Cómo implementar IA en tu empresa: el 99% es un workflow

En resumen: Implementar IA en tu empresa parte por separar la regla del criterio. Casi todos tus procesos tienen una respuesta correcta conocida y corren mejor en workflows con reglas explícitas. La IA rinde en dos lugares: leyendo lo que llega desordenado, como un pedido por WhatsApp, y como agente en los tramos donde el siguiente paso depende de lo que se descubre. Workflow para la regla, modelo para la lectura, agente para el criterio y persona para la excepción.

Un workflow es un proceso automatizado que sigue pasos y reglas definidos de antemano: con los mismos datos, llega siempre al mismo resultado. Un agente de IA es un sistema en el que un modelo de lenguaje decide por su cuenta qué paso dar y qué herramienta usar para cumplir un objetivo. Implementar IA en una empresa, bien hecho, es asignar cada tramo de cada proceso a la pieza que le corresponde.

Soy Cris Ugarte, CEO y cofundador de Puente OS, la plataforma que construye los sistemas que operan tu negocio. Trabajamos con empresas de retail, eCommerce y logística en Chile, Perú y México, y desde que los agentes de IA se pusieron de moda, muchas conversaciones parten con la misma pregunta: ¿dónde ponemos un agente?

Mi respuesta es una tesis: el 99% de los procesos de una empresa son deterministas y se resuelven con workflows. Los agentes rinden en el resto, donde hay que coordinar sin un orden fijo o donde el input llega de mil formas, y aun ahí entregan un resultado estructurado. Acá reviso qué recomiendan quienes fabrican los modelos, qué miden los benchmarks y cómo se ve en operaciones reales.

¿Qué diferencia hay entre un workflow y un agente de IA?

La diferencia está en quién decide el siguiente paso. En un workflow lo decide el código, con reglas que tu empresa definió de antemano; en un agente lo decide un modelo de lenguaje, caso a caso. Por eso un workflow entrega el mismo resultado cada vez que corre con los mismos datos, y un agente puede llegar a resultados distintos.

Anthropic, la empresa detrás de Claude, traza esa misma línea: en un workflow, el modelo y las herramientas siguen rutas de código predefinidas, y en un agente el modelo dirige su propio proceso. Su consejo es buscar «la solución más simple posible» y sumar complejidad solo cuando haga falta, y eso puede significar construir sin agentes.

Workflow y agente, en cuatro dimensiones:

• Quién decide el siguiente paso. Workflow: el código, con tus reglas. Agente: el modelo, en cada caso.
• Qué pasa con los mismos datos. Workflow: sale el mismo resultado cada vez. Agente: el resultado puede variar de una ejecución a otra.
• Cuánto cuesta cada caso. Workflow: un costo predecible. Agente: un costo variable y, en general, mayor.
• Cómo se audita. Workflow: la regla explica cada decisión. Agente: hay que reconstruir su razonamiento caso a caso.

Un workflow también puede llevar IA adentro. Cuando un modelo lee un mensaje o clasifica un documento como un paso más, el código sigue decidiendo qué viene después. Microsoft llama a ese nivel «llamada directa a modelo» y lo ubica como la opción menos compleja, por debajo de cualquier agente.

¿Por qué el 99% de los procesos de una empresa es determinista?

Porque casi todo proceso de una empresa tiene una respuesta correcta conocida, y tu negocio quiere esa respuesta cada vez: el mismo courier para el mismo paquete, la misma comisión para la misma venta, la misma conciliación para el mismo pago. Lo que cambia de un caso a otro es cómo llega la información y la minoría de casos que se sale de la regla.

Un proceso es determinista cuando, con los mismos datos de entrada, entrega siempre la misma salida. Sus reglas suelen estar escritas en alguna parte: el contrato con el courier, la tabla de comisiones, la política de devoluciones, las normas de facturación electrónica. Tu equipo las aplica de memoria, y tu auditor espera verlas aplicadas igual en cada caso.

El 99% es una tesis, y los datos de procesos reales la respaldan en lo esencial: las reglas son pocas y estables, y la variación se concentra en el input y en las excepciones.

