Artículo · Fundamentos de IA agéntica
Chatbot o agente de IA: cómo diferenciarlos antes de comprar
Un chatbot conversa. Un agente resuelve el caso. La palabra “agente” se ha vuelto tan comercial que hoy se etiqueta como agente casi cualquier interfaz que hable, y buena parte de los “agentes de atención al cliente” que circulan por el mercado son chatbots con nombre nuevo. La diferencia no es de vocabulario, sino de si el sistema toca tus datos y ejecuta trabajo, o solo mantiene una conversación mejor. Este artículo te da el criterio para distinguirlos en una demo, antes de firmar.
En el artículo pilar sobre agentes de IA para empresas resumo la diferencia en una frase. Aquí la abro en tres categorías que el mercado mezcla y en un método concreto para saber qué te están vendiendo.
Tres cosas que se llaman igual
Conviene separar tres tipos de sistema, porque cada uno hace algo distinto con el caso que le llega.
El chatbot clásico, de guiones e intents. Funciona con un árbol de decisión y un catálogo de intenciones predefinidas. Reconoce la frase del usuario, la encaja en un intent conocido y devuelve la respuesta preparada para ese intent. Si preguntas algo que no estaba en el guion, se pierde o te manda al menú. Nunca sale de su libreto y no toca ningún sistema de negocio.
El chatbot con LLM. Cambia el motor. En vez de un árbol de intents, usa un modelo de lenguaje que entiende preguntas mal formuladas, mantiene el hilo y redacta respuestas naturales. Conversa mucho mejor y da menos vergüenza ajena. Pero en la mayoría de implementaciones sigue haciendo lo mismo que el clásico, responder. Sabe explicarte la política de devoluciones con elegancia, pero no procesa tu devolución.
El agente. Recibe el caso y lo resuelve: consulta el pedido en el sistema, comprueba si cumple la política, lanza la devolución, genera la etiqueta, actualiza el registro y, si el caso excede lo que puede hacer, lo escala a una persona con el contexto ya preparado. La conversación es solo la superficie, y debajo hay acceso a sistemas, reglas codificadas y capacidad de actuar. Cómo funciona ese sistema por dentro lo desarrollo en agentes de IA en operaciones.
La tabla, para tenerlo a un vistazo:
| Chatbot clásico | Chatbot con LLM | Agente | |
|---|---|---|---|
| Conversa | Rígido, por guion | Fluido y natural | Fluido y natural |
| Toca tus sistemas | No | Rara vez | Sí, con permisos |
| Resuelve el caso | No, deriva | No, informa | Sí, o escala con contexto |
| Deja traza de lo que hizo | Poca | Poca | Sí, cada acción |
Por qué tantos “agentes” son chatbots renombrados
El motivo es comercial y también técnico. Comercial, porque “agente” vende y “chatbot” suena a 2018. Técnico, porque conectar un modelo a una conversación es hoy relativamente barato, mientras que conectarlo a tus sistemas con permisos, reglas y trazas es el trabajo caro y específico, el que de verdad codifica tu operación. Muchos proveedores hacen lo barato, lo llaman agente y esperan que nadie mire debajo.
El resultado es predecible. Compras esperando que el sistema descargue trabajo de tu equipo y lo que llega es un buscador conversacional muy pulido que sigue derivando a personas todos los casos que importan. Este patrón, la demo que deslumbra sobre el caso feliz y el sistema que no aguanta la operación real, es el mismo que hace fracasar tantos pilotos, y lo he analizado en por qué fracasan los pilotos de IA.
Cómo detectarlo en una demo: tres preguntas
Cuando me enseñan un supuesto agente, no discuto la calidad de la conversación. Hago tres preguntas, y con las tres respuestas ya sé qué me están vendiendo.
¿Toca mis sistemas? Pide ver una acción que lea o escriba en un sistema real: consultar el estado de un pedido en el ERP, actualizar un ticket, generar un documento. Si todo lo que hace es hablar sobre información que le pegaste en el prompt o que sacó de una base de conocimiento, es un chatbot, por bien que converse. Un agente entra en tus plataformas con permisos concretos, y qué controles exige eso lo detallo en permisos y controles de agentes.
¿Resuelve o deriva? Pon un caso completo, no una pregunta. “Quiero devolver este pedido.” Un chatbot te explica cómo se hace o abre un ticket para que lo haga una persona. Un agente comprueba la política, ejecuta la devolución dentro de sus reglas y solo escala los casos que exceden su mandato. La proporción de casos que resuelve de punta a punta frente a los que deriva es el número que de verdad separa una categoría de la otra.
¿Deja traza? Pregunta qué queda registrado de cada interacción: qué consultó, qué regla aplicó, qué acción tomó, por qué escaló. Un agente serio produce esa traza porque sin ella no hay auditoría posible, y un sistema que actúa sobre tus datos sin dejar rastro es un problema de gobierno, no una función. Cómo se construye y se revisa esa evidencia está en observabilidad y trazabilidad de agentes.
Qué comprar según lo que necesitas
No todo tiene que ser un agente. Si tu problema es que la gente no encuentra la información y satura al equipo con preguntas repetidas, un buen chatbot con LLM sobre tu base de conocimiento resuelve mucho y cuesta poco. Ahí pagar por un agente sería pagar por capacidad que no vas a usar.
El agente se justifica cuando el cuello de botella no es informar, sino ejecutar, cuando tu equipo se pasa el día haciendo gestiones repetitivas sobre sistemas (tramitar, conciliar, actualizar, seguir) y quieres que ese trabajo se haga, no que se explique mejor. La frontera vecina, la que separa un agente de un copiloto que asiste a tu gente en vez de ejecutar por su cuenta, la trato en copiloto o agente de IA. Y si estás comparando propuestas de proveedores, los criterios completos de compra están en cómo elegir proveedor de agentes.
Preguntas frecuentes
¿Cuál es la diferencia entre un chatbot y un agente de IA?
El chatbot conversa: reconoce lo que le pides y devuelve una respuesta o te deriva a una persona. El agente resuelve el caso. Consulta tus sistemas, aplica tus reglas, ejecuta la acción y escala solo lo que excede su mandato, dejando traza de cada paso. Uno informa, el otro trabaja.
¿Un chatbot con LLM ya es un agente?
No necesariamente. Cambiar el motor a un modelo de lenguaje mejora la conversación, pero si el sistema sigue limitándose a responder y derivar, sigue siendo un chatbot. Se convierte en agente cuando accede a tus sistemas con permisos y ejecuta trabajo, no cuando solo habla mejor.
¿Cómo sé si me están vendiendo un agente de verdad?
Haz tres preguntas en la demo: ¿toca mis sistemas con permisos reales?, ¿resuelve el caso de punta a punta o lo deriva a una persona?, ¿deja traza de cada acción? Si las tres respuestas no son claras y demostrables, probablemente sea un chatbot con nombre de agente.
¿Necesito siempre un agente para atención al cliente?
No. Si tu problema es responder dudas y localizar información, un chatbot con LLM sobre tu base de conocimiento rinde bien y cuesta menos. El agente se justifica cuando el trabajo real es tramitar y ejecutar gestiones sobre tus sistemas, no solo informar.