La conquista del agente de IA empresarial: quién construye las herramientas y la infraestructura para el trabajo autónomo
La definición de agente de IA está genuinamente en disputa, lo que explica en parte por qué el mercado de software de agentes de IA es a la vez enorme y caótico. En el sentido más amplio, un agente de IA es cualquier sistema que toma una instrucción, decide una secuencia de acciones, las ejecuta usando herramientas o APIs y produce un resultado, sin requerir que un humano apruebe cada paso. En el sentido más estricto, un agente es simplemente un modelo de lenguaje con un bucle de llamada a herramientas. La brecha entre esas definiciones contiene la mayor parte de lo que se está construyendo y financiando en 2025-2026.
Las cifras de financiación no son ambiguas. El informe de IA 2025 de Sequoia identificó a los agentes autónomos como la subcategoría de IA más financiada por número de acuerdos, con más de 4 mil millones de dólares desplegados en empresas de plataformas de agentes solo en 2024-2025. Salesforce Ventures, a16z, Lightspeed y Khosla han realizado múltiples apuestas en agentes. La lógica estratégica es directa: si la IA pasa de responder preguntas a completar tareas, el valor económico se desplaza de los costos de inferencia (cada vez más mercantilizados) a la capa de orquestación, las integraciones, los sistemas de memoria y las garantías de fiabilidad que hacen que los agentes sean lo suficientemente confiables para funcionar sin supervisión.
Qué están haciendo realmente los agentes empresariales
Los casos de uso que han ganado más tracción son, como era de esperar, aquellos con el retorno de inversión más claro. El desarrollo de ventas —agentes de IA que investigan prospectos, redactan contactos, gestionan secuencias y dirigen leads calificados a representantes humanos— es probablemente la categoría de agente más implementada en las empresas hoy en día. 11x, Artisan y varias otras startups han construido específicamente aquí, compitiendo con actores establecidos de automatización de ventas como Outreach y Salesloft ofreciendo agentes de IA en lugar de automatización basada en reglas.
La atención al cliente es la otra categoría de alta tracción. Sierra, fundada por Bret Taylor y Clay Baird y respaldada por 175 millones de dólares de Sequoia y otros inversores, ha construido una plataforma conversacional de IA específicamente para atención al cliente que maneja interacciones complejas de múltiples turnos, incluyendo devoluciones, disputas de facturación y resolución de problemas técnicos. La empresa afirma que los clientes ven tasas de automatización superiores al 70% en el volumen del centro de contacto. ServiceNow, Zendesk y Salesforce están compitiendo por integrar capacidades de agente en sus plataformas existentes para defenderse de Sierra y startups similares.
Los agentes de ingeniería de software han atraído la mayor atención mediática, con GitHub Copilot Workspace, Devin de Cognition, SWE-agent y una docena de otros productos que afirman completar tareas de programación de forma autónoma a partir de una especificación. Los resultados son reales pero acotados: los agentes actuales pueden manejar tickets bien definidos y aislados de manera confiable, pero tienen dificultades con bases de código grandes, decisiones arquitectónicas complejas y tareas que requieren comprensión del contexto organizacional no declarado.
La capa de infraestructura
Debajo de las startups de agentes a nivel de aplicación, ha surgido un ecosistema de infraestructura para resolver los problemas comunes que enfrenta cada agente. LangChain y su oferta comercial LangSmith proporcionan marcos de orquestación y observabilidad. Composio ofrece infraestructura de integración: conectores preconstruidos a más de 250 APIs SaaS empresariales para que los agentes puedan actuar en Gmail, Salesforce, Slack, Jira y otros sistemas sin que cada desarrollador tenga que construir integraciones personalizadas. E2B proporciona entornos de ejecución de código en sandbox para que los agentes puedan ejecutar código de forma segura. Recall.ai maneja la infraestructura de bots de reuniones para agentes que asisten a videollamadas.