• Los casos se concentran en pocos caminos. Wil van der Aalst, profesor de la Universidad RWTH Aachen y referente del process mining, observa que a menudo el 20% de las variantes de un proceso explica el 80% de lo que ocurre. En el proceso de compras de una multinacional holandesa de pinturas, analizado por Celonis, el 87% de los casos del flujo principal se resolvió a la primera, con 95 variantes de camino; el 13% con retrabajo generó 6.198 variantes.
• La excepción es la minoría, y concentra el trabajo. En cuentas por pagar, el 18,4% de las facturas trae una excepción en promedio, y el 11,1% en las empresas más eficientes, según Ardent Partners. El mismo estudio registra que el 48,6% de las facturas todavía llega por canales no electrónicos.
• El input llega por canales conversacionales. En Chile, chatear por WhatsApp (76,2%) y usar el correo (65%) están entre lo que más hace la gente en internet, según la encuesta de Subtel y Cadem. Por ahí llegan también muchos pedidos, reclamos y confirmaciones de despacho.

Esos estudios miden casos y excepciones; la proporción exacta de procesos deterministas sigue sin una medición pública. Contado en casos, el 99% funciona como meta de diseño: que tu equipo toque una de cada cien órdenes. El dato medido más cercano lo tenemos en un vendedor multicanal de electrónica en México, cliente de Puente OS: el 97,9% de sus órdenes sale con su guía sin intervención humana.

¿Qué recomiendan OpenAI, Anthropic, Microsoft y Google sobre los agentes?

Recomiendan lo mismo: partir por la solución más simple, usar código o workflows para lo que tiene reglas claras y reservar los agentes para los problemas sin un camino fijo. Que competidores directos coincidan le da peso al consejo, porque cada uno vende sus propios agentes.

• Anthropic reserva los agentes para problemas abiertos, donde no se puede programar un camino fijo, y advierte que su autonomía trae costos más altos y errores que se acumulan.
• OpenAI lista en su guía práctica para construir agentes tres señales que justifican uno: decisiones con matices y excepciones, reglas difíciles de mantener y dependencia fuerte de datos no estructurados. Para el resto de los casos, concluye, una solución determinista puede bastar.
• Microsoft lo dice en la documentación de su Agent Framework: si puedes escribir una función que resuelva la tarea, escribe la función. Su Architecture Center cuenta entre los errores comunes «usar patrones no deterministas para flujos de trabajo que son intrínsecamente deterministas», junto al error inverso.
• Google Cloud recomienda en su guía de patrones de diseño explorar soluciones sin agentes cuando la carga de trabajo es predecible, muy estructurada o cabe en una sola llamada a un modelo, como resumir un documento o clasificar comentarios de clientes.
• AWS marca al agente como innecesario para un workflow determinista en su comparación de modelos de orquestación.

Harrison Chase, CEO de LangChain, una de las librerías más usadas para construir agentes, lo resume desde lo que ve en producción: casi todos los sistemas agénticos combinan workflows y agentes.

¿Qué muestran los datos de las empresas que ya usan agentes?

Muestran que los agentes en producción todavía son pocos, que una parte de lo que se vende como agente es automatización y que el valor aparece cuando la empresa rediseña sus procesos. La mayoría de los casos de uso que hoy se venden como agentes se resuelven con un workflow y una buena lectura.

• McKinsey revisó más de 50 implementaciones de agentes que lideró y concluyó que, en los procesos de baja varianza y alta estandarización, los agentes basados en modelos no deterministas pueden agregar más complejidad e incertidumbre que valor. Su regla práctica: automatización por reglas para la tarea repetitiva con input estructurado, IA generativa para extraer información de un input no estructurado y agentes para las decisiones de varios pasos con una cola larga de casos muy variables.
• Gartner advierte que muchos casos de uso que hoy se presentan como agénticos no requieren implementaciones agénticas, estima que solo unos 130 de los miles de proveedores que dicen vender agentes los tienen de verdad y pronostica que más del 40% de los proyectos de IA agéntica se cancelará antes de fines de 2027. En abril de 2026, el 17% de las organizaciones había desplegado agentes.
• Deloitte y Stanford lo ven en la adopción: el 11% de las organizaciones tiene sistemas agénticos en producción, según las Tech Trends 2026 de Deloitte, y el AI Index 2026 de Stanford registra un despliegue de agentes de un dígito en casi todas las funciones de negocio.

El valor llega por el lado del proceso. En la encuesta 2026 de McKinsey, con 1.719 respuestas, el 37% de los encuestados atribuye algún impacto en el resultado operacional de su empresa a la IA, una proporción similar a la del año anterior. Entre las empresas que más valor capturan, cerca del 6%, casi tres de cada cuatro rediseñaron sus workflows; en el resto, una de cada cuatro.

