«Agente de IA», «LLM», «asistente» y «copiloto» se usan casi como sinónimos en muchas conversaciones comerciales, y no lo son. Una empresa que pregunta «¿nos hace falta un agente de IA?» puede estar preguntando por cinco cosas muy distintas: un chat que redacta correos, un asistente que ve los documentos de Word del equipo, un bot que responde en la web, un sistema que lee facturas y las concilia solo, o un modelo corriendo dentro de su propio servidor. Cada una resuelve un problema diferente, cuesta un dinero distinto y tarda un tiempo distinto en dar resultado. Esta comparativa ordena las opciones reales que existen hoy para llevar IA generativa a una empresa, qué necesita cada una para funcionar bien y en qué momento se queda corta.
LLM y agente no son la misma pregunta
Un LLM (modelo de lenguaje) es el motor: el sistema que entiende texto y genera una respuesta con sentido. Un agente es lo que se construye alrededor de ese motor para que, además de responder, haga algo (busque en unos documentos, consulte un CRM, rellene un formulario o decida el siguiente paso de un proceso). Ahí es donde se pierde la mayoría de las empresas que evalúan proveedores: al comparar «agentes y LLM» mezclando los dos niveles. Preguntar «¿qué modelo usáis por debajo?» tiene una respuesta técnica correcta, pero no dice nada sobre si ese modelo puede leer las facturas del mes, escribir en el ERP o quedarse callado cuando no sabe la respuesta en lugar de inventársela.
Antes de comparar herramientas conviene separar las dos preguntas: qué modelo hay detrás, y qué permiso tiene ese modelo para actuar sobre tu información y tus sistemas. La primera pregunta cambia poco entre proveedores serios; la segunda es la que de verdad determina el proyecto, el plazo y el riesgo. Si quieres el mapa completo de cómo se lleva un agente de la prueba de concepto a un uso diario fiable, lo cubrimos en detalle en nuestra guía de agentes de IA en producción; este artículo se queda en un paso anterior: decidir qué tipo de opción encaja con tu caso antes de ponerte a construir nada.
El mapa de opciones: de la ventana de chat al agente que actúa solo
Ordenamos las opciones de menos a más integradas con tu empresa, no de peor a mejor: la opción «correcta» depende del problema, no existe un escalón que sea superior en abstracto.
Un asistente genérico, sin conectar a nada
Es el punto de partida de casi todo el mundo: alguien del equipo abre un chat de IA en el navegador y lo usa para redactar, resumir o traducir. Es gratis o casi gratis, no requiere proyecto ni permiso de nadie, y sirve de verdad para tareas sueltas. El límite aparece rápido: el modelo no conoce tus documentos ni tus sistemas, cada persona lo usa de una forma distinta, y lo que se pega en ese chat —un contrato, un dato de cliente— sale de tu control sin que quede ningún rastro de qué se compartió ni con qué política de retención. Es una herramienta personal, no una solución de empresa.
El LLM integrado en las herramientas que ya usas
Microsoft 365 Copilot es el ejemplo más extendido: el mismo motor de lenguaje, pero conectado a tu correo, tus documentos de Word y Excel y tus reuniones de Teams, respetando —en teoría— los permisos que ya tenías configurados en esos sistemas. La ventaja es que no hay que construir nada desde cero ni migrar datos a ningún sitio nuevo. La trampa habitual es justo esa herencia de permisos: si en tu SharePoint hay carpetas con permisos mal puestos desde hace años, Copilot no lo arregla, lo hereda y lo pone más a la vista. Antes de activarlo a toda la plantilla conviene auditar quién ve qué; lo explicamos con más detalle en nuestro servicio de consultoría de adopción de Microsoft Copilot y en el comparativo Copilot empresarial frente a un chat genérico.
RAG: el LLM responde con tu información
RAG (generación aumentada por recuperación) es la opción cuando el conocimiento que necesitas no vive en Microsoft 365 ni en ningún sitio al que Copilot llegue de forma nativa: manuales técnicos, contratos, una base de conocimiento interna, documentación de producto dispersa en PDF. El modelo deja de responder «de memoria» y pasa a buscar primero en tus documentos y a contestar citando de dónde saca la respuesta, lo que reduce mucho el riesgo de que se invente algo con seguridad. Es una de las opciones que más rápido demuestra su valor, porque el problema que resuelve —«nadie encuentra la respuesta correcta a tiempo»— es doloroso y visible todos los días. Puedes ver el planteamiento completo en nuestro servicio de RAG y búsqueda interna con IA y en la guía sobre qué es RAG y cómo mejora la búsqueda de tu empresa.
