Muchas empresas están construyendo agentes de inteligencia artificial antes de decidir qué problema empresarial deben resolver. El resultado suele ser interesante, pero irrelevante. Un agente puede leer archivos, ejecutar comandos, consultar sistemas y producir respuestas impecables; aun así, puede no ahorrar tiempo, reducir errores, mejorar decisiones ni proteger ingresos. El verdadero desafío no es aprender a usar Claude Code. Es diseñar una capacidad de trabajo que tenga propósito, límites, responsables, métricas y una conexión con el resultado que la empresa necesita. Cuando esa lógica se invierte, la organización termina financiando experimentos que entusiasman al equipo técnico, pero no cambian la productividad, el servicio ni la rentabilidad. Por eso, antes de preguntar cómo crear un agente, conviene formular una pregunta más exigente: ¿qué trabajo debería dejar de depender de improvisación humana para convertirse en un proceso asistido, medible y confiable? Esa es la conversación empresarial que importa. 👉 LEE NUESTRO BLOG...
La aparición de herramientas como Claude Code está acelerando esa conversación porque ya no estamos hablando únicamente de inteligencia artificial capaz de responder preguntas. Claude Code puede trabajar sobre archivos, analizar proyectos, ejecutar comandos y apoyarse en mecanismos de extensión que permiten incorporar instrucciones, habilidades, subagentes, hooks y conexiones con sistemas externos. Anthropic también ofrece un Agent SDK para desarrollar agentes programáticamente en Python y TypeScript.
Las posibilidades son extraordinarias.
Precisamente por eso debemos tener cuidado.
Cuando una tecnología amplía rápidamente lo que es posible hacer, las organizaciones suelen cometer un error que he observado durante décadas en diferentes ciclos tecnológicos: confundir capacidad técnica con necesidad empresarial.
Que algo pueda automatizarse no significa que deba automatizarse.
Que podamos crear un agente tampoco significa que ese agente vaya a generar valor.
El agente debe comenzar en el problema, no en Claude Code
Imagine una empresa donde seis personas participan diariamente en la preparación de cotizaciones.
Una recibe la solicitud.
Otra consulta precios.
Una tercera verifica disponibilidad.
Alguien revisa condiciones comerciales.
Otra persona prepara el documento.
Finalmente, un responsable autoriza el envío.
La organización podría entusiasmarse con la posibilidad de construir un sofisticado agente de inteligencia artificial capaz de intervenir en todo el proceso.
Pero esa no debería ser la primera decisión.
La pregunta inicial tendría que ser mucho más elemental:
¿Dónde se está perdiendo realmente el tiempo?
Quizás el cuello de botella no esté en elaborar la cotización.
Tal vez esté en buscar información distribuida entre correos electrónicos, hojas de cálculo y sistemas que no conversan entre sí.
Puede que el problema verdadero sea que los precios no estén gobernados correctamente.
O que diferentes comerciales utilicen criterios distintos para conceder descuentos.
O incluso que nadie pueda explicar con precisión quién tiene autoridad para aprobar determinadas condiciones.
En cualquiera de esos casos, incorporar IA sin corregir primero el problema organizacional podría convertir una mala práctica en una mala práctica automatizada.
Y hacerlo más rápido no la vuelve mejor.
Esta distinción es fundamental.
Un agente empresarial no debería diseñarse alrededor de lo que Claude Code puede hacer. Debería diseñarse alrededor de un resultado organizacional que merece mejorar.
Antes de construir el agente, escriba su razón de existir
Existe una prueba sencilla que recomiendo aplicar.
Intente describir el agente sin mencionar inteligencia artificial, Claude, modelos de lenguaje, automatización ni ninguna otra tecnología.
Por ejemplo:
“Necesitamos reducir el tiempo utilizado por los responsables comerciales para verificar información antes de aprobar una propuesta.”
Eso describe un problema.
“Queremos implementar un agente con Claude Code conectado mediante MCP a nuestros sistemas.”
Eso describe una solución tecnológica.
La diferencia parece pequeña, pero cambia completamente el proyecto.
El primer planteamiento permite estudiar alternativas.
El segundo prácticamente obliga a justificar una herramienta que ya fue elegida.
