Los agentes de IA son sistemas que ejecutan tareas de forma continua y autónoma, sin que el usuario tenga que repetir la instrucción en cada conversación. A diferencia de un prompt tradicional, que responde una vez y se detiene, un agente queda activo: usa su propio entorno de cómputo y las aplicaciones que le conectes para completar responsabilidades en segundo plano y avisarte cuando algo requiere tu aprobación.
El caso más comentado esta semana viene de Matt Wolfe, quien mostró tres ejemplos de los "Dots" de ChatGPT: agentes siempre activos que vigilan tus compras por si bajan de precio y redactan el reclamo, monitorean tus vuelos y buscan rutas alternativas ante un retraso, y revisan tu correo y calendario para recordarte compromisos antes de que venzan. La idea de fondo es sencilla: ya no pides una respuesta, delegas una responsabilidad.
Esto cambia la conversación para cualquier empresa. Durante los últimos dos años el debate fue "¿qué le pregunto a la IA?". Ahora la pregunta es otra: "¿qué le encargo y cuándo la dejo trabajar sola?". En este artículo revisamos qué son estos agentes, tres casos de uso concretos y cómo evaluarlos sin exponer información sensible de tu negocio.
¿Qué son los Dots y en qué se diferencian de un prompt normal?
Un prompt normal es una conversación con principio y fin. Escribes, recibes, corriges y cierras la ventana. El trabajo se detiene cuando tú te detienes. Un Dot, en cambio, mantiene la tarea viva: según Matt Wolfe, estos agentes "siguen trabajando en esas responsabilidades sin que tengas que recordárselo constantemente". Esa frase resume el cambio de modelo.
La diferencia práctica está en tres cosas. Primero, persistencia: el agente no depende de que abras la aplicación. Segundo, acceso a herramientas: puede usar su propia computadora y las apps que le conectes, como correo, calendario o unidades de archivos. Tercero, ciclos de verificación: no solo actúa, también revisa si la condición que le pediste se cumplió.
Vale la pena ser honestos sobre el alcance. Wolfe presenta esto como una herramienta de productividad y los ejemplos que da son personales: compras, vuelos, recordatorios. No hay en su demostración datos sobre confiabilidad, tasa de error ni costo de operación. Es una muestra de capacidades, no una evaluación. Tratar estos agentes como asistentes que preparan trabajo para tu revisión, y no como empleados autónomos, es hoy la lectura más prudente.
¿Qué tareas conviene delegar a un agente que trabaja en segundo plano?
El criterio que mejor funciona es simple: delega lo que sea repetitivo, verificable y de bajo riesgo. Si la tarea se puede comprobar en dos minutos y un error no genera un problema legal o contable, es candidata ideal.
El primer caso de Wolfe encaja perfecto. El agente rastrea tus compras recientes, detecta bajas de precio, revisa la política de devolución y redacta una solicitud de ajuste para que tú la apruebes. Fíjate en el detalle: el agente no envía nada, deja el borrador. Esa es la frontera correcta.
El segundo caso es monitoreo con plan de respaldo. El agente vigila un vuelo y, si hay retraso o pierdes la conexión, busca alternativas y compara costos. Traducido a la empresa: vigilar un pedido crítico, una fecha de entrega o el vencimiento de un contrato, y proponer alternativas antes de que el problema explote.
El tercer caso es el más subestimado: revisar correo y calendario para detectar compromisos y recordártelos antes de que venzan. En una operación con decenas de frentes abiertos, esa función sola justifica la prueba. Aquí conviene mirar también la guía oficial de prompting de ChatGPT Learn, que insiste en definir objetivo, contexto, formato de salida y límites antes de delegar cualquier tarea. Esos cuatro elementos son exactamente lo que separa un agente útil de uno que genera ruido.
La automatización con IA deja de ser un experimento de laboratorio cuando el resultado es un borrador, una alerta o una comparación de opciones que un humano aprueba en segundos.
¿Qué significa esto para una empresa en Perú o Latinoamérica?
En una PYME peruana el cuello de botella casi nunca es la falta de información, sino el tiempo que se pierde persiguiéndola. Alguien revisa correos para saber qué se prometió, alguien compara cotizaciones de proveedores, alguien persigue facturas a fin de mes.
Imagina al jefe de operaciones de una empresa de servicios en Lima. Hoy tiene tres personas revisando bandejas de correo para detectar pedidos que se están retrasando. Con tareas en segundo plano ejecutadas por un agente, ese monitoreo ocurre solo y las personas solo aparecen cuando hay algo que decidir. El ahorro no es de horas sueltas: es de atención.