Chatbot de atención al cliente
Aquí el LLM ya no habla solo con tu equipo, habla con tus clientes, y eso cambia las reglas: necesita un tono definido, límites claros de lo que puede prometer y un escalado a una persona cuando la conversación se sale del guion. Combina bien con RAG —para que responda con tu catálogo y tus políticas reales, no con generalidades— y suele conectarse al CRM o al sistema de pedidos para dar respuestas concretas, no genéricas. El servicio completo está en chatbot de atención al cliente con IA.
Agentes que leen, deciden y ejecutan
Este es el salto real de «responde» a «actúa». Un agente de back office puede leer una factura que llega por correo, extraer los datos, conciliarla contra un pedido y generar el asiento en el ERP sin que nadie lo teclee a mano. La diferencia con las opciones anteriores es que ya no basta con que el modelo entienda texto: necesita permiso para tocar sistemas de verdad, y eso exige decidir con cuidado qué puede hacer solo y qué necesita confirmación humana antes de ejecutarse. Es la opción con más recorrido, pero también la que más disciplina de diseño exige. La cubrimos en agentes de IA para back office y, para el caso concreto de documentos, en procesamiento inteligente de documentos.
Automatización orquestada de varios pasos
Cuando el proceso completo tiene varios pasos y varios sistemas por medio (llega un correo, se clasifica, se extraen datos, se valida contra otro sistema, se notifica a alguien), la pieza que encaja no es un agente suelto sino un flujo que orquesta varios pasos, algunos con IA y otros con lógica sencilla de toda la vida. n8n es la herramienta que más usamos para esto porque permite mezclar nodos deterministas con pasos de IA en el mismo flujo, y desplegarlo tanto en la nube como en servidor propio. Si aún dudas entre esta opción y otras herramientas de automatización, lo tratamos aparte en automatización con n8n e IA, en la comparativa de herramientas de automatización (RPA, iPaaS, n8n, nativa del fabricante y código a medida) y en n8n frente a Make y Power Automate.
IA soberana: el modelo dentro de tu propia red
Cualquiera de las opciones anteriores puede construirse con el modelo corriendo en un servidor propio en lugar de en la nube de un proveedor externo. No es una opción distinta en cuanto a lo que hace el agente, sino en cuanto a dónde vive el dato mientras el modelo lo procesa: dentro de tu red, sin salir hacia un tercero. Tiene sentido cuando el dato es especialmente sensible —historiales clínicos, expedientes, información con obligación legal de confidencialidad— o cuando la política interna simplemente no permite que cierta información salga de la infraestructura propia. A cambio exige más capacidad técnica propia y un mantenimiento continuo del servidor y del modelo, así que no es la opción por defecto para todo, sino la que se elige a propósito cuando el resto no encaja. Lo desarrollamos en IA soberana y on-premise para empresas y en IA on-premise frente a nube: cuándo conviene una IA soberana.
Ninguna de estas siete opciones sustituye a las demás: es habitual que convivan dos o tres a la vez, por ejemplo un RAG interno que alimenta a un agente de back office, con el chatbot de atención al cliente como pieza aparte. El error habitual no es elegir mal una opción, es intentar resolver todos los problemas con una sola herramienta porque fue la primera demo que vio alguien del equipo.
Comparativa por criterios
La tabla resume, para cada opción, qué resuelve, de dónde saca el conocimiento, cuánto suele tardar en estar operativa y dónde se queda corta si es la única pieza del proyecto.
