Agentes de IA: por qué dar tareas pequeñas funciona

Le pediste a la IA que "organizara el proceso de presupuestos de la empresa" y recibiste de vuelta un monstruo de doce etapas que nadie entiende. Después lo probaste, falló en tres lugares distintos, y ahora no sabes qué parte arreglar. Ese es el problema más común con los agentes de IA hoy, y casi nunca es culpa del modelo. Es culpa del tamaño del pedido.

Lo veo cada semana en proyectos de clientes. La persona no está usando la herramienta equivocada. Está entregando un pedido demasiado grande para que alguien lo acierte a la primera, humano o máquina.

Por qué los agentes de IA fallan en tareas grandes

Piensa en un empleado nuevo en su primer día. Le dices: "encárgate de las finanzas". Va a hacer algo. Probablemente mal. No porque sea tonto, sino porque "encárgate de las finanzas" no es una instrucción, es un deseo.

Los agentes de IA funcionan igual, con un agravante: nunca dicen "no entendí". Siempre entregan. Con confianza. Incluso cuando están inventando.

Y está la parte matemática, que es la que nadie cuenta. Si cada paso de una tarea tiene un 95% de probabilidad de salir bien, y la tarea tiene 10 pasos, la probabilidad de que todo salga bien es 0,95 elevado a 10. Da 60%. Con 20 pasos, baja al 36%.

O sea: una IA que acierta casi siempre en cada paso individual falla la mayoría de las veces cuando encadenas demasiados pasos. No es el modelo empeorando. Es la cuenta.

Un agente de IA no falla por ser tonto. Falla por recibir un pedido demasiado grande para que alguien lo acierte a la primera.

Qué cambia cuando partes el trabajo en pedazos

Voy a dar un caso concreto, de un cliente que hace mantenimiento de edificios.

El pedido original era: "arma un agente que reciba el ticket del cliente por WhatsApp y lo resuelva". Dentro de "lo resuelva" había: entender el problema, clasificar la urgencia, revisar si el cliente tiene contrato activo, ver qué técnico está libre, agendar, avisar al cliente y registrar en el sistema.

Siete cosas. La primera versión funcionaba en un 40% de los tickets. En el otro 60%, agendaba al técnico equivocado, o agendaba para un cliente moroso, o simplemente no respondía.

Lo partimos en tres etapas separadas, cada una con entrada y salida definidas:

• Etapa 1: leer el mensaje y devolver un resumen estructurado (tipo de problema, dirección, urgencia de 1 a 3). Solo eso.
• Etapa 2: con ese resumen listo, consultar contrato y disponibilidad. Devuelve una lista de horarios posibles, o un motivo por el cual no se puede.
• Etapa 3: confirmar con el cliente y registrar.

Cada etapa se vuelve un pedido pequeño, con una respuesta que se puede verificar. Si la etapa 1 clasifica mal la urgencia, lo ves al momento, en el resumen, antes de que se movilice a ningún técnico.

Tasa de acierto después del cambio: 89% de los tickets fluyendo sin intervención. El 11% restante se detiene en la etapa que falló, con el error visible, y alguien lo resuelve en dos minutos.

La ganancia no fue un modelo mejor. Fue el mismo modelo recibiendo pedidos que sí puede cumplir.

Cómo saber si tu tarea es demasiado grande

Hay una prueba simple. Escribe lo que quieres que haga el agente. Después cuenta cuántas decisiones necesita tomar.

Si son más de dos o tres, es grande. Pártela.

Otra prueba, todavía más directa: ¿puedes mirar la salida y decir en cinco segundos si está correcta o incorrecta? Si la respuesta es "necesito investigar", el pedazo es grande. Una buena salida se verifica de inmediato.

Señales de que te pasaste:

• La instrucción tiene "y después" más de dos veces.
• No consigues describir el resultado esperado en una frase.
• Cuando falla, no sabes dónde empezó a fallar.
• Ya reescribiste el pedido cuatro veces y cada versión se rompe en un lugar nuevo.

Esa última es la más traicionera. Te quedas ajustando el texto del pedido creyendo que es cuestión de palabras. No lo es. Es estructura.

