Durante los últimos meses vimos una escena repetirse en muchas empresas: primero, entusiasmo absoluto por la inteligencia artificial; después, automatizaciones rápidas, reducción de equipos, promesas de eficiencia inmediata; y finalmente, una corrección incómoda. Algunas organizaciones que habían delegado procesos completos en IA empezaron a reincorporar humanos, revisar sus sistemas o admitir que los resultados no eran tan buenos como esperaban.
La lectura superficial sería decir: “la IA falló”. Pero esa conclusión es demasiado cómoda.
En muchos casos, la IA no falló sola. Falló el sistema que se armó alrededor de ella. Falló el proceso. Falló el alcance. Falló la forma de medir la calidad. Falló la expectativa de que un agente podía reemplazar criterio, contexto, experiencia, revisión editorial, sensibilidad comercial o conocimiento profundo de negocio.
Y esto importa especialmente para equipos de SEO, redacción, investigación, marketing y gestión de sitios web, porque son áreas donde la IA puede aportar muchísimo valor, pero también puede producir daños silenciosos si se usa como sustituto total del pensamiento humano.
En este artículo:
El problema no es usar IA:
Es usarla como si fuera una persona completa
Un agente de IA no es simplemente un chatbot con un nombre más sofisticado. En términos generales, un agente es un sistema capaz de interpretar una tarea, planificar pasos, usar herramientas y ejecutar acciones con cierto nivel de autonomía.
IBM define los agentes de IA como programas capaces de actuar de forma autónoma para entender, planificar y ejecutar tareas, pero también advierte que muchas soluciones actuales todavía están en etapas tempranas y se apoyan en capacidades básicas de planificación y uso de herramientas. Ese matiz es clave.
Un agente puede ayudar a investigar, comparar datos, clasificar URLs, detectar patrones, generar borradores, revisar inconsistencias, priorizar tareas o acelerar trabajo operativo. Pero no debería ser tratado como un empleado invisible al que se le entrega un área completa de negocio sin contexto, límites, supervisión ni criterios de calidad.
Cuando una empresa implementa IA bajo la idea de “que el agente se encargue de todo”, normalmente no está implementando inteligencia artificial. Está desplazando responsabilidad.
El desencanto con los agentes de IA ya empezó
La conversación empresarial está cambiando. Gartner proyectó que más del 40% de los proyectos de IA agéntica serán cancelados hacia fines de 2027 por costos crecientes, valor de negocio poco claro o controles de riesgo insuficientes. También señaló el problema del “agent washing”: herramientas vendidas como agentes cuando en realidad son chatbots, asistentes o automatizaciones tradicionales rebautizadas con lenguaje de moda.
McKinsey muestra una imagen parecida: el uso de IA está muy extendido, pero el impacto empresarial todavía es desigual. En su encuesta global de 2025, 88% de las organizaciones dijo usar IA en al menos una función, pero la mayoría aún estaba en etapas de experimentación o pilotos. Solo 23% reportó estar escalando algún sistema de IA agéntica dentro de la empresa.
Es decir: la adopción creció, pero la madurez no necesariamente acompañó.
Y ese es el punto central. Muchas empresas no tienen un problema de acceso a IA. Tienen un problema de diseño operativo.
El caso Klarna:
Eficiencia sin calidad no es eficiencia
Uno de los casos más citados es Klarna. La empresa había promocionado que su asistente de IA podía hacer el trabajo de 700 representantes de atención al cliente. Pero en 2025 volvió a contratar personas para soporte y reconoció la necesidad de que los usuarios siempre pudieran acceder a una vía humana cuando la situación lo exigiera. Según reportó CX Dive, la compañía planteó un modelo donde la IA aporta velocidad y el talento humano aporta empatía, especialmente cuando la atención requiere complejidad o trato personal.
Entrepreneur también reportó que el CEO de Klarna reconoció que la estrategia basada en IA había reducido costos, pero había producido resultados de menor calidad en atención al cliente.
En este caso así como en muchas más, el aprendizaje no es “la IA no sirve para customer service”. El aprendizaje es más fino: automatizar volumen no equivale a resolver experiencia de cliente.
Lo mismo pasa en SEO y marketing. Publicar más rápido no significa posicionar mejor. Generar más briefs no significa tener mejor estrategia editorial. Crear más contenidos no significa construir autoridad. Responder más tickets no significa cuidar mejor una marca.
