Hace unos meses, escribí sobre mi resumen del año con ChatGPT. Me di cuenta, con cierta humildad, de que en su mayoría lo usaba de la misma manera una y otra vez. Pegaba el borrador de un correo electrónico y le pedía que aclarara el texto. Le enviaba el resumen de un seminario web y le preguntaba qué me estaba faltando. A veces lo usaba para poner a prueba una idea o para ayudar a organizar pensamientos que aún estaban confusos en mi cabeza. ¿Útil? Por supuesto. Hasta que una noche, la IA dejó de responder y empezó a actuar.

Estaba en la Cumbre Anual de LEI, sentado al lado de Tyson Heaton en el Late Night AI Geek Fest. Él me mostró Claude Cowork. Le asigné una tarea y, en lugar de responder con un texto pulido, abrió archivos, siguió los pasos, generó resultados, verificó las suposiciones y me entregó un producto útil. Me pareció menos como darle instrucciones a un software y más como delegarle una tarea a un compañero de equipo capaz.

Ese fue el momento en que por fin entendí lo que significaba la expresión «agente-jefe».

Lo que realmente queremos decir con «IA agencial»

La forma más sencilla que he encontrado para explicar la diferencia es esta:

La IA conversacional es un compañero inteligente que habla. Tú haces preguntas. Ella responde. La interacción es principalmente conversacional, y el resultado suele ser palabras, ideas, código o recomendaciones. Lo que suceda después sigue dependiendo de ti.

La IA agentiva es un compañero de trabajo que realiza tareas. Tú describes un resultado y el sistema ejecuta una secuencia de acciones para alcanzarlo: abre archivos, recopila información, organiza datos, redacta documentos, actualiza sistemas o ejecuta flujos de trabajo. El resultado no es solo texto. Es un trabajo completado.

Característica	IA conversacional	IA agentiva
Formato de la conversación	Un solo turno, una sola respuesta	Plan de varios pasos, ejecución de varios turnos
Quién decide los siguientes pasos	Tú controlas cada paso	Ella decide su propia acción siguiente dentro de unos límites establecidos
Lo que lee	Lo que pegas o subes al chat	Archivos, pantallas, navegadores, bases de datos, eventos del sistema, datos de conexiones
Lo que genera	Texto, código, una respuesta	Artefactos en tus sistemas reales

Esta distinción es más importante de lo que la gente cree, ya que la IA conversacional y la IA agentiva se especializan en tipos de trabajo fundamentalmente diferentes. A medida que estas herramientas se vuelven más comunes dentro de las organizaciones, comprender cuándo se necesita un socio que piense y cuándo se necesita un asistente operativo se está convirtiendo en un aspecto importante de los conocimientos que deben tener los profesionales.

Cómo funciona

La interfaz de usuario es prácticamente la misma. Simplemente la activas, añades los archivos necesarios o le indicas que se conecte a los sistemas donde ya se encuentra tu trabajo. A partir de ahí, la experiencia cambia rápidamente.

Lo que hace que un agente se sienta diferente no es una sola capacidad, sino varias capacidades que trabajan juntas:

• Puede dividir un objetivo mayor en tareas más pequeñas.
• Puede utilizar herramientas externas a la ventana de chat.
• Puede conectarse a otros sistemas que utilice.
• Puede recordar lo que ya ha hecho.
• Puede decidir su propio siguiente paso.
• Puede ejecutarse según un horario específico.
• Puede hacer pausas para recibir la intervención humana cuando sea necesario.

Un agente crea un plan, divide el trabajo en pasos y decide qué acciones tomar a continuación para lograr el resultado deseado. A veces, formula preguntas aclaratorias primero. Otras veces, comienza a trabajar de inmediato y solo interviene cuando una decisión conlleva riesgos o requiere aprobación. Este modelo operativo se denomina “interacción humana” (HITL, por sus siglas en inglés). La persona no se excluye del proceso, sino que pasa a desempeñar funciones de supervisión, validación, priorización y toma de decisiones.

Debajo de todo esto se encuentra una infraestructura como MCP (Protocolo de Contexto de Modelo), que ayuda a los sistemas de IA a interactuar de forma segura con herramientas y fuentes de datos externas, en lugar de operar únicamente dentro de una ventana de chat. No es la única característica que define a un agente, pero es uno de los elementos que permite a estos sistemas trabajar con archivos, aplicaciones y flujos de trabajo reales, en lugar de solo generar texto de forma aislada.