¿Qué pasa cuando un agente ejecuta un proceso con reglas?

El proceso se vuelve menos confiable, más caro y más difícil de auditar. Un agente decide cada caso desde cero, y una decisión que se toma de nuevo cada vez puede salir distinta.

Los benchmarks muestran la brecha:

• Tareas de oficina. En TheAgentCompany, de Carnegie Mellon, los agentes trabajan en una empresa simulada con 175 tareas. El mejor agente del estudio completa el 30%, y la mejor marca del ranking público llega a 42,9%. Administración y finanzas son las categorías de peor resultado.
• Conversaciones con clientes. En CRMArena-Pro, de Salesforce AI Research, los mejores agentes resuelven cerca del 58% de las tareas de CRM en un turno, y cerca del 35% cuando la conversación tiene varios.
• Consistencia. En τ-bench, de Sierra, un agente con GPT-4o resolvió menos de la mitad de las tareas, y en retail su éxito cayó bajo el 25% cuando tenía que resolver la misma tarea ocho veces seguidas.

Dos efectos explican esos números. El primero es aritmético: si cada paso acierta el 95% de las veces, un proceso de 20 pasos termina bien el 36% de las veces (0,95 elevado a 20), algo que Demis Hassabis, CEO de Google DeepMind, comparó con el interés compuesto. El segundo es que el mismo modelo, con la misma instrucción, puede responder distinto: Thinking Machines Lab pidió 1.000 respuestas al mismo prompt con temperatura cero, la configuración que busca respuestas repetibles, y obtuvo 80 diferentes.

Cuando la regla existe y el sistema improvisa otra, el costo puede terminar en tribunales. El chatbot de Air Canada le inventó a un pasajero una política de reembolso por duelo, y en 2024 un tribunal de Columbia Británica hizo responsable a la aerolínea de lo que dijo su chatbot, igual que de cualquier página de su sitio.

El workflow contiene ese riesgo: deja al modelo únicamente en los pasos que lo necesitan. Si 18 de 20 pasos son reglas y 2 dependen del modelo, con 95% de acierto cada uno, el proceso completo acierta cerca del 90% de las veces, y la validación de cada salida más la revisión humana de los casos dudosos suben esa cifra.

¿Dónde sí rinde la IA en tu operación?

En dos lugares: en la lectura, donde un modelo convierte un input desordenado en datos estructurados, y en el criterio, donde un agente resuelve los tramos cuyo camino depende de lo que se descubre. En los dos, lo que sale es estructurado y una regla lo valida antes de escribir en tus sistemas.

Cada tramo de un proceso cae en una de cuatro capas:

• Workflow para la regla. El corte de despacho, la asignación de courier, la conciliación con calce exacto, el cálculo de comisiones.
• Modelo para la lectura. El pedido por WhatsApp, la orden de compra en PDF, el correo del proveedor, la foto de una guía.
• Agente para el criterio. La entrega fallida, el reclamo ambiguo, la diferencia de inventario que hay que investigar.
• Persona para la excepción. Lo irreversible, lo de monto alto y lo que queda fuera de toda regla, con el contexto a la vista.

La lectura: del WhatsApp al dato estructurado

Un cliente escribe por WhatsApp: "mándame 20 cajas de lo mismo de la otra vez, a la bodega de Quilicura". Un modelo lee el mensaje y devuelve campos: cliente, producto, cantidad y dirección. Desde ahí sigue el workflow: busca el último pedido de ese cliente, valida el stock y la cobertura, y crea la nota de venta en tu ERP.

Leer lenguaje natural es lo nuevo que trajo la IA generativa, y McKinsey le atribuye en gran parte el salto en el potencial de automatización. En Latinoamérica esta capa pesa más, porque buena parte de la operación llega por WhatsApp, PDF y correo.

La salida estructurada tiene garantías concretas. Cuando OpenAI lanzó Structured Outputs en 2024, su modelo seguía esquemas de datos complejos el 93% de las veces, y para llegar al 100% la empresa agregó una restricción determinista sobre la salida. Esa garantía cubre la forma del dato: el chatbot de Air Canada podría haber devuelto un registro impecable con una política inventada. Por eso Google recomienda validar siempre los valores en tu aplicación. En una operación, eso es revisar que la cantidad sea razonable, que el producto exista y que la dirección esté dentro de tu cobertura.

