¿Qué es la IA agencial? Cómo funciona, ejemplos y beneficios en 2026. 

La IA agente se refiere a sistemas que persiguen objetivos definidos, planifican acciones en varios pasos y las ejecutan mediante herramientas, con una mínima intervención humana entre cada paso. A diferencia de la automatización tradicional, que sigue reglas fijas, o la IA generativa, que produce contenido a petición, la IA agente combina razonamiento, memoria y el uso de herramientas para completar tareas de principio a fin. Su adopción se centra en flujos de trabajo empresariales donde las decisiones pueden definirse, validarse y auditarse dentro de límites establecidos.

La IA agente está saliendo del laboratorio de investigación más rápido de lo que las categorías de software empresarial suelen absorber nuevas capacidades. Este cambio está impulsado por tres etapas de madurez simultáneas:

• Los modelos de lenguaje de gran tamaño alcanzan una calidad de razonamiento que se mantiene a lo largo de tareas de varios pasos.
• Marcos de uso de herramientas que se vuelven lo suficientemente confiables como para exponer API y bases de datos a flujos de trabajo basados ​​en modelos, y capas de orquestación que permiten a los agentes planificar y reintentar.
• Recuperarse de los errores sin reiniciar la conversación. 

Las implicaciones económicas son visibles en las proyecciones de los analistas. Gartner Se ha identificado la IA con capacidad de gestión de agentes como una de las principales tendencias tecnológicas estratégicas, y se prevé que para 2028, al menos el 33 % de las aplicaciones de software empresarial incluirán capacidades de IA con capacidad de gestión de agentes, frente a menos del 1 % en 2024.  

Los flujos de trabajo de software que antes requerían intervención humana están evolucionando hacia la ejecución dirigida por agentes con supervisión humana en puntos de decisión definidos.

¿Qué es la IA Agentic?

La IA agente es la clase de sistemas de IA diseñados para alcanzar objetivos definidos mediante la planificación y la acción en múltiples etapas, en lugar de responder a órdenes puntuales con resultados únicos. Su capacidad definitoria es la autonomía dentro de ciertas limitaciones. El agente recibe un objetivo, lo divide en pasos más pequeños, ejecuta dichos pasos utilizando las herramientas y los datos disponibles, evalúa el resultado en cada etapa y adapta el plan cuando la realidad no coincide con las expectativas. La intervención humana define el objetivo y valida las decisiones críticas, pero el agente gestiona la secuencia operativa entre esos puntos sin necesidad de intervención constante.

El contraste con el basado en reglas Automatización CRM Es significativo. La automatización basada en reglas sigue una lógica determinista. Si un ticket de soporte al cliente tiene una etiqueta específica, se dirige a una cola específica. Si se actualiza la etapa de una negociación, se envía un correo electrónico específico. Las reglas se ejecutan de forma fiable, pero no pueden gestionar situaciones que no hayan previsto. 

La IA agente gestiona situaciones no planificadas razonando sobre el objetivo y las acciones disponibles, para luego decidir qué hacer a continuación. El mismo agente puede gestionar una solicitud de soporte cuya estructura no se previó en el conjunto de reglas original, porque la lógica de decisión proviene del modelo y no de reglas predefinidas.

El contraste con la IA de asistencia es igualmente importante. La IA de asistencia presenta recomendaciones para que el usuario actúe en consecuencia: recomienda el siguiente correo electrónico a enviar, sugiere la siguiente acción en un acuerdo o redacta una respuesta para su revisión. El usuario permanece en el ciclo de ejecución. La IA agente asume una mayor parte de la ejecución entre los puntos de control humanos, y el rol del usuario cambia de realizar los pasos a definir el objetivo y revisar el resultado. 

IA agente vs. IA generativa

La IA agente y la IA generativa suelen mencionarse juntas, pero funcionan de manera diferente. La IA generativa está diseñada para crear contenido a partir de indicaciones, mientras que la IA agente está diseñada para completar tareas en diferentes sistemas utilizando capacidades de razonamiento, planificación y ejecución.

¿Qué hace la IA generativa?

La IA generativa produce resultados como texto, código, imágenes, audio o vídeo a partir de las instrucciones del usuario. La interacción se basa en indicaciones, y el usuario proporciona el contexto para cada solicitud.

