Descubre folk el CRM para empresas impulsadas por personas.
Un chatbot espera a la siguiente indicación. Un agente de IA sigue trabajando. Es capaz de interpretar un objetivo, obtener información contextual en tiempo real, elegir una herramienta, actuar, analizar el resultado y ajustar su enfoque sin necesidad de recibir instrucciones en cada paso.
Entonces, ¿cómo funcionan los agentes de IA en 2026? Se mueven a través de un ciclo de decisión iterativo que se basa en un modelo de lenguaje, datos empresariales, memoria, herramientas y mecanismos de control. Un asistente de ventas con IA, por ejemplo, puede buscar en un CRM los acuerdos estancados, revisar el historial de interacciones, identificar el posible obstáculo, preparar un plan de recuperación y actualizar los campos autorizados. El modelo proporciona el razonamiento, pero la arquitectura del agente convierte ese razonamiento en una ejecución controlada.
¿Cómo funcionan los agentes de IA? La respuesta breve
Los agentes de IA funcionan mediante un ciclo continuo de razonamiento y acción:
Objetivo → contexto → plan → uso de la herramienta → observación → ajuste → finalización
El agente parte de un objetivo, en lugar de seguir una secuencia rígida de clics. Examina la información disponible, decide qué debe suceder a continuación y activa la herramienta pertinente. Esa herramienta puede buscar en un CRM, consultar una base de datos, abrir una página web, ejecutar código o actualizar un registro empresarial.
La herramienta devuelve una observación: datos, una confirmación, un error o un resultado inesperado. El agente añade esa observación a su contexto de trabajo y elige la siguiente acción. El ciclo continúa hasta que la tarea cumple los criterios de finalización o requiere la intervención humana.
Imaginemos una solicitud para identificar oportunidades de venta desatendidas. El agente podría:
- Consulta en el CRM los acuerdos pendientes.
- Filtrar los registros que no tengan ninguna interacción reciente.
- Consulta las últimas notas y las partes interesadas.
- clasificar el posible obstáculo.
- elabora un plan de actuación para cada cuenta.
- Solicita autorización antes de actualizar el proceso.
Una automatización tradicional sigue una ruta predefinida y falla cuando los datos de entrada no se ajustan a sus reglas. Un agente de IA puede interpretar datos de entrada variables, revisar su plan y seleccionar una acción diferente sin salirse de los límites de sus permisos.
Cómo funciona el ciclo del agente de IA en 7 pasos
El bucle del agente no es un flujo de trabajo fijo establecido de antemano. El modelo selecciona una acción, observa lo que ha ocurrido y utiliza el nuevo estado para determinar el siguiente paso.
1. El agente recibe un objetivo
Una tarea puede iniciarse a raíz de una indicación, un evento programado, un desencadenante de la aplicación, una alerta del sistema o un traspaso de otro agente. La solicitud debe definir el resultado esperado, más que cada una de las acciones intermedias.
«Identifica los acuerdos empresariales que corren riesgo este trimestre y elabora un plan de intervención».
El agente también recibe instrucciones de funcionamiento: herramientas disponibles, límites de los datos, reglas de negocio, requisitos de aprobación y criterios de finalización.
2. Recupera el contexto pertinente
El modelo no puede tomar una decisión fiable basándose únicamente en el objetivo. Recopila la información necesaria para el paso actual a partir de fuentes como:
- Historial de conversaciones
- Registros de CRM
- Correos electrónicos y actas de reuniones
- Documentación interna
- Bases de datos
- Aplicaciones conectadas
- Eventos del sistema en tiempo real
En el caso de una solicitud de operación en riesgo, el agente puede consultar las fechas de renovación, los valores de la operación, las interacciones recientes, los casos de asistencia pendientes, las partes interesadas y los próximos pasos registrados.
3. Desglosa el objetivo en acciones concretas
El modelo de razonamiento evalúa la situación actual y elabora un plan de trabajo. Puede decidir identificar primero las operaciones que cumplen los requisitos, recuperar en segundo lugar el contexto de la cuenta, clasificar el riesgo en tercer lugar y, por último, preparar las recomendaciones.
