Los mejores casos de uso de agentes de IA comparten una forma, no un sector: una tarea de varios pasos con herramientas claras, resultados que pueden comprobarse y que admite supervisión. Cuando un caso de uso tiene esa forma, un agente puede hacer trabajo real; cuando no la tiene, un agente es una forma cara de ser poco fiable. Este es un recorrido por las categorías que suelen encajar, con la condición que hace viable cada una, porque el caso de uso es solo la mitad de la decisión y la otra mitad es si el trabajo puede verificarse.
01Cómo leer este trabajo
Trabajo acotado de ingeniería y operaciones
Las tareas repetitivas de ingeniería y operaciones, regidas por reglas, encajan muy bien cuando cada paso puede comprobarse. Autonomous Scheduled Build Agent es un ejemplo concreto: avanza un programa un elemento del backlog a la vez, condicionado por verificadores estáticos y arneses de ejecución, con puntos de decisión humana explícitos. La condición que lo hace funcionar es la verificación: se confía en el agente solo porque su resultado tiene que superar comprobaciones, no porque se dé por hecho que es correcto.
02Cómo leer este trabajo
Investigación y síntesis con revisión humana
Los agentes que reúnen información de distintas fuentes y la sintetizan son útiles cuando una persona revisa el resultado antes de usarlo. El valor está en la amplitud y la velocidad; la salvaguarda es que el resultado es un borrador, no una decisión. Esto encaja en investigación competitiva, revisión de documentos y análisis preliminares, siempre que la interfaz permita ver fácilmente de dónde proviene cada afirmación, para que quien revisa pueda aceptarla o descartarla con rapidez.
03Cómo leer este trabajo
Flujos de trabajo de clientes e internos con acceso a herramientas
Los agentes que ejecutan acciones en sistemas reales (crear tickets, actualizar registros, orquestar un flujo de trabajo) encajan cuando las acciones son reversibles o supervisadas y las herramientas están bien definidas. En el contexto de una plataforma como Pulse / MyOmniHub, eso significa tratar las herramientas y los límites del agente como componentes normales del sistema, con la misma disciplina operativa que el resto de la plataforma, y no como una capa mágica añadida.
04Cómo leer este trabajo
Dónde no encajan los agentes
Descarte el agente cuando la tarea sea de un solo paso, cuando nada pueda verificar el resultado o cuando una acción equivocada sea costosa y no pueda supervisarse. En esos casos, un chatbot con recuperación de información, o una automatización determinista y acotada, es más fiable y económico. La disciplina consiste en ajustar la herramienta a la forma de la tarea, en lugar de recurrir a un agente porque la categoría está de moda.
