: conectar el agente a tus sistemas con los permisos correctos. En empresas con mucho legacy suele ser el mayor coste puntual.
Evaluación: construir y mantener un conjunto de casos reales con sus respuestas correctas, y ejecutarlo tras cada cambio de modelo, prompt o política.
Revisión humana: el tiempo que las personas dedican a aprobar borradores en los niveles 1 y 2 y a muestrear en los niveles 3 y 4.
Derivaciones y repeticiones: los casos que el agente pasa a una persona, más los que hizo mal y alguien tuvo que corregir.
Monitorización y responsabilidad: un responsable con nombre y apellidos, cuadros de mando, gestión de incidencias y revisión periódica de los registros.
Un ejemplo ilustrativo, con cifras que debes sustituir por las tuyas. Un equipo de soporte recibe 10.000 tickets al mes. Un agente que cobra por resultado resuelve correctamente 5.000 a 0,99 dólares cada uno, unos 5.000 dólares al mes. Suma un responsable a tiempo parcial, las ejecuciones de evaluación y el tiempo de revisión del equipo, y el coste mensual real puede ser el doble de la licencia. Compara esa cifra con tu coste total actual de resolver 5.000 tickets con personas. Si a los seis meses el agente no es claramente más barato por ticket resuelto, con igual o mejor satisfacción del cliente, para o cambia de proceso.
Pregunta por el denominador
Cuando un proveedor cite una tasa de resolución, pregunta cómo define resolución. "El cliente no volvió a escribir" y "el problema del cliente quedó resuelto" pueden diferir en decenas de puntos porcentuales. Acordad la definición en el contrato y mídela tú mismo, cada mes, con una muestra de casos reales.
Construir, Comprar o Esperar
El estudio del MIT aporta uno de los pocos datos sólidos sobre esta elección: las herramientas compradas a proveedores especializados, o construidas en alianza con ellos, tuvieron éxito en torno al 67% de las veces, mientras que los desarrollos puramente internos lo tuvieron aproximadamente un tercio de las veces. No significa no construir nunca. Significa construir solo donde el agente forma parte de lo que hace distinta a tu empresa, y donde tienes los datos y los ingenieros para evaluarlo de forma continua.
Compra cuando el proceso es común en tu sector (soporte, service desk de TI, gestión de facturas) y un proveedor ya se integra con los sistemas que usas.
Construye cuando el proceso es propio, toca datos propietarios o sistemas core, y la calidad del agente es una ventaja competitiva. Presupuesta la evaluación y la operación, no solo el desarrollo.
Espera cuando el proceso falla dos o más de las cinco pruebas. Invierte en las tuberías (APIs, calidad de datos, reglas documentadas) y vuelve en seis meses: el agente será más barato y el proceso estará listo.
Para el método completo detrás de esta elección, incluidas las cinco preguntas con las que puntúo cualquier inversión en software, consulta mi marco build vs buy. Si tus sistemas no pueden exponer APIs limpias, el proyecto de agentes es en realidad un proyecto de modernización; mi guía sobre modernización de sistemas legacy explica cómo secuenciarlo.
Gobernanza Sin Burocracia
Un agente es un empleado que nunca duerme y nunca pregunta antes de actuar, salvo que tú lo obligues. Necesita lo mismo que cualquier puesto nuevo: una descripción del trabajo, límites, un responsable y un registro de lo que hizo. En la UE necesita además transparencia: desde el 2 de agosto de 2026 las personas deben saber cuándo tratan con un sistema de IA, y las multas por incumplir el artículo 50 llegan a 15 millones de euros o al 3% de la facturación mundial. En España el supervisor ya existe: la AESIA, con sede en A Coruña, es la autoridad que vigila el cumplimiento del reglamento de IA. Si el agente toca crédito, precios de seguros, selección de personal o acceso a servicios esenciales, comprueba si entra en las categorías de alto riesgo del AI Act antes de desplegarlo.
Un responsable de negocio con nombre y apellidos para cada agente, que rinde cuentas de sus resultados como de cualquier equipo.
Registros completos de entradas, llamadas a herramientas y salidas, conservados el tiempo suficiente para responder a una reclamación o a una auditoría.
Un interruptor de emergencia que alguien ajeno al equipo del proyecto pueda usar, y una vuelta probada al proceso humano.
Un conjunto de evaluación de casos reales, ejecutado antes de cada cambio y revisado cada mes.
Transparencia clara ante los clientes y una vía siempre disponible hacia una persona.
Empezar por el caso de uso más vistoso en lugar del más verificable.
Dar al agente autonomía de nivel 4 en el piloto porque la demo convenció.
Contar conversaciones en lugar de casos resueltos, y anunciar ahorros que el segundo contacto borra.
Ocultar la IA a los clientes, algo ya ilegal en la UE y que destruye la confianza cuando se descubre.
