Resumen generado por IA
Gam Dias, cofundor de Trusted Agents, explica que la diferencia clave entre responder preguntas y ejecutar tareas es que los agentes conectados a herramientas pueden actuar en nombre de las personas dentro de permisos definidos. Para que funcionen bien deben distinguir preferencias de requisitos, pedir aclaraciones cuando haga falta y tener límites claros sobre qué pueden leer, modificar o pagar. En la empresa conviene elegir tareas cuyo recorrido cambie según lo que encuentran (p. ej., preparar la respuesta a una incidencia) y no sustituir con agentes procesos rígidos que una automatización clásica resuelve mejor. Un primer piloto acotado facilita evaluar resultados, acordar excepciones y decidir cuándo intervenir humanos.
Dias describe un caso práctico: tres agentes que analizan correos y llamadas para mantener el CRM actualizado, reduciendo la entrada manual y dejando al equipo tiempo para interactuar con clientes. Técnicamente, los agentes se conectan por API y protocolos emergentes (MCP, WebMCP, UCP, TAP, Poppy, AP2) que permiten buscar, negociar, autorizar y pagar. Es crucial limitar permisos (evitar “agencia excesiva”), registrar decisiones y reservar aprobaciones para impactos altos. Medir costes totales, precisión, trazabilidad y tiempo humano de supervisión determina si el piloto compensa. Bien diseñado, el agente libera tiempo para tareas humanas de alto valor —empatía y criterio— y así justifica su expansión.
De un CRM que identifica compromisos pendientes a los primeros pagos iniciados por agentes: Gam Dias, cofundador de Trusted Agents, explica cómo delegar tareas con contexto, permisos y supervisión. Analizamos qué medir antes de extender su uso en la empresa.
Gam Dias, cofundador de Trusted Agents, explica qué cambia cuando la IA actúa por nosotros y cómo aprovecharla en la empresa sin perder el control.
Buscar un restaurante, comprobar si tiene mesa y reservar para dos. Después, enviar la dirección a la persona con la que vamos a comer. Son gestiones sencillas, pero completar el encargo exige consultar información y actuar en varios servicios.
Gam Dias, cofundador de Trusted Agents, utiliza este ejemplo para explicar el salto de responder preguntas a ejecutar tareas: un agente conectado a las herramientas necesarias puede buscar restaurantes, comparar opciones y realizar la reserva dentro de los permisos que le hayamos dado. Dias asesora a empresas sobre cómo adaptar sus negocios a una IA capaz de actuar en nombre de sus clientes. Ha dirigido proyectos de transformación de datos para Oracle, Walmart Labs y Aviva, es profesor adjunto en IE Business School y autor de Agents Unleashed.
Nuestra guía sobre inteligencia artificial agéntica explica cómo funciona esta tecnología. Aquí abordamos su aplicación al trabajo diario: qué tareas delegar, cómo fijar los límites y cómo saber si el resultado compensa.
El contexto permite adaptar el plan
En el ejemplo de Dias, el encargo incluye encontrar un restaurante para comer en la próxima media hora, reservar una mesa para dos junto a la ventana y enviar la confirmación a nuestra pareja. Si los primeros locales están completos, el agente necesita buscar alternativas. Y para aceptar la reserva, el restaurante necesita saber que el agente actúa en nombre de una persona real.
Pero ampliar la búsqueda exige saber qué puede cambiar. Quizá los comensales acepten caminar unos minutos más o prefieran una mesa interior antes que retrasar la comida. Una necesidad de accesibilidad o una restricción alimentaria puede dejar mucho menos margen.
El agente necesita distinguir las preferencias de los requisitos que tiene que respetar. Si desconoce esa diferencia, preguntar es más útil que improvisar. Y si el restaurante exige un depósito, el permiso para reservar tendrá que aclarar también si puede pagarlo y hasta qué importe.
Trusted Agents trabaja sobre esta relación entre identidad y confianza, delegación y contexto. En una empresa, se traduce en preguntas concretas: a quién representa el agente, qué le han autorizado a hacer y qué información necesita para resolver el encargo.
Elegir una tarea que justifique un agente
Un agente resulta útil cuando el recorrido cambia según lo que encuentra. Resolver una incidencia puede exigir consultar el expediente, comprobar una operación, buscar documentos y decidir qué información falta antes de preparar una respuesta.
En cambio, copiar cada día los datos de una hoja de cálculo a otra aplicación puede resolverse con una automatización convencional. Cuando las reglas y los pasos son estables, un flujo fijo suele ser más sencillo de comprobar y mantener.
Un primer piloto es más fácil de evaluar cuando se centra en una tarea concreta. “Reunir la información de una incidencia y preparar una respuesta para su revisión” permite valorar el resultado mucho mejor que “gestionar la atención al cliente”. Además, esa tarea puede integrarse en un proceso existente para apoyar el trabajo de una persona del equipo de soporte.