La eficiencia real no se mide solo en tiempo ahorrado. Se mide en calidad, precisión, trazabilidad, impacto de negocio y reducción de riesgo.
¿Por qué fallan muchos agentes de IA?
En mi experiencia trabajando con SEO, contenidos, datos y automatización, los agentes de IA suelen fallar por cinco razones principales.
1. Se automatiza un proceso que todavía no está bien definido
La IA no arregla procesos confusos. Los acelera.
Si un equipo no tiene claro cómo investiga, cómo prioriza, cómo valida fuentes, cómo decide qué publicar, cómo mide calidad o cómo escala errores, un agente no va a resolver esa falta de estructura. Probablemente la vuelva más visible.
Antes de automatizar, hay que mapear el proceso real. Qué entra. Qué sale. Quién decide. Qué datos se usan. Qué criterios definen si el resultado es aceptable. Qué errores son tolerables y cuáles no.
Sin esa arquitectura, el agente trabaja sobre ambigüedad.
2. Se le pide a un solo agente que haga demasiadas cosas
Una de las malas prácticas más comunes es crear “el agente global”: un sistema que investiga, analiza, redacta, audita, publica, mide, recomienda y toma decisiones.
Suena eficiente, pero por experiencia les digo: en la práctica suele ser frágil.
Para trabajos especializados, casi siempre conviene diseñar agentes más pequeños, con funciones claras. Por ejemplo:
- un agente para detectar oportunidades de contenido;
- otro para agrupar keywords por intención;
- otro para revisar canibalización;
- otro para analizar URLs con caída de tráfico;
- otro para generar borradores;
- otro para QA editorial;
- otro para preparar reportes ejecutivos.
Esta división permite auditar mejor cada etapa, detectar dónde se produce el error y asignar responsabilidad humana de forma más precisa.
Un agente que hace todo también puede equivocarse en todo.
3. Se confunde velocidad con criterio
La IA puede producir respuestas rápidas, pero rapidez no es lo mismo que juicio profesional.
En SEO, por ejemplo, un agente puede identificar que una URL perdió clics. Pero interpretar si esa caída se debe a estacionalidad, cambios en intención de búsqueda, pérdida de snippets, competencia, problemas técnicos, migraciones, canibalización, cambios de SERP o updates algorítmicos requiere contexto.
En contenidos, un agente puede redactar una nota. Pero decidir si el enfoque es adecuado para la audiencia, si la fuente es confiable, si el tema tiene riesgo reputacional, si hay conflicto con otra URL o si el texto aporta experiencia real, sigue siendo trabajo humano.
En marketing, un agente puede generar campañas. Pero leer el momento cultural, el tono de marca, la sensibilidad del público y el riesgo de banalizar un mensaje no debería quedar completamente delegado.
4. No se define dónde entra la revisión humana
McKinsey encontró que las organizaciones de alto rendimiento con IA tienden a rediseñar workflows y a definir procesos para determinar cuándo las salidas del modelo requieren validación humana. Ese punto es fundamental.
La revisión humana no puede ser un gesto decorativo al final. Tiene que estar diseñada dentro del flujo.
En un sistema bien armado, debería estar claro:
- qué puede hacer el agente sin aprobación;
- qué puede sugerir, pero no ejecutar;
- qué necesita revisión obligatoria;
- qué tipo de error bloquea el proceso;
- quién valida datos, fuentes, tono, cumplimiento legal o impacto SEO;
- qué queda registrado para auditoría posterior.
Un agente sin puntos de control no es una automatización madura. Es una caja negra operativa.
5. Se ignoran los riesgos de seguridad, privacidad y exceso de autonomía
Cuando un agente tiene acceso a datos, documentos, CMS, CRM, emails, APIs o herramientas internas, el riesgo cambia de escala.
Debemos identificar los riesgos específicos en aplicaciones basadas en LLMs, como prompt injection, filtración de información sensible, output handling inseguro, diseño inseguro de plugins, exceso de agencia y sobredependencia.
Los LLMs deben tratarse como sistemas “inherentemente confundibles”, especialmente cuando usan herramientas o APIs. Su recomendación no es confiar en una solución mágica que elimine el riesgo, sino reducir impacto mediante diseño, construcción y operación cuidadosa.