Paso a paso para montar esto en tu negocio

No necesitas una herramienta nueva. Necesitas método. Hazlo así:

1. Escribe el proceso como ocurre hoy, con personas. Sin pensar en IA. Solo el paso a paso real. Quién hace qué, en qué orden, con qué información en la mano.

2. Marca dónde alguien tiene que decidir. Cada decisión es una frontera natural. Ahí es donde cortas.

3. Define qué entra y qué sale de cada pedazo. Esto es lo más importante y lo que más gente se salta. "Entra: mensaje del cliente. Sale: JSON con tipo, dirección y urgencia." Concreto. Verificable.

4. Automatiza un solo pedazo. El más aburrido y repetitivo, de preferencia. Déjalo correr dos semanas con alguien mirando.

5. Solo después conectas el siguiente. Y así sucesivamente.

Ese quinto paso es donde casi todo el mundo se atropella. La tentación de conectar todo de una vez es enorme, sobre todo después de que el primer pedazo funciona bonito. Aguanta. El costo de descubrir un error en la etapa 4 cuando las etapas 1 a 3 ya corrieron es mucho mayor que la paciencia de esperar dos semanas.

"¿Pero así no pierdo la magia de la IA?"

Esa objeción aparece siempre, y tiene sentido. La promesa que venden por ahí es justo la contraria: dices lo que quieres y la IA lo resuelve todo sola.

Solo que en la práctica no quieres magia. Quieres previsibilidad. La magia es genial en el video de demostración y pésima el martes por la mañana cuando el cliente llama preguntando por qué el técnico no apareció.

Lo que pierdes al partir en pedazos: la sensación de tener un robot mayordomo.

Lo que ganas: saber exactamente dónde se detuvo cuando se detenga, poder cambiar una etapa sin tocar las otras, y conseguir explicarle a tu equipo cómo funciona la cosa.

También hay una ventaja práctica de costo. Las tareas pequeñas usan menos procesamiento por llamada y permiten usar modelos más baratos donde no hace falta inteligencia de sobra. Clasificar la urgencia de un ticket no exige el modelo más caro del mercado. Escribir la propuesta comercial tal vez sí. Cuando todo es un bloque único, pagas el precio de la parte más difícil en todas las partes.

La parte que a nadie le gusta escuchar

Partir el trabajo en pedazos da más trabajo al principio. Es más tiempo mapeando el proceso, es más conversación sobre qué devuelve exactamente cada etapa, es menos "mira qué genial" en la primera semana.

A cambio, el negocio deja de depender de la suerte.

Prefiero entregar un agente que hace tres cosas bien y se detiene de forma clara en la cuarta, que uno que promete siete y acierta cuatro sin avisar cuáles. El segundo impresiona más en la reunión. El primero es el que sigue funcionando seis meses después.

Y eso es lo que separa la automatización del teatro de automatización: la segunda funciona en la demo, la primera funciona cuando no estás mirando.

Si tienes un proceso repetitivo que ya te cansaste de hacer a mano y quieres evaluar por dónde empezar a partirlo en pedazos, cuéntame qué haces hoy. Suelo dar una opinión honesta sobre qué vale la pena automatizar y qué no.

Le pediste a la IA que "organizara todo el proceso" y recibiste de vuelta un monstruo de doce etapas que se rompe en tres lugares distintos.

El problema casi nunca es el modelo. Es el tamaño del pedido.

Si cada paso acierta el 95% de las veces y la tarea tiene 10 pasos, la probabilidad de que todo salga bien es del 60%. Con 20 pasos, baja al 36%. No es la IA empeorando, es la cuenta.

En un cliente de mantenimiento de edificios, partimos un agente de 7 etapas en 3 pedazos pequeños, cada uno con entrada y salida verificables. La tasa de acierto pasó del 40% al 89%. Mismo modelo, pedido más pequeño.

Prueba rápida: si no puedes mirar la salida y decir en 5 segundos si está correcta, el pedazo es demasiado grande.

¿Tienes un proceso repetitivo que ya te cansaste de hacer a mano? Cuéntame cuál es y te doy mi opinión honesta sobre qué vale la pena automatizar.

#InteligenciaArtificial #Automatizacion #AgentesDeIA #Productividad #Tecnologia