También permite acordar las excepciones. Si faltan documentos, el agente puede solicitarlos; si encuentra una reclamación o una contradicción contractual, puede trasladar el caso a una persona. El equipo sabe así qué trabajo espera del sistema y cuándo tendrá que intervenir.
Un CRM que aprovecha la información que ya existe
Dias ha aplicado este enfoque a un problema habitual de los equipos comerciales: mantener actualizado el CRM, el sistema donde se registran los contactos y las oportunidades de venta. Introducir datos y comprobar el estado de cada cuenta consume tiempo que también podría dedicarse a hablar con clientes.
Según explica en su relato sobre el desarrollo de la herramienta, ha creado un sistema con tres agentes que analiza correos, transcripciones de llamadas y otras comunicaciones del equipo. A partir de esa información, identifica compromisos adquiridos, tareas completadas y asuntos pendientes.
El resultado es una lista breve de llamadas y decisiones que merecen atención. Para Trusted Agents, el beneficio está en reducir la introducción manual de datos y las consultas para averiguar qué ha ocurrido con cada cliente. Así, el equipo puede dedicar menos tiempo a registrar lo ocurrido y más a atender a sus clientes.
Este ejemplo ofrece una buena pregunta para cualquier piloto: ¿podemos obtener la información del trabajo que ya se realiza y evitar que el equipo tenga que registrarla de nuevo?
Dar acceso a las herramientas sin abrir todas las puertas
Para consultar un expediente o actualizar un CRM, el agente necesita conectarse con los sistemas de la empresa. Puede hacerlo mediante interfaces de programación, conocidas como API. El Model Context Protocol, o MCP, ofrece una forma común de conectar aplicaciones de IA con herramientas y fuentes de datos.
La conexión técnica y los permisos se definen por separado. Un agente que prepara respuestas puede necesitar leer expedientes y guardar borradores. El envío de mensajes, la eliminación de registros o la modificación de una cuenta requieren autorizaciones específicas.
OWASP denomina “agencia excesiva” al riesgo de conceder a estos sistemas funciones, permisos o autonomía que permitan causar daños. Su recomendación es limitar esas capacidades al trabajo previsto y comprobar las autorizaciones en los sistemas que ejecutan las acciones.
Así, aunque el modelo proponga una devolución, la aplicación puede comprobar el importe, el expediente y la autorización antes de tramitarla. Los correos y documentos que consulta también pueden contener instrucciones maliciosas: su contenido debe analizarse sin permitir que cambie los permisos del agente.
Cómo puede un agente completar una compra
Para comprar por nosotros, un agente necesita consultar productos, entender las condiciones del comercio, identificarse y utilizar un medio de pago autorizado. Gam Dias señala que ya existen protocolos y servicios que permiten resolver distintas partes de ese recorrido.
Pensemos en un encargo: comprar unos auriculares de un modelo concreto, por menos de 150 euros y con entrega antes del viernes. Desde la búsqueda hasta el pago, intervienen varias capacidades:
- Consultar productos y utilizar las herramientas del comercio. MCP conecta aplicaciones de IA con datos y herramientas. WebMCP, un estándar propuesto que Chrome prueba en fase experimental, permitiría que una web ofrezca funciones estructuradas a los agentes, como buscar un producto o seleccionar una opción. Así se reduciría la necesidad de interpretar pantallas y pulsar botones diseñados para personas.
- Comunicarse con el agente de la tienda. Mediante A2A, agentes de distintos proveedores pueden intercambiar información y coordinar tareas. Por ejemplo, consultar las opciones de entrega antes de continuar con el pedido.
- Preparar y tramitar la compra. UCP, Universal Commerce Protocol, establece un lenguaje común para operaciones como gestionar la cesta y completar el proceso de compra en los comercios compatibles.
- Acreditar la identidad del agente. El Trusted Agent Protocol de Visa, o TAP, utiliza firmas digitales para ayudar al comercio a reconocer solicitudes legítimas de agentes aprobados y distinguirlas de otros accesos automatizados.
- Acceder a la cuenta del cliente con permisos definidos. Personal Agent Protocol, también llamado Poppy, propone que el usuario autorice al agente a consultar información o realizar cambios en su cuenta. Su especificación sigue en fase de borrador.
- Dejar constancia de lo autorizado. AP2, impulsado por Google, y Verifiable Intent, de Mastercard, ofrecen mecanismos para vincular las instrucciones del cliente con la operación. En nuestro ejemplo, permiten registrar condiciones como el producto elegido y el límite de gasto.
- Pagar con credenciales específicas. Mastercard Agent Pay solo admite pagos de agentes registrados y utiliza tokens de red, que sustituyen los datos de la tarjeta y permiten rastrear cada operación.
Estas soluciones cubren funciones diferentes y su disponibilidad depende de los servicios que las hayan integrado. Para la empresa, el recorrido permite concretar qué necesita controlar: quién actúa, a qué información accede, qué puede comprar y cómo comprobar después que la operación respetó el encargo del cliente.
