Chatbot vs agente de IA: cuál necesita tu empresa (y cuándo ninguno)

¿Chatbot o agente de IA: cuál necesita tu empresa?

Parte del trabajo, no de la tecnología. Para responder, un chatbot; para completar en tus sistemas una tarea cuyos pasos cambian caso por caso, un agente; si los pasos nunca cambian, un flujo; si los datos llegan estructurados, quizá ningún modelo.

¿Qué es un chatbot, qué es un agente de IA y qué hay en medio?

Un chatbot es una interfaz conversacional: recibe un mensaje y devuelve una respuesta, hoy casi siempre generada por un modelo de lenguaje a partir de tus documentos. La guía de OpenAI para construir agentes (abril de 2025) es explícita: los chatbots simples y las demás aplicaciones que no dejan al modelo controlar cómo se ejecuta un flujo no son agentes.

Para OpenAI, un agente realiza tareas de forma independiente en tu nombre: el modelo conduce el flujo (sabe cuándo terminó, corrige sus acciones y devuelve el control si falla) y elige herramientas para consultar contexto y actuar, dentro de límites definidos.

Anthropic (diciembre de 2024) nombra el punto medio: en un flujo (workflow), el modelo y las herramientas siguen caminos de código que tú defines; en un agente, el modelo dirige su propio proceso. Su consejo es buscar la solución más simple y sumar complejidad solo cuando haga falta, lo que a veces significa no tener agente.

¿En qué se diferencian un chatbot, un flujo y un agente?

La diferencia de fondo es quién decide el siguiente paso: nadie más allá de la respuesta (chatbot), tu código (flujo) o el modelo (agente). La integración, el riesgo, el costo y el tiempo hasta producción se derivan de ahí.

El costo merece una cifra: en junio de 2025, Anthropic midió que los agentes suelen usar unas 4 veces más tokens que las interacciones de chat, y los sistemas multiagente unas 15 veces más, algo que solo compensa en tareas de alto valor. Desglosamos la factura en cuánto cuesta un agente de IA.

¿Cómo detectar el «agent washing»?

Pregunta qué decide de verdad el modelo. Gartner (junio de 2025) llama agent washing a reetiquetar como agentes asistentes de IA, automatización robótica de procesos (RPA) y chatbots sin capacidades agénticas sustanciales, y estima que solo unos 130 de los miles de proveedores de IA agéntica son reales.

El mismo informe prevé que más del 40 % de los proyectos de IA agéntica se cancelarán antes de que termine 2027 (costos crecientes, valor de negocio poco claro o controles de riesgo insuficientes) y advierte que muchos casos vendidos como agénticos no necesitan una implementación agéntica. Cinco preguntas para cualquier proveedor:

• ¿Qué decide el modelo en tiempo de ejecución y qué está programado?
• ¿Qué herramientas puede llamar, con qué credenciales y qué puede cambiar cada una?
• ¿Cuándo pasa el caso a una persona?
• ¿Cuál es su tasa de acierto y su costo por tarea resuelta en tus casos y en tu idioma?
• ¿Sus acciones quedan registradas donde el agente no las puede editar?

Un flujo programado detrás de una ventana de chat muchas veces es el producto correcto. El problema es pagar precios de agente, y asumir riesgos de agente, por él.

¿Cuándo vale la pena un agente? Cuatro casos concretos

Cuando el camino depende de lo que el sistema encuentra y cada tarea vale los tokens y los controles extra. La guía de OpenAI da tres señales: decisiones llenas de excepciones, reglas demasiado costosas de mantener y mucha información no estructurada; si no se cumplen, puede bastar una solución determinista.