Los casos de uso comunes incluyen:

• Redacción de correos electrónicos, artículos y resúmenes.
• Generando fragmentos de código
• Traduciendo idiomas
• Responder a consultas basadas en el conocimiento
• Creación de contenido visual o de audio

Su punto fuerte reside en la fluidez de sus contenidos y en la rápida generación de los mismos.

¿Qué aporta la IA agencial?

La IA agente utiliza IA generativa como parte de su capa de razonamiento, pero va más allá de la generación de contenido. Puede mantener objetivos a lo largo de múltiples pasos, interactuar con herramientas externas y ejecutar acciones dentro de sistemas conectados.

Las capacidades comunes incluyen:

• Gestión de flujos de trabajo de varios pasos
• Uso de API y herramientas empresariales
• Actualización de sistemas CRM
• Programación de acciones y seguimientos
• Coordinación de tareas en diferentes plataformas

Su punto fuerte reside en la ejecución de tareas, más que en la creación de contenido únicamente.

Diferencia fundamental entre la IA agencial y la IA generativa

La diferencia se aprecia principalmente en cómo funciona cada sistema y qué resultado produce.

Parámetro	Los proyectos piloto de IA generativa	IA agente
Salida primaria	Generación de contenido	La terminación de la tarea
Modelo de interacción	Rapidez y respuesta	Objetivo y ejecución
Manejo del contexto	Limitado a la interacción activa	Mantiene objetivos de múltiples pasos
Capacidad de flujo de trabajo	Centrado en una sola tarea	Ejecución de flujo de trabajo de principio a fin
Uso de herramientas	Generalmente manual o activado por el usuario.	Interacción entre herramienta autónoma y API
Toma de decisiones	Reactivo a las indicaciones	Planifica y adapta las acciones de forma dinámica.
Participación humana	Se requiere supervisión estricta	Intervención reducida después de la configuración
Conectividad del sistema	Generación mayoritariamente aislada	Integrado en todos los sistemas empresariales
Alcance operativo	Tareas creativas y de productividad	Automatización y orquestación de procesos
Implementación empresarial	Herramientas de escritura y asistencia	Sistemas de CRM, operaciones y flujo de trabajo

Componentes básicos de los sistemas de IA agentes

Los sistemas de IA agente se construyen a partir de componentes modulares que, en conjunto, generan un comportamiento orientado a objetivos. La arquitectura es consistente en la mayoría de las implementaciones de producción, incluso cuando las implementaciones específicas difieren.

El motor de razonamiento

El motor de razonamiento, generalmente un modelo de lenguaje complejo o una combinación de modelos, interpreta el objetivo y decide qué acción tomar a continuación en función del estado actual. Aquí reside la inteligencia general del agente, y la elección del modelo afecta tanto la calidad de las decisiones como el coste operativo de su funcionamiento.

La mayoría de las implementaciones en producción utilizan un modelo base para el razonamiento, con modelos especializados para tareas como la clasificación o la extracción, donde superan al modelo general.

• El motor de razonamiento transforma los objetivos en pasos concretos y realizables.
• Decide entre las herramientas disponibles en función del contexto actual.
• Interpreta los resultados de las llamadas a las herramientas y decide si debe continuar.
• La elección del modelo afecta a la precisión, la latencia y el coste por ejecución.

Objetivos e instrucciones

Los objetivos son las declaraciones estructuradas de lo que el agente intenta lograr, y las instrucciones son las restricciones sobre cómo puede lograrlos. Juntos, definen el entorno operativo. Sin objetivos claros, las acciones del agente se vuelven impredecibles. 

Sin instrucciones claras, el agente puede realizar acciones que logren el objetivo, pero que infrinjan los requisitos de la organización.

• Los objetivos especifican el resultado deseado en términos observables.
• Las instrucciones definen las restricciones, incluyendo las acciones permitidas.
• Ambos deben ser lo suficientemente específicos como para limitar al agente de manera significativa.
• Los sistemas de producción requieren definiciones de objetivos con control de versiones.

Herramientas e integraciones

Las herramientas representan la capacidad del agente para interactuar con el mundo. Incluyen llamadas a la API de sistemas externos, consultas a bases de datos, ejecución de funciones, manipulación de archivos y cualquier otra acción que el agente pueda realizar al margen de su propio razonamiento. El grado de integración de las herramientas determina qué categorías de trabajo puede completar el agente, y el modelo de seguridad en torno al acceso a las herramientas determina qué no puede vulnerar.

