Los casos de uso de agentes de AI para empresas abarcan una gama amplia y en rápida expansión de funciones operativas, desde la automatización de flujos de trabajo de servicio al cliente y el procesamiento de transacciones financieras hasta la investigación, la gestión del monitoreo de cumplimiento y la coordinación de procesos internos de varios pasos que antes requerían atención humana sostenida. El hilo común entre todos ellos es que los agentes de AI manejan trabajo que es demasiado complejo, demasiado repetitivo o demasiado urgente para procesarlo manualmente en la escala en la que operan las empresas modernas.
Vale la pena establecer claramente la diferencia entre un asistente de AI y un agente de AI antes de avanzar. Un asistente responde a indicaciones. Un agente persigue objetivos. Cuando ustedes le hacen una pregunta a un chatbot, este responde. Cuando despliegan un agente en una tarea, este planifica los pasos necesarios, usa las herramientas disponibles para ejecutarlos, evalúa los resultados, ajusta su enfoque con base en lo que encuentra y continúa trabajando hasta que se logra el objetivo o se alcanza un punto de control humano. Esa capacidad de ejecución autónoma de varios pasos es lo que hace que los agentes sean útiles para los flujos de trabajo empresariales más importantes, y también es lo que convierte su despliegue cuidadoso, en lugar de descuidado, en una prioridad organizacional. Esta guía cubre los casos de uso de agentes de AI para empresas con mayor impacto hoy, explica por qué cada uno funciona como funciona y aborda las consideraciones de gobernanza que determinan si un despliegue crea valor o crea problemas.
Por qué los agentes de AI están pasando de la experimentación a las operaciones empresariales centrales
El cambio de herramientas a participantes activos
La mayoría de las empresas que adoptaron la AI en su fase comercial temprana la trataron como una herramienta, algo que se usa cuando se necesita, como un motor de búsqueda o una calculadora. Le daban una indicación, recibían un resultado y decidían qué hacer con ese resultado. El humano seguía siendo el participante activo. La AI producía un artefacto útil.
Los agentes de AI cambian esa relación de manera fundamental. En lugar de esperar a recibir indicaciones para cada paso de una tarea de varias partes, un agente trabaja a través de una secuencia de acciones, tomando decisiones en cada paso con base en los resultados de los anteriores, hasta que la tarea esté completa o se alcance una condición que requiera juicio humano. El humano define el objetivo y las barreras de protección. El agente maneja la ejecución.
Este cambio importa enormemente para las operaciones empresariales porque las partes más costosas y que más tiempo consumen de la mayoría de los flujos de trabajo empresariales no son las tareas individuales dentro de ellos. Son la coordinación, la secuenciación y el seguimiento entre tareas que requieren atención sostenida durante períodos prolongados. Un humano que ejecuta un flujo de trabajo de investigación y reporte de diez pasos debe sostener el contexto completo de la tarea en cada paso, gestionar las transferencias entre herramientas y fuentes de información, y mantener los estándares de calidad sin la variabilidad de atención que la ejecución prolongada de tareas inevitablemente introduce. Un agente hace todo esto sin la carga cognitiva, la variabilidad ni las limitaciones de tiempo que hacen que el mismo flujo de trabajo sea costoso de ejecutar a escala para un equipo humano.
Dónde se está concentrando realmente el valor empresarial
No todos los casos de uso de agentes de AI para empresas entregan un valor equivalente. Las aplicaciones que generan el retorno más medible comparten consistentemente un conjunto de características. Implican la ejecución de alta frecuencia de procesos definidos donde el volumen genera costos. Requieren coordinación entre múltiples fuentes de información o sistemas que es tediosa para los humanos pero sencilla para el software. Tienen criterios de calidad claros contra los cuales un agente puede verificar sus propios resultados. Y liberan la experiencia humana para el trabajo intensivo en juicio que ni la automatización ni los agentes pueden manejar.
Las organizaciones que identifican sus procesos de mayor frecuencia, más definidos y más medibles como punto de partida para el despliegue de agentes reportan consistentemente mejores resultados que aquellas que comienzan con casos de uso ambiciosos y vagamente definidos donde los criterios de éxito no son claros y el desempeño del agente es difícil de evaluar.