Es una línea difusa

No es sencillo afirmar que Claude Cowork sea una IA con capacidad de interacción y ChatGPT una IA conversacional. Las herramientas con capacidad de interacción siguen conversando. Cowork sigue formulando preguntas, reflexionando y sugiriendo alternativas. Del mismo modo, ChatGPT es perfectamente capaz de ejecutar tareas. Se le puede pedir que actualice hojas de cálculo, documentos o que realice investigaciones exhaustivas, pero mi experiencia indica que no alcanzará el nivel de rendimiento de un modelo como Claude Cowork, capaz de ejecutar varias tareas en paralelo y generar su propio contexto. Este tipo de razonamiento y reflexión le da a Cowork una ventaja. A veces me pregunta sobre casos excepcionales que ni siquiera había considerado. Valoro eso. La realidad es que la línea divisoria es difusa y seguirá siéndolo.

En qué consiste la diferencia en la práctica

Aquí hay cuatro cosas que he hecho con Cowork en los últimos meses que me han entusiasmado con la idea de tratar a la IA como un compañero de equipo.

1. El rompecabezas de la agenda de la conferencia.

Estábamos planificando la agenda de nuestra conferencia anual y quería ver diferentes maneras de desarrollar los dos días. Le entregué a Cowork la agenda del año pasado y le pedí que creara varias variaciones. Me devolvió cuatro opciones completas en una hoja de cálculo, cada una organizada hora por hora, con un código de color según el ponente y una pestaña de resumen para compararlas. Incluso había investigado cómo otras conferencias Lean y Six Sigma estructuran sus programas para fundamentar las opciones. El coste de generar esas alternativas es prácticamente nulo, ya que no tuve que pensar en cómo crear alternativas dentro de las diversas limitaciones con las que trabajaba en relación con nuestros ponentes. Introduje la misma solicitud con los mismos recursos en ChatGPT. Lo que obtuve fue una larga lista de ideas con viñetas. Nada útil como tener cuatro agendas utilizables en una hoja de cálculo para comparar. 

2. Revisión de la calidad del servicio de atención al cliente

Realizamos una revisión de calidad del servicio de atención al cliente cada trimestre. La preparación para esa reunión no es nada glamurosa: extraer datos de varios sistemas, analizar tanto las solicitudes como las soluciones, analizar los datos, sacar conclusiones y crear una presentación clara y concisa para el resto de la organización. Antes, a un miembro del equipo le llevaba entre tres y cinco días recopilar y analizar los datos, y aproximadamente otro día completo preparar la presentación. Cowork generó el análisis con acceso limitado a nuestro sistema y tuvo un borrador de la presentación en unos quince minutos. Yo dediqué cuarenta y cinco minutos a revisarlo.

La lección aquí no se centra realmente en la velocidad. La velocidad es una ventaja evidente. La ventaja menos evidente es que el tiempo que hubiéramos dedicado a exportar e importar para realizar la misma tarea en ChatGPT, el tiempo que habríamos invertido en indicarle a Gemini que escribiera funciones de búsqueda vertical y en lidiar con el formato de PowerPoint, de repente estuvo disponible para reflexionar sobre lo que nos decían los datos. El resultado ya no era el cuello de botella. El proceso de reflexión se convirtió en el cuello de botella, que es precisamente donde debe estar .

3. Estructurar nuestras discusiones en piezas de pensamiento coherentes.

Tuvimos una conversación interna sobre nuestro software de seguimiento de proyectos, TRACtion , y la información que podemos obtener de los comportamientos que registra. Le pedí a Cowork que leyera la transcripción y los datos agregados y anonimizados de nuestro sistema para compartir nuestras conclusiones. No estábamos intentando escribir un blog cuando le dimos a grabar. Simplemente estábamos comentando nuestras observaciones en voz alta. El agente captó las ideas que valía la pena guardar y nos dio un borrador estructurado para trabajar. Aun así, lo editamos bastante, pero redujo el esfuerzo necesario para convertir una buena conversación en un texto escrito. He intentado una tarea similar con ChatGPT y he descubierto que no puede sintetizar varias piezas de información tan bien, especialmente cuando algunas de las partes más importantes están en imágenes dentro de PowerPoint.

4. Abordar los proyectos que nunca se terminan

Teníamos 115 páginas web que necesitaban un pequeño cambio estructurado en una sección. Una persona que trabajara con detenimiento habría tardado un par de días en hacerlo. Cowork realizó las modificaciones dentro de nuestro sistema de gestión de contenidos (CMS) mediante su conexión MCP en veintiún minutos, lo que nos ahorró muchísimo trabajo de copiar y pegar.

La conclusión es que los agentes hacen factible a gran escala el trabajo tedioso y superficial… un trabajo que antes no se priorizaba ni merecía la pena realizar debido al tiempo que requería. Toda una categoría de proyectos que antes se consideraban “lo haríamos si no llevara una semana” de repente se vuelve viable. He empezado a recopilar una lista de estos proyectos, ya que suelen ser usos de alto impacto de un modelo de IA con agentes.

