AGENTES IA: LA GUÍA COMPLETA (monetiza hoy)

Dos personas descubren los agentes de IA el mismo mes.

Una se pasa semanas probando demos, viendo hilos de "mira lo que hace este agente" sin entender qué hay debajo (function calling, orquestación, memoria persistente), y por eso nunca pasa de la capa de marketing. La otra entendió que un agente es, técnicamente, un loop de razonamiento con acceso a herramientas y estado, y empezó a venderlo como infraestructura desde la primera semana.

La diferencia no es talento. Es que la segunda persona entendió la arquitectura lo suficiente como para diagnosticar qué necesita un negocio real, no solo repetir un demo de YouTube.

Esta guía es larga y técnica a propósito. Si ya sabés qué es un LLM pero nunca armaste un agente en producción, no necesitás una lista de herramientas sueltas, necesitás el mapa completo: arquitectura, stack, qué cobrar, dónde conseguir el primer cliente y qué errores técnicos te van a hacer perder un mes si no los ves venir.

Guardala. Vas a volver más de una vez.

La guía tiene seis niveles, de menor a mayor complejidad de arquitectura antes de facturar, más errores técnicos comunes y stack por categoría al final.

TL;DR técnico

Nivel 0: arquitectura mínima antes de elegir nada

Antes de vender nada, entendé las piezas que componen un agente real:

El loop agéntico. Un agente no es "un prompt que responde": es un ciclo de percepción → razonamiento → acción → observación que se repite hasta cumplir el objetivo o llegar a un límite de pasos. El modelo decide qué herramienta llamar, la herramienta devuelve un resultado, el modelo decide el siguiente paso. Sin este loop, tenés un chatbot.

Tool calling / function calling. Es lo que le permite al modelo ejecutar código real: consultar una API, escribir en una base de datos, mandar un mail. Cada herramienta se define con un schema (nombre, parámetros, descripción) que el modelo usa para decidir cuándo y cómo invocarla.

MCP (Model Context Protocol). Es el estándar abierto que impulsó Anthropic y que ya adoptaron Google (Gemini Spark) y otros, para exponer herramientas y fuentes de datos a un agente de forma uniforme, sin tener que reescribir la integración para cada modelo. Si vas a construir agentes que van a durar más de un cliente, aprender a exponer tus propias herramientas vía MCP te ahorra reescribir todo cuando cambies de modelo o el cliente cambie de proveedor.

Memoria y estado. Corto plazo (contexto de la conversación actual) vs. largo plazo (qué recuerda el agente de interacciones pasadas con ese usuario específico, típicamente en una base vectorial o un store clave-valor). Un agente sin memoria persistente repite las mismas preguntas cada sesión, y es la queja número uno de usuarios finales.

RAG. Antes de que el agente razone, necesita datos correctos. RAG es indexar la base de conocimiento del cliente (documentos, FAQs, catálogo) en una base vectorial y recuperar los fragmentos relevantes para inyectarlos en el contexto del modelo en cada consulta. Un mal chunking o un mal embedding arruina un agente que técnicamente "funciona".

No elijas el caso de uso por potencial de mercado, elegí por ventaja de dominio: si ya entendés el flujo operativo de un rubro (logística, salud, legal), ahí es donde vas a diseñar el mejor agente, porque sabés qué preguntar y qué falla puede tener.

Definí el resultado medible antes que la arquitectura. "Te integro un agente de IA" no se vende. "Reducimos el tiempo de primera respuesta de 4 horas a 2 minutos, con escalamiento automático a humano cuando la confianza del modelo cae por debajo de X%" sí se vende, porque hay una métrica.

Cobrá desde el primer cliente. Un agente gratis "para portfolio" no te da feedback real de producción: te da feedback de demo, que es distinto.

Nivel 1: automatizaciones + un tool call de IA (lo que podés cobrar esta semana)

No hace falta un framework de agentes complejo para el primer ingreso. Necesitás un flujo determinístico (automatización tradicional) con un punto de decisión inteligente hecho por LLM.