Este plan puede cambiar. Si una operación no tiene notas recientes, el agente podría consultar el historial de correos electrónicos. Si la cuenta carece de titular, es posible que se señale el campo que falta en lugar de intentar una asignación no autorizada.
4. Selecciona y activa una herramienta
El agente no puede acceder a los sistemas empresariales basándose únicamente en el razonamiento. Envía una solicitud estructurada a una herramienta autorizada, como por ejemplo:
- Buscar registros del CRM
- Realizar una consulta en una base de datos
- Leer un documento
- Navegar por una página web
- Ejecutar código
- Crear una tarea
- Actualizar un campo del proceso de ventas
Una llamada a una herramienta de CRM podría incluir, como argumentos estructurados, el proceso de ventas, el estado de la operación, el valor mínimo, el plazo de renovación y el umbral de inactividad.
5. Observa el resultado
Cada llamada a una herramienta devuelve nueva información. La respuesta puede contener los registros solicitados, datos parciales, un error de permiso, un resultado vacío o la confirmación de que una acción se ha realizado con éxito.
El modelo incorpora esa observación a su contexto de trabajo y la evalúa en función del objetivo. Si la consulta arroja demasiadas operaciones, el agente puede refinar los criterios. Si falta algún campo obligatorio, puede buscar en otra fuente autorizada o notificar la falta de información.
6. Establece medidas de seguridad y solicita autorización
Las barreras de seguridad comprueban si la acción propuesta se ajusta a la política establecida. Pueden validar los argumentos de las herramientas, restringir el acceso a determinados registros, garantizar que los resultados sigan una estructura determinada, ocultar datos confidenciales o detener la acción antes de que se lleve a cabo una acción con consecuencias importantes.
El agente puede analizar cada operación abierta de forma autónoma, pero necesita confirmación antes de:
- Envía un mensaje externo
- Cambios en la titularidad de la operación
- Edita registros de forma masiva
- Elimina información
- Asigna fondos
- Comparte datos confidenciales
La aprobación distingue entre la preparación autónoma y la ejecución autorizada.
7. Finaliza, eleva el asunto o lo transfiere
El bucle finaliza cuando el agente cumple sus criterios de finalización. Devuelve el análisis, actualiza el sistema aprobado y registra lo que ha ocurrido.
Si la tarea excede las capacidades de sus herramientas o sus permisos, el agente puede escalarla con el contexto ya recopilado. En un sistema con varios agentes, puede, en su lugar, traspasar la tarea a un agente especialista conservando el estado pertinente.
El resultado es una autonomía controlada: el agente elige cómo alcanzar el objetivo, pero las instrucciones, los permisos, las restricciones y los criterios de finalización definen los límites de su actuación.
Todos los componentes que conforman un agente de IA
Un agente de IA no es un modelo lingüístico que actúe por sí solo. Combina un motor de razonamiento con instrucciones, contexto empresarial, herramientas, memoria, coordinación y medidas de seguridad. Cada componente resuelve una parte diferente del problema de ejecución.
Cómo utilizan las herramientas los agentes de IA para actuar
Un modelo de lenguaje puede razonar sobre una tarea, pero no puede inspeccionar un proceso en tiempo real, editar un registro ni realizar un cálculo sin herramientas. Las herramientas ponen a disposición capacidades externas específicas a las que el agente puede acceder mediante solicitudes estructuradas.
El proceso consta de cuatro pasos:
- El modelo determina las medidas que hay que tomar.
- Selecciona una herramienta disponible.
- Genera los argumentos que espera esa herramienta.
- Lee el resultado y decide qué hacer a continuación.
Por ejemplo, un agente que investigue oportunidades inactivas podría utilizar una herramienta de búsqueda del CRM con criterios estructurados como:
{
"cartera de proyectos": "Nuevos negocios",
"estado": "Abierto",
"minimum_value": 20000,
"días_desde_la_última_interacción": 30
}
El CRM devuelve los acuerdos que coinciden. A continuación, el modelo evalúa esos registros y puede recurrir a otra herramienta para recuperar notas, identificar a las partes interesadas o actualizar un campo aprobado.
