Cuando un fundador de empresa mediana abre una pestaña y busca creador de agentes IA, normalmente encuentra dos mundos paralelos. Uno habla de Lindy y Voiceflow como si fueran la solución. El otro habla de LangChain y CrewAI como si fueran obligatorios. Las dos respuestas son superficiales. La pregunta real no es qué herramienta usar, es qué tipo de agente necesita tu operación y qué arquitectura sostiene a ese agente cuando crece de un caso de uso a quince. Este artículo ordena el panorama desde el ángulo que pocos cubren: la decisión técnica vista desde la mesa del CEO.
Qué entendemos por agente de IA y por qué la herramienta es secundaria#
Un agente de IA es un sistema que recibe un objetivo, decide qué acciones ejecutar y usa herramientas externas para cumplirlo. Eso es todo. La parte interesante no es el modelo lingüístico, es la capa que convierte una conversación en una acción dentro del CRM, el correo, el ERP o la base de datos.
McKinsey lo cuantificó en su State of AI 2025: solo el 23% de las organizaciones está escalando agentes de IA en alguna función, y otro 39% está en fase experimental. La cifra que importa viene después: ninguna función tiene más del 10% de empresas operando agentes a escala, según el State of AI 2025 de McKinsey. Significa que casi todo el mercado sigue probando, no produciendo. Las herramientas no son el cuello de botella. La arquitectura sí.
Para entender qué categorías existen y cuál encaja mejor en cada función de negocio, el artículo sobre tipos de agentes de IA clasifica las distintas arquitecturas con criterio operativo.
Si quieres saber cómo DelegIA instala esta infraestructura completa en una empresa mediana, agenda un diagnóstico.
Para quienes quieren una visión general antes de profundizar en herramientas, el artículo sobre agentes de inteligencia artificial para empresas cubre la taxonomía completa con criterio de implementación.
Plataformas no-code: para qué sirven y dónde se rompen#
Lindy, Zapier Agents, FlowHunt, Voiceflow y Botpress son las plataformas no-code más nombradas en castellano y en inglés. Funcionan bien en tres escenarios concretos: chatbot de FAQ con base de conocimiento controlada, automatización conversacional sobre canales como WhatsApp o web, y demostración rápida de un caso de uso para validar interés interno.
Donde se rompen es cuando el agente necesita tomar decisiones encadenadas con datos vivos: cualificar un lead consultando el CRM, comparar contra el histórico, decidir si pasa a comercial humano y dejar trazabilidad para que un supervisor pueda auditarlo. En el patrón que hemos observado en empresas medianas establecidas, la abstracción visual empieza ahí a producir cajas negras difíciles de depurar.
El sesgo del mercado: el 85% de las empresas espera personalizar agentes autónomos para sus necesidades específicas, según el State of AI in the Enterprise 2026 de Deloitte. Personalizar significa salir del happy path de la plataforma. Y salir del happy path significa, casi siempre, que la plataforma deja de ayudar.
Frameworks como LangChain, CrewAI o AutoGen: para qué sirven y a quién#
LangChain es la referencia open-source para construir agentes en Python o JavaScript. Define una arquitectura para conectar modelos lingüísticos con memoria, herramientas externas y lógica de decisión. CrewAI orquesta varios agentes especializados que colaboran. AutoGen, de Microsoft, va por la misma línea multi-agente.
Estos frameworks son útiles cuando ya hay un equipo técnico interno que sabe versionar, testear y desplegar. Lo que ofrecen no es magia, ofrecen control: cada decisión del agente queda inspeccionable, cada llamada a herramienta queda loggeada, cada cambio se hace en un repositorio con histórico.
En los proyectos que DelegIA ha instalado y monitorea en producción, el problema cuando una empresa mediana intenta usar frameworks sin equipo técnico es predecible: prototipo en dos semanas, primeros errores en producción a las cuatro, parada del proyecto cerca de las ocho. El informe State of AI in the Enterprise 2026 de Deloitte detectó que solo el 25% de las empresas ha movido más del 40% de sus pilotos de IA a producción. El cuello de botella no es el modelo, es la operación que sostiene al modelo.
Comparativa básica: cuándo conviene cada opción#
| Criterio | No-code (Lindy, Zapier, Voiceflow) | Frameworks (LangChain, CrewAI) | Arquitectura propia |
|---|---|---|---|
| Tiempo a primer agente | 1 a 3 semanas | 4 a 8 semanas | 6 a 10 semanas |
| Coste mensual base | 50 a 500 euros | 0 a 200 euros | depende de infraestructura |
| Integraciones nativas | 4.000 a 8.000 apps | librerías abiertas, sin nativo | a medida según ERP/CRM/SaaS |
| Auditoría y trazabilidad | limitada al panel de la plataforma | total, en repositorio | total, con políticas internas |
| Escalado a 10+ casos | difícil sin acumular deuda | viable con equipo técnico | diseñado para crecer |
| Riesgo de lock-in | alto | bajo | bajo |
| Adecuado para | FAQ, agendar, notificaciones | back office con equipo dev | empresas medianas que ya facturan |
La elección no es no-code contra frameworks. Es honestidad sobre cuántos casos de uso tienes en pipeline para los próximos doce meses, qué nivel de control necesitas sobre cada decisión que toma el agente, y si tienes equipo interno o vas a depender de un proveedor.