Comprender cómo las elecciones de AI architecture afectan la confiabilidad y auditabilidad del agente en procesos empresariales de alta frecuencia ayuda a las organizaciones a diseñar despliegues que escalen sin la degradación de calidad que los sistemas de agentes mal arquitectados exhiben a medida que crece el uso.
Los casos de uso de agentes de AI con mayor impacto para empresas hoy
Operaciones de servicio y soporte al cliente
El servicio al cliente es uno de los casos de uso de agentes de AI para empresas más ampliamente desplegados y más maduros. La combinación de alto volumen de interacciones, flujos de trabajo de resolución definidos y calidad de resultados medible lo convierte en una opción natural para el despliegue de agentes, y la evidencia operacional de organizaciones que han desplegado agentes acá es sustancialmente positiva.
Los agentes de AI en servicio al cliente hacen mucho más que responder preguntas frecuentes. Un agente de servicio al cliente bien desplegado maneja el flujo de trabajo de resolución completo para una porción significativa de los contactos entrantes. Recupera el historial y contexto del cliente, identifica la naturaleza del problema, verifica la elegibilidad contra la política actual, identifica opciones de resolución, ejecuta la resolución cuando la autorización lo permite, comunica el resultado al cliente y registra la interacción para fines de monitoreo de calidad y cumplimiento. Esa secuencia, que requiere que un representante humano mantenga múltiples sistemas abiertos simultáneamente y se coordine entre ellos en cada contacto, se ejecuta de manera autónoma para los contactos que caen dentro de la autoridad de resolución definida del agente.
El camino de escalación humana es el elemento de diseño crítico que determina si esto funciona bien o crea frustración en el cliente. Los contactos que exceden la autorización del agente, involucran circunstancias inusuales o donde el cliente solicita un representante humano deben llegar a un humano rápidamente y con todo el contexto transferido. El trabajo del agente es manejar los contactos que puede manejar bien, no manejar todos los contactos sin importar si encaja.
Ventas y gestión de leads
Las operaciones de ventas representan un área de despliegue de agentes de AI de alto valor donde la combinación de procesamiento de datos, secuenciación de contactos y consistencia en el seguimiento hace que los agentes sean significativamente más efectivos que los equivalentes gestionados manualmente que reemplazan.
Los agentes de AI aplicados a los flujos de trabajo de ventas manejan la calificación de leads contra criterios definidos sin la inconsistencia que la calificación humana introduce en alto volumen. Investigan cuentas y contactos antes del contacto, ensamblando contexto relevante de múltiples fuentes que a un investigador humano le tomaría tiempo significativo reunir manualmente. Ejecutan secuencias de seguimiento con la consistencia de tiempos que los representantes humanos de ventas, gestionando su propia atención entre oportunidades activas, rara vez logran en la práctica. Y sacan a la luz señales de priorización de un pipeline grande que serían invisibles para un humano que revisa los mismos datos sin asistencia analítica.
El límite importante en el despliegue de agentes de ventas está entre el trabajo de investigación, calificación, secuenciación y priorización que los agentes manejan eficazmente y la construcción de relaciones, la negociación y el desarrollo de confianza que sigue siendo claramente humano. Las organizaciones que despliegan agentes para manejar lo primero mientras aseguran que sus profesionales de ventas se enfoquen en lo segundo típicamente ven mejorar simultáneamente tanto la eficiencia como la calidad de la relación porque los humanos ya no están gastando su atención en coordinación administrativa que no agrega valor a la relación.
Operaciones financieras y monitoreo de cumplimiento
Las funciones de finanzas y cumplimiento representan uno de los casos de uso de agentes de AI para empresas más atractivos porque la combinación de procesamiento basado en reglas de alto volumen, requisitos estrictos de precisión y costo significativo del error crea exactamente las condiciones donde el despliegue de agentes entrega un valor medible.
Los flujos de trabajo de cuentas por pagar y por cobrar implican grandes volúmenes de procesamiento de documentos, emparejamiento, verificación y manejo de excepciones que los agentes manejan de manera más consistente y a mayor escala que los equipos de procesamiento manual. Los agentes de procesamiento de facturas extraen datos relevantes de los documentos entrantes, los emparejan con órdenes de compra y contratos, marcan excepciones para revisión humana y enrutan aprobaciones a través de flujos de trabajo definidos con la documentación de pista de auditoría que requieren los controles financieros.