Eliminar la vía hacia una persona para cumplir un objetivo de coste, como demuestra la marcha atrás de la propia Klarna.
Ningún responsable tras la puesta en producción: modelos, prompts y políticas cambian, y nadie vuelve a ejecutar el conjunto de evaluación.
Un Piloto de 90 Días
Semanas 1–2 — lista corta. Enumera diez procesos candidatos con su volumen mensual y aplica a cada uno el Filtro de Cinco Pruebas. Quédate con uno o dos que superen las cinco.
Semanas 3–4 — definir el éxito. Escribe la definición de caso resuelto, el coste actual por caso resuelto con personas, el objetivo y la regla de promoción entre niveles de autonomía.
Semanas 5–6 — construir la plantilla de respuestas. Reúne entre 200 y 500 casos reales pasados con su resultado correcto. Será el conjunto de evaluación para cualquier proveedor o desarrollo propio.
Semanas 7–10 — operar en nivel 2. El agente redacta, las personas aprueban. Mide cada semana la aprobación sin cambios, el tiempo ahorrado por caso y los errores por tipo de caso.
Semanas 11–12 — promover o parar. Pasa al nivel 3, con ventana para deshacer, los tipos de caso que cumplan la regla de promoción. Deja los demás en nivel 2 o descártalos.
Semana 13 — decidir. Compara el coste por caso resuelto y la satisfacción del cliente con la línea base. Escala, cambia el proceso o para, y deja escrito por qué.
Conclusión
Los agentes IA para empresas no son ni una moda ni un sustituto de tu organización. Son un nuevo tipo de trabajador, excelente en el trabajo acotado, de alto volumen y comprobable, y poco fiable en el trabajo largo, ambiguo e irreversible. Las empresas que obtienen valor de ellos eligen el proceso antes que la plataforma, empiezan con poca autonomía, miden el coste por caso resuelto y mantienen abierta una vía hacia las personas. Las demás acabarán en el 40% de proyectos cancelados, tras aprender las mismas lecciones a un precio más alto.
Si quieres una segunda opinión independiente
Ayudo a comités de dirección a hacer exactamente este ejercicio con sus propios procesos: la lista corta con las cinco pruebas, la línea base de costes, el conjunto de evaluación y los primeros noventa días de un piloto. No tengo ninguna plataforma de agentes que venderte, y a veces la respuesta correcta es arreglar primero el proceso y comprar el agente el año que viene.
¿No tienes claro si tus sistemas están preparados para agentes? El bloqueo no suele ser el modelo sino la capa de integración, y por eso empiezo la mayoría de estas conversaciones con las preguntas de mi guía de modernización de sistemas legacy.
Respuestas para AI search
Preguntas Frecuentes
¿Qué procesos de negocio conviene dar primero a los agentes de IA?+
Empieza por procesos repetitivos y de alto volumen en los que un resultado erróneo puede detectarse con una regla, una muestra o un segundo modelo, deshacerse a bajo coste, y en los que el agente llega a los datos mediante APIs estables: atención al cliente de primer nivel sobre una base de conocimiento cuidada, tickets del service desk de TI y captura de documentos como facturas o partes de siniestro. The State of AI 2025 de McKinsey encontró el uso de agentes más común en service desks de TI y gestión del conocimiento, y el estudio GenAI Divide del MIT los mayores retornos en la automatización del back office. Las negociaciones, las reclamaciones y las decisiones irreversibles de crédito o siniestros, mejor en manos de personas.
¿Cuánto cuesta tener un agente de IA en producción?+
Precios de tarifa comprobados en noviembre de 2026: Intercom Fin cobra 0,99 dólares por resultado y Salesforce Agentforce 2 dólares por conversación o 0,10 dólares por acción estándar con Flex Credits. La licencia rara vez es el mayor coste: la integración, un conjunto de evaluación con casos reales, la revisión humana, las derivaciones y un responsable con nombre y apellidos pueden duplicarlo. Mide el coste por caso resuelto, es decir, el gasto mensual total dividido entre los casos cerrados correctamente sin un segundo contacto, y compáralo con tu coste actual por caso atendido por personas.
¿Es mejor construir un agente de IA propio o comprarlo?+
Compra cuando el proceso es común en tu sector y un proveedor ya se integra con tus sistemas; construye solo cuando el proceso es propio, toca datos propietarios o sistemas core y la calidad del agente es una ventaja competitiva. El estudio MIT NANDA de 2025 encontró que las herramientas compradas a proveedores especializados o construidas con socios tuvieron éxito en torno al 67% de las veces, y los desarrollos puramente internos aproximadamente un tercio de las veces. Espera cuando el proceso falla dos o más de las cinco pruebas y arregla antes APIs, datos y reglas documentadas.
Ayudo a COO, CIO y CEO a elegir el primer proceso correcto, fijar la línea base de costes y llevar un piloto de 90 días que termina con una decisión basada en datos. Sin plataformas que vender.