El segundo efecto es la memoria operativa. En muchas empresas el conocimiento de "qué prometimos y a quién" vive en la cabeza de una persona. Un agente que revisa correo y calendario convierte esa memoria dispersa en recordatorios concretos. Para una empresa que crece rápido, eso reduce el riesgo de que un compromiso se caiga por olvido.
El tercer efecto tiene que ver con la forma de trabajar de los equipos técnicos. Herramientas como ChatGPT Work están pensadas para tareas que cruzan varias fuentes y varios pasos, según la documentación de ChatGPT Learn. Eso se parece mucho a lo que hace un área de TI cuando arma un reporte consolidado para gerencia: juntar datos de varios sistemas, resumir riesgos y dejar pendientes con responsable y fecha. Es un patrón que en la región ya se está probando con herramientas de automatización y que conviene mirar con criterio, no con entusiasmo ciego.
Mi lectura: el valor para una empresa peruana no está en el agente más vistoso, sino en elegir bien la primera tarea. Si esa tarea ahorra una hora diaria a una persona, el resto del camino se vuelve evidente.
¿Cómo aplica esto en tu empresa?
Empieza por inventariar. Durante una semana anota todas las tareas que alguien repite a diario: revisar correos, comparar precios, seguir pedidos, recordar vencimientos. Marca las que cumplen tres condiciones: son repetitivas, su resultado se verifica rápido y un error no tiene consecuencias graves.
Elige una sola y defínela con la estructura que recomienda la guía de prompting: objetivo, contexto, formato de salida y límites. Los límites son la parte que más se olvida y la más importante. Escribe explícitamente qué no debe hacer el agente, por ejemplo "prepara el borrador, no lo envíes" o "usa solo estas fuentes, si falta información avísame en lugar de suponer".
Establece un periodo de prueba con revisión humana obligatoria. Al final de cada semana revisa dos cosas: cuántos aciertos y cuántos falsos positivos generó. Si el agente avisa de cosas que no importan, el equipo dejará de leerlo en dos semanas. Ese es el fallo más común y no tiene que ver con la tecnología, sino con la definición de la tarea.
Por último, define desde el inicio qué información no sale de la empresa. Datos de clientes, contratos y cifras financieras merecen una conversación previa sobre permisos y accesos antes de conectar cualquier herramienta. Si quieres revisar cómo encajaría esto en tu operación, puedes conversar con nosotros sobre tu caso sin compromiso.
Preguntas Frecuentes
¿Qué son los Dots de ChatGPT?
Son agentes de IA siempre activos que, según la demostración de Matt Wolfe, pueden usar su propia computadora y las aplicaciones conectadas por el usuario para ejecutar tareas en segundo plano. A diferencia de un prompt tradicional, no requieren que el usuario repita la instrucción en cada conversación: mantienen la responsabilidad activa y avisan cuando algo necesita aprobación.
¿Es seguro dejar que un agente de IA revise mi correo y mi calendario?
Depende de los límites que definas y de los permisos que otorgues. La recomendación práctica es empezar con tareas de solo lectura o que generen borradores, nunca acciones que envíen mensajes o modifiquen registros sin revisión humana. Antes de conectar cuentas corporativas conviene definir qué información queda fuera y quién aprueba cada acción.
¿En qué se diferencia un agente en segundo plano de una automatización tradicional?
Una automatización tradicional sigue reglas fijas: si ocurre A, haz B. Un agente en segundo plano puede interpretar contexto, comparar opciones y redactar un resultado, por ejemplo una solicitud de ajuste de precio o una ruta alternativa de vuelo. La diferencia está en la flexibilidad del resultado, no en el hecho de que corra sin supervisión constante.
Conclusión: ¿vale la pena probar agentes de IA en una PYME peruana?
Sí, siempre que la prueba sea pequeña, medible y con revisión humana. El cambio real que muestran los Dots no es que la IA escriba mejor, sino que deja de necesitar que le insistas. Eso libera atención, y la atención es el recurso más escaso en cualquier operación.
El camino sensato es elegir una tarea repetitiva, definirla con objetivo, contexto, formato y límites, y medir aciertos durante dos o tres semanas antes de ampliar. Si el experimento funciona, tendrás un criterio propio para decidir qué más delegar. Si no funciona, habrás aprendido algo útil sobre tus procesos sin haber puesto nada crítico en riesgo.
Si quieres revisar qué tareas de tu empresa podrían automatizarse primero, puedes escribirnos por la página de contacto y lo revisamos juntos.
Fuentes y Referencias
Por Edgar Vásquez, Consultoría TI · actualizado el 25 de octubre de 2026
✨ Contenido generado con ContentFlow — Consultoría-Ti