Cuándo NO Deberías Usar un Agente de IA (y Qué Usar en su Lugar)

Nos dedicamos a construir agentes de IA, así que este artículo va en contra de nuestro propio interés comercial de corto plazo. Lo escribimos porque el proyecto que nunca debió existir es el que más caro sale: meses de desarrollo, presupuesto quemado y una organización que queda convencida de que "la IA no funciona" cuando en realidad se aplicó al problema equivocado.

Un agente de IA es excelente en un rango concreto de problemas: interpretar lenguaje ambiguo, decidir qué hacer entre varias opciones, conversar, resumir, clasificar y orquestar herramientas. Fuera de ese rango, casi siempre existe una solución más barata, más rápida y más confiable. Estos son los seis casos donde lo vemos fallar con más frecuencia.

1. Consultas directas a datos estructurados

Si lo que necesitas es extraer registros de una tabla —el saldo de un cliente, los pedidos de la semana, el inventario de una sucursal— una consulta de toda la vida es infinitamente superior: más rápida, más barata y, sobre todo, exacta siempre. Ponerle un modelo de lenguaje encima solo añade latencia, costo por token y la posibilidad de que el número salga mal.

Donde la IA sí aporta es después: interpretando esos datos, explicándolos en lenguaje natural o detectando patrones. La regla práctica es simple: que el dato lo saque el código y que la IA solo lo explique. Es la misma lógica que desarrollamos en determinismo vs probabilismo.

2. Cálculos y reglas donde el error no es negociable

Facturación, impuestos, nómina, comisiones, descuentos por volumen, control de inventario. Son terrenos donde una respuesta "casi correcta" no es una respuesta: es un problema contable. Estas reglas pertenecen a una función determinista, versionada y con pruebas.

Esto no significa que el agente no pueda participar. Significa que el agente llama a esa función en lugar de intentar hacer el cálculo él. El modelo entiende que el cliente pregunta por su comisión; la función la calcula.

3. Cuando el proceso de fondo está roto

Este es el error más común y el más caro. Una empresa tiene un proceso desordenado —información que vive en tres lugares distintos, responsables que no están definidos, pasos que dependen de que alguien se acuerde— y decide poner un agente encima para "resolverlo".

Un agente sobre un proceso roto no lo arregla: automatiza el desorden y lo hace más rápido. Lo que esa empresa necesita es gestión de procesos, reingeniería o desarrollo de módulos de software tradicionales. La automatización viene después, cuando hay algo ordenado que automatizar.

4. Volumen bajo

Un agente tiene costo de construcción, de mantenimiento y de supervisión. Si tu operación recibe veinte consultas al mes, ninguna automatización se paga: la persona que hoy las contesta lo seguirá haciendo mejor y más barato.

El umbral no es una cifra universal, pero la pregunta sí lo es: ¿cuántas horas-persona al mes libera esto realmente? Si la respuesta se cuenta con los dedos de una mano, el proyecto no se sostiene. En cuánto cuesta un agente de IA desglosamos los costos que hay que meter en esa cuenta.

5. Decisiones con consecuencia legal o financiera irreversible

Aprobar un crédito, emitir un diagnóstico, cancelar una póliza, ejecutar una transferencia. No es que la IA no pueda participar en esos flujos —puede preparar el caso, reunir la información, sugerir— pero la decisión que produce consecuencias irreversibles necesita un humano que la firme, o una regla explícita y auditable que la determine.

El criterio útil aquí es: si tuvieras que explicar la decisión ante un juez o un auditor, ¿podrías? "El modelo lo decidió" no es una respuesta defendible.

6. Cuando los datos no están en ninguna parte

Un agente responde a partir de lo que puede consultar. Si los precios viven en el Excel de una persona, las políticas en un PDF que nadie actualiza desde hace dos años y las promociones en la cabeza del gerente de sucursal, el agente no tiene de dónde sacar la verdad.

En este caso el problema no es que la IA no sirva: es que hay un paso previo obligatorio, que es consolidar esa información en una fuente única y consultable. Ese trabajo se paga solo, porque además resuelve problemas que la empresa ya tenía sin agentes de por medio.

La tabla corta

Entonces, ¿cuándo sí?

Un agente aporta valor real cuando se cumplen tres condiciones a la vez: la entrada es lenguaje ambiguo que ninguna regla cubre por completo, hay volumen suficiente para que el ahorro se note, y existe una fuente de verdad consultable de la que el agente pueda extraer los datos duros.

Ahí es donde brilla: atención a clientes que preguntan de mil formas distintas lo mismo, calificación de prospectos, orquestación de varios sistemas que no se hablan entre sí. Si te interesa dónde encaja cada tipo de solución, la comparativa entre agentes y chatbots ayuda a poner nombre al problema antes de elegir la tecnología.

Decir que no a los proyectos equivocados es lo que permite que los correctos salgan bien.