Los agentes de monitoreo de cumplimiento vigilan flujos de transacciones, registros de comunicaciones y datos operacionales contra reglas regulatorias de manera continua en lugar de a través del muestreo periódico del que depende la revisión manual de cumplimiento. Un agente de cumplimiento que monitorea las comunicaciones de trading por problemas de riesgo de conducta procesa cada mensaje en lugar de una muestra estadística, aplicando reglas consistentes sin la variabilidad de fatiga que los revisores humanos exhiben en sesiones de monitoreo prolongadas. Las excepciones se escalan a profesionales de cumplimiento calificados que aplican juicio a los casos que genuinamente lo requieren, mientras el agente maneja el trabajo de cobertura que antes consumía el tiempo de esos mismos profesionales en tareas por debajo de su nivel de experiencia.
Comprender cómo los requisitos de AI security y pista de auditoría se aplican a los agentes de AI que operan en flujos de trabajo financieros regulados ayuda a las organizaciones a construir despliegues que satisfagan tanto sus objetivos de eficiencia operacional como los estándares de documentación que los reguladores financieros esperan ver.
| Función empresarial | Capacidad del agente | Valor principal entregado |
|---|---|---|
| Servicio al cliente | Resolución completa de flujos dentro de la autoridad definida | Manejo de volumen, consistencia, disponibilidad 24/7 |
| Operaciones de ventas | Calificación de leads, investigación, secuenciación de seguimiento | Cobertura del pipeline, consistencia de tiempos, priorización |
| Operaciones financieras | Procesamiento de documentos, emparejamiento, enrutamiento de excepciones | Precisión a escala, pista de auditoría, velocidad de procesamiento |
| Monitoreo de cumplimiento | Vigilancia continua basada en reglas, escalación de excepciones | Completitud de cobertura, consistencia, liberación de tiempo experto |
| Operaciones de TI | Detección de incidentes, diagnóstico, ejecución de resolución | Velocidad de respuesta, continuidad de cobertura, calidad de escalación |
| Operaciones de RR. HH. | Selección de candidatos, coordinación de incorporación, manejo de consultas | Consistencia de procesos, eficiencia administrativa |
Investigación, inteligencia y gestión del conocimiento
Las funciones empresariales intensivas en investigación, incluyendo inteligencia competitiva, análisis de mercado, monitoreo regulatorio y gestión interna del conocimiento, son casos de uso de agentes de AI para empresas donde la combinación de recopilación de información de múltiples fuentes, síntesis y monitoreo continuo hace que el despliegue de agentes sea particularmente valioso.
Un agente de inteligencia competitiva desplegado en un brief de monitoreo continuo rastrea anuncios de competidores, presentaciones regulatorias, publicaciones de patentes y cobertura mediática a través de fuentes definidas, saca a la luz desarrollos relevantes contra los requisitos de inteligencia de la organización y ensambla briefings regulares que sintetizan hallazgos del panorama monitoreado. La misma cobertura ejecutada manualmente requiere tiempo de analista proporcional a la amplitud del monitoreo requerido. Un agente proporciona cobertura consistente y completa a una pequeña fracción de esa inversión de recursos.
Los agentes internos de gestión del conocimiento ayudan a las organizaciones a hacer accesible en tiempo real, para los empleados que la necesitan, la sabiduría institucional encerrada en su documentación, proyectos pasados y procesos acumulados. En lugar de pasar tiempo buscando en repositorios de organización y vigencia desiguales, los empleados consultan a un agente que recupera y sintetiza conocimiento relevante bajo demanda. El agente no reemplaza la experiencia de las personas que crearon ese conocimiento. Hace que esa experiencia sea accesible para todos los que la necesitan, no solo para los individuos que casualmente saben dónde está almacenada o a quién preguntar.
Revisar cómo las AI features en plataformas de agentes empresariales manejan la atribución de fuentes y los controles de acceso a la base de conocimiento ayuda a las organizaciones a desplegar agentes de investigación y conocimiento que producen resultados verificables y restringidos apropiadamente, en lugar de síntesis no atribuida que no puede ser verificada ni controlada de manera efectiva.
Operaciones de TI y gestión de infraestructura
Las operaciones de TI representan un área de despliegue de alto valor para los agentes de AI porque la combinación de requisitos de monitoreo continuo, playbooks de respuesta definidos y costo significativo de respuesta lenta a incidentes crea las condiciones donde la autonomía del agente entrega un beneficio operacional medible.