• Integraciones API Conectar al agente con sistemas externos como CRM, facturación y herramientas de comunicación.
• El acceso a la base de datos permite al agente recuperar y actualizar registros estructurados.
• Las llamadas a funciones permiten invocar lógica de negocio específica.
• Las credenciales con alcance limitado impiden que el agente acceda a sistemas que están fuera de su ámbito de competencia.

Salud Cerebral

La memoria es lo que permite al agente mantener el contexto a lo largo de las distintas etapas de una tarea y entre tareas durante periodos más prolongados. La memoria a corto plazo retiene el contexto de trabajo de la tarea actual. La memoria a largo plazo acumula patrones, preferencias y resultados previos que influyen en las decisiones futuras.

• La memoria a corto plazo registra el contexto de la tarea actual y los resultados intermedios.
• La memoria a largo plazo se mantiene a lo largo de las sesiones y las tareas.
• El modelo de memoria afecta la profundidad de la personalización y la calidad de las decisiones.
• Los sistemas de producción requieren políticas de memoria explícitas para garantizar el cumplimiento.

El módulo de planificación

El módulo de planificación divide el objetivo en pasos ordenados, supervisa el progreso y ajusta el plan cuando algún paso falla o produce resultados inesperados. Aquí reside la resiliencia del agente. Un agente simple sin módulo de planificación falla ante la primera condición inesperada. Un agente con módulo de planificación redirige y continúa.

• El planificador descompone los objetivos en acciones secuenciales.
• Gestiona la recuperación de errores y los reintentos de pasos.
• Adapta el plan en función de los resultados intermedios.
• Identifica cuándo se necesita la intervención humana.

Cómo funciona la IA agencial en la práctica

El ciclo operativo de un sistema de IA con agentes sigue un patrón reconocible, incluso en diferentes plataformas y casos de uso. Cada paso contribuye a la finalización de la tarea general, y las deficiencias en cualquier paso debilitan el conjunto.

1. El agente recibe un objetivo de un usuario o de otro sistema, expresado en términos observables y con las restricciones definidas explícitamente.
2. El agente analiza el contexto actual, recupera datos relevantes de los sistemas conectados y revisa cualquier interacción previa vinculada al objetivo.
3. El módulo de planificación descompone el objetivo en una secuencia de pasos que, ejecutados correctamente, deberían producir el resultado deseado.
4. El agente ejecuta el primer paso utilizando la herramienta o función adecuada, capturando el resultado para evaluarlo comparándolo con el resultado esperado.
5. El motor de razonamiento evalúa si el paso se realizó correctamente, ajustando el plan si falló o generando el siguiente paso si se realizó correctamente.
6. El agente continúa con los pasos planificados, y la memoria acumula contexto en cada paso para fundamentar decisiones posteriores.
7. Cuando se alcanza el objetivo o el agente identifica un punto que requiere intervención humana, genera un resultado para su revisión, que incluye un resumen de las acciones realizadas y las decisiones pendientes.
8. El resultado se retroalimenta a la memoria del agente y a los datos de entrenamiento del sistema, mejorando gradualmente el rendimiento en tareas similares futuras.

Este bucle se ejecuta dentro del automatización del flujo de trabajo función en implementaciones de CRM, donde Vtiger's IA de cálculo Aplica el patrón a flujos de trabajo empresariales específicos. El usuario define el objetivo y revisa el resultado, mientras que el agente gestiona los pasos intermedios dentro de los límites definidos.

Beneficios de la IA agencial para las operaciones comerciales

El retorno operativo de las implementaciones de IA con agentes depende en gran medida de la selección de casos de uso y la calidad de la implementación. Los beneficios que se describen a continuación son visibles en las implementaciones de producción, y su magnitud varía según la complejidad del flujo de trabajo y la madurez de los datos CRM subyacentes.

Automatización integral de tareas de varios pasos

Las tareas que antes requerían la coordinación humana de pasos en múltiples sistemas ahora pueden ser completadas por un agente que opera dentro de límites definidos. La mejora es mayor en las tareas que implican pasos secuenciales en múltiples aplicaciones, ya que es en esa coordinación donde se consume la mayor parte del tiempo humano.

