Un agente de IA es un sistema que recibe un objetivo, decide qué pasos dar y usa herramientas para cumplirlo. Construir uno funcional ya no requiere escribir código: con una plataforma visual y una hora de trabajo se puede tener un asistente que responda preguntas sobre tus documentos, clasifique correos o investigue un tema y devuelva un resumen. Acá va el paso a paso completo.

Qué diferencia a un agente de un chatbot

La distinción importa porque define qué podés construir:

• Un chatbot responde con lo que el modelo sabe. Entra una pregunta, sale una respuesta.

• Un agente puede consultar fuentes externas, ejecutar acciones y encadenar varios pasos antes de responder. Si le pedís "revisá los mails de hoy y armá un resumen de los urgentes", el agente lee, clasifica, filtra y redacta.

Los tres componentes que definen un agente son: un modelo que razona, un conjunto de herramientas que puede usar (búsqueda, base de datos, envío de mails) y una memoria o base de conocimiento a la que recurre. Todo lo demás son variaciones sobre eso.

Vale una advertencia de arranque, y viene de la documentación técnica de quienes construyen estos sistemas: en la guía Building effective agents de Anthropic se insiste en que la mayoría de los casos de uso se resuelven mejor con flujos simples y predecibles que con agentes autónomos complejos. Empezar por lo simple no es una limitación del principiante: es la recomendación de quienes diseñan los modelos.

Elegir la plataforma correcta

Para construir sin código hay tres familias de herramientas, y elegir mal es la principal causa de abandono:

• Constructores visuales de agentes (Flowise, Langflow): armás el agente arrastrando nodos en un lienzo. Máximo control sobre la lógica, curva de aprendizaje media. Es la opción de esta guía.

• Plataformas de automatización con nodos de IA (n8n, Make): excelentes cuando el agente vive dentro de un flujo más grande que conecta varias apps.

• Asistentes configurables (los GPT personalizados y equivalentes): los más rápidos de armar, pero con menos control sobre el comportamiento y dependientes de un solo proveedor.

Para un primer agente que funcione y que puedas mostrar, Flowise es una buena elección: es de código abierto, tiene versión en la nube con plan gratuito para probar y su lienzo visual hace evidente cómo se conectan las piezas. La documentación oficial de Flowise cubre la instalación y cada tipo de nodo con ejemplos.

Paso 1 — Definir el objetivo con precisión (10 minutos)

Este paso parece obvio y es el que más se saltea. Antes de tocar la herramienta, escribí en una hoja:

1. Qué tarea resuelve el agente, en una oración.

2. Qué información necesita para resolverla y de dónde sale.

3. Qué debe devolver, con formato concreto.

4. Qué NO debe hacer nunca (no inventar datos, no responder fuera de tema, no enviar nada sin aprobación).

Ejemplo bien definido: "Responder preguntas del equipo comercial sobre nuestras políticas de descuento, usando exclusivamente el manual interno, devolviendo la respuesta en menos de cinco líneas y citando la sección del documento. Si no está en el manual, debe decir que no lo sabe."

Paso 2 — Montar el entorno (10 minutos)

Con la versión en la nube alcanza con crear una cuenta. Vas a necesitar además una clave de API de un proveedor de modelos —OpenAI, Anthropic o Google— que se obtiene desde el panel de desarrollador de cada uno. Cargá crédito mínimo: un agente de prueba consume centavos.

Recomendación de costos: empezá con un modelo rápido y económico para las pruebas. Solo cambiá a uno más potente cuando el flujo ya funcione y quieras mejorar la calidad de las respuestas. Ahorra dinero y tiempo de espera durante la etapa de iteración.

Paso 3 — Construir el agente (20 minutos)

En el lienzo vas a conectar cuatro bloques. Este es el esqueleto que sirve para casi cualquier caso:

1. Nodo de modelo: elegís el proveedor y pegás la clave de API. Configurá la temperatura baja (entre 0 y 0.3) si querés respuestas consistentes y factuales.

2. Nodo de memoria: permite que el agente recuerde el intercambio anterior dentro de una conversación. Para un asistente de consulta, con memoria de ventana corta alcanza.

3. Nodo de herramientas: acá agregás lo que el agente puede usar. Los tres más útiles al inicio son búsqueda web, lectura de documentos y calculadora.

4. Nodo de agente: une todo y recibe el prompt de sistema, que es donde escribís las instrucciones del paso 1.

El prompt de sistema es el corazón del agente. Una estructura que funciona bien:

• Rol: "Sos un asistente del equipo comercial de una empresa de servicios."

• Fuente de verdad: "Respondé únicamente con información del documento provisto."

• Formato: "Máximo cinco líneas. Terminá siempre citando la sección."

• Límites: "Si la respuesta no está en el documento, respondé exactamente: 'No encuentro esa información en el manual'."

Paso 4 — Cargar tu base de conocimiento

Si el agente tiene que responder sobre documentos propios, necesitás una base vectorial. En términos simples: los documentos se parten en fragmentos, se convierten en vectores y se guardan para que el agente encuentre el fragmento relevante ante cada pregunta. En la plataforma esto se resuelve agregando tres nodos: cargador de documentos, divisor de texto y almacén vectorial.

