Construir un agente de IA que realmente resuelva problemas es más simple de lo que crees: solo necesitas un modelo, herramientas, contexto y un loop. Esto le sirve a cualquier equipo que quiera dejar atrás los bots frustrantes y crear atención al cliente que la gente sí quiera usar.
La prueba de que funciona: durante un fin de semana de Platzi Conf, un agente llamado Ana atendió más de 100,000 conversaciones, respondió en menos de 30 segundos en varios idiomas y terminó primero en ventas ese día. Un mes antes, un sistema parecido apenas alcanzaba 2.49 de 5 en calidad de conversación. Aquí te cuento qué falló y cómo lo arreglamos.
Por qué odiamos los bots y qué nos molesta tanto
Para entender por qué la mayoría de los bots fracasan, hay que volver a 2016. En la conferencia Build de Microsoft, Satya Nadella dijo que los bots eran las nuevas apps y que el lenguaje era la nueva interfaz. Un mes después, Meta anunció los bots de Messenger y todos empezaron a crearlos [00:58].
Un año más tarde, The Information reportó que 7 de cada 10 solicitudes fallaban. ¿La razón? Los usuarios se quedaban atrapados en el menú. Esos bots eran árboles de decisión anidados que imitaban el menú de una app, pero con pasos extra: presiona uno para ventas, dos para soporte. Si tu duda no estaba en la lista, quedabas en un ciclo de respuestas inútiles.
Durante 10 años entrenamos a los usuarios para desconfiar de todo lo que respondiera automáticamente. Y los datos lo confirman:
- Gartner encontró en 2023 que solo 8% de los clientes usa un chatbot, y de esos, apenas 25% lo volvería a usar.
- Forrester Consulting descubrió en 2022 que tras una mala experiencia con un bot, 30% de los clientes busca otra marca.
- Un estudio reciente de Gartner reveló que el uso de chatbots corporativos sigue estancado igual que en 2022.
¿Por qué la gente odia los bots? Por tres razones: no ser entendidos, quedar atrapados en menús y recibir respuestas genéricas. Lo que sí valoramos de un bot es que resuelva o al menos ayude a avanzar el problema.
Lo más alarmante: las empresas gastaron una mediana de 12% de su presupuesto en IA, el área que más dinero consumió, y solo 24% obtuvo un retorno positivo. Le lanzaron el mejor modelo al problema, pero el problema seguía ahí.
Qué es un agente y en qué se diferencia de un bot
Aquí viene lo interesante. Nosotros cometimos el mismo error que todos: tomamos un modelo de última generación, le pusimos un prompt, lo conectamos a un asistente de OpenAI y lo mandamos a producción. Resultado: 2.49 de 5. Y lo peor, nuestro equipo humano tenía un puntaje de 3. Gastábamos mucho dinero y ni siquiera igualábamos a las personas [03:20].
Entonces nos detuvimos y encontramos el concepto central: los agentes.
¿Qué es un agente de IA? Es un LLM que usa herramientas basándose en la retroalimentación del entorno dentro de un loop. En fórmula: agente = LLM + herramientas + contexto + loop.
Desglosemos cada parte de esa fórmula:
- El LLM es lo único que casi nunca construimos, siempre lo rentamos de otra empresa.
- Las herramientas son cómo el modelo interactúa con la realidad y obtiene datos en tiempo real.
- El contexto es la información correcta en el momento correcto, no todo lo que sabes de la empresa.
- El loop es lo que lo separa de un bot: el modelo ejecuta, analiza y vuelve a ejecutar hasta encontrar la solución.
En qué se diferencia realmente de un bot
Con un bot, el camino lo decide quien lo programó. Con un agente, lo decide el modelo en el momento. La analogía es clara: teníamos al mejor vendedor del mundo, pero con el bot lo teníamos atrapado en una caja con una hoja de instrucciones que decía "no salgas de aquí". Al agente le dimos herramientas, una forma de conectarse con Platzi y de hacer cambios en las cuentas de los usuarios.
Cómo se construye un agente en menos de 20 líneas
Suena a reto enorme, pero es sorprendentemente simple. Solo tiene tres partes: tools, prompt y agente [04:50].