API para operaciones estructuradas del sistema
Las API exponen funciones predefinidas de las aplicaciones, como la recuperación de registros, la creación de tareas, la actualización de campos o el procesamiento de transacciones. Funcionan bien cuando la solicitud y la respuesta siguen un esquema estable.
El agente no maneja la interfaz de la aplicación. Envía una solicitud legible por máquina directamente al sistema y recibe a cambio datos estructurados.
Servidores MCP para el acceso estandarizado a herramientas y datos
El Protocolo de Contexto de Modelos (MCP) ofrece a los clientes de IA compatibles una forma coherente de conectarse con herramientas y datos externos. En lugar de crear una integración independiente para cada combinación de modelo y aplicación, un servidor MCP publica las capacidades que un agente puede utilizar.
folk MCP, por ejemplo, permite que ChatGPT, Claude, Cursor, VS Code y otros clientes compatibles busquen y actualicen un espacio de trabajo de folk a través de un servidor alojado. El agente puede gestionar personas, empresas, operaciones, notas, grupos e historial de interacciones según los permisos del usuario autenticado.
Navegadores para el trabajo basado en interfaces
Algunos sistemas no ponen a disposición la API o la herramienta MCP necesarias. Un agente de navegador puede navegar por las páginas, leer los elementos de la interfaz, introducir datos, hacer clic en los controles e inspeccionar el estado resultante.
El uso del navegador ofrece un amplio acceso, pero introduce una mayor variabilidad. Los cambios en la disposición de la página, las ventanas emergentes, los requisitos de inicio de sesión y los controles ambiguos pueden interrumpir el flujo de trabajo. Las acciones delicadas o irreversibles suelen requerir una confirmación antes del clic final.
Ejecución de código para análisis y transformación
La ejecución de código ayuda a los agentes a procesar datos, comprobar hipótesis, transformar archivos, realizar simulaciones o validar cálculos. Un agente de datos podría escribir código en Python para fusionar archivos CSV e identificar valores atípicos. Un agente de programación podría ejecutar un conjunto de pruebas tras editar el repositorio.
El resultado se devuelve al agente como otra observación. Una prueba fallida, una consulta vacía o un error de validación no ponen fin automáticamente a la tarea. Proporcionan al modelo un nuevo contexto para el siguiente paso del bucle.
¿Cómo funcionan la memoria y el contexto en los agentes de IA?
Un agente necesita disponer de suficiente información sobre el estado para comprender qué ha ocurrido ya, qué queda pendiente y qué datos son relevantes para la siguiente acción. Esa información sobre el estado puede encontrarse en la ventana de contexto actual, en un almacén de memoria externo o en el sistema empresarial en el que se lleva a cabo el trabajo.
Contexto de trabajo para la tarea actual
El contexto de trabajo contiene la información disponible durante la ejecución activa:
- Objetivo inicial
- Instrucciones del sistema
- Mensajes recientes
- Definiciones de herramientas
- Registros recuperados
- Resultados de la herramienta
- Plan actual
- Acciones ya realizadas
La ventana de contexto tiene una capacidad limitada. Los agentes que ejecutan tareas de larga duración no pueden mantener activos indefinidamente todos los documentos sin procesar, mensajes y resultados de las herramientas. Pueden resumir los pasos completados, eliminar detalles irrelevantes o recuperar información solo cuando sea necesario.
Memoria almacenada entre sesiones
La memoria persistente conserva la información seleccionada una vez finalizada la sesión actual. Puede incluir preferencias del usuario, decisiones anteriores, datos específicos de la cuenta, tareas pendientes o resúmenes de trabajos anteriores.
La memoria útil sigue siendo selectiva. Almacenar cada interacción dificulta la recuperación de la información y aumenta la probabilidad de que la información obsoleta influya en una decisión futura. Por lo tanto, los sistemas de producción necesitan normas que establezcan qué información conservar, actualizar, dar de baja o eliminar.