Cuando trabajamos desde TODO EN UNO.NET aplicamos siempre el mismo criterio empresarial: la tecnología debe responder a la funcionalidad que necesita la organización, no obligar a la organización a buscar una utilidad para la tecnología.
Si su empresa está evaluando agentes de IA y todavía no tiene claridad sobre qué proceso debería intervenir primero, una conversación de diagnóstico puede evitar meses de experimentación sin retorno. Puede conocer nuestro enfoque consultivo en:
https://t.mtrbio.com/todo-en-unonet
Un buen agente necesita fronteras
Existe otra idea que merece especial atención.
Muchas empresas relacionan autonomía con inteligencia.
Piensan que cuanto más pueda hacer un agente sin intervención humana, más avanzado será.
Yo prefiero analizarlo exactamente al contrario.
En una organización seria, la madurez de un agente también se mide por aquello que sabe que no debe hacer.
Un agente puede tener acceso a herramientas poderosas y aun así operar dentro de límites estrictamente definidos.
Claude Code permite configurar permisos y utilizar hooks que reaccionan ante determinados momentos del ciclo de ejecución. Sus subagentes personalizados también pueden recibir herramientas y permisos específicos.
Pero la pregunta verdaderamente empresarial no es cómo configurar esas capacidades.
Es quién decide sus fronteras.
¿Puede consultar información financiera?
¿Puede modificar archivos?
¿Puede enviar información fuera de la organización?
¿Puede ejecutar una acción irreversible?
¿Puede aprobar una transacción?
¿Puede trabajar con datos personales?
¿En qué situaciones debe detenerse y escalar la decisión a una persona?
Aquí comienza el gobierno del agente.
Y cuanto mayor sea la consecuencia potencial de una acción, más importante resulta separar claramente recomendación, ejecución y autorización.
Un agente que prepara un informe tiene un perfil de riesgo.
Un agente que modifica un repositorio tiene otro.
Un agente conectado a una base de datos de clientes tiene uno mayor.
Y un agente capaz de ejecutar operaciones económicas necesita controles todavía más rigurosos.
No podemos administrarlos como si fueran equivalentes.
El conocimiento del negocio debe convertirse en instrucciones utilizables
Uno de los descubrimientos más interesantes que traerá esta generación de agentes no será tecnológico.
Será organizacional.
Muchas empresas comenzarán a descubrir cuánto conocimiento crítico existe únicamente en la cabeza de determinadas personas.
“Pregúntele a Carlos.”
“María sabe cómo se hace.”
“Ese cliente tiene una condición especial que conoce comercial.”
“Antes de enviar eso, Juan siempre revisa algo.”
Mientras el trabajo depende de esos acuerdos invisibles, ningún agente puede operar con consistencia.
La IA obliga indirectamente a la empresa a hacer explícito aquello que durante años pudo mantenerse informal.
Claude Code puede trabajar con instrucciones persistentes y mecanismos diseñados para incorporar convenciones del proyecto, procesos repetibles y contexto compartido. Anthropic recomienda precisamente comenzar por instrucciones de proyecto y extender la configuración cuando aparecen necesidades específicas.
Pero escribir instrucciones para un agente no consiste simplemente en redactar un buen prompt.
Implica convertir conocimiento empresarial en reglas comprensibles.
Qué debe revisar.
Qué fuentes son autorizadas.
Qué excepciones existen.
Qué evidencia debe conservar.
Cuándo puede continuar.
Cuándo debe detenerse.
Qué debe entregar.
Quién valida el resultado.
Ahí aparece una consecuencia profundamente estratégica: construir agentes puede convertirse en una extraordinaria oportunidad para documentar y mejorar procesos que nunca estuvieron verdaderamente diseñados.
El agente no necesita acceso a todo
Otro error frecuente consiste en pensar que un agente será más útil cuanto más conectado esté.
No necesariamente.
Con Model Context Protocol, Claude Code puede conectarse con herramientas, bases de datos, APIs y otras fuentes externas. Anthropic describe casos donde esos conectores permiten trabajar con sistemas como gestores de incidencias, herramientas de monitoreo, documentación y aplicaciones empresariales.
La posibilidad técnica existe.
La prudencia empresarial debe decidir cómo utilizarla.
Un agente encargado de revisar documentación quizás no necesite acceso al CRM completo.
