GuíasIA y agentes
Agentes de IA: conectarlos a datos reales
Qué es de verdad un agente
Un modelo de lenguaje por sí solo escribe texto. Un agente es un modelo al que se le han dado tres cosas:
- Un modeloEscribe texto.
- +
- HerramientasLeer una base de datos, consultar una API, escribir en un sistema.
- +
- ContextoLos datos del negocio, al día, buscados al responder.
- +
- Una misión acotadaLo que hace, lo que no hace, cuándo para.
- =
- Un agenteUn compañero que hace una parte del trabajo.
Y alrededor, salvaguardas
- Un verificadorRevisa un agente, luego una persona.
- Reglas en el códigoNo en una instrucción.
- Un presupuesto con topeUn bucle desbocado se detiene solo.
- Pruebas con casos realesRepetidas en cada cambio.
Sin herramientas y sin datos, tenemos un redactor. Con ellas, tenemos un compañero que hace una parte del trabajo.
Partir de los datos, no del modelo
La calidad de un agente se decide antes del modelo, en lo que se le da a leer. En Votons hubo que construir primero la ingesta: una veintena de fuentes públicas recogidas automáticamente, encuestas y prensa cada 15 minutos, y una vigilancia que relee cada página de programa todas las semanas y avisa del menor cambio.
El asistente que responde a las preguntas sobre los programas se apoya después en el texto exacto. No responde de memoria.
Por eso, antes de escribir un prompt, nos preguntamos:
- ¿Dónde están los datos fiables y quién los actualiza?
- ¿Cómo accede el agente a ellos y con qué permisos?
- ¿Qué debe responder cuando el dato no existe?
Dar herramientas, con permisos estrechos
Una herramienta es una función descrita al modelo: su nombre, lo que hace, sus parámetros. El protocolo MCP (Model Context Protocol) permite exponer esas herramientas a un asistente como Claude de forma estándar.
Es el principio de Comptoir: desde una conversación se modifican precios, stock, fichas y traducciones en varias tiendas Shopify con una sola petición.
Algunas reglas para las herramientas:
- Lectura y escritura separadas. Un agente que analiza no necesita modificar.
- Confirmación antes de lo que no se puede deshacer. Cambiar un precio en cinco tiendas se valida primero.
- Un registro de todo. Cada llamada a una herramienta queda guardada, con sus parámetros y su resultado.
Poner las barreras
Un agente se equivoca, como todo el mundo. El sistema tiene que preverlo.
- Un verificador. En Votons, las cartas del test las preparan agentes, cada una revisada por un agente verificador y después por una persona.
- Reglas en el código. La neutralidad de Votons la aplica el código: posiciones anonimizadas, paridad izquierda-derecha. No se confía a una instrucción.
- Un presupuesto limitado. El agente de Alfred trabaja con un límite de gasto. Un bucle que se desboca se detiene solo.
- Pruebas con casos reales. Un conjunto de preguntas con las respuestas esperadas, repetido en cada cambio de prompt o de modelo.
Los agentes que trabajan solos
No todos los agentes conversan. Los más útiles funcionan sin que se les hable: a una hora fija, o cuando ocurre un evento.
Alfred es un ejemplo. En cada sincronización de las tiendas produce conclusiones (rotura de stock, conversión, publicidad con pérdidas, SEO), un informe de la mañana y un informe del lunes.
Para este tipo de agente definimos:
- el disparador (una hora, un evento);
- lo que puede hacer solo y lo que solo puede proponer;
- dónde informa, y a quién.
Banzai Labs, partner de Claude
Banzai Labs forma parte del Claude Partner Network, el programa que Anthropic lanzó en marzo de 2026 para las empresas que ayudan a otras a adoptar Claude.
El programa nos da acceso a la formación y los métodos de Anthropic, a su certificación técnica y a sus ingenieros cuando un proyecto de cliente lo requiere. Para usted, eso significa agentes construidos según las prácticas que recomienda Anthropic, con acceso directo a sus equipos técnicos en los casos difíciles.
- Formación
- Los materiales de Anthropic Academy y los métodos de venta y despliegue de los propios equipos de Anthropic.
- Certificación
- Claude Certified Architect, el examen técnico para construir aplicaciones en producción con Claude.
- Apoyo técnico
- Ingenieros de Anthropic en los proyectos de clientes en curso, y arquitectos para definir las integraciones complejas.
Por dónde empezar
Elige una tarea que vuelva cada semana, que se apoye en datos que ya tienes y cuyo resultado se compruebe con facilidad. Un informe, una clasificación, una vigilancia. Deja que la haga un agente en modo de solo lectura durante un mes, compara con el trabajo humano y después amplía sus permisos.
Preguntas frecuentes
- ¿Qué diferencia hay entre un chatbot y un agente de IA?
- Un chatbot responde con lo que el modelo sabe. Un agente dispone de herramientas: lee una base de datos, llama a una API, modifica una ficha de producto y después informa de lo que ha hecho.
- ¿Cómo evitar que un agente se invente las respuestas?
- Prohibiéndole responder de memoria. Debe ir a buscar el texto o el dato, responder a partir de lo que ha encontrado y enseñar su fuente. Cuando no encuentra nada, lo dice.
- ¿Cuánto cuesta un agente de IA en funcionamiento?
- Depende del modelo y del volumen de texto tratado en cada petición. Se controla con un límite de gasto, modelos más ligeros para las tareas sencillas y la caché de lo que se repite.
