Agentes de IA para pymes en Uruguay: qué son de verdad y qué pueden hacer hoy

“¿Esto no es lo mismo que el chatbot que puse el año pasado y terminé apagando?”

La pregunta aparece en casi toda conversación sobre agentes, y está bien fundada. Entre 2023 y 2025 se instalaron cientos de bots de respuestas automáticas en sitios y WhatsApp de empresas uruguayas; buena parte contestaba bien tres consultas y mal las otras veinte, y terminó dada de baja sin demasiado duelo. Quien pasó por eso tiene derecho a mirar la palabra “agente” con desconfianza.

La respuesta corta es que no, no son lo mismo, y la distinción pesa mucho más de lo que sugiere un cambio de nombre. La respuesta larga es este artículo: qué es un agente en concreto, qué tareas resuelve hoy en una empresa chica o mediana, qué sigue haciendo mal, y por qué el resultado depende bastante menos de cuál contratás que de cómo queda configurado.

Qué es un agente, y por qué el chatbot que probaste no lo era

Un agente de IA es un sistema que usa un modelo de lenguaje como motor de razonamiento para planificar y ejecutar una secuencia de acciones sobre herramientas reales: consultar una base de datos, mandar un correo, cargar un contacto en el CRM, emitir un comprobante, reservar un horario en la agenda. La conversación sigue siendo la puerta de entrada. Lo que cambió es lo que ocurre después de esa puerta.

Hay tres tecnologías que se mezclan todo el tiempo en la misma bolsa, y separarlas aclara bastante:

La prueba de fuego es justamente la excepción. Un cliente escribe pidiendo una cotización de algo que no está en la lista de precios: el bot devuelve una respuesta genérica, la regla no encuentra ninguna coincidencia y se apaga, y el agente busca productos parecidos, arma una cotización aproximada y avisa que necesita confirmación humana. Esa última conducta —consultar en lugar de inventar o abandonar— es la que separa un juguete de una herramienta de trabajo.

Vale aclarar que nada de esto es experimental. Según un relevamiento reciente sobre estado de adopción, el 57% de las organizaciones ya tiene agentes operando dentro de flujos de trabajo reales. Durante 2026 la tecnología pasó de demo de conferencia a software que hace cosas mientras nadie mira.

Qué pueden hacer hoy, con números

Conviene bajar la promesa a tareas concretas. Estas son las cinco que mejor rinden en empresas chicas y medianas, con los rangos que reportan quienes ya las tienen andando:

Un detalle local que cambia todo el análisis: acá esas tareas viven en WhatsApp. La penetración supera el 90% de los usuarios de internet, y para los comercios que venden online entre el 60 y el 80% de las ventas que empiezan en Instagram o en un anuncio terminan cerrándose por ahí. La tasa de apertura de un mensaje ronda el 98%, contra poco más del 20% de un correo. Un agente bien puesto no le pide al cliente que cambie de canal ni que aprenda a usar un portal nuevo: atiende donde tu gente ya está escribiendo.

También hay un patrón bastante nítido en los casos que funcionan, y es menos glamoroso de lo que uno esperaría. Todos comparten alcance angosto, límites explícitos y datos razonablemente ordenados. Los despliegues que fracasan casi siempre intentaron lo contrario: un agente que hiciera “todo”, encima de una operación donde nadie podía explicar cómo se hacía nada.

Qué todavía no pueden hacer

Acá es donde la mayoría del contenido sobre el tema se queda callado, y donde vale la pena hablar.

El dato más sobrio del año es este: solo el 5% de los sistemas de IA generativa de nivel empresarial llega a producción. El otro 95% muere en la etapa de evaluación, cuando alguien mide si de verdad hace lo que prometía. La causa habitual del naufragio tiene poco que ver con la potencia de la tecnología y mucho con proyectos diseñados sin preguntarse qué ocurre cuando el sistema se equivoca.

Y se equivoca. Hay un fenómeno específico que conviene entender antes de darle acceso a nada importante: la alucinación agéntica. Un modelo de chat que alucina inventa una frase, y a lo sumo hace quedar mal a quien la copie. Un agente que alucina inventa una llamada a una herramienta, un parámetro de una API o un dato que no existe, y eso dispara una acción: manda el mail, carga el registro, emite el comprobante. El error deja de ser textual y pasa a ser operativo. Como agravante contraintuitivo, la investigación reciente muestra que los modelos entrenados para razonar con más profundidad tienden a inventar más herramientas, no menos.