La memoria es un problema difícil infravalorado para los agentes. La ventana de contexto de un modelo de lenguaje es finita; un agente que trabaja en una tarea de varios días necesita recordar lo que decidió horas o días antes. Varias startups —Letta (antes MemGPT), Mem y otras— están construyendo sistemas de memoria explícitos para agentes: almacenamiento estructurado, recuperación y actualización del estado del agente que persiste entre sesiones y escala más allá de los límites de la ventana de contexto.
La brecha de fiabilidad
El desafío central de la categoría es una palabra que no se usa lo suficiente en los anuncios de financiación: fiabilidad. Un humano que completa una tarea tiene éxito o fracasa con elegancia; si ocurre algo inesperado, lo nota y se adapta. Un agente de IA autónomo en un flujo de trabajo de varios pasos puede fallar silenciosamente, tomar acciones incorrectas que son difíciles de revertir, o quedarse atascado en bucles de reintento que tienen consecuencias reales (correos duplicados enviados, transacciones duplicadas enviadas, datos erróneos escritos en sistemas de registro).
Los despliegues empresariales en producción han generado un patrón de incidentes que resaltan dónde se rompen los agentes actuales: cuando las APIs devuelven respuestas inesperadas, cuando la descripción de la tarea era ambigua, cuando no se había otorgado un permiso requerido de antemano, o cuando una tarea de varios pasos requiere contexto que no estaba disponible al inicio. Las principales plataformas de agentes han invertido fuertemente en la escalada humana en el bucle: diseñar agentes que sepan cuándo pausar y pedir confirmación humana en lugar de proceder con baja confianza.
El nivel de fiabilidad para el software empresarial es mucho más alto que para la IA de consumo. Un consumidor que usa un chatbot que se equivoca 1 de cada 20 veces se siente levemente molesto. Un agente empresarial que procesa órdenes de compra y se equivoca 1 de cada 20 veces es un pasivo. Los proveedores de software empresarial establecidos como ServiceNow y SAP están comercializando sus productos de agente explícitamente en términos de fiabilidad y auditabilidad, posicionándose contra startups nativas de IA cuyas demostraciones impresionantes pueden ocultar la brecha de calidad de producción.
La dinámica plataforma versus startup
La competencia de plataformas familiar ahora se está desarrollando en los agentes de IA. Agentforce de Salesforce, lanzado en septiembre de 2024, es una apuesta directa por poseer la capa de agente empresarial para sus 150,000 clientes. Copilot para Microsoft 365 de Microsoft, profundizado con capacidades autónomas a finales de 2024, busca integrar agentes en los flujos de trabajo de Office y Teams donde los trabajadores empresariales ya viven. Now Assist de ServiceNow con capacidades de agente se dirige a operaciones de TI y flujos de trabajo de RRHH. Cada plataforma tiene la ventaja de integraciones preexistentes, residencia de datos, confianza y relaciones con los clientes.
Las startups compiten en velocidad de innovación, especialización y la capacidad de abordar casos de uso que las grandes plataformas son demasiado lentas para construir. La pregunta para las startups de agentes de IA es si pueden alcanzar escala antes de que los proveedores de plataformas mercantilicen su propuesta de valor central, una pregunta que toda startup SaaS empresarial enfrenta eventualmente, pero que el rápido ritmo de la IA hace inusualmente urgente.
El mercado es lo suficientemente grande como para que múltiples resultados sean viables. Las plataformas capturarán los casos de uso horizontales genéricos. Los agentes verticales especializados —para el sector legal, salud, servicios financieros, ingeniería de software e investigación científica— pueden sostener negocios independientes a una escala significativa. Y la capa de infraestructura —orquestación, memoria, integraciones, observabilidad— es probable que vea una consolidación en torno a un pequeño número de herramientas estándar, como sucedió con la infraestructura en la nube y las herramientas DevOps antes.
Los próximos 18 meses serán esclarecedores. Los productos de agente que demuestren un ROI consistente y medible en despliegues empresariales de producción crecerán rápidamente. Aquellos que brillan en demostraciones pero luchan con los requisitos de fiabilidad poco atractivos encontrarán un techo natural. La conquista está ocurriendo ahora; la depuración sigue.