Los sistemas externos como memoria operativa
A menudo, la información más fiable ya se encuentra en una aplicación empresarial. Un CRM contiene el historial de relaciones. Un servicio de asistencia técnica almacena las incidencias anteriores. Un sistema de seguimiento de proyectos registra los responsables, los obstáculos y los cambios de estado. Un repositorio de código conserva la implementación actual.
Un asistente de ventas basado en IA conectado a folk no necesita memorizar toda la relación con el cliente dentro del modelo. Puede recuperar los últimos contactos, notas, interacciones y el estado de la operación al inicio de la tarea y, a continuación, volver a introducir los cambios aprobados en el CRM. folk sigue siendo la fuente de información fiable y permanente.
La memoria no implica un entrenamiento continuo del modelo
La mayoría de los agentes de IA no actualizan los pesos de su modelo subyacente después de cada tarea. Parecen recordar porque el sistema guarda la información externamente y la recupera durante una ejecución posterior.
La retroalimentación puede mejorar el comportamiento futuro mediante registros corregidos, instrucciones revisadas, mejores descripciones de las herramientas, ejemplos aprobados o una memoria actualizada. El entrenamiento del modelo en sí sigue siendo un proceso independiente. Esta distinción es importante porque el contexto almacenado puede inspeccionarse, corregirse y eliminarse con mayor facilidad que el conocimiento integrado en los pesos del modelo.
Cómo funciona un asistente de ventas basado en IA con un CRM de tip folk
Un asistente de ventas basado en IA entra en funcionamiento cuando puede acceder a datos de relaciones en tiempo real y registrar los resultados aprobados en el CRM. folk proporciona esa conexión a través de un servidor MCP alojado, compatible con ChatGPT, Claude, Cursor, VS Code y otros clientes MCP.
Consideremos la siguiente tarea:
«Busca operaciones abiertas superiores a 20 000 dólares en las que no haya habido actividad en los últimos 30 días, identifica el posible obstáculo y prepara un plan de recuperación».
1. Autenticar el cliente de IA
El usuario conecta el cliente de IA a folk mediante un protocolo OAuth seguro. El agente recibe el mismo acceso al espacio de trabajo que la cuenta autenticada de folk , en función de su rol y sus permisos actuales.
2. Convertir el objetivo en criterios de búsqueda
El agente extrae las condiciones operativas de la solicitud:
- Estado de la operación: pendiente
- Importe mínimo: 20 000 dólares
- Período de inactividad: 30 días
- Resultado esperado: plan de prevención de incidencias y de recuperación
A continuación, selecciona las herramientas de búsqueda pertinentes de folk .
3. Obtener datos en tiempo real sobre las operaciones
A través de la aplicación MCP de folk , el agente busca en el espacio de trabajo oportunidades que coincidan. El resultado puede incluir el nombre de la operación, la empresa, el responsable, el valor, la fase actual y la fecha de la última interacción.
Este primer resultado identifica los registros afectados, pero no ofrece suficiente contexto para diagnosticar el problema.
4. Reconstruir cada relación
El agente recupera las personas, las empresas, las notas, los campos personalizados y el historial de interacciones asociados a cada operación. Busca indicios como:
- Seguimientos sin respuesta
- Objeciones relacionadas con el precio
- Falta de responsables de la toma de decisiones
- Retrasos en la contratación pública
- Requisitos del producto
- Faltan los siguientes pasos
- Disminución de la participación
El CRM actúa como memoria operativa. El agente trabaja a partir del historial de relaciones ya almacenado en folk , en lugar de basarse en el contexto copiado en la línea de comandos.
5. Clasificar el bloqueador
El modelo de razonamiento compara los datos y asigna una causa probable a cada oportunidad que se ha estancado. Debe distinguir entre los hechos confirmados y las inferencias.
Por ejemplo:
- Confirmado: El comprador ha solicitado una revisión de seguridad del SSO.
- Obstáculo deducido: La operación se ha estancado porque no se ha añadido ningún titular de valores tras esa solicitud.
