Agentes de IA en 2026: que debe saber un dueño de PYME antes de contratarlos

¿Qué es un agente de IA y hasta dónde llega en 2026? Es un modelo de lenguaje con herramientas conectadas, permisos para usarlas y un bucle que repite intentos hasta dar por terminada una tarea. De ese mecanismo salen sus dos caras: encadena trabajo que antes pedía a una persona, y falla de maneras en que un programa tradicional no falla. Entender cómo funciona por dentro es lo que te permite fijar una expectativa razonable y reconocer los límites que hoy todavía no se negocian con nadie.

Un agente combina modelo, herramientas, permisos y un bucle de trabajo; su contexto es finito y las acciones externas requieren revisión humana.

¿Cómo funciona un agente por dentro?

Son cuatro piezas trabajando juntas. Un modelo de lenguaje, que predice cuál es el siguiente paso razonable. Un conjunto de herramientas conectadas: leer un correo, escribir en una hoja de cálculo, consultar tu sistema de clientes. Los permisos, que definen hasta dónde llega cada herramienta. Y un bucle, que es lo que separa a un agente de un asistente de chat: ejecuta un paso, mira el resultado, decide el siguiente, y repite hasta que cree que terminó o hasta que alguien lo detiene.

Hay una quinta pieza, la que más problemas causa en la práctica: la ventana de contexto. Es la memoria de trabajo del agente y es finita. Tus instrucciones, los datos que fue leyendo y lo que ya intentó viven ahí y compiten por el mismo espacio; cuando se llena, algo se cae. El agente tampoco recuerda lo que hizo la semana pasada, salvo que alguien haya construido esa memoria aparte, y no conoce tu operación: conoce lo único que le pasaron.

¿Por qué la demo sale bien y tu operación no?

Porque la demostración recorre el caso preparado, ese donde todo llega completo y en el formato esperado. Los proveedores lo llaman happy path: el camino en el que nada se sale de lo previsto, y el único que cabe en veinte minutos de presentación. Tu operación está hecha del resto: el cliente que manda el archivo de otra manera, el dato que falta, la excepción que alguien resolvió a mano hace tres años y no quedó escrita en ningún lado. Hay dos razones detrás, y las dos vienen de cómo está armado el agente.

La primera es que el mismo pedido puede terminar en dos respuestas distintas. El agente no sigue una regla fija: decide cada paso en el momento, así que dos ejecuciones de la misma tarea pueden tomar caminos distintos y llegar a resultados distintos. Un programa tradicional que funciona hoy funciona igual mañana. Un agente que funcionó diez veces puede fallar la número once sin que nada haya cambiado alrededor.

La segunda es que los errores se van sumando paso a paso. Supongamos que cada paso sale bien nueve de cada diez veces, que suena aceptable. Si encadenas diez pasos, el resultado final sale bien alrededor de un tercio de las veces, porque cada paso arrastra lo que trajo el anterior. Es aritmética, no pesimismo, y explica por qué las tareas cortas, en las que alguien puede comprobar el resultado, rinden mucho más que los flujos largos sin puntos de control.

Ese salto entre la demostración y la operación también se ve en el mercado: en el State of AI 2025 de McKinsey, el 62% de las organizaciones encuestadas estaba experimentando con agentes, pero menos del 10% los había llevado a operación en alguna función concreta.

¿Qué límites tiene la tecnología en 2026?

Memoria. Un agente no acumula experiencia solo. Lo que aprendió resolviendo tu caso ayer no está disponible hoy a menos que alguien lo haya guardado y se lo vuelva a entregar.

Integración. El agente alcanza únicamente lo que está conectado. La mayor parte del trabajo de un proyecto no está en el modelo, está en conectar los sistemas donde vive tu información y en definir qué puede tocar cada herramienta.

Calidad de la información. Si el dato no existe, está desactualizado o vive en la cabeza de alguien, el agente completa con algo plausible. Plausible y correcto no son lo mismo, y a simple vista se parecen bastante.

Seguridad de lo que lee. Un agente que procesa correos, documentos o formularios está leyendo texto escrito por terceros, y ese texto puede contener instrucciones dirigidas al agente. Por eso los permisos se otorgan por tarea, no por comodidad.

Responsabilidad. Automatizar no traslada por sí solo la responsabilidad contractual ni la regulatoria. Cuando el agente trata datos personales, en Costa Rica sigue aplicando la Ley 8968: a qué información de tus clientes accede, en qué región se procesa, dónde quedan los registros de lo que hizo y si esos datos se reutilizan para otros fines.