• Preguntas frecuentes. Políticas, horarios, productos: un chatbot con búsqueda en tus documentos. Las herramientas sumarían riesgo, no valor.
• Estado de un pedido. Una consulta, una respuesta, siempre los mismos pasos: un chatbot con una consulta de solo lectura, o un flujo fijo.
• Reembolsos. La política, el historial, la evidencia y las excepciones se sopesan caso por caso: aquí un agente se gana su lugar. OpenAI cita la aprobación de reembolsos como decisión compleja y pone los reembolsos grandes entre las acciones que exigen supervisión humana. Diseño típico: el agente reúne los hechos y propone; una persona aprueba por encima de un monto.
• Conciliación de back-office. Cruzar movimientos bancarios con facturas del ERP sigue reglas, así que un flujo hace la mayor parte; para lo que sobra (pagos parciales, referencias en texto libre), un agente puede proponer cruces que una persona confirma.

Anthropic ve la atención al cliente como terreno natural para los agentes: una interfaz de chat, herramientas para leer el historial y los pedidos del cliente, acciones como un reembolso y éxito medible en casos resueltos. Sin acciones que ejecutar, un agente es un chatbot caro.

¿Cuándo es mejor un formulario o un flujo sin IA?

Cuando la entrada es estructurada, las reglas son estables y un error sale caro. Cambiar una dirección de facturación, agendar una cita o aprobar un gasto bajo un tope fijo pide validación, no comprensión del lenguaje: un formulario, una llamada a una API o una automatización clásica son más rápidos, más baratos y más fáciles de auditar.

• Entradas estructuradas: si los datos llegan en campos, un modelo solo suma costo y variación.
• Reglas duras: tarifas, topes y requisitos van en código, donde se pueden probar.
• Poco volumen: una tarea que se hace pocas veces al mes rara vez paga el diseño, las evaluaciones y el monitoreo.

Los modelos igual ayudan en los bordes: clasificar los correos entrantes hacia el formulario correcto o extraer campos de un PDF antes de un proceso con reglas. Más en qué procesos automatizar primero con IA.

¿Qué riesgos tiene cada opción y cómo se controlan?

Un chatbot arriesga sobre todo malas respuestas; un agente, malas acciones. Por eso los controles van sobre el texto en un chatbot y sobre las herramientas y los permisos en un agente.

La «tríada letal» de Simon Willison resume el caso del agente: datos privados, contenido no confiable y una vía para enviar datos hacia afuera, en un mismo agente, permiten a un atacante robar información a través de lo que lee. Quita una de las tres patas antes de lanzar; las reglas completas están en agentes de IA en producción.

Europa: desde el 2 de agosto de 2026, el artículo 50(1) del AI Act obliga a los proveedores a garantizar que las personas sepan que hablan con un sistema de IA, salvo que sea evidente. Colombia: la Ley 1581 de 2012 rige los datos personales que procese un chatbot o un agente, incluido su envío a modelos alojados fuera del país. Y Gartner prevé que las normas que garantizan el acceso a una persona aumenten un 30 % el volumen de atención asistida para 2028: diseña el paso a humano desde el primer día.

¿Cómo empezar sin sobredimensionar?

1. Elige una tarea con un dueño y una métrica: tasa de resolución, tiempo de atención o tasa de error.
2. Construye la versión más simple que podría funcionar: una llamada al modelo con búsqueda en tus documentos y, después, un flujo.
3. Escribe de 20 a 50 casos de prueba a partir de conversaciones reales, en los idiomas de tus clientes; Anthropic sugiere ese tamaño para un primer set de evaluación.
4. Conecta las herramientas primero en solo lectura y suma acciones de escritura de una en una, con confirmación y registro.
5. Define cuándo toma el control una persona: tras cuántos fallos y para qué acciones.
6. Mide el costo por tarea resuelta con tráfico real antes de ampliar el alcance.

Un asistente dentro de tu propio producto es un buen primer paso. En la app que construimos para Réseau Mazette, una red de profesionales y emprendedores francófonos en España, Mia, el copiloto de IA, tiene su propia pestaña junto al directorio y los eventos, y los miembros abren ahí el chat para hacer sus preguntas (ver el caso). Para asistentes en tu web o en WhatsApp, mira nuestros chatbots con IA para empresas.