• Liderar los flujos de trabajo de cualificación que anteriormente requerían la búsqueda de datos en diferentes sistemas.
• Gestión de incidencias de atención al cliente que implicaban la comprobación de la facturación, el uso y el estado del producto.
• Procesos de incorporación que abarcan sistemas de CRM, correo electrónico, gestión de contratos y gestión de proyectos.
• Flujos de trabajo de renovación y expansión que requerían el historial de la cuenta y el contexto de uso del producto.

Toma de decisiones más rápida con contexto en tiempo real.

La IA automatizada reduce la latencia en la toma de decisiones al recopilar datos relevantes, evaluarlos y generar una recomendación en segundos, en lugar de las horas o días que consumen los procesos manuales. El beneficio es mayor en decisiones urgentes, donde la velocidad compensa el coste marginal de la operación del agente. PwCLa investigación "Sizing the Prize" proyectó que la IA podría aportar hasta 15.7 billones de dólares a la economía mundial para 2030, y que las mayores ganancias provendrían de mejoras en la productividad en tareas donde el tiempo de toma de decisiones es una limitación importante.

• Priorización de la respuesta de ventas en función de las señales de interacción en tiempo real.
• Admite el enrutamiento de casos que integra el historial del cliente con el contexto del caso.
• El marketing activa la detección a partir de datos de comportamiento y de producto.
• Decisiones operativas sobre inventario, programación o asignación de recursos.

Operaciones escalables sin crecimiento proporcional de la plantilla.

La escalabilidad de la IA basada en agentes es estructuralmente diferente a la de las operaciones exclusivamente humanas. Aumentar la capacidad no requiere un crecimiento proporcional de la plantilla, ya que el agente puede gestionar un volumen adicional dentro del mismo ámbito operativo. Esto implica que las empresas con un volumen significativo de trabajo rutinario pueden absorber el crecimiento sin los costes de personal que antes conllevaba.

• Ampliación del servicio de atención al cliente sin la contratación proporcional de agentes.
• Escalado del desarrollo de ventas sin la contratación proporcional de representantes.
• Los flujos de trabajo operativos se escalan sin un aumento proporcional en la plantilla administrativa.
• La personalización del marketing va más allá de lo que la segmentación manual puede abarcar.

Casos de uso reales de la IA agente

Los patrones de implementación que se implementarán primero en 2025 y 2026 se agrupan en torno a flujos de trabajo con objetivos bien definidos, pasos delimitados y fallos recuperables. Los casos de uso que se muestran a continuación ilustran dónde se han obtenido los mejores resultados.

Automatización de ventas mediante flujos de trabajo gestionados por agentes

La IA de los agentes de ventas gestiona la cualificación de clientes potenciales, la secuenciación de seguimientos y el avance de las negociaciones en función de las señales de interacción. El agente supervisa el comportamiento del cliente potencial, decide cuándo enviar un seguimiento, redacta el mensaje y actualiza el registro en el CRM. El representante revisa el mensaje antes de enviarlo para clientes potenciales de alto valor y lo envía automáticamente para seguimientos rutinarios. La IA Calculus de Vtiger opera dentro de este patrón, y el representante conserva la aprobación final para las acciones dirigidas al cliente que involucran clientes potenciales de alto riesgo.

Resolución y clasificación de problemas de atención al cliente

La IA de soporte gestiona la clasificación de tickets, la recuperación de la base de conocimientos, la redacción de respuestas y las decisiones de escalamiento en toda la función de soporte. El agente lee el caso entrante, verifica el historial del cliente, recupera patrones de resolución relevantes y redacta una respuesta para su revisión o para su envío directo en casos rutinarios. La superficie de implementación aquí es significativa y la Automatización de IA Las herramientas gestionan la orquestación de principio a fin sin necesidad de que los agentes administren cada herramienta individualmente.

Ejecución del flujo de trabajo de marketing

La IA de marketing gestiona la ejecución de campañas en todos los canales, incluyendo la segmentación, la selección de contenido, la programación de envíos y el seguimiento del rendimiento. El agente ejecuta la campaña dentro de los parámetros definidos, monitoriza los datos de respuesta y ajusta la segmentación o la programación dentro de las limitaciones establecidas. El equipo de marketing define el objetivo y revisa el rendimiento, mientras que el agente se encarga de la secuencia operativa.