Uno que analice incidencias técnicas probablemente no necesite consultar información financiera.
Uno diseñado para clasificar solicitudes puede requerir lectura, pero no capacidad de modificación.
El principio que debería guiarnos es sencillo:
el agente debe recibir el mínimo acceso necesario para cumplir correctamente su responsabilidad.
Esta idea protege información, reduce errores y facilita comprender qué ocurrió cuando necesitamos auditar una decisión.
También evita otro problema: cuanto más amplio sea el contexto disponible, mayor será la dificultad para determinar cuál información era pertinente en cada momento.
Diseñar contexto significa seleccionar, no acumular.
Si el agente no tiene propietario, todavía no tiene arquitectura
Supongamos que el agente ya funciona.
¿Quién responde por él?
El desarrollador podría decir que su responsabilidad termina cuando el software cumple las especificaciones.
Tecnología podría asumir que corresponde al área usuaria.
El área usuaria podría pensar que se trata de una solución de sistemas.
Y la dirección podría creer que, al ser inteligencia artificial, funciona automáticamente.
Ese vacío es peligroso.
Todo agente empresarial necesita un propietario funcional.
Alguien debe responder por el resultado que produce.
También debe existir responsabilidad técnica sobre integraciones, disponibilidad y seguridad.
Y, dependiendo de la información involucrada, podrían participar responsables de cumplimiento, protección de datos o auditoría.
Esta distribución no burocratiza el proyecto.
Lo vuelve gobernable.
En TODO EN UNO.NET entendemos la adopción inteligente precisamente desde esa perspectiva: introducir IA en la empresa implica conectar tecnología, proceso, personas, responsabilidad y medición.
Si está evaluando llevar un agente desde una prueba técnica hasta un proceso real de negocio, puede revisar nuestro enfoque y conversar con nosotros aquí:
https://t.mtrbio.com/todo-en-unonet
El primer agente no debería impresionar: debería demostrar
Cuando una empresa comienza, existe una tentación comprensible de elegir un proyecto ambicioso.
Un agente que atienda clientes.
Otro que analice ventas.
Otro que prepare propuestas.
Otro que coordine operaciones.
Todo integrado.
Todo automático.
Todo desde el primer proyecto.
Yo recomiendo exactamente lo contrario.
El primer agente debería resolver un problema suficientemente pequeño para comprenderlo y suficientemente importante para medirlo.
Piense en actividades como estas:
revisión previa de entregables;
clasificación inicial de solicitudes;
detección de información faltante;
preparación de borradores internos;
verificación de cumplimiento contra criterios establecidos;
consolidación de información dispersa;
análisis inicial de incidencias;
preparación de información para una decisión humana.
Son tareas donde podemos observar claramente qué hacía una persona antes, cuánto tardaba, qué errores se producían y qué cambia después.
Ese punto de comparación es indispensable.
Porque cuando alguien afirma que un agente “funciona muy bien”, mi siguiente pregunta es:
¿comparado con qué?
La métrica correcta no es cuántas tareas ejecutó
Un agente puede procesar mil solicitudes y no generar ninguna mejora relevante.
Por eso necesitamos distinguir actividad de resultado.
Las métricas deben estar vinculadas al problema original.
Si queríamos reducir tiempos, midamos tiempo.
Si buscábamos disminuir errores, midamos errores.
Si pretendíamos aumentar capacidad operativa, comparemos volumen procesado por persona.
Si el problema era consistencia, midamos excepciones y retrabajos.
Si queríamos mejorar el servicio, evaluemos tiempos de respuesta y calidad del resultado.
También debemos incorporar el costo.
Un agente consume recursos tecnológicos, requiere configuración, supervisión, mantenimiento y eventualmente cambios cuando evolucionan los procesos o sistemas conectados.
El objetivo no debería ser demostrar que la IA trabaja.
El objetivo debería ser demostrar que la organización trabaja mejor gracias a ella.
Esa diferencia parece semántica.
En realidad, representa toda una filosofía de inversión tecnológica.
Claude Code es una herramienta poderosa; la arquitectura sigue siendo empresarial
Claude Code ofrece hoy capacidades que hace pocos años habrían requerido desarrollos mucho más complejos: puede trabajar sobre código y archivos, ejecutar herramientas, utilizar instrucciones persistentes, incorporar habilidades, crear subagentes, conectarse mediante MCP y extenderse programáticamente mediante su Agent SDK.
