Implementar un agente de inteligencia artificial puede parecer sencillo.
Elegimos un modelo, definimos algunas instrucciones, lo conectamos con WhatsApp, HubSpot, nuestro sitio web o alguna otra plataforma y esperamos que empiece a responder clientes, calificar oportunidades o ayudar a nuestro equipo.
Pero en la práctica aparece un problema mucho antes de hablar de IA:
¿La empresa tiene organizada la información que el agente necesita para trabajar?
Un agente puede tener excelentes capacidades de razonamiento, pero si trabaja con información incompleta, duplicada, desactualizada o repartida entre diferentes plataformas, sus resultados también estarán limitados.
Por eso, antes de implementar un agente de IA dentro de una empresa, tenemos que preparar algo mucho menos llamativo, pero mucho más importante:
los datos y el contexto con los que va a trabajar.
La respuesta depende de la tarea.
Un agente de ventas no necesita la misma información que un agente de servicio al cliente.
Por ejemplo, si queremos que un agente ayude al equipo comercial a determinar qué oportunidades deberían priorizarse, probablemente necesite conocer:
Ahora pensemos en un agente de servicio al cliente.
Probablemente necesite información diferente:
El primer error que podemos cometer es darle acceso al agente a toda nuestra información sin preguntarnos primero:
¿Qué necesita saber para realizar correctamente esta tarea?
Más datos no significan necesariamente mejores respuestas.
Lo importante es tener los datos correctos.
Antes de integrar sistemas, tenemos que hacer un inventario.
En muchas empresas podemos encontrar información distribuida entre:
No necesitamos migrar inmediatamente todo hacia una única plataforma.
Primero necesitamos identificar qué fuente contiene cada tipo de información.
Por ejemplo:
| Información | Fuente |
|---|---|
| Datos del cliente | CRM |
| Negociaciones abiertas | CRM |
| Facturación | ERP |
| Conversaciones recientes | |
| Contratos | Google Drive |
| Tickets | Plataforma de servicio |
| Inventario | ERP |
| Formularios web | HubSpot |
| Correos comerciales |
Este ejercicio nos permite empezar a construir un mapa de información de la empresa.
Cuando diferentes plataformas contienen la misma información aparece otro problema:
¿cuál tiene la razón?
Supongamos que un cliente aparece con un teléfono diferente en:
El agente necesita saber qué fuente debe utilizar.
Por eso es importante establecer lo que muchas veces se conoce como una fuente de verdad para cada dato.
Por ejemplo:
Esto evita que el agente tenga que interpretar información contradictoria.
Este suele ser uno de los trabajos menos atractivos de una implementación de inteligencia artificial.
Pero también uno de los más importantes.
Imaginemos una propiedad llamada Ciudad. Dentro de nuestra base encontramos:
Una persona puede entender fácilmente que probablemente hablamos de la misma ciudad.
Pero cuando queremos analizar miles de registros, crear reglas, automatizaciones o agentes, esa inconsistencia empieza a convertirse en ruido.
Lo mismo ocurre con:
Antes de utilizar esos datos para IA deberíamos establecer reglas claras de normalización.
Por ejemplo:
Un agente puede procesar una enorme cantidad de datos.
Eso no significa que pueda corregir automáticamente todos los problemas de nuestra arquitectura de información.
Una empresa no necesita mover toda su información a una única plataforma para utilizar inteligencia artificial.
Lo que necesita es poder consultarla cuando sea necesaria.
Podríamos tener una arquitectura donde:
HubSpot administra contactos, empresas, oportunidades y actividades comerciales.
El ERP contiene facturas, compras e inventario.
WhatsApp contiene conversaciones recientes.
Google Drive almacena documentación.
El agente de IA consulta esas fuentes dependiendo de la pregunta que necesita resolver.
Por ejemplo, un cliente pregunta:
¿Cuándo llega mi pedido?
El agente podría:
Aquí la IA no está simplemente respondiendo una conversación. Está utilizando diferentes sistemas para ejecutar un proceso.
Tener información disponible tampoco es suficiente.
Tenemos que entender cómo se relaciona.
Un registro llamado Juan Pérez puede contener:
Eso son datos.
Pero cuando sabemos que Juan:
Ahora tenemos algo mucho más útil.
Tenemos contexto.
Para un agente de IA, las relaciones entre la información pueden ser incluso más importantes que la cantidad de información disponible.
El agente debería poder entender relaciones como:
Contacto → Empresa
Empresa → Negocio
Negocio → Cotización
Empresa → Facturas
Contacto → Conversaciones
Negocio → Actividades
Cliente → Tickets
Cuando estas relaciones existen podemos empezar a construir agentes mucho más útiles.
El agente también necesita entender cómo funciona la empresa. Supongamos que queremos implementar un agente para calificar oportunidades comerciales.