A mayor autonomía, más importante es ubicar la revisión humana antes de una acción costosa o difícil de revertir.

¿Qué expectativa es razonable hoy?

Depende de cuánto camino recorre el agente sin que nadie lo mire. Hay tres formas de trabajar y cada una promete cosas distintas.

En el modo asistido, el agente propone y una persona aprueba antes de que el resultado salga. Ahí puedes esperar tiempo ahorrado y medible desde las primeras semanas. Lo que no puedes esperar es que la calidad se sostenga cuando nadie revisa: el ahorro y la revisión van juntos.

En el modo parcialmente automatizado, el agente encadena varios pasos y una persona controla en el medio, en los puntos donde el error costaría caro. Ahí sí completa tareas repetitivas de punta a punta. Lo que sigue fuera de su alcance son las excepciones que nadie documentó, porque no hay de dónde sacarlas.

Con autonomía amplia, el agente arranca la tarea y la lleva hasta el final sin que nadie apruebe nada en el camino. Nadie mira los pasos intermedios: si algo se revisa, se revisa el resultado, y para entonces ya está hecho. Hoy eso rinde en pruebas acotadas sobre trabajo reversible y de bajo impacto, es decir, donde un error se deshace en minutos y no llega a ningún cliente: ordenar archivos internos, clasificar registros de tu propia base, preparar material que nadie va a enviar todavía. Todavía no es el lugar para un proceso con clientes o dinero de por medio, porque ahí el error ya salió y no hay forma de recogerlo.

El punto donde una persona revisa antes de que el resultado salga es la decisión de diseño más importante de todo el proyecto, y conviene tomarla antes de arrancar: en qué momento del flujo alguien mira, qué revisa exactamente y qué pasa cuando encuentra algo mal. En la práctica son tres cosas: el agente propone y no ejecuta por su cuenta lo que no se puede deshacer, alguien con criterio aprueba lo que va a salir hacia afuera, y queda registro de lo que el agente hizo para poder revisarlo después. Los proveedores lo llaman human in the loop; en tu operación es simplemente quién firma antes de que el trabajo salga.

Lo que ordena esas tres formas de trabajar es cuánto cuesta un error, más que cuánta autonomía permita la herramienta. Un borrador equivocado se corrige antes de salir; un correo equivocado a un cliente ya salió. Esa es la variable que decide cuánta supervisión hace falta, y no cambia con la versión del modelo.

La expectativa de retorno se fija igual, midiendo antes de prometer: BCG reportó que solo cerca del 5% de las organizaciones de su estudio capturaba ganancias financieras sustanciales con IA.

¿Qué promesas no se sostienen con esta tecnología?

"Se conecta y funciona". El modelo se conecta rápido. Lo que toma tiempo es el resto: permisos, datos, excepciones y una forma de monitorear. Una demostración de veinte minutos no dice nada sobre eso.

"Aprende solo de tus datos". No sin que alguien construya esa memoria, la mantenga y decida qué entra. Sin ese trabajo, cada corrida empieza de cero.

"Reemplaza al puesto X". Un agente automatiza tareas. Un puesto incluye además excepciones, criterio y relaciones que no aparecen en ninguna demostración. La conversación útil es tarea por tarea, con un plan de supervisión al lado.

¿En qué casos sí funciona hoy?

En tareas con resultado verificable y con la decisión final en manos de una persona: borradores de propuestas comerciales, resúmenes de reuniones que alguien valida, una primera clasificación de prospectos o casos que después se revisa, buscar por significado dentro del conocimiento interno, y detectar duplicados o datos raros en el sistema de clientes. En todos, el agente quita fricción sin quedarse con la decisión, que es exactamente donde el mecanismo es fuerte.

¿Cuándo la respuesta honesta es "todavía no"?

Cuando el volumen es demasiado bajo para justificar el esfuerzo de conectar todo. Cuando el proceso cambia cada semana y lo que hoy es la regla la próxima quincena ya no aplica. Cuando la información que el agente necesitaría no existe en ningún lado. Y cuando no hay nadie, además del dueño, con tiempo protegido para sostenerlo pasados los primeros treinta días.

Ninguna de esas cuatro se arregla contratando un agente mejor. Se arreglan antes, y salen más baratas que un proyecto que se abandona a medias.

¿Vas a evaluar un agente este trimestre?

Antes de comparar proveedores, el Discovery web de VegasiO toma 5 minutos y ordena tu caso: qué proceso conviene tocar primero y qué expectativa es realista con la tecnología que hay hoy. Al final indica si el siguiente paso es un Diagnóstico de Adopción IA, una Implementación de IA acotada, o esperar antes de contratar nada.