Los agentes de operaciones de TI monitorean continuamente la salud de la infraestructura, el desempeño de las aplicaciones y los flujos de eventos de seguridad, aplicando lógica diagnóstica definida para identificar anomalías y sus causas probables antes de escalar a ingenieros humanos con el contexto del diagnóstico ya ensamblado. El ingeniero humano que recibe una escalación de un agente de operaciones de TI bien desplegado llega al problema con la línea de tiempo del evento, la evaluación de causa probable, los incidentes históricos relevantes y los procedimientos estándar de resolución ya disponibles, en lugar de gastar la primera porción significativa de su tiempo de respuesta ensamblando ese contexto desde múltiples sistemas de monitoreo.
Los agentes autorizados para ejecutar acciones de remediación definidas, reiniciar servicios, escalar recursos, aplicar parches estándar, aislar sistemas potencialmente comprometidos, manejan los casos de resolución rutinarios de manera autónoma mientras escalan las situaciones genuinamente novedosas o de alto impacto que requieren juicio experto. El resultado es un tiempo medio de resolución más rápido en la mayoría de los incidentes y una respuesta humana mejor preparada para la minoría de incidentes que genuinamente necesitan atención experta.
Diseñar despliegues de agentes de AI que funcionen en la práctica
Definir los límites de autorización antes del despliegue
La decisión de diseño más importante en cualquier despliegue de agentes de AI para empresas es definir qué está autorizado a hacer el agente de manera autónoma frente a lo que requiere aprobación humana antes de la ejecución. Esta decisión determina simultáneamente el valor operacional del agente y el perfil de riesgo del despliegue, y acertar requiere pensar cuidadosamente en la consecuencia de que el agente actúe incorrectamente en cada categoría de acción.
Un marco útil divide las acciones del agente en tres categorías. Las acciones totalmente autónomas son aquellas donde la consecuencia de un error del agente es baja, la acción es fácilmente reversible y el beneficio en volumen de la ejecución autónoma es alto. La recuperación de información, la verificación de estado, la generación de borradores y el envío de notificaciones dentro de parámetros definidos típicamente caen acá. Las acciones humano-en-el-bucle son aquellas donde la consecuencia de un error es moderada, la irreversibilidad es parcial o la situación tiene características que hacen que la autorización basada en reglas no sea confiable. Estas acciones son preparadas por el agente y revisadas por un humano antes de la ejecución. Las acciones totalmente autorizadas por humanos son aquellas con consecuencias significativas, irreversibilidad material o requisitos de responsabilidad regulatoria. Estas requieren decisión y autorización humana sin importar la capacidad del agente porque la responsabilidad por ellas no puede recaer apropiadamente en un sistema automatizado.
El principio del 30 % es un punto de partida práctico para este trabajo de diseño. Los agentes deben ejecutar las acciones de alta frecuencia, bien definidas y de menor consecuencia que constituyen aproximadamente el 30 % de la actividad del flujo de trabajo de manera autónoma, mientras el juicio y la autorización humanos cubren el 70 % que involucra decisiones consecuentes, situaciones inusuales y responsabilidad que necesita recaer en una persona en lugar de en un sistema.
Medición, monitoreo e iteración
Los despliegues de agentes de AI que entregan valor sostenido se gestionan activamente en lugar de desplegarse y olvidarse. El desempeño de un agente en sus objetivos definidos, la tasa a la que escala a revisión humana, la calidad de sus resoluciones autónomas y los patrones en sus razones de escalación, todos proporcionan inteligencia operacional que debe informar el refinamiento continuo.
Los agentes que escalan demasiado frecuentemente a menudo están insuficientemente autorizados o mal configurados para su entorno de tareas real. Los agentes que rara vez escalan pueden estar excediendo su autoridad apropiada sin la supervisión que requieren las acciones consecuentes. Encontrar y mantener la tasa de escalación correcta para cada despliegue requiere monitoreo y ajuste continuos en lugar de una configuración única.
Una AI guide integral sobre el establecimiento de marcos de medición de desempeño para agentes de AI empresariales ayuda a las organizaciones a construir la disciplina operacional que convierte los despliegues iniciales en activos empresariales en mejora continua en lugar de automatizaciones estáticas que se desvían en calidad a medida que evoluciona su entorno operativo.