Podríamos darle acceso a todos los contactos y negocios del CRM. Pero todavía necesitamos explicarle:
¿Qué significa para nuestra empresa una buena oportunidad?
Quizás depende de:
Estas reglas forman parte del contexto operativo. La IA puede ayudarnos a interpretar información. Pero necesitamos explicarle cómo funciona nuestro negocio.
También debemos definir claramente hasta dónde puede llegar. Un agente puede tener diferentes niveles de autonomía.
Por ejemplo:
Nivel 1: consultar
Puede buscar información y responder preguntas.
Nivel 2: recomendar
Puede analizar información y sugerir una acción.
Nivel 3: ejecutar con aprobación
Puede preparar una acción, pero necesita que una persona la autorice.
Nivel 4: ejecutar automáticamente
Puede realizar determinadas acciones sin intervención humana.
Por ejemplo, un agente comercial podría empezar únicamente recomendando:
Esta oportunidad lleva siete días sin seguimiento y el prospecto abrió la última cotización. Te recomiendo contactarlo hoy.
Más adelante podría incluso crear automáticamente la tarea para el asesor. La autonomía debería aumentar a medida que tengamos más confianza en nuestros datos, procesos e integraciones.
Podemos resumir todo el proceso de esta manera:
Fuentes de información → Normalización → Integración → Relaciones → Contexto → IA
Identificamos dónde viven los datos.
Corregimos inconsistencias y establecemos reglas.
Permitimos que diferentes sistemas intercambien información.
Conectamos contactos, empresas, oportunidades, compras, conversaciones y demás objetos.
Interpretamos qué significan esos datos dentro de nuestros procesos.
Finalmente utilizamos ese contexto para consultar información, recomendar acciones o ejecutar procesos.
Este orden es importante.
Si comenzamos directamente por el último punto, probablemente terminemos construyendo un agente que funciona técnicamente, pero aporta muy poco al negocio.
Supongamos que una empresa utiliza HubSpot como CRM y quiere implementar un agente de ventas.
Antes de construirlo podríamos revisar:
Una vez organizada esta información, un agente puede empezar a utilizar HubSpot como una verdadera fuente de contexto.
No. Esperar una base de datos perfecta probablemente haría que nunca empezáramos.
Lo importante es identificar qué información necesita el primer caso de uso que queremos implementar.
Si queremos construir un agente para responder preguntas sobre pedidos, posiblemente no necesitemos solucionar toda nuestra base comercial.
Necesitamos solucionar la información relacionada con:
Después podemos ampliar progresivamente el alcance.
La mejor estrategia normalmente no es intentar construir un agente que conozca toda la empresa desde el primer día.
Es comenzar con un proceso específico, construir correctamente su contexto y después ampliar sus capacidades.
Los modelos de IA serán cada vez más accesibles.
Diferentes empresas podrán utilizar tecnologías similares.
La diferencia estará en lo que cada empresa pueda enseñarle a esos sistemas sobre su propia operación.
Dos empresas pueden utilizar el mismo modelo de inteligencia artificial.
Una puede obtener respuestas genéricas.
La otra puede tener un agente que conoce:
El modelo puede ser el mismo.
El contexto no.
Y ahí probablemente estará una parte importante de la ventaja competitiva de las empresas que mejor implementen inteligencia artificial.
Depende del proceso que vaya a ejecutar. Un agente comercial puede necesitar contactos, empresas, negocios y actividades, mientras que un agente de servicio puede necesitar pedidos, tickets, productos y documentación.
No necesariamente. Los datos pueden permanecer en diferentes plataformas siempre que exista una arquitectura que permita consultarlos, relacionarlos y determinar cuál es la fuente confiable de cada información.
Sí. Un agente puede utilizar información almacenada en HubSpot como contactos, empresas, negocios, tickets y actividades y combinarla con información proveniente de otros sistemas.
El agente puede terminar utilizando información incorrecta, incompleta o contradictoria. Por eso la normalización y definición de procesos debería formar parte de cualquier proyecto de implementación de IA.
Por un caso de uso específico. Primero identifica qué decisión o proceso quieres mejorar, después determina qué información necesita ese proceso y finalmente conecta las fuentes necesarias.
La pregunta inicial no debería ser:
¿Qué agente de IA podemos implementar?
Debería ser:
¿Qué información necesitaría una persona para ejecutar correctamente este proceso y dónde se encuentra hoy?
Responder esa pregunta nos permite saber qué datos organizar, qué sistemas integrar y qué relaciones construir.
Después sí podemos introducir inteligencia artificial.
Porque un buen agente no es simplemente un modelo conectado a muchas herramientas.
Es un sistema capaz de utilizar el contexto real de la empresa para tomar mejores decisiones y ejecutar mejores procesos.