Bot de atención de primer nivel con clasificación de intención. Un webhook recibe el mensaje de WhatsApp/chat, un LLM clasifica la intención (consulta de precio, estado de pedido, queja) con function calling, y según la clasificación el flujo determinístico ejecuta la acción correspondiente o escala a un humano. Stack típico: n8n o Make como orquestador, un modelo vía API para la clasificación, integración con la base de datos del negocio para las respuestas dinámicas. Cobralo como mensualidad con un SLA de tiempo de respuesta.

Agente de research y resumen con RAG básico. Para abogados, consultores, analistas: indexás sus documentos (jurisprudencia, informes, contratos) en una base vectorial simple, y el agente responde preguntas citando la fuente exacta. La parte técnica que importa acá es el chunking correcto: documentos legales necesitan chunks que preserven contexto de artículo/cláusula, no cortes arbitrarios cada N tokens.

Pipeline de calificación de leads con scoring. El agente hace 3-4 preguntas estructuradas por chat, extrae entidades (presupuesto, urgencia, tipo de producto) usando structured output / JSON mode, y calcula un score que decide si el lead pasa a un vendedor humano o queda en nurturing automático. Es fácil de vender porque el ROI es directo: menos tiempo del equipo de ventas en leads fríos.

Agente de seguimiento con triggers basados en estado. Conectado al CRM o a la base de turnos, dispara recordatorios, reprograma citas y hace seguimiento post-venta según el estado del registro (no según un cronograma fijo ciego). Acá la parte técnica es el manejo de estado: el agente necesita leer el estado actual antes de decidir la próxima acción, no solo ejecutar un cron.

Cómo conseguir el primer cliente: no ofrezcas "un agente de IA" genérico. Diagnosticá un cuello de botella medible (tiempo de respuesta, tasa de abandono, horas del equipo en tareas repetitivas) en un negocio concreto y proponé el flujo específico que lo resuelve.

Nivel 2: de flujo a producto empaquetado

Una vez que armaste el mismo tipo de agente varias veces para el mismo vertical, empaquetalo como producto técnico reutilizable.

Templates de flujos con variables parametrizadas. En n8n/Make, un flujo completo (webhook → clasificación LLM → acción → logging) exportado como plantilla donde el cliente solo carga sus credenciales de API y su base de conocimiento. El trabajo de diseño ya está pagado; la venta siguiente es casi margen puro.

Kits de prompts + schemas de function calling para un vertical. El prompt de sistema, los ejemplos few-shot, y los schemas de las funciones ya probados y ajustados para un sector específico (inmobiliaria, salud, legal). Empaquetado como repo o como colección importable en la herramienta que uses.

Bases de conocimiento pre-estructuradas para RAG por industria. Si ya resolviste el chunking y el esquema de metadata óptimo para, por ejemplo, catálogos inmobiliarios, eso es un producto: la estructura de indexado, no solo los datos.

Mini-formación técnica sobre tu propio stack. Cómo armaste el pipeline completo (orquestador + modelo + vector DB + observabilidad), documentado paso a paso. Vendible como curso corto a otros que quieren montar lo mismo pero no quieren pasar por la curva de prueba y error.

Dónde vender: plataformas de infoproductos, un repo privado con acceso pago, o entrega manual mientras validás demanda antes de invertir en algo más sofisticado.

Nivel 3: sistemas que corren solos (agentes de monitoreo continuo)

Acá el objetivo es "el sistema genera valor sin que yo dispare cada ejecución". Requiere jobs programados, triggers por evento, y manejo de errores sin supervisión humana constante.

Agente de monitoreo 24/7 con alertas. Un cron job o listener por evento que corre un agente que revisa fuentes (precios de competencia, menciones de marca, cambios regulatorios), compara contra el estado anterior guardado, y dispara una alerta solo si hay cambio relevante, evitando falsos positivos con un segundo paso de verificación por LLM antes de notificar. Monetizás por suscripción.

