Automatización con IA: cuidado, mucho
de eso solo es programar

Publicado en septiembre de 2026. Cada cifra de este texto enlaza a su fuente. Lo escribo desde una empresa que cobra por construir automatizaciones con inteligencia artificial, así que lo que sigue va contra mi propio interés comercial. Prefiero que lo sepas antes de leerlo.

Cuando alguien me pide opinión sobre una cotización de «automatización con IA», lo primero que hago es buscar dónde está la IA.

Muchas veces no está en ninguna parte. Lo que hay es un disparador, una condición y una plantilla: exactamente lo mismo que se programaba en 2015, con otro nombre y otro precio. No siempre es mala fe — hay vendedores que tampoco saben distinguir. Pero el resultado para ti es el mismo: pagas de más por algo que ya existía, y encima heredas problemas que antes no tenías.

Gartner ya le puso nombre a la práctica

Esto no es una manía mía. La consultora Gartner publicó en junio de 2025 una previsión con un término específico para lo que estamos describiendo: «agent washing», que define como reetiquetar productos existentes —asistentes, RPA, chatbots— como inteligencia artificial agéntica sin capacidades agénticas reales.

El tamaño del fenómeno, según su propio conteo: de los miles de proveedores que dicen vender agentes de IA, Gartner estima que solo unos 130 lo son de verdad. Y su previsión central es que más del 40% de los proyectos de IA agéntica se cancelarán antes de que termine 2027, por costos que se disparan, valor de negocio poco claro o controles de riesgo insuficientes.

Anushree Verma, la analista que firma la previsión, lo resume así: «la mayoría de los proyectos de IA agéntica ahora mismo son experimentos en etapa temprana o pruebas de concepto, impulsados sobre todo por la moda, y con frecuencia mal aplicados».

Mal aplicados. Esa es la palabra.

Automatizar no lo inventó la inteligencia artificial

Conviene recordar algo que se ha vuelto sorprendentemente fácil de olvidar: las empresas llevan décadas automatizando procesos sin ningún modelo de lenguaje de por medio.

Un cliente llena un formulario y le llega un correo. Un pedido entra a la tienda y el inventario baja solo. Todos los lunes a las nueve se genera un reporte y aparece en tu bandeja. Una cita se agenda y veinticuatro horas antes sale el recordatorio por WhatsApp. Nada de eso necesita inteligencia artificial. Nunca la necesitó.

Se hace con lo de siempre: un disparador, una condición, una integración entre dos sistemas, una tarea programada. Herramientas como Zapier o Make llevan existiendo desde mucho antes de que nadie hubiera oído hablar de ChatGPT, y resuelven la enorme mayoría de lo que una PyME llama «automatizar mi negocio».

La pregunta que separa una cosa de la otra

Hay una sola pregunta que necesitas hacerte, y sirve para el 90% de los casos:

¿Esta tarea tiene una sola respuesta correcta que yo podría escribir como regla?

Si la respuesta es sí, no necesitas un modelo. Necesitas que alguien programe la regla.

«Si el monto pasa de cincuenta mil, mándalo a aprobación.» «Si el código postal empieza por 06, asígnalo a la ruta centro.» «Si pasaron tres días sin respuesta, manda el segundo correo.» Todo eso es una condición. Escrita una vez, funciona igual la primera vez que la millonésima.

Un modelo se justifica cuando la entrada es lenguaje libre, ambiguo o desestructurado, y no hay regla que puedas escribir sin volverte loco. Ahí sí aporta algo que el código no puede dar.

Con esa pregunta en la mano, mira cómo se ven algunas cosas que se presentan como inteligencia artificial, y lo que son debajo:

• «Un agente que manda el correo de bienvenida cuando alguien llena tu formulario». Un disparador y una plantilla.
• «IA que sincroniza tus pedidos con el inventario». Una integración entre dos APIs.
• «Un agente que recuerda la cita por WhatsApp 24 horas antes». Una tarea programada.
• «IA que reparte los prospectos entre tus vendedores». Una regla sobre un campo.
• «IA que genera la factura en PDF y la envía». Una plantilla y un envío.
• «Un agente que te avisa cuando baja el stock». Una condición y una notificación.

Y del otro lado, lo que sí gana su lugar:

• Leer 300 quejas escritas a mano libre y agruparlas por motivo. No hay regla posible: cada quien lo escribe distinto.
• Sacar los datos de facturas escaneadas con veinte formatos distintos. La posición del dato cambia en cada documento.
• Redactar el primer borrador de una respuesta. Producir lenguaje es literalmente lo que sabe hacer.
• Buscar en cinco años de documentos y responder citando la fuente. Requiere entender la pregunta, no solo buscar palabras.
• Distinguir si un mensaje viene de alguien molesto. El tono no está en ninguna casilla.