Si tu empresa ya tiene más de dos casos de uso definidos y evalúas qué arquitectura puede sostenerlos, solicita un diagnóstico de arquitectura antes de comprometer presupuesto en una plataforma.
Tres casos de uso donde un creador de agentes IA genera impacto directo#
La elección de arquitectura se clarifica con ejemplos concretos. Los tres patrones que siguen son los que el equipo de DelegIA ha implementado y monitorea en producción, en empresas de servicios B2B con entre 15 y 60 empleados que decidieron instalar agentes en sus operaciones, no pilotarlos.
Ventas: cualificación de leads sin intervención manual
Un agente de ventas recibe el formulario de contacto, consulta el CRM, verifica si el perfil ya existe, evalúa si encaja con el ICP definido y enruta al SDR correcto con un briefing preparado. Todo antes de que el comercial abra el portátil por la mañana.
En los sistemas que DelegIA ha puesto en producción en empresas de entre 15 y 60 empleados, este patrón reduce el tiempo de primer contacto cualificado de 48 horas a menos de 15 minutos. Lo que lo distingue de una automatización estándar es la capa de evaluación: si el lead ya estuvo en el CRM hace seis meses y el cierre se perdió, el agente detecta ese historial y lo incluye en el briefing sin que nadie lo configure explícitamente.
Para ver cómo este tipo de integración encaja dentro de una operación más amplia, el artículo sobre cómo implementar inteligencia artificial en una empresa detalla los puntos de integración habituales con sistemas internos.
Operaciones: clasificación y respuesta a incidencias
Un agente de operaciones lee el ticket entrante, consulta el historial del cliente en el ERP, determina la urgencia según el SLA contratado y el valor del cliente, escala al área correcta y prepara un borrador de respuesta contextualizado. El operador humano revisa y envía.
Este patrón resuelve dos problemas que aparecen en empresas con volumen: tickets acumulados por encima de la capacidad del equipo, y falta de contexto del cliente cuando llega la incidencia. El agente no reemplaza al operador, lo hace más rápido y más informado. Un ejemplo documentado de este principio aplicado al ciclo de cliente es automatizar el onboarding de clientes, donde el mismo mecanismo de decisión contextual se aplica a la fase de incorporación.
Contenido: producción con criterio editorial a escala
Un agente de contenido recibe una keyword objetivo, analiza los resultados en SERP, identifica la estructura que posiciona, redacta el borrador con fuentes citadas y lo deja listo para revisión editorial. El equipo no arranca desde cero: revisa y mejora sobre una base ya trabajada.
El departamento de contenido con IA instalado internamente en DelegIA funciona con esta lógica: un agente coordinador recibe el brief, agentes especializados ejecutan research, redacción y revisión SEO por separado, y el output pasa por validación humana antes de publicarse. El resultado no es velocidad por velocidad: es producción consistente con criterio visible en cada paso.
Por qué DelegIA no es un creador no-code#
Aquí toca ser explícitos. DelegIA no vende una plataforma para que tu equipo dibuje agentes en un canvas. Tampoco vendemos workshops para que tu gente aprenda LangChain. Lo que instalamos es la arquitectura completa: el CEO de IA que coordina (qué hace el CEO de IA como capa de decisión), los departamentos que ejecutan, el sistema de reporting que hace visible el trabajo, y las herramientas elegidas según el caso. A veces esas herramientas incluyen Make o un framework propio. Las herramientas son medio, no fin.
La diferencia operativa: una empresa que compra una plataforma se queda con una plataforma. Una empresa donde se instala arquitectura se queda con un sistema que mantiene autonomía sobre sus decisiones. Lo segundo es lo que escala cuando cambias de proveedor, cambias de modelo o cambias de stack.
Si lo que buscas es entender qué arquitectura encaja en tu operación, el artículo sobre infraestructura de IA empresarial en 4 capas detalla los componentes que sostienen un sistema de agentes en producción.
Cómo decidir antes de elegir herramienta#
El error más caro que ve nuestro equipo en empresas medianas: elegir la herramienta antes de definir el problema. Tres preguntas que ordenan la decisión, en este orden.
-
¿Qué proceso quieres que decida y ejecute el agente? Si la respuesta es responder dudas frecuentes con base de conocimiento estable, una plataforma no-code basta. Si es cualificar leads cruzando datos del CRM con histórico de compra y decidir el routing al SDR adecuado, necesitas algo con más control.
-
¿Quién va a auditar al agente cuando falle? Va a fallar. La pregunta es si tu equipo puede leer la traza, identificar la causa y corregir. Sin trazabilidad, el agente se convierte en un proceso opaco que erosiona confianza interna en seis meses.
-
¿Cuántos casos de uso vas a tener en doce meses? Si la respuesta es uno o dos, una plataforma puede sostenerlo. Si son más de cinco, empezar por una plataforma genera deuda técnica que acaba reescribiéndose desde cero. Mejor diseñar la arquitectura desde el principio.