¿Qué es un agente de IA? Seis definiciones comparadas y qué funciona en una cadena de tiendas

«Agente de IA» es el término más usado este año en el software empresarial, y uno de los peor definidos. Gartner calcula que solo unos 130 de los miles de proveedores que venden IA agéntica ofrecen agentes de verdad, y prevé que más del 40 % de los proyectos de IA agéntica se cancelen antes de que acabe 2027 por sus costes, por un valor poco claro o por un control de riesgos insuficiente⁵.

Antes de decidir si un agente tiene sitio en tus tiendas, conviene saber qué quieren decir con esa palabra quienes la acuñaron. Estas son sus definiciones, citadas de sus propios documentos.

Seis definiciones de agente de IA

Leídas juntas, coinciden en tres partes: un objetivo, herramientas que actúan en lugar de solo hablar y cierta independencia respecto a una persona^{1, 2, 3, 4}. El Reglamento de IA de la UE, la norma que regulará buena parte de esto en Europa, ni siquiera usa la palabra agente; regula los sistemas de IA que funcionan con distintos niveles de autonomía⁶.

Difieren en la tercera parte, y es la que le importa a un retailer. Un agente que redacta un pedido de compra y otro que se lo envía al proveedor pueden funcionar con el mismo modelo. Lo que los separa es cuánto se les permite hacer sin preguntar, y unos investigadores de la Universidad de Washington sostienen que eso lo elige quien despliega el agente, con independencia de lo que el modelo sea capaz de hacer⁷.

¿Agente, chatbot, copiloto o flujo de trabajo?

Un chatbot responde. Un copiloto responde a partir de tus datos y sugiere; la guía sobre copilotos de IA para operaciones retail explica qué hace fiables esas respuestas. Un flujo de trabajo ejecuta pasos que alguien fijó de antemano, como una regla de reposición nocturna. Un agente decide él mismo el siguiente paso y usa herramientas para darlo². En la práctica, la mayoría de los sistemas útiles combinan los dos últimos: las reglas fijas hacen las cuentas y el modelo se encarga de lo que requiere criterio y explicación.

En qué punto están las empresas: en la encuesta de McKinsey de 2026, la proporción de organizaciones con más de 1.000 millones de dólares de ingresos que escalan agentes de IA en al menos una función pasó en un año del 27 % al 40 %, mientras que en las organizaciones más pequeñas se quedó en el 22 %. Los encuestados del sector de bienes de consumo y retail usan agentes sobre todo en marketing y ventas⁸.

La autonomía es un ajuste: concédela por acción

Los investigadores describen el papel de la persona a medida que crece la independencia del agente: operador, colaborador, consultor, aprobador y, por último, observador, que solo puede apagarlo⁷. La propia guía de OpenAI añade la regla práctica: clasificar cada herramienta según si solo lee o también escribe, si la acción se puede deshacer y cuál es su impacto económico, y mantener a una persona en el proceso en acciones como cancelar pedidos, autorizar reembolsos importantes o hacer pagos¹.

Para una cadena de tiendas, eso significa que un mismo agente puede tener una autoridad distinta para cada acción. Puede leer el stock libremente, aconsejar traspasos, preparar pedidos de compra para que alguien los apruebe y, aun así, necesitar a una persona antes de que nada llegue a un proveedor. Una escala de cinco niveles, concedidos por tipo de acción, lo hace explícito:

En qué siguen fallando los agentes

Los datos justifican los límites. En TheAgentCompany, un banco de pruebas de 175 tareas en una empresa simulada, el mejor agente evaluado en el artículo completó por sí solo el 30,3 % de ellas⁹. Cuando Anthropic dejó que un modelo llevara una pequeña tienda de oficina durante cerca de un mes, vendió productos por debajo del coste, repartió códigos de descuento a quien se los pedía y dijo a los clientes que pagaran en una cuenta que se había inventado; sus creadores concluyeron que «no lo contratarían»¹⁰.

La segunda prueba es la más útil. Los procedimientos, la visibilidad de los costes y una regla por la que una persona revisa cada compra eliminaron la mayor parte de las pérdidas, y el equipo lo resumió en que «la burocracia importa»¹¹. Es una lección de retail: los controles que una cadena ya aplica a un comprador nuevo, como los límites, las aprobaciones y una revisión al cabo del primer mes, son lo que permite usar un agente con seguridad.

Seis reglas para los agentes de IA en una cadena de tiendas

1. Deja que las reglas fijas calculen las cantidades y el dinero, y que el modelo los explique y se ocupe de las excepciones.
2. Da a cada agente un objetivo medible y los límites que no puede saltarse para alcanzarlo, como mejorar la disponibilidad sin inflar el stock.
3. Concede la autoridad por tipo de acción, y que solo el propietario pueda subirla, tras un periodo de prueba con umbrales claros.
4. Bájala automáticamente cuando se rompa un límite o los datos se queden desactualizados.
5. Ten un botón de parada y un registro de cada acción. En los sistemas de alto riesgo, el Reglamento de IA de la UE exige que las personas puedan anular o revertir la salida y detener el sistema⁶.
6. Mide el efecto frente a tiendas de control que no recibieron las acciones del agente, no frente al mes pasado.

La última regla es la que más a menudo se salta. La disponibilidad en el lineal se mueve con la temporada por motivos que no tienen nada que ver con el software; solo la comparación con tiendas parecidas en las mismas semanas separa el efecto del agente del de la temporada. La guía sobre roturas de stock muestra cómo se lee la disponibilidad tienda por tienda.

Cómo lo aplican los agentes de IA de marql

marql organiza sus agentes de IA como seis roles, del aprovisionamiento a las finanzas, cada uno con un KPI y unos límites que no puede saltarse. La autoridad sigue los cinco niveles de arriba, fijados por tipo de acción. Solo el propietario o el COO sube un nivel, tras un periodo de prueba que el producto comprueba cada día: para pasar de Aconseja a Prepara, cuatro semanas en el nivel y al menos el 70 % de sus consejos aceptados por las personas; para pasar a Ejecuta tras confirmación, un examen superado en un simulador de retail y no más del 10 % de las líneas de los borradores cambiadas por las personas. El nivel superior está cerrado para todos los clientes.

Las cantidades salen de reglas fijas; el modelo de lenguaje las explica. El nivel al que trabaja de verdad un agente es el más bajo entre el que se le ha concedido, el que permite la conexión con el ERP y el que admiten los datos según estén al día: con e:corg, el propio ERP crea el documento; con otros ERP, una persona registra el borrador aprobado. Cualquier agente se puede pausar, y baja un nivel por sí solo cuando rompe su límite.

En una quinta parte de las tiendas cada agente solo aconseja, para que su KPI pueda compararse con tiendas donde no actúa; una cadena con menos de cinco tiendas ve el KPI como una observación, no como un efecto. La propia pantalla lo dice claramente: una acción terminada aún no es un beneficio medido. El agente de IA de aprovisionamiento va primero, porque recuperar la demanda que se pierde ante un lineal vacío es lo que está más preparado.