El criterio: coordinar sin un orden fijo

Coordinar sistemas en un orden conocido es trabajo de workflow: Microsoft recomienda un workflow cuando varios agentes o funciones deben coordinarse. La coordinación pasa a ser trabajo de agente cuando el siguiente paso depende de lo que el sistema encuentra en el camino, lo que Google llama ruteo adaptativo. Consolidar las órdenes de siete canales y asignar el courier con reglas es coordinación en un orden conocido. Resolver una entrega fallida, donde la respuesta del cliente decide el paso siguiente, es coordinación adaptativa.

Un agente bien diseñado trabaja con tres límites:

• Mandato, presupuesto y regla de detención. McKinsey propone que todo sistema autónomo opere con los tres definidos.
• Salida estructurada. El agente devuelve su decisión con una forma fija, y el workflow la ejecuta y la registra.
• Aprobación humana para lo irreversible. OpenAI pone como ejemplos cancelar órdenes, autorizar reembolsos grandes y hacer pagos.

OpenAI suma un caso más para los agentes: el tramo cuyas reglas crecieron tanto que mantenerlas cuesta más que delegar el criterio. Más abajo explico por qué la IA también cambia esa cuenta.

¿Cómo se ve en una operación real?

Se ve como procesos donde las reglas hacen casi todo el trabajo y la IA aparece en puntos precisos. Tres ejemplos, de menos a más criterio.

Ejemplo 1: la guía de cada orden en un vendedor multicanal mexicano

Un vendedor de electrónica opera siete canales de venta en México, sin ERP. Cada orden recorre este camino:

1. El workflow lee la orden apenas entra en uno de sus canales.
2. Lleva la dirección al formato mexicano y la valida contra el catálogo oficial de códigos postales. Cuando llega escrita de forma irregular, un modelo de IA la normaliza: en julio de 2026 ese paso trabajó sobre el 41,6% de las órdenes, y antes se corregía a mano.
3. Elige la paquetería por zona, costo y seguro, con reglas explícitas.
4. Genera la guía y escribe el número de seguimiento en la orden.
5. Lo que las reglas no resuelven llega al equipo, con su tiempo de resolución registrado.

El 97,9% de las 38.628 órdenes procesadas entre noviembre de 2025 y agosto de 2026 salió con su guía sin intervención humana. Entre el 1 y el 12 de agosto, la tasa de incidencias fue de 0,59%, y generar las guías de un corte pasó de 5 a 7 horas a 15 minutos. La empresa eligió reglas auditables para su lógica crítica, y la IA quedó en el paso que la necesita: leer direcciones escritas de mil formas.

Ejemplo 2: un retailer de moda, con un agente donde manda la conversación

Un retailer chileno de moda multimarca usa cada pieza según lo que pide el proceso. En servicio al cliente, donde cada consulta llega distinta por WhatsApp, Instagram o correo, un agente de IA atiende la primera línea, resuelve cambios y devoluciones dentro del chat y le pasa la conversación a una ejecutiva cuando hace falta. Ese agente corre sobre un CRM de 20 tablas y 11 workflows. En composturas, el arreglo de una prenda sigue siempre el mismo camino (ticket en la tienda, ruteo al taller de la zona, seis estados y un correo al cliente con cada cambio), y ese proceso corre con reglas.

Ejemplo 3: la entrega fallida

El courier marca "cliente ausente" por segunda vez en un pedido. Así se diseña con un agente dentro de un workflow:

1. El workflow detecta el estado y abre el caso.
2. El agente revisa el tracking, el historial del cliente y el stock, y le escribe al cliente por WhatsApp.
3. Según lo que responda, propone reprogramar, cambiar la dirección o retirar en un punto de entrega.
4. Devuelve su decisión con una forma fija, y el workflow la ejecuta en el portal del courier y en tu eCommerce.
5. Si el cliente pide un reembolso sobre el monto que definiste, la decisión espera la aprobación de una persona en una App.

Cada acción queda registrada con lo que la gatilló, como toda acción gobernada.

¿Dónde queda la IA si casi todo es workflow?

En cómo se construye. El argumento más fuerte a favor de los agentes es que escribir y mantener cientos de reglas cuesta caro, y la IA abarata justamente eso. Con Puente OS describes en lenguaje natural lo que tu operación necesita y obtienes software corriendo: apps, workflows, bases de datos y agentes.