Optimización de operaciones y flujos de trabajo

La IA operativa coordina flujos de trabajo entre sistemas que antes requerían intervención humana. El procesamiento de pedidos, la gestión de excepciones, la coordinación con proveedores y los flujos de trabajo de aprobación interna se ajustan a este modelo, cuyo objetivo es mantener las operaciones en marcha al tiempo que se señalan las excepciones para su revisión humana.

Automatización de procesos financieros y de recursos humanos

La IA aplicada a finanzas y recursos humanos gestiona flujos de trabajo estructurados, como el procesamiento de facturas, la aprobación de gastos, la incorporación de empleados y la documentación de cumplimiento normativo. Estos procesos son idóneos para la implementación mediante agentes, ya que las reglas son codificables, los requisitos de auditoría favorecen la ejecución estructurada por parte de los agentes y la revisión humana puede centrarse en las excepciones en lugar de en las tareas rutinarias.

Mejores prácticas para la implementación de IA agente

Los patrones de implementación que generan resultados duraderos siguen una estructura consistente. Los principios que se describen a continuación se aplican a todos los sectores y casos de uso.

• Comience con casos de uso que tengan objetivos bien definidos, espacios de acción delimitados y modos de fallo recuperables. Los objetivos abiertos en espacios de acción ilimitados producen resultados impredecibles.
• Defina explícitamente las instrucciones y restricciones del agente, incluyendo qué herramientas puede utilizar, qué decisiones requieren aprobación humana y cuáles son los límites de su ámbito de actuación.
• Diseñe arquitecturas de agentes modulares con una clara separación entre la capa de razonamiento, la capa de planificación, la capa de herramientas y la capa de memoria. Los agentes monolíticos son más difíciles de mantener y depurar.
• Implementar medidas de seguridad en cada punto de decisión que tenga contacto con sistemas externos, con una lógica de validación que detecte los errores antes de que afecten a los clientes o a los registros financieros.
• Mantén a los humanos involucrados en las decisiones de alto riesgo, que afectan directamente al cliente o que son difíciles de revertir. El agente se encarga de los pasos intermedios, pero los puntos de control estratégicos permanecen bajo la responsabilidad de una persona.
• Supervise continuamente el rendimiento de los agentes mediante registros estructurados, pistas de auditoría de decisiones y medición de resultados. Los agentes que operan sin supervisión se desvían de su comportamiento original con el tiempo.
• Garantizar la seguridad de los datos y el cumplimiento normativo mediante credenciales de alcance limitado, el registro de auditoría de todas las acciones de los agentes y políticas explícitas de gestión de datos que se ajusten a los requisitos reglamentarios.
• Integrar el agente con el subyacente CRM de IA De esta forma, el historial del cliente, el contexto empresarial y los datos de uso del producto influyen en cada decisión que toma el agente.
• Vincular el despliegue de IA agente con el contexto más amplio IA en los negocios En lugar de tratarlo como un proyecto tecnológico aislado, se trata de una estrategia.

El futuro de la IA agente

Se prevé que la IA agente se convierta en una parte fundamental de las operaciones empresariales en los próximos años, a medida que las empresas superen la fase experimental y comiencen a integrar agentes de IA en sus sistemas y flujos de trabajo principales. Los avances en razonamiento, automatización y conectividad de sistemas están ampliando las aplicaciones prácticas de estos sistemas autónomos en diversos sectores.

Mejoras en el razonamiento de la IA

Los modelos de IA están mejorando en el manejo de tareas complejas, la comprensión contextual y la toma de decisiones en múltiples etapas. Esta mejora permite que los sistemas de IA con capacidad de gestión de agentes operen con mayor fiabilidad en todas las funciones empresariales.

Ampliación de las integraciones de herramientas

El crecimiento de los ecosistemas de integración está aumentando el número de herramientas y plataformas con las que los agentes de IA pueden interactuar. Los sistemas CRM, el software de gestión de flujos de trabajo, las plataformas de análisis y las herramientas de atención al cliente se están convirtiendo en parte del entorno operativo de la IA con agentes.

Adopción empresarial y crecimiento del mercado

De acuerdo con Investigación de precedenciaSe prevé que el mercado global de IA con agentes crezca de 5.1 millones de dólares en 2024 a casi 196.6 millones de dólares en 2034. Las organizaciones están integrando cada vez más la IA con agentes en la infraestructura existente, mientras que los marcos regulatorios siguen evolucionando para su implementación a gran escala.