| Opción | Qué resuelve | De dónde saca el conocimiento | Puesta en marcha típica | Dónde se queda corta |
|---|---|---|---|---|
| Asistente genérico sin conectar | Redactar, resumir, primera respuesta a preguntas sueltas | Conocimiento general del modelo y lo que cada persona pega en el chat | Inmediata, sin proyecto | No conoce tus documentos ni tus sistemas; no queda rastro de qué se compartió |
| LLM integrado (Copilot) | Acelerar tareas dentro de Word, Excel, Teams, Outlook | Tus ficheros y correos, según los permisos ya configurados | Semanas, según licencias y estado de los permisos | Hereda el desorden de permisos que ya tuvieras en el origen |
| RAG | Responder con tu información, citando la fuente | La base documental que le conectes | De varias semanas a un par de meses según volumen y calidad | Solo es tan bueno como los documentos que le des |
| Chatbot de atención al cliente | Resolver consultas repetitivas 24/7 en web o soporte | Catálogo, FAQ y, si se conecta, CRM o pedidos | Semanas | Sin escalado claro a una persona, genera frustración fuera de guion |
| Agente que actúa (back office) | Tareas de varios pasos: leer, decidir, ejecutar | Documentos y herramientas a las que se le da acceso | Desde un mes, según cuántos sistemas toque | Exige supervisión y límites claros de qué puede hacer sin confirmación |
| Automatización orquestada (n8n + IA) | Encadenar varios pasos y sistemas en un proceso completo | Cada nodo del flujo decide qué información usa | Semanas a meses según la complejidad | Es tan robusto como el peor de sus pasos; sin manejo de errores, falla en cadena |
| IA soberana / on-premise | Cualquiera de las anteriores, con el modelo dentro de tu red | Tus datos, sin salir de tu infraestructura | Más larga: exige infraestructura propia | Requiere capacidad técnica y mantenimiento propio continuo |
El eje que de verdad decide: qué dato ve el modelo
Más allá del precio o de lo vistosa que sea la demo, el criterio que con más frecuencia inclina la balanza en empresas que manejan datos personales o información sensible —clientes, empleados, historiales, expedientes— es qué información llega a ver el modelo y quién más tiene acceso a ella mientras dura el procesamiento. El RGPD, por el principio de responsabilidad proactiva (art. 5.2) y el régimen de encargados del tratamiento (art. 28), obliga a la empresa responsable a poder acreditar qué terceros procesan los datos personales que gestiona y en qué condiciones, algo que se vuelve más sencillo cuando el dato no sale de la infraestructura propia o cuando el acceso está acotado y queda registrado.
Esto es lo que hace que, en la práctica, la elección no sea solo «RAG sí o RAG no» sino también con cuánto control se conecta ese RAG o ese agente a las herramientas reales de la empresa. Cuando un agente necesita hablar con varios sistemas a la vez —el ERP, el CRM, el correo— sin que cada integración sea un desarrollo distinto y sin perder de vista qué puede leer y qué puede escribir cada uno, es donde entra el Model Context Protocol (MCP): un estándar abierto que normaliza cómo se conecta un agente a tus herramientas. El permiso se define y se acota integración a integración, en lugar de dar acceso general «por si acaso». Lo explicamos con detalle en MCP para empresas: conectar agentes con control.
Qué entra en juego con el AI Act
El Reglamento (UE) 2024/1689, conocido como AI Act, es la norma europea que regula el desarrollo y uso de sistemas de inteligencia artificial. Entre sus obligaciones está el artículo 50, que exige que quien construye un chatbot o un agente conversacional informe a la persona de que está interactuando con un sistema de IA, aplicable desde el 2 de agosto de 2026. No es una limitación técnica ni una moda de diseño: es una obligación legal, y afecta directamente a las opciones de este artículo que hablan con un cliente, como el chatbot de atención o un agente de voz.
El calendario vigente lo fija el Reglamento (UE) 2026/1744, el «Ómnibus digital sobre IA», en vigor desde el 27 de julio de 2026. No aplazó la obligación de informar de que se interactúa con una IA (art. 50.1), exigible desde el 2 de agosto de 2026. Solo el marcado de contenido sintético del artículo 50.2 tiene un régimen transitorio de cuatro meses, hasta el 2 de diciembre de 2026, para los sistemas generativos ya introducidos en el mercado. El Ómnibus sí aplazó el capítulo de alto riesgo: los sistemas del anexo III al 2 de diciembre de 2027 y los del anexo I al 2 de agosto de 2028. El resto de obligaciones (qué hay que documentar, cómo se demuestra el cumplimiento, qué cambia según el nivel de riesgo del sistema) depende de cada caso concreto y es más profundo de lo que cabe en una comparativa de opciones. Si tu agente toma decisiones que afectan a personas o gestiona datos sensibles, conviene revisarlo con detalle antes de lanzarlo; ya cubrimos la implementación técnica del etiquetado y aviso de interacción con IA en AI Act art. 50: cómo etiquetar contenido generado por IA, y la gobernanza más amplia —trazabilidad de modelos, evaluación de sesgo, documentación técnica— en nuestro servicio de gobernanza técnica de IA y AI Act.