En el vendedor de electrónica mexicano, una persona construyó 20 apps y 75 procesos automatizados en diez meses, sobre siete canales y 19 integraciones. En el retailer de moda, el CRM de servicio al cliente, con 20 tablas y 11 workflows, se construyó en cuatro días. En un retailer de mascotas en Chile, un workflow calcula cada día el margen de cada línea de venta en cuatro canales: ya son 247.626 líneas, y 3.830 aparecieron con margen negativo que antes nadie veía.

Las reglas quedan escritas en explícito, con historial y vuelta atrás: cambiar una es editarla. La IA más rentable de tu operación puede ser la que escribió los workflows que corren solos.

¿Cómo implementar IA en tu empresa, paso a paso?

Proceso por proceso: eliges uno que duela, separas la regla de la excepción, asignas cada tramo a su capa y mides contra la línea base. Con Puente OS, cada proceso llega a producción en 2 a 4 semanas.

1. Elige un proceso que duela. Con volumen, traspasos manuales y un costo visible cuando falla.
2. Toma la línea base. Casos al mes, tiempo por caso y porcentaje que sale a la primera.
3. Escribe las reglas que tu equipo aplica de memoria. Por ejemplo: "si el paquete pesa más de 30 kilos y va a regiones, sale con el segundo courier".
4. Pon una lectura en cada entrada desordenada. Un modelo extrae los campos del WhatsApp, el PDF o el correo, y una regla los valida antes de escribir en tus sistemas.
5. Dale a un agente solo los tramos sin camino fijo, con mandato, presupuesto, salida estructurada y aprobación humana para lo irreversible.
6. Define el destino de cada excepción. La resuelve el sistema o llega a una persona con nombre, con todo el contexto.
7. Mide desde la primera semana. Casos resueltos de punta a punta, costo por caso y consistencia: el mismo caso tiene que dar el mismo resultado. Cada excepción que se repite es una regla por escribir.

Los pasos 3 y 6 son el centro del Diseño Autónomo de operaciones: diseñar cada proceso para que lo repetible corra solo, con tus reglas, y tu equipo decida lo que requiere criterio.

¿Qué cambia cuando los modelos mejoran?

Los agentes ganan tramos, uno a uno. Las reglas del negocio, las aprobaciones y la auditoría se quedan en código, porque esas decisiones tienen que salir iguales cada vez, y el diseño que dura permite mover un tramo de workflow a agente cuando el agente demuestra que puede con él.

La frontera avanza rápido. METR, un centro de investigación que mide la capacidad de los agentes, estima que la duración de las tareas de software que un agente completa con 50% de éxito se duplica cada 4 a 7 meses. Con 80% de éxito, el horizonte del mejor modelo medido rondaba las tres horas en mayo de 2026, en tareas que el propio METR describe como más limpias que el trabajo real. Anthropic anticipa que el diseño de agentes irá dejando más espacio a los modelos, y mantiene como mejor consejo hacer lo más simple que funcione.

En servicio al cliente, Gartner pronostica que en 2029 la IA agéntica resolverá sola el 80% de los problemas comunes, y también que la mitad de las organizaciones que planeaban reducir su equipo de servicio abandonará ese plan en 2027. El agente toma el volumen estándar y las personas se quedan con lo que requiere criterio.

Workflow para la regla, modelo para la lectura, agente para el criterio y persona para la excepción. Tu ERP registra lo que pasó. Tu BI te muestra lo que pasó. Puente hace que pase.

Puntos clave

• Casi todos los procesos de una empresa tienen una respuesta correcta conocida, y corren mejor en workflows con reglas explícitas y auditables.
• La IA rinde en dos lugares: en la lectura, que convierte un WhatsApp, un PDF o un correo en datos estructurados, y en el criterio, donde un agente resuelve tramos sin camino fijo. En los dos, lo que entrega sale estructurado y una regla lo valida.
• Anthropic, OpenAI, Microsoft, Google, AWS, McKinsey y Gartner recomiendan partir por la solución más simple y reservar los agentes para lo que no tiene un camino fijo.
• La IA también abarata escribir y mantener las reglas: en un vendedor de electrónica en México, una persona construyó 20 apps y 75 procesos en diez meses.
• Se implementa proceso por proceso, y se mide por casos resueltos de punta a punta, consistencia y costo por caso.

---

¿Quieres saber qué parte de tu operación es workflow y cuál necesita un agente? Partimos con un piloto de un mes: en ese mes levantamos tus procesos, separamos la regla de la excepción y dejamos tu primer proceso vivo en producción. Si decides seguir, el valor del piloto se descuenta completo de la implementación. Agenda una demo con nuestro equipo.