Esto aplica con mucha claridad a empresas que trabajan con información sensible, datos de clientes, decisiones financieras, salud, asuntos legales, reputación corporativa, research especializado o contenidos de alta precisión.
No todo debería automatizarse. Y lo que se automatiza no siempre debería tener permiso para actuar.
Qué sí puede hacer muy bien un agente de IA
Nada de esto significa abandonar la IA. Al contrario.
El error más grande que puede cometer tu organización sería pasar del entusiasmo ingenuo al rechazo total. La IA sí puede aportar valor real, especialmente cuando se la usa como parte de un sistema bien diseñado.
En SEO, un agente puede ayudar a:
- analizar grandes volúmenes de URLs;
- detectar patrones en datos de Search Console, GA4 o crawls;
- clasificar keywords por intención;
- encontrar oportunidades de actualización;
- revisar metadatos;
- identificar contenidos duplicados o débiles;
- preparar borradores de briefs;
- comparar SERPs;
- generar hipótesis para investigación;
- documentar hallazgos técnicos;
- acelerar reportes recurrentes.
En equipos editoriales, puede ayudar a:
- organizar fuentes;
- transformar investigación en esquemas;
- revisar consistencia terminológica;
- detectar posibles vacíos de información;
- adaptar piezas a distintos formatos;
- preparar FAQs;
- generar versiones preliminares sujetas a edición humana.
En marketing, puede ayudar a:
- crear variaciones de copies;
- analizar mensajes de competencia;
- segmentar ideas por audiencia;
- preparar calendarios;
- resumir datos de campañas;
- detectar patrones de performance.
El punto es que todas esas tareas funcionan mejor cuando el agente tiene alcance definido, datos confiables, instrucciones claras, límites operativos y revisión humana.
La IA es excelente para ampliar capacidad. No debería usarse para eliminar responsabilidad.
IA en contenidos SEO:
Google no penaliza la herramienta, evalúa la calidad
En SEO todavía existe una confusión importante: algunas personas creen que usar IA es automáticamente malo para Google. La posición oficial de Google es más matizada. Google dice que sus sistemas buscan recompensar contenido original, útil y de alta calidad, con señales de experiencia, expertise, autoridad y confianza, independientemente de cómo haya sido producido. También aclara que el uso de automatización, incluida IA, para manipular rankings sí viola sus políticas de spam.
El problema no es que un texto haya usado IA. El problema sigue siendo producir contenido sin experiencia, sin edición, sin fuentes, sin criterio, sin propósito real para el usuario y con la única intención de ocupar una keyword.
Un buen flujo con IA para contenidos SEO no debería ser: “Dame un artículo sobre esta keyword y lo publico”. Debería ser algo más parecido a:
- investigar intención de búsqueda;
- revisar SERP y competidores;
- validar fuentes;
- definir ángulo editorial;
- revisar canibalización;
- generar brief;
- producir borrador asistido;
- editar con criterio experto;
- verificar datos;
- optimizar estructura;
- publicar;
- medir rendimiento;
- actualizar cuando cambie la información.
Ahí la IA no reemplaza la estrategia. La acompaña.
Cómo implementar agentes de IA que sí funcionen
Para que un agente de IA aporte valor real, la pregunta no debería ser “¿qué puedo automatizar?”, sino “¿qué parte del proceso puede mejorar si la IA interviene con límites claros?”.
Estos son los pasos que considero mínimos.
1. Elegir un caso de uso concreto
No empezar con “queremos un agente de marketing”. Eso es demasiado amplio.
Mejor empezar con algo específico: “queremos un agente que revise semanalmente URLs con caída de clics en GSC, las agrupe por tipo de problema probable y prepare una lista priorizada para revisión SEO”.
Ese agente tiene entrada, salida, frecuencia, límites y usuario interno.
2. Definir qué significa éxito
Gerentes y directores de áreas, atentos: Si el único KPI es “ahorrar tiempo”, el proyecto queda incompleto.
Hay que medir también precisión, utilidad, reducción de errores, adopción del equipo, impacto en negocio, tiempo de revisión humana, calidad de las recomendaciones y cantidad de retrabajo generado.