Cosas que hay que saber
Varias consideraciones importantes sobre los casos de uso de agentes de AI para empresas que las organizaciones descubren consistentemente a través de la experiencia de despliegue:
Comiencen más estrecho de lo que se siente ambicioso. Los despliegues de agentes de AI que entregan el valor inicial más confiable son aquellos con alcance claramente definido, criterios de éxito medibles y un entorno operativo bien comprendido. Los despliegues amplios y ambiciosos con criterios de éxito vagos producen aprendizaje, pero rara vez entregan el valor operacional que construye la confianza organizacional y el apoyo ejecutivo para mayor inversión.
El desempeño del agente solo se degrada con elegancia si se diseñan caminos de respaldo. Cuando un agente encuentra una situación fuera de sus parámetros operativos definidos, la calidad del resultado depende enteramente del camino de respaldo diseñado en el sistema. Los agentes sin procesos claros de escalación y transferencia o fallan de manera visible o, peor, producen resultados autónomos de baja calidad en situaciones donde deberían haberse entregado a un humano.
Registrar cada acción del agente es un requisito operacional, no una mejora opcional. La capacidad de auditar qué hizo un agente, en qué secuencia, sobre qué entradas y con qué autorización es esencial para la mejora de calidad, la investigación de incidentes y el cumplimiento regulatorio en cualquier contexto empresarial. Las organizaciones que tratan el registro como algo agradable de tener descubren durante su primer incidente que la reconstrucción del comportamiento del agente sin registros integrales es efectivamente imposible.
Los agentes heredan los riesgos de acceso a datos de los sistemas con los que se conectan. Un agente con acceso a su CRM, sus sistemas financieros y su infraestructura de correo electrónico es un objetivo de alto valor si sus controles de acceso no son tan rigurosos como los de los propios sistemas. La gestión de acceso para agentes requiere la misma disciplina que la gestión de acceso para usuarios humanos privilegiados.
La confianza del usuario en los resultados del agente toma tiempo en desarrollarse y puede dañarse rápidamente. Los empleados que reciben productos de trabajo o decisiones de agentes de AI desarrollan confianza basados en su experiencia de la calidad del agente a lo largo del tiempo. Un período de desempeño autónomo de alta calidad construye confianza que acelera la adopción. Un error significativo, particularmente uno con consecuencias visibles, daña esa confianza de maneras que toman mucho más tiempo en reconstruirse del que tomaron en establecerse.
Los siete tipos funcionales de agentes de AI en contextos empresariales son agentes de recuperación de información, agentes de automatización de flujos de trabajo, agentes de monitoreo y alerta, agentes de soporte a la decisión, agentes de comunicación, agentes de investigación y síntesis, y agentes de coordinación. La mayoría de los despliegues empresariales prácticos combinan múltiples tipos funcionales dentro de un solo despliegue, por lo que definir el límite de autorización para cada tipo funcional es más útil operacionalmente que categorizar el despliegue general en un solo tipo.
El panorama de proveedores para la infraestructura de agentes está evolucionando más rápido que la mayoría de los ciclos de adquisición empresarial. Las plataformas, marcos y modelos fundacionales que impulsan los despliegues de agentes están cambiando significativamente año tras año. Construir arquitecturas de agentes con separación clara entre la lógica del negocio y el modelo y la plataforma subyacentes reduce el costo de adaptarse a ese cambio en lugar de quedar encerrados en elecciones de infraestructura que tenían sentido al momento del despliegue pero se vuelven limitantes a medida que evoluciona el panorama.
El caso de negocio para la inversión en agentes de AI ya es operacional, no especulativo
La conversación sobre los casos de uso de agentes de AI para empresas ha pasado de si los agentes entregarán valor real a cuáles despliegues están entregando el mayor valor y cuáles son los factores organizacionales que determinan el éxito. La evidencia operacional de organizaciones que han pasado de la experimentación al despliegue en producción es consistente y creciente. Los procesos de alta frecuencia y bien definidos con resultados medibles y caminos de escalación claros están entregando ganancias de eficiencia, mejoras de consistencia de calidad y reasignación del tiempo del personal hacia trabajo de mayor valor que proyectaban los casos de negocio previos al despliegue.