Dos parámetros que definen la calidad del resultado:

• Tamaño de fragmento: entre 500 y 1000 caracteres suele funcionar. Muy chico pierde contexto, muy grande diluye la búsqueda.

• Solapamiento: unos 100 a 200 caracteres de superposición entre fragmentos evita cortar una idea al medio.

Paso 5 — Probar como si quisieras romperlo (15 minutos)

Acá se define si el agente sirve. Armá una lista de 15 preguntas antes de probar, distribuidas así:

• Cinco preguntas cuya respuesta esté claramente en el documento.

• Cinco preguntas cuya respuesta no esté. El agente debe reconocer que no sabe.

• Tres preguntas ambiguas o mal escritas.

• Dos preguntas fuera de tema, para verificar que se mantiene en su rol.

Anotá el resultado de cada una. Si falla en las del segundo grupo —inventa respuestas— el problema casi siempre está en el prompt de sistema, no en el modelo. Reforzá la instrucción de límites y volvé a probar.

Tres casos de uso listos para replicar

Asistente de documentación interna

Cargás manuales, políticas y procedimientos. El equipo pregunta en lenguaje natural en vez de buscar en carpetas compartidas. Es el caso con mejor retorno inmediato en casi cualquier organización, porque el dolor —"nadie encuentra nada"— es universal.

Clasificador y redactor de respuestas de correo

El agente lee los mails entrantes, los clasifica por urgencia y tipo, y propone un borrador de respuesta. Regla no negociable: el envío queda siempre en manos de una persona. La automatización acelera la redacción, no reemplaza la decisión.

Agente de investigación

Le das un tema, busca en la web, contrasta varias fuentes y devuelve un resumen estructurado con links. Sirve para monitoreo de competencia, seguimiento de un sector o preparación de reuniones. Es el caso que mejor muestra la diferencia entre un agente y un chat común.

Si querés ver cómo se combinan varios de estos agentes dentro de un mismo proceso de trabajo, en este artículo sobre el stack de automatización con IA para empresas sin developers está el panorama completo de herramientas.

Errores frecuentes al construir el primer agente

• Darle demasiadas herramientas. Con más de cuatro o cinco, el agente empieza a elegir mal. Menos herramientas, mejor desempeño.

• Prompt de sistema vago. "Sos un asistente útil" no restringe nada. Cuanto más específico, más consistente.

• No definir qué hacer cuando no sabe. Sin una instrucción explícita, el modelo va a completar con lo que le parezca plausible.

• Probar solo con preguntas fáciles. Un agente que responde bien las cinco preguntas obvias puede fallar catastróficamente en producción.

• Dejar acciones irreversibles sin supervisión. Enviar, borrar, pagar o publicar deben requerir confirmación humana hasta que el flujo tenga meses de historial estable.

Qué medir para saber si funciona

Tres métricas simples alcanzan: porcentaje de respuestas correctas sobre tu lista de prueba, porcentaje de veces que reconoce no saber cuando corresponde, y tiempo ahorrado por semana respecto al proceso manual. Con esos tres números tenés un caso presentable ante cualquier equipo.

Cursos recomendados de Coderhouse

• Nivel inicial — Curso de Introducción a la Inteligencia Artificial: entender por qué un modelo alucina y cómo se controla es lo que separa un agente confiable de uno peligroso.

• Nivel intermedio — Curso de AI Agents: diseño, herramientas, memoria y evaluación de agentes en profundidad.

• Para integrarlo al trabajo — Curso de AI Automation: cómo conectar el agente con las aplicaciones que ya usa tu equipo.

• Nivel avanzado — Curso de AI Engineering: para quien quiera pasar del no-code a construir sistemas propios.

Preguntas frecuentes

¿Cuánto cuesta mantener un agente de IA andando?

Para uso personal o de un equipo chico, el consumo de modelo suele ubicarse entre unos pocos dólares y unas decenas por mes, según el volumen de consultas y el modelo elegido. Las plataformas de construcción tienen planes gratuitos suficientes para empezar; el costo escala cuando pasás a uso intensivo con muchos usuarios.

¿Es seguro cargar documentos de mi empresa?

Depende de dónde se procesen. Antes de cargar información sensible, verificá la política de retención del proveedor del modelo y si tu organización tiene una política de uso de IA. La alternativa más segura es instalar la plataforma en un servidor propio y usar modelos con acuerdos empresariales.

¿Puede un agente equivocarse y hacer daño?

Sí, y por eso las acciones irreversibles deben requerir aprobación humana. Un agente que solo lee y sugiere tiene riesgo bajo; uno que envía correos, modifica bases de datos o ejecuta pagos necesita permisos acotados, límites y registro de todo lo que hace.

¿Qué pasa si cambio de proveedor de modelo?

En las plataformas visuales el modelo es un nodo intercambiable: cambiás el proveedor y la clave sin rehacer el flujo. Lo que sí conviene es volver a correr la lista de pruebas, porque cada modelo interpreta las instrucciones con matices distintos.

¿Vale la pena aprender a programar si puedo hacer esto sin código?

Las herramientas visuales cubren la enorme mayoría de los casos de uso internos. Programar deja de ser opcional cuando necesitás integraciones que no existen, control fino sobre costos y latencia, o llevar el agente a producción con muchos usuarios simultáneos. Empezar sin código y aprender a programar después es una secuencia perfectamente válida.