Newsletter/canal con pipeline de research automatizado. Scraping o consumo de API de fuentes del nicho → agente que resume y rankea por relevancia → vos revisás y le das el ángulo antes de publicar. La parte técnica es el pipeline de ingestión y deduplicación, no la redacción final.

Cuenta de análisis técnico de herramientas de agentes con afiliación. Benchmarks propios corriendo los mismos casos de prueba contra distintas plataformas (n8n vs. Make vs. frameworks de agentes tipo LangGraph o Claude Agent SDK), publicados con metodología clara. El rigor técnico es lo que te diferencia de contenido genérico.

El error técnico típico de este nivel: no loguear ejecuciones fallidas. Si el sistema corre sin supervisión, necesitás un canal de alertas para vos mismo cuando algo rompe, o el cliente lo descubre antes que vos.

Nivel 4: integración profunda (donde está el ticket alto)

Esto exige entender la arquitectura de sistemas del cliente, no solo saber armar un agente aislado. Es el nivel donde un solo cliente puede valer lo que diez del Nivel 1.

Integración de agentes con sistemas legacy (ERP/CRM propietario). Conectar un agente a sistemas sin API moderna a veces requiere RPA (automatización de UI) combinado con function calling, o construir un middleware propio. Acá la competencia de no-code builders desaparece porque el problema es de integración de sistemas, no de prompting.

Arquitectura multiagente para procesos complejos. Un agente orquestador que delega subtareas a agentes especializados (uno que consulta datos, otro que redacta, otro que valida contra reglas de negocio), coordinados con un framework tipo LangGraph, CrewAI, o el SDK de agentes de Anthropic. El diseño del grafo de decisión y el manejo de fallos parciales es lo que se paga caro acá.

Auditoría técnica de madurez para IA agéntica. Diagnóstico de qué procesos de una empresa son automatizables con agentes hoy vs. qué necesita primero limpieza de datos o exposición de API. Entregable: un plan de implementación con arquitectura propuesta, no solo una lista de ideas.

Mantenimiento con observabilidad como servicio. Dashboards de tracing (qué herramientas llamó el agente, con qué latencia, con qué tasa de error), evals automatizados que corren regresiones cuando cambiás un prompt, y alertas de degradación de calidad. Es ingreso recurrente que casi nadie ofrece como servicio propio porque requiere entender tanto de ingeniería de LLMs como de DevOps.

Para entrar acá no necesitás ser un ingeniero senior, pero sí necesitás poder leer documentación de APIs ajenas, entender autenticación (OAuth, API keys, webhooks firmados) y razonar sobre fallos parciales en sistemas distribuidos.

Nivel 5: convertirlo en sistema propio

Cuando ya tenés varios clientes o un producto que corre solo, el trabajo cambia: de "construir el agente" a "que la arquitectura se replique sin que dependa solo de vos".

Versioná prompts, schemas y flujos como código desde el primer cliente (git, no un textarea). Un prompt que cambia sin control de versiones es la causa número uno de "el agente andaba bien la semana pasada y ahora no sé qué pasó".

Armá un framework interno de templates por vertical, para no rediseñar la arquitectura cada vez. Lo que la primera vez te tomó una semana debería tomarte un día la quinta.

Subí precios antes de sentir saturación de capacidad técnica. Si estás resolviendo los mismos bugs repetidos por falta de tiempo, el precio anterior ya es demasiado bajo.

Medí el costo real por cliente (tokens consumidos, horas de mantenimiento, incidentes) contra lo que factura, no solo el ingreso bruto. Un cliente con un agente que consume mucho contexto y falla seguido puede ser peor negocio que tres clientes simples del Nivel 1.

Errores técnicos más comunes

Stack técnico por categoría

Cierre

Ninguno de estos niveles necesita que seas un ingeniero de ML. Necesita que entiendas la arquitectura lo suficiente como para diagnosticar bien, elijas un caso de uso donde ya tenés ventaja de dominio, y lo vendas con métricas, no con la palabra "IA".

Empezá por el Nivel 1 esta semana: un flujo determinístico con un solo punto de decisión por LLM, medible, cobrado desde el día uno.