Una advertencia

Las herramientas de gestión de agentes amplifican todo lo que les aportas, tanto tu pensamiento como su ausencia. Si delegas una tarea que no comprendías del todo, ahora tienes un resultado que tampoco comprendes del todo, salvo que ya es una presentación, un borrador de correo electrónico o una hoja de cálculo en tu escritorio. Parece y se siente terminado. Al ritmo frenético de los negocios, sería fácil dejarlo pasar sin revisar.

Dos hábitos que me han resultado útiles:

Antes de delegar, dedica treinta segundos a preguntarte: “¿Podría haberlo hecho yo mismo si hubiera sido necesario? ¿Sé reconocer un buen trabajo?”. Si la respuesta a alguna de estas preguntas es “no”, profundiza más antes de dejar que un agente de IA se encargue de la tarea. Necesitas comprender el trabajo lo suficientemente bien como para revisarlo. Lo cual me lleva a:

Después de delegar, revise el resultado detenidamente. No lo hojee. Revíselo con atención. Sobre todo las partes que parecen más pulidas, porque, según mi experiencia, siempre hay algún pequeño detalle que falla, incluso en la mejor sección, que necesita ser revisado. Estos pequeños fallos son ideas que suenan plausibles, pero que carecen de fundamento.

Conclusión

Me resulta curioso que, a estas alturas de mi trayectoria, a veces me sienta un poco culpable cuando no le he asignado a nuestro compañero de IA suficientes tareas útiles para el día. Como si la experiencia de chatear con un modelo de IA no fuera ya lo suficientemente extraña, ahora hay que añadirle esta nueva sensación de ignorar a un becario que está sentado en su escritorio esperando ansiosamente algo útil que hacer. El 2026 es un año raro.

Pero esa sensación ha cambiado radicalmente mi perspectiva sobre mi propio trabajo. Estoy empezando a analizar nuestros procesos y a plantearme una pregunta inicial diferente. No “¿dónde puede ayudarme la IA con este proceso?”, sino “¿cómo se vería este proceso si lo diseñara desde una perspectiva nativa de la IA, con un humano como fuente de experiencia en lugar de la fuente de mano de obra?”. En esa versión, el agente es un participante predeterminado. El humano es quien formula las mejores preguntas, toma las decisiones, mantiene las relaciones y se responsabiliza del resultado. Este cambio de enfoque es deliberadamente incómodo. Reorienta el valor hacia las partes del trabajo que siempre han sido más importantes (enfoque, juicio, orientación, alineación) y lo aleja de las partes que la mayoría de nosotros sabíamos, en silencio, que no eran el mejor uso de nuestra inteligencia.

Otro punto importante que quiero destacar es la importancia del permiso. Si usted controla un proceso de principio a fin y cuenta con el apoyo de sus equipos de tecnología y protección de datos, simplemente experimente. No necesita una iniciativa corporativa ni un comité directivo para utilizar la IA en un flujo de trabajo que ya sea suyo. Elija una pequeña parte, pruébela, revise los resultados con atención y observe los cambios. Este es el lugar más seguro para desarrollar esta nueva habilidad, ya que usted es quien mejor sabe cómo lograr un buen resultado. El riesgo de equivocarse es bajo y la tasa de aprendizaje es alta.

Así que la próxima vez que recurras a la IA, intenta primero hacerte una pregunta:

“¿Estoy intentando pensar o estoy intentando hacer algo?”

Y de vez en cuando, cuando la respuesta sea “hazlo”, pregúntate lo siguiente: ¿hay alguna manera de que el agente pueda hacerlo y yo pueda ser el único responsable de la decisión?

---

Sobre la autora:

Lindsay Van Dyne

Vicepresidente de Marketing • MoreSteam

Lindsay Van Dyne es responsable del desarrollo y la ejecución de la estrategia de marketing de MoreSteam. Posee un profundo conocimiento de Lean Six Sigma, tras haber sido gerente de producto de eLearning de MoreSteam para la completa gama de cursos Yellow Belt, Green Belt y Black Belt de la compañía. A lo largo de los años, ha asistido a decenas de conferencias, seminarios web y talleres del sector, lo que le ha permitido comprender de primera mano las necesidades cambiantes de los profesionales de la mejora continua.

Su experiencia en marketing abarca aspectos técnicos de la optimización para motores de búsqueda (SEO), estrategia de contenido digital, generación de clientes potenciales, desarrollo web, gestión de eventos y relaciones con socios. Lindsay es licenciada en Ingeniería Química por la Universidad de Notre Dame y en Física Computacional y Matemáticas por el Bethel College.

Blackberry & Cross es aliado oficial de Moresteam para América Latina.