Los despliegues con mayor probabilidad de generar valor compuesto son aquellos que integran la capacidad de agente en la infraestructura de datos y procesos del cliente ya existente, con ¿Qué son los agentes de IA? Se está convirtiendo en una pregunta que los equipos de compras ahora se hacen junto con las evaluaciones de sus herramientas de CRM y flujo de trabajo.

Preguntas Frecuentes (FAQ)

P1. ¿Qué es la IA con agentes? 

La IA agente es la clase de sistemas de IA que persiguen objetivos definidos mediante la planificación y la acción en múltiples pasos, ejecutando tareas a través de diversas herramientas y fuentes de datos con una mínima intervención humana entre pasos. A diferencia de los chatbots o los generadores de contenido, un agente mantiene un objetivo a lo largo de una secuencia, decide qué hacer a continuación en función del estado actual y se adapta cuando los pasos no producen el resultado esperado.

P2. ¿En qué se diferencia la IA agencial de la IA generativa? 

La IA generativa produce contenido en respuesta a una solicitud. La IA agente completa tareas mediante múltiples pasos y herramientas, utilizando la IA generativa como un componente de su razonamiento. El modelo de interacción es diferente. La IA generativa se basa en una solicitud y un resultado. La IA agente se basa en un objetivo y un resultado, donde el agente gestiona los pasos intermedios. Los sistemas agentes utilizan modelos generativos internamente, pero también incorporan planificación, memoria y el uso de herramientas.

P3. ¿Puede la IA con capacidad de gestión de agentes funcionar sin intervención humana? 

La IA agente opera dentro de límites definidos que incluyen cuándo y cómo solicitar la intervención humana. Para tareas rutinarias y bien delimitadas, el agente puede completar el trabajo de principio a fin sin intervención humana activa. Para decisiones de alto riesgo o ambiguas, los sistemas de agentes en producción incluyen puntos de control con intervención humana. La autonomía total sin ninguna intervención humana rara vez es el diseño adecuado para implementaciones empresariales.

P4. ¿Qué industrias están implementando la IA con agentes de forma más intensiva? 

Los sectores de software como servicio (SaaS), servicios financieros, administración sanitaria, comercio electrónico y servicios profesionales lideran la adopción actual, con implementaciones concentradas en atención al cliente, desarrollo de ventas, flujo de trabajo operativo y automatización de procesos financieros. El patrón es, en general, consistente: las industrias con un alto volumen de flujo de trabajo rutinario y sistemas de datos estructurados adoptan más rápidamente, mientras que las industrias reguladas adoptan de forma más selectiva, con sólidos controles de auditoría y aprobación.

P5. ¿Es segura la IA agente para su implementación en producción? 

La IA agente es segura para entornos de producción cuando se implementa con las medidas de seguridad adecuadas, como el acceso restringido a herramientas, el registro de auditorías, la intervención humana en puntos de control para decisiones críticas y la monitorización estructurada del comportamiento del agente. La seguridad en producción depende de la disciplina en el diseño del sistema, no del modelo en sí. Los agentes implementados sin estos controles generan resultados impredecibles, independientemente de la calidad del modelo subyacente.

P6. ¿La creación de IA ámbrica requiere programación personalizada? 

Tradicionalmente, la creación de IA con capacidad de agente para producción requería ingeniería a medida, pero el ecosistema de la plataforma ha madurado hasta el punto de que muchos casos de uso pueden implementarse mediante herramientas de bajo código y creadores de agentes nativos de la plataforma. Los sistemas CRM que incluyen capacidades de agente de forma nativa reducen el trabajo de integración, ya que los datos del cliente, la lógica empresarial y la infraestructura de flujo de trabajo ya están disponibles.

P7. ¿Qué beneficios pueden esperar las empresas de la IA con agentes? 

Los beneficios dependen en gran medida del caso de uso. Los flujos de trabajo rutinarios de varios pasos que antes requerían coordinación entre sistemas suelen obtener los mayores beneficios, con reducciones frecuentes del 30 % al 50 % en el tiempo operativo del flujo de trabajo objetivo. Las aplicaciones de cara al cliente obtienen beneficios gracias a la velocidad y la coherencia de la respuesta, en lugar de la reducción de personal. El modelo con mayor probabilidad de generar beneficios duraderos consiste en integrar la IA automatizada en los sistemas de flujo de trabajo existentes, en lugar de utilizarla como una herramienta independiente.