Sin embargo, ninguna de esas capacidades responde automáticamente preguntas como:
¿Qué proceso merece intervenirse?
¿Qué riesgo es aceptable?
¿Qué información debe quedar fuera?
¿Qué decisiones deben mantenerse bajo responsabilidad humana?
¿Qué resultado justificará continuar invirtiendo?
¿Cómo cambia el trabajo de las personas afectadas?
¿Quién revisará el comportamiento del agente dentro de seis meses?
Esas preguntas pertenecen a la arquitectura empresarial.
Por eso considero que el futuro de los agentes no dependerá solamente de mejores modelos.
Dependerá de mejores organizaciones.
Empresas capaces de documentar procesos.
Definir responsabilidades.
Gobernar información.
Establecer criterios.
Medir resultados.
Aprender rápidamente.
Y modificar el sistema cuando las evidencias demuestren que algo debe cambiar.
La verdadera automatización comienza cuando podemos explicar el trabajo
Existe una prueba final que puede aplicar antes de desarrollar cualquier agente.
Reúna al responsable del proceso y pídale que explique, con precisión, cómo sabe que una tarea quedó bien terminada.
No cómo la realiza.
Cómo sabe que está bien.
La respuesta revela los verdaderos criterios del proceso.
Si nadie puede explicarlos, todavía estamos frente a una práctica humana difícil de gobernar.
Si los criterios son contradictorios entre departamentos, tenemos primero un problema de alineación.
Si dependen continuamente de excepciones no documentadas, necesitamos ordenar el proceso.
Y si pueden expresarse con claridad, verificarse mediante evidencia y convertirse en reglas operativas, entonces probablemente tenemos un excelente candidato para incorporar asistencia inteligente.
Eso es mucho más importante que elegir la herramienta.
Porque un agente no debería heredar automáticamente el desorden de la organización.
Debería obligarnos a cuestionarlo.
La IA funcional no sustituye criterio; lo hace escalable
Durante muchos años vimos empresas comprar tecnología esperando que el software corrigiera problemas administrativos.
Después llegaron plataformas en la nube, automatización, analítica, transformación digital y ahora inteligencia artificial.
La lección continúa siendo la misma.
La tecnología amplifica la arquitectura que encuentra.
Cuando encuentra procesos claros, información confiable, responsabilidades definidas y objetivos medibles, puede multiplicar capacidad.
Cuando encuentra improvisación, duplicidad, datos deficientes y ausencia de gobierno, puede multiplicar exactamente lo contrario.
Por eso un agente verdaderamente valioso no es el que realiza más acciones.
Es aquel cuya contribución podemos explicar en términos empresariales.
Sabemos por qué existe.
Qué problema resuelve.
Qué puede hacer.
Qué no puede hacer.
Qué información utiliza.
Quién responde por él.
Cómo evaluamos su desempeño.
Y qué decisión tomaremos si deja de aportar valor.
Cuando una empresa logra responder esas preguntas, Claude Code deja de ser simplemente una herramienta interesante.
Se convierte en una pieza dentro de una capacidad organizacional diseñada con propósito.
Y ahí comienza la diferencia entre experimentar con inteligencia artificial y construir una empresa preparada para trabajar inteligentemente con ella.
Si su organización está considerando agentes de IA, automatización o nuevos modelos de trabajo y quiere identificar dónde existe valor real antes de invertir en tecnología, podemos ayudarle a estructurar ese análisis desde la funcionalidad empresarial:
https://t.mtrbio.com/todo-en-unonet
La pregunta definitiva, entonces, no es “¿cómo construimos nuestro primer agente?”.
Es otra mucho más valiosa:
¿qué parte de nuestra organización merece ser rediseñada para que personas e inteligencia artificial puedan producir un mejor resultado juntas?
Responderla con criterio puede evitar inversiones innecesarias y, al mismo tiempo, descubrir oportunidades que una simple demostración tecnológica nunca mostraría.
Porque la innovación empresarial no consiste en adoptar primero.
Consiste en comprender mejor, decidir mejor y utilizar la tecnología únicamente cuando sea capaz de mejorar de manera comprobable la forma en que la empresa funciona.