Cómo construir un agente de IA paso a paso

1.Qué necesitás antes de empezar

Un agente de IA es un programa que combina un modelo de lenguaje (el cerebro que entiende y escribe) con herramientas (acciones reales: consultar una base, mandar un mail, buscar en la web) para cumplir un objetivo con cierta autonomía. La definición formal de agente inteligente — «una entidad que percibe su entorno y actúa en él para lograr objetivos» — viene de la propia disciplina, según Wikipedia.

El error más común es arrancar por el modelo o la herramienta antes de tener la tarea. Sin un objetivo claro, vas a gastar horas configurando y después no vas a poder decir si sirvió. Antes de tocar nada necesitás tres cosas:

• Un proceso doloroso y repetitivo. El que más horas te roba por semana, no el más ambicioso. Un agente rinde cuando hay volumen de casos similares.
• Un objetivo en una frase. Qué hace el agente y qué resultado se considera bueno.
• Un criterio de éxito medible. Un número que puedas mirar una semana después y comparar.

Ejemplo real: una tienda de ropa que vende por Instagram y Mercado Libre recibe unas 40 consultas por día en WhatsApp, casi siempre las mismas dos — «¿tenés stock del talle M?» y «¿cuándo llega mi pedido?». El objetivo del agente: responder el 80% de las consultas de stock y de estado de pedido sin que una persona las atienda. Ese número, 80%, es el criterio que después vas a medir.

Anthropic lo resume así: la mayoría de los casos se resuelve con patrones simples y composición, no con frameworks complejos. Empezá por lo mínimo que haga el trabajo.

2.Elegí el camino: no-code, código o ya hecho

Hay tres caminos para construir un agente, y la elección depende de una sola pregunta: ¿el proceso ya está estandarizado o todavía lo estás inventando?

El camino completo, en los tres casos, es el mismo ciclo de cinco pasos. Entenderlo te sirve para no saltearte etapas cuando el entusiasmo empuja a tocar código antes de definir el flujo.

Para la tienda de ropa, el camino no-code alcanza: el flujo es simple (clasificar, consultar stock o pedido, responder) y n8n lo arma sin programar. El código se justifica cuando el proceso tiene integraciones propias — por ejemplo, conectar un sistema de facturación interno que no expone una API pública.

3.Diseñá el flujo paso a paso

El agente es tan bueno como la descripción del proceso que le das. Escribí el flujo como si se lo explicaras a un pasante que arranca hoy: entradas, pasos, decisiones y salidas. Si no podés escribirlo, el agente tampoco va a poder ejecutarlo.

Tomá el caso de la tienda y armá la cadena completa:

Fijate el último paso: es lo que separa a un agente de una automatización fija. Una automatización se rompe cuando el dato no encaja; el agente observa qué le faltó y pide lo que necesita. Ese manejo del imprevisto es lo que vas a querer que el agente resuelva, porque es justamente lo que hoy te come horas de chat.

4.Elegí el modelo y conectá las herramientas

El agente se arma con dos piezas: el modelo que entiende y escribe, y las herramientas que ejecutan acciones reales. Se eligen por separado.

La regla que evita la mayoría de los errores: cada herramienta debe devolver un dato verificable, no una respuesta de memoria. El modelo puede inventar un número de stock; la API no. Por eso el agente consulta la base cada vez, en lugar de «recordar» cuánto había.

Para la tienda, el modelo más barato que clasifique bien alcanza — la tarea es corta y el tono es fijo. El costo importa porque son miles de mensajes por mes, y un modelo caro en un flujo simple es plata tirada.

5.Construí y probá el agente

Con el flujo escrito, construir es lo más corto del proceso. En no-code armás los nodos en horas; en código, frameworks como LangGraph modelan el flujo como un grafo de pasos y decisiones.

La parte que no podés saltear es la prueba. Probalo con casos reales, no con ejemplos inventados:

1. Juntá 10 mensajes reales de la última semana: los típicos y los raros.
2. Correlos por el agente y mirá cada respuesta al lado de la que habría dado una persona.
3. Clasificá los fallos: ¿clasificó mal? ¿consultó la herramienta equivocada? ¿respondió con un dato inventado?
4. Ajustá el flujo o el prompt donde falló, no el modelo entero.
5. Repetí hasta que los 10 pasen, o definí qué casos quedan para un humano.

El prompt importa, pero no hace magia: un prompt excelente no arregla un flujo mal diseñado. Si el agente consulta la herramienta equivocada, el problema está en el paso de clasificación, no en cómo está redactada la instrucción.

6.Llevalo a producción con supervisión

No lo soltés entero el primer día. La práctica recomendada — la que recomienda OpenAI en su guía de construcción de agentes — es empezar con supervisión humana: el agente propone, una persona aprueba.

Arrancá con las tareas de bajo riesgo. Para la tienda: primero stock (un error es molesto pero reversible), después estado de pedido (idem), y recién después algo como cambios o devoluciones, donde un error cuesta plata o un cliente enojado.

Una regla de corte ayuda a dormir tranquilo: si el agente no está seguro de la respuesta, escala a un humano en lugar de improvisar. Es más barato pagar una persona para el 5% de casos difíciles que tolerar un 5% de respuestas inventadas.

7.Medí y mejorá

Un agente sin métrica es una caja negra: no sabés si te ahorra horas o te las come. Medí una sola cosa al principio — para la tienda, el porcentaje de consultas resueltas sin intervención humana.

La adopción ya no es una promesa de futuro: Gartner proyecta que el 40% de las aplicaciones empresariales integrará agentes hacia fines de 2026, y McKinsey reporta que el 62% de las organizaciones ya está experimentando con ellos. Lo que distingue a los que les funciona de los que no es casi siempre lo mismo: miden y ajustan.

Revisá los fallos una vez por semana, como se revisa un tablero de ventas. Cada fallo te dice si hay que ajustar el flujo, la clasificación o la herramienta. Ese ciclo de ajuste es la flecha de retorno del diagrama: construir un agente no termina cuando lo publicás, termina cuando la métrica se estabiliza.