La respuesta obvia es poner una persona a supervisar. La respuesta menos obvia es que casi nadie lo hace bien: la mayoría de las organizaciones designa un supervisor sin entrenarlo en qué tiene que aprobar, en qué momento escalar, ni cómo reconocer el punto en que uno deja de leer y empieza a apretar “aceptar” por costumbre. Una supervisión que no está diseñada es una firma en blanco con pasos extra.

Nada de esto debería leerse como un argumento para quedarse afuera. Es, más bien, la razón por la que el trabajo serio con agentes se parece bastante poco a comprar una suscripción y activarla.

Dónde está la diferencia: en la configuración, no en la herramienta

Dos empresas pueden contratar exactamente el mismo agente, sobre el mismo modelo, y obtener resultados opuestos. Lo que las separa son cuatro decisiones que rara vez aparecen en la propuesta comercial:

Fijate que las cuatro interrogan tu operación mucho más que a la inteligencia artificial. Por eso el orden de los factores importa: un circuito que hoy nadie puede describir sin decir “depende” tampoco mejora porque le pongas un agente arriba, de la misma forma en que la tecnología nunca arregló sola un proceso desprolijo. La buena noticia es que vale también al revés. Cuando el recorrido del trabajo está claro, el agente que hace falta resulta más chico, más barato de operar y bastante más confiable. Si querés recorrer esas definiciones con más detalle, las siete preguntas previas a automatizar cubren el terreno.

Sobre presupuesto conviene decir apenas esto: un agente acotado a una tarea concreta pide una inversión inicial y un costo mensual de operación, y el segundo suele pesar más de lo que la gente calcula al principio. El detalle de cómo mirar esa cuenta está en cuánto cuesta integrar IA en una empresa.

Por qué acá, y por qué ahora

Uruguay entra a esta etapa mejor parado de lo que suele reconocerse. En el Índice Latinoamericano de Inteligencia Artificial 2025 aparece tercero de la región con 62,3 puntos, dentro del grupo de países “pioneros” junto a Chile y Brasil, con buen puntaje en infraestructura digital, talento y gobernanza. En difusión de IA generativa lidera Sudamérica, con un 22,5%. Y a eso se suma la particularidad comercial que ya mencionamos: un país donde el canal de venta y de atención es una aplicación de mensajería que casi todos tienen abierta.

Es también el momento en que la industria confirmó hacia dónde va la interfaz. Los dos proyectos de software libre más votados del año son agentes personales que viven adentro de WhatsApp y Telegram: OpenClaw, que superó las 310.000 estrellas en GitHub, y Hermes, de Nous Research, que juntó 175.000 en cuatro meses y recuerda lo que aprendió entre una conversación y la siguiente. Microsoft, por su lado, integró la tecnología de Claude Cowork adentro de Copilot y lanzó un producto entero dedicado a gobernar agentes dentro de una empresa. Traducido a tu operación, todo eso significa una sola cosa: el modo de darle trabajo a un sistema va a ser pedírselo con palabras, y eso ya no está a cinco años de distancia.

Los rubros donde se proyecta más crecimiento local coinciden bastante con los que ya trabajamos: agro, salud, logística, servicios profesionales, inmobiliario y comercio. Son sectores con mucha consulta repetida, mucha coordinación y mucho documento dando vueltas. Exactamente el terreno donde un agente acotado rinde.

Cómo lo trabajamos en Lirroy

Nuestra primera conversación no es sobre modelos ni sobre proveedores. Miramos cómo entra el trabajo a tu empresa, quién lo toca, dónde se detiene y qué se rompe cuando alguien se toma licencia. De ahí sale un mapa, y del mapa sale una recomendación que a veces incluye un agente y a veces empieza por ordenar dos pasos del circuito para que el agente que venga después tenga dónde apoyarse.

Cuando llega el momento de configurarlo, tratamos las cuatro preguntas de más arriba como parte del diseño y no como letra chica: qué lee, qué escribe, dónde frena, quién firma. Preferimos un agente que hace tres cosas bien y avisa cuando duda antes que uno que promete quince y falla en silencio. Y lo dejamos medido, porque la única forma de saber si vale la pena es mirar los números después de dos meses, no la demo del primer día.

Qué preguntarle a quien te lo quiera vender

Si terminás sentado frente a un proveedor, hay una pregunta que ordena la conversación entera:

¿Qué pasa cuando el agente se equivoca?

Si la respuesta esquiva el tema, habla de la potencia del modelo o asegura que eso no sucede, ya sabés bastante. Si en cambio te cuenta dónde frena el sistema, qué casos escala, quién revisa y cómo se apaga, estás hablando con alguien que puso uno en producción de verdad. El resto son detalles de implementación.