Lo que cuesta confundirlas

Aquí quiero ser honesto, porque el argumento fácil sería decir que la IA es carísima y no es verdad.

Los precios por consumo son bajos. El modelo más económico de Anthropic, Claude Haiku 4.5, cuesta un dólar por millón de tokens de entrada y cinco por millón de salida. Haz la cuenta: clasificar cincuenta mil correos al mes, de unas trescientas palabras cada uno y con una respuesta de una línea, sale por debajo de cuarenta dólares mensuales. No es una ruina.

La diferencia real está en otra parte, y son dos cosas.

La primera: el código determinista se paga una vez. Se construye, se prueba y a partir de ahí cada ejecución cuesta cero. Un modelo se paga cada vez, para siempre, y su factura crece con tu volumen. Si multiplicas por diez tu operación, la regla sigue costando cero y el modelo cuesta diez veces más. Ese es el punto donde una decisión que parecía barata deja de serlo.

La segunda, y la más cara: el sobreprecio de la etiqueta. Lo que se te encarece no son esos cuarenta dólares de API. Es la diferencia entre lo que vale programar una regla y lo que se cobra cuando esa misma regla se presenta como inteligencia artificial. Ahí es donde está el margen que estás pagando.

Y se rompe distinto

Hay una diferencia técnica que casi nunca aparece en las presentaciones de venta, y que a mí me parece la más importante de todas.

Una regla siempre da la misma respuesta. Un modelo, no. Los modelos de lenguaje generan texto muestreando entre opciones probables; esa variabilidad no es un defecto que se vaya a arreglar en la siguiente versión, es cómo funcionan. Para redactar un borrador es una virtud. Para decidir si una factura de cincuenta mil pesos va a aprobación, es descalificante: acertar el 99% de las veces suena bien hasta que procesas mil facturas al mes y diez se aprueban solas.

Y hay más cosas que cambian cuando metes un modelo donde bastaba una condición. Dependes de un servicio externo que puede caerse, saturarse, cambiar de precio o retirar la versión que usabas. Tu if no hace nada de eso. Además, una regla la puedes leer: está escrita, la revisas y entiendes por qué decidió lo que decidió. La decisión de un modelo no la puedes auditar línea por línea.

Cinco preguntas antes de firmar

Si tienes una cotización sobre la mesa, esto es lo que yo preguntaría:

1. ¿Qué parte exactamente usa un modelo y cuál no? Pide que te lo señalen en el diagrama del flujo. Si no hay diagrama, ya sabes algo.
2. ¿Esto se puede resolver con una regla? Si no puede explicarte por qué no, la respuesta probablemente es que sí.
3. ¿Cuánto cuesta cada ejecución y qué pasa si mi volumen se multiplica por diez? Que te den el número, no un rango.
4. ¿Qué pasa cuando el modelo se equivoca? Quién lo revisa, cada cuánto, y qué se rompe mientras tanto.
5. ¿De quién es el código y a dónde van mis datos? Si el flujo vive dentro de la cuenta de la agencia, el día que te vayas te vas sin nada.

Cómo lo decidimos nosotros

En Keting construimos las dos cosas, y por eso este texto me cuesta dinero escribirlo. Nuestro punto de partida es siempre la versión aburrida: si el proceso se puede escribir como regla, se escribe como regla. El modelo entra solo donde la entrada es genuinamente ambigua y no hay condición que la resuelva.

Sale más barato para el cliente, se rompe menos y se puede explicar. Y cuando de verdad hace falta un modelo — que a veces hace falta, y bastante — la conversación es honesta, porque ya quedó claro que no lo estamos metiendo para justificar el presupuesto.

La inteligencia artificial es una herramienta extraordinaria para un conjunto de problemas concreto. El problema no es la IA. El problema es venderla como si fuera la respuesta a todo, cuando buena parte de lo que necesitas ya se resolvía escribiendo código.

Si te interesa el otro lado de este tema, escribí antes sobre por qué despedir personal para meter IA suele salir más caro, sobre cómo elegir agencia de automatización en México, y sobre por qué nadie puede garantizarte posicionamiento en ChatGPT. El hilo es el mismo: pregunta siempre qué hay debajo de la palabra.