Una tool es una función de código con una descripción. El modelo usa esa descripción para decidir si la usa o no. Por ejemplo, una función que consulta precios importa payments y llama a getPricing, con la descripción: revisa el precio actual de un plan en la API de pagos de Platzi.
Para los prompts usamos Langfuse, que funciona como un repositorio de prompts. Los guardamos por key, por número de versión y por tags, y los llamamos con una función que los recupera por key.
Y el agente son literalmente menos de 20 líneas: importas la función agent de la librería Pydantic AI, le pasas el modelo, las herramientas y el prompt inicial.
¿Por qué usar Pydantic AI en vez de construir tu propio framework? Porque es simple, open source y la forma de trabajar con IA cambia cada día. Rentar el harness te deja invertir tiempo en la solución real, no en el andamiaje.
Cómo funciona el flujo del agente paso a paso
Todo empieza con un mensaje. Primero revisamos si contiene audio o imágenes y lo convertimos a texto, porque en Latinoamérica usamos muchos mensajes multimedia. Luego detectamos tags, que son las categorías de la conversación: una venta, un bug en la plataforma o una ruta de aprendizaje. Esto prepara el mejor prompt antes de correr el agente [08:10].
Después entran las herramientas, cada una con un propósito distinto:
- Campañas: conocimiento temporal como la agenda del Platzi Conf o un Platzi Day, que no necesita estar disponible siempre.
- Catálogo de cursos: se conecta directo a la API para dar la recomendación más actualizada.
- Conocimiento: busca en los manuales de cómo cambiar una tarjeta o crear una ruta.
- Precios: consulta el costo actual de los planes.
- Identidad: la clave para que el agente ejecute acciones dentro de Platzi.
La herramienta de identidad merece atención. Primero pide tu correo, lo busca en Platzi, recupera el usuario, envía un código de verificación, tú lo ingresas y el agente vincula tu perfil a un número de teléfono. Esa es tu llave para actuar dentro de la plataforma.
Todo culmina en un mensaje, y ahí decidimos si transferimos al estudiante al equipo de Success según hacia dónde llevó la conversación.
Qué resultados dio el agente y qué aprendimos
Cada parte del sistema ataca uno de los tres dolores iniciales: los tags y campañas evitan respuestas genéricas, la transcripción de voz e imágenes habla el idioma del canal, y la capacidad de escalar evita que alguien se quede sin atención. Los números lo confirman [11:30]:
- Pasamos de 2.49 a 4.71 sobre 5 en calidad de conversación.
- Los agentes humanos subieron de 3 a 4.33.
- El MVP tomó una semana, y otra semana más para los ajustes finales.
- El equipo fue de una sola persona.
Esto deja tres lecciones: el modelo no es la ventaja, la confianza se gana resolviendo problemas, y la IA no reemplazó al equipo, lo transformó. Antes las personas se ahogaban en conversaciones repetitivas; ahora tienen tiempo para lo que el bot no puede hacer y sirven de retroalimentación para mejorar al agente. Así se cierra el loop: el agente libera a los humanos y los humanos entrenan al agente.
En 2024, Klarna reemplazó a 700 humanos con IA y un año después admitió su error: la IA sirve para volumen y los humanos para valor.
Dos casos donde el agente sorprendió
Un usuario pidió aprender a construir un cyberdeck, una computadora pequeña y personalizada, algo que no estaba en el catálogo. El agente no lo dejó atrapado: descompuso el requerimiento y armó una ruta de seis cursos en tres fases, desde fundamentos de circuitos hasta Linux y machine learning. Si el estudiante hubiera buscado "cyberdeck", nada habría aparecido.
El segundo caso fue el Platzi Conf: entre 100,000 conversaciones, el agente encontró tiempo para vender y quedó primero en un equipo de siete personas, terminando 14% por encima del mejor vendedor.
No se trata de reemplazar vendedores, sino de ayudarlos con las conversaciones repetitivas para que se enfoquen en los negocios más grandes. Mi invitación es que construyas tus agentes, entiendas los dolores de tus usuarios y no tengas miedo de lanzar. Si fallas, inténtalo de nuevo. ¿Qué vas a hacer con el tiempo que tus agentes te van a ahorrar? Cuéntamelo en los comentarios.