Las organizaciones que capturan ese valor no son necesariamente las que se movieron más rápido. Son las que definieron sus límites de autorización con cuidado, construyeron medición y supervisión en sus despliegues desde el inicio y mantuvieron la disciplina de gobernanza para mantener a los humanos responsables de las decisiones que los agentes apoyan en lugar de tomar. Esa combinación de despliegue de capacidades y disciplina de gobernanza es lo que transforma la inversión en agentes de AI de un experimento interesante en una ventaja competitiva duradera.
Preguntas frecuentes
¿Cuáles son los casos de uso de los agentes de AI en empresas?
Los casos de uso de agentes de AI en empresas abarcan la automatización de flujos de trabajo de servicio al cliente, la calificación y el seguimiento de leads de ventas, el procesamiento de documentos financieros y el monitoreo de cumplimiento, la respuesta a incidentes en operaciones de TI, la inteligencia competitiva y la síntesis de investigación, la gestión interna del conocimiento y la coordinación de procesos de RR. HH. Los casos de uso que entregan el valor más consistente comparten tres características: alta frecuencia de ejecución, criterios de éxito bien definidos y límites de autorización claros que determinan qué maneja el agente de manera autónoma frente a qué escala a revisión humana.
¿Cuáles son algunos casos de uso comunes de la AI en empresas?
Los casos de uso más comunes de la AI en empresas hoy son la automatización del servicio al cliente, la asistencia de ventas y la gestión del pipeline, el procesamiento de documentos y la extracción de datos, el monitoreo y reporte de cumplimiento, la generación y revisión de código, la búsqueda interna y la recuperación de conocimiento, y la programación y coordinación de flujos de trabajo. A través de estas aplicaciones, el motor común del negocio es manejar trabajo de alto volumen y procesos definidos con una consistencia y escala que la ejecución manual no puede igualar de manera rentable, liberando la experiencia humana para el trabajo intensivo en juicio que impulsa el valor empresarial más estratégico.
¿Qué es la regla del 30 % para la AI?
La regla del 30 % para la AI es el principio de que los agentes de AI deben manejar aproximadamente el 30 % de un flujo de trabajo de manera autónoma, específicamente las acciones de alta frecuencia, bien definidas y de menor consecuencia donde la automatización entrega beneficios claros de eficiencia, mientras que el juicio y la responsabilidad humanos cubren el 70 % restante que involucra decisiones consecuentes, situaciones inusuales y resultados que conllevan responsabilidad organizacional o regulatoria. En el diseño de despliegue de agentes, este principio se traduce directamente en decisiones de límite de autorización que determinan qué acciones del agente son totalmente autónomas, cuáles requieren revisión humana antes de la ejecución y cuáles requieren decisión y autorización humanas sin importar la capacidad del agente.
¿Qué son los agentes de AI para aplicaciones empresariales?
Los agentes de AI para aplicaciones empresariales son sistemas de software que persiguen objetivos definidos a través de ejecución autónoma de múltiples pasos, utilizando herramientas y fuentes de datos disponibles para planificar, ejecutar, evaluar y ajustar sus acciones hasta que se logre un objetivo o se alcance un punto de control humano. A diferencia de los asistentes de AI que responden a indicaciones individuales, los agentes mantienen el contexto de la tarea a través de múltiples pasos, toman decisiones intermedias basadas en los resultados encontrados durante la ejecución y manejan la coordinación y el seguimiento a través de flujos de trabajo complejos que los hacen valiosos para los tipos de procesos empresariales sostenidos y de múltiples pasos donde la ejecución humana es más costosa y más variable en calidad.
¿Cuáles son los 7 tipos de agentes de AI?
Los siete tipos funcionales de agentes de AI en contextos empresariales son agentes de recuperación de información que reúnen y sintetizan datos de fuentes definidas, agentes de automatización de flujos de trabajo que ejecutan procesos definidos de múltiples pasos, agentes de monitoreo y alerta que vigilan flujos de datos contra reglas definidas, agentes de soporte a la decisión que analizan opciones y recomiendan acciones para revisión humana, agentes de comunicación que redactan y gestionan mensajes salientes, agentes de investigación y síntesis que realizan análisis de múltiples fuentes, y agentes de coordinación que gestionan la secuenciación y las transferencias entre otros agentes o participantes humanos. La mayoría de los despliegues empresariales en producción combinan múltiples tipos funcionales dentro de un solo sistema desplegado, con la combinación específica determinada por el flujo de trabajo que se automatiza en lugar de por cualquier clasificación de un solo tipo de agente.