- Prueba que falta: No hay ninguna interacción que confirme si la aprobación del presupuesto se ha completado.
Esta distinción evita que una interpretación plausible se presente como un hecho.
6. Elaborar el plan de recuperación
El agente recomienda una acción concreta para cada cuenta, en lugar de aplicar una secuencia de seguimiento genérica:
- Presentar a un responsable técnico
- Envía la documentación de seguridad solicitada
- Volver a captar al comprador económico
- Confirmar el calendario de la contratación
- Concierta una llamada para tomar una decisión
- Close una oportunidad sin una vía viable para seguir adelante
También puede redactar un mensaje contextual basándose en la conversación grabada y en la fase actual de la negociación.
7. Solicitar autorización
Las tareas de búsqueda, análisis y redacción pueden realizarse sin cambiar de espacio de trabajo. Antes de editar una operación, enviar un mensaje o crear varias tareas, el agente presenta las acciones propuestas para su revisión.
En el paso de aprobación podría aparecer lo siguiente:
«¿Pasamos Northstar a la revisión de seguridad, añadimos “Presentar al ingeniero de soluciones” como siguiente paso y guardamos el resumen de recuperación en las notas del acuerdo?»
8. Indica el resultado aprobado en folk
Tras la confirmación, el agente accede a las herramientas pertinentes de folk para actualizar la operación, añadir una nota, modificar un campo o registrar la siguiente acción. A continuación, comprueba la respuesta de la herramienta para confirmar que la actualización se ha realizado correctamente.
El ciclo completo permanece conectado: folk proporciona el contexto de la relación, el asistente de IA lo interpreta y folk almacena el resultado aprobado. No es necesario que haya ninguna base de datos independiente ni ningún middleware personalizado entre el análisis y la ejecución.
Conclusión
Los agentes de IA funcionan repitiendo un bucle sencillo: interpretar un objetivo, recuperar el contexto, elegir una herramienta, actuar y evaluar el resultado. Los modelos aportan el razonamiento, mientras que las herramientas, la memoria, la coordinación y los mecanismos de control convierten ese razonamiento en una ejecución empresarial fiable.
Para los equipos de ventas, el CRM «folk » proporciona a los agentes de IA el contexto de la relación en tiempo real necesario para actuar de forma adecuada. A través de MCP, un asistente de ventas basado en IA puede analizar oportunidades de venta, preparar los siguientes pasos y actualizar los registros aprobados sin separar la decisión del flujo de trabajo.
Preguntas frecuentes
¿Cómo funcionan los agentes de IA en términos sencillos?
Los agentes de IA reciben un objetivo, recopilan información contextual relevante, planifican la siguiente acción, utilizan una herramienta, evalúan el resultado y repiten el proceso hasta que la tarea se completa o requiere la intervención de una persona.
¿Qué herramientas puede utilizar un agente de IA?
Los agentes de IA pueden utilizar API, servidores MCP, bases de datos, navegadores, entornos de ejecución de código, sistemas CRM, servicios de asistencia técnica, calendarios, plataformas de correo electrónico y otros sistemas empresariales autorizados.
¿Aprenden los agentes de IA de cada tarea?
La mayoría de los agentes no vuelven a entrenar su modelo subyacente después de cada tarea. Conservan la información útil a través del estado de la conversación, la memoria externa, las bases de datos, los archivos y los sistemas empresariales, como un CRM.
¿Cuál es la diferencia entre un agente único y un sistema multiagente?
Un único agente controla todo el flujo de trabajo y recurre a varias herramientas. Un sistema multiagente distribuye el trabajo entre especialistas coordinados por un agente gestor o mediante traspasos directos.
¿Cómo funciona un asistente de ventas basado en IA con un CRM?
Un asistente de ventas basado en IA recopila información en tiempo real sobre los clientes y el proceso de ventas, analiza la cuenta, recomienda la siguiente acción, solicita autorización cuando es necesario y registra el resultado aprobado en el CRM.
Descubre folk
Como el asistente de ventas que tu equipo nunca tuvo