Un ejemplo de compra iniciada por un agente es el piloto de comercio agéntico que Bankinter y Visa anunciaron en julio de 2026. Bankinter fue una de las cuatro entidades españolas participantes. La operación utilizó datos reales de tarjeta y los sistemas existentes del comercio, manteniendo el consentimiento del titular, la supervisión del banco y las protecciones habituales del pago. Se realizó mediante Visa Intelligent Commerce, que incorpora tokenización, verificación de identidad y seguimiento del fraude en tiempo real.
La supervisión tiene que ayudar a decidir
Una solicitud de aprobación es útil cuando muestra qué acción se propone, en qué información se basa y qué consecuencias tendrá. Si la persona tiene que reconstruir todo el expediente para responder, parte del ahorro desaparece.
El proceso puede reservar la aprobación para los momentos de mayor impacto y permitir que el agente complete otras tareas por su cuenta. Por ejemplo, consultar documentos y preparar una propuesta, con revisión antes de enviar una oferta o asumir un compromiso comercial.
Además, una persona designada tiene que responder del servicio y de las decisiones que toman los agentes autónomos. El responsable necesita consultar los registros de actividad, detener nuevas acciones y gestionar los casos pendientes si aparece un fallo. Los límites de gasto, tiempo e intentos evitan que un error mantenga al agente trabajando indefinidamente.
Un ejemplo cercano es Estrella López, el agente de Ciudadela presentado en el Café con Jaime Llantada. Según explicó el fundador, gestiona llamadas con aseguradoras, consulta datos de siniestros y actualiza el CRM. El caso muestra una tarea conectada con los sistemas de la empresa, cuyo alcance puede describirse y supervisarse.
Medir el trabajo completo y lo que cuesta revisarlo
Para evaluar un piloto, el equipo necesita comparar cómo resolvía la tarea antes y cómo la resuelve con el agente. Una parte importante de esa comparación es el tiempo total, incluido el que dedican las personas a comprobar y corregir el resultado.
Las métricas pueden recoger el porcentaje de tareas completadas correctamente, los errores que llegan al cliente, los casos derivados y el coste por tarea resuelta. Este último incluye el uso del modelo, las herramientas, los intentos fallidos y la revisión humana.
En el CRM descrito por Dias, una evaluación podría medir cuánto tiempo se dedica a actualizar cuentas, cuántos compromisos se pasan por alto y cuántas sugerencias del sistema resultan útiles.
Las pruebas también necesitan casos difíciles: información incompleta, documentos contradictorios, una herramienta que falla o un mensaje que intenta desviar al agente. Después del despliegue, revisar esos errores permite ajustar permisos e instrucciones antes de ampliar el uso.
Medir bien desde el principio importa. Gartner prevé que más del 40 % de los proyectos de IA agéntica se cancelará antes de que acabe 2027 por costes crecientes, valor de negocio poco claro o controles de riesgo insuficientes.
Varios agentes también añaden coste y coordinación
El CRM de Trusted Agents ilustra cómo se puede repartir el trabajo entre agentes. Esa división tiene sentido cuando cada uno aporta una función y sus resultados pueden combinarse sin duplicar esfuerzos.
Más agentes también suponen más consumo, y ese gasto solo compensa si el caso de uso está bien elegido. Anthropic comprobó en su sistema de investigación multiagente que esta arquitectura rinde mejor con tareas que avanzan en paralelo. A cambio, en sus datos internos utilizaba unas quince veces más tokens que una conversación de chat. Si los agentes dependen continuamente unos de otros o comparten la misma información, la coordinación complica el proceso. En estos casos, un único agente o una automatización fija resuelven ese trabajo con menos recursos.
Antes de añadir agentes, conviene medir el piloto con los criterios que propone nuestra guía: precisión, autonomía, coste, trazabilidad e impacto operativo.
Recuperar tiempo para atender a las personas
Dias llama “human umami” a cualidades como la empatía, la compasión y el criterio que aportan las personas a su trabajo. Desde Trusted Agents defiende que automatizar la búsqueda de información y el seguimiento de tareas debería dejar más tiempo para escuchar al cliente y tomar decisiones que exigen responsabilidad profesional.
La OIT, en su análisis de 2025 sobre IA generativa y empleo, considera más probable la transformación de la mayoría de los puestos expuestos que su desaparición. El estudio aborda la IA generativa en general; cómo cambia cada trabajo depende también de las decisiones de la organización.
En el ejemplo del CRM, el tiempo recuperado puede dedicarse a llamar al cliente, entender por qué duda o resolver un compromiso pendiente. Ese es un resultado que la empresa puede observar y medir. Cuando el agente reduce la gestión y permite atender mejor a las personas, el piloto empieza a tener una razón concreta para crecer.