Cómo elegir sin dejarte llevar por la demo
El orden que mejor funciona en la práctica no empieza por la herramienta, empieza por el problema. Tres preguntas, en este orden, suelen bastar para descartar la mayoría de las opciones antes de comparar precios:
- ¿Con quién habla el sistema? Si es tu propio equipo, un asistente genérico o Copilot pueden ser suficientes. Si habla con clientes, entras directamente en el terreno del chatbot o el agente de voz, con las obligaciones de transparencia que eso conlleva.
- ¿Solo responde o también actúa? Si el resultado final es texto —una respuesta, un resumen, un borrador—, te quedas en el terreno del LLM y el RAG. Si el resultado final es que algo cambia en un sistema —una factura conciliada, un pedido creado—, necesitas un agente con permiso de escritura y supervisión, no solo un modelo que conteste bien.
- ¿Cómo de sensible es el dato que va a ver el modelo? Cuanto más sensible, más peso gana la opción soberana y más cuidado hay que poner en cómo se conecta el agente a cada sistema, no solo en qué modelo usa por debajo.
La pregunta que casi nunca ayuda es «¿qué LLM es mejor?». Los modelos serios de hoy resuelven razonablemente bien la parte de entender y generar texto; lo que marca la diferencia entre un proyecto que funciona y uno que se queda en piloto eterno es el diseño alrededor: qué ve el modelo, qué puede hacer con ello y quién supervisa cuando se equivoca.
Preguntas frecuentes
¿Qué diferencia hay entre un LLM y un agente de IA?
Un LLM es el modelo de lenguaje que entiende y genera texto. Un agente es el sistema que se construye alrededor de ese modelo para que, además de responder, consulte información, use herramientas o ejecute acciones. Un chat que solo contesta preguntas usa un LLM sin ser, en sentido estricto, un agente.
¿Necesito RAG si ya tengo Microsoft 365 Copilot?
Depende de dónde viva la información que necesitas consultar. Copilot funciona bien sobre lo que ya está en tu Microsoft 365 con los permisos que tengas configurados. Si el conocimiento crítico vive en otro sitio —un ERP, una base de datos, documentación técnica en PDF—, un RAG diseñado para esa fuente suele dar mejores respuestas que forzar a Copilot a buscar donde no está pensado para hacerlo.
¿Puedo empezar con un LLM en la nube y pasar después a IA soberana?
Sí, es habitual empezar con un modelo en la nube para validar el caso de uso rápido y barato, y migrar a IA soberana cuando el proyecto ya funciona y el volumen de datos sensibles lo justifica. Lo importante es diseñar el agente desde el principio de forma que esa migración no obligue a rehacerlo entero.
¿Qué agentes de IA tienen más obligaciones bajo el AI Act?
En términos generales, cuanto más habla un agente directamente con una persona o más peso tiene su decisión sobre ella, más obligaciones de transparencia y documentación entran en juego. El proveedor de un chatbot de atención al cliente o de un agente de voz debe informar de que se interactúa con una IA; si tu empresa lo contrata a un tercero, conviene comprobar en el contrato quién asume esa obligación. Cada caso concreto conviene revisarlo con detalle, no a partir de una regla general.
Fuentes consultadas
- Reglamento (UE) 2024/1689 — AI Act (EUR-Lex): norma europea sobre inteligencia artificial, incluida la obligación de transparencia del artículo 50.
- Reglamento (UE) 2026/1744 — Ómnibus digital sobre IA (DOUE, espejo BOE): modifica el Reglamento (UE) 2024/1689 y fija el calendario vigente de aplicación.
- Reglamento (UE) 2016/679 — RGPD (EUR-Lex): base normativa sobre responsabilidad del tratamiento de datos personales.
Este artículo es orientativo y no sustituye un análisis individualizado de los sistemas y procesos de tu empresa.
Si quieres decidir con datos concretos de tu operación —no solo con este mapa general—, el equipo de Summum IA puede analizar tus procesos actuales y proponer qué combinación de opciones encaja de verdad, ya sea un RAG sobre tu documentación o el diseño de un chatbot de atención al cliente.