Un agente que produce rápido pero obliga a revisar, corregir y rehacer todo no está ahorrando tiempo. Está desplazando el costo.
3. Separar tareas por agente o por módulo
Un sistema compuesto por varios agentes pequeños suele ser más controlable que un agente enorme. Esto permite asignar funciones, permisos y validaciones distintas.
No necesita tener una arquitectura excesivamente compleja. Puede empezar con módulos simples: investigación, clasificación, redacción, QA, reporte. Lo importante es que cada etapa tenga una responsabilidad clara.
4. Diseñar puntos de control humano
Hay decisiones que la IA puede proponer, pero no debería ejecutar sola.
En SEO, por ejemplo, un agente puede sugerir redirecciones, pero no debería implementarlas sin revisión. Puede detectar thin content, pero no debería eliminar URLs. Puede generar metadatos, pero no debería publicarlos masivamente sin QA. Puede redactar un artículo, pero no debería firmarlo ni subirlo sin edición experta.
No importa si tu programador entusiasta te prometa muchas cosas, créeme que hasta en los medios con más capacidad de inversión está pasando: la revisión humana no es una traba. Es parte del diseño de calidad.
5. Limitar permisos y acceso a datos
Un agente debe tener el mínimo acceso necesario para cumplir su función.
Si solo necesita leer datos, no debería poder modificar. Si solo analiza URLs, no necesita acceso a facturación. Si solo prepara borradores, no necesita publicar. Si trabaja con información sensible, debe haber políticas claras de privacidad, retención, trazabilidad y uso de datos.
La autonomía sin límites no es innovación. Es riesgo operativo.
6. Documentar instrucciones, fuentes y criterios
Un agente bien implementado no depende solo de un buen prompt. Depende de documentación.
Necesita criterios de decisión, ejemplos de buenos y malos resultados, fuentes autorizadas, formato de salida, reglas de exclusión, casos límite y protocolo de escalamiento.
En otras palabras: necesita gobernanza.
7. Auditar resultados de forma recurrente
La IA no se implementa una vez y se olvida.
Los agentes deben revisarse, medirse, corregirse y actualizarse. Cambian los modelos, cambian los datos, cambian las SERPs, cambian las prioridades del negocio y cambian los riesgos.
Un agente que funcionaba bien hace tres meses puede empezar a fallar si el contexto cambia y nadie lo supervisa.
La primera pregunta antes de planear un agente de IA:
¿Qué trabajo humano queremos potenciar?
El futuro razonable de la IA en empresas no debería ser “humanos o agentes”. Debería ser “qué parte del trabajo humano queremos potenciar con agentes”.
En SEO, la IA puede liberar tiempo operativo para que los especialistas piensen mejor. En contenidos, puede acelerar investigación y estructura para que los editores aporten criterio y experiencia. En marketing, puede multiplicar variantes para que los estrategas elijan mejor. En análisis, puede detectar patrones para que los consultores formulen mejores hipótesis.
La IA tiene valor cuando amplifica capacidades humanas. Pierde valor cuando se usa para fingir que el criterio humano ya no es necesario.
Entonces no, tu agente de IA no tiene toda la culpa
Cuando un agente de IA entrega malos resultados deberíamos preguntar:
- ¿la tarea estaba bien definida?
- ¿el proceso existía antes de automatizarlo?
- ¿el agente tenía el contexto correcto?
- ¿tenía demasiadas responsabilidades?
- ¿estaban claros los límites?
- ¿había revisión humana?
- ¿se midió calidad o solo velocidad?
- ¿se diseñó para reducir riesgo?
- ¿el equipo sabía cómo usarlo?
Y es que debemos recordar que la IA no reemplaza la arquitectura de trabajo, todo lo contrario: La necesita.
Un agente de IA bien diseñado puede ahorrar tiempo, reducir carga operativa, mejorar análisis, acelerar investigación y dar soporte a equipos de SEO, redacción y marketing. Pero no debería convertirse en una excusa para eliminar criterio, supervisión, responsabilidad o experiencia.
Quizás la lección más importante de esta etapa no sea que la IA falló. Quizás la lección sea que la eficiencia sin dirección no es eficiencia. Es automatización de errores. Y en ese escenario, el problema no es tener agentes de IA. El problema es no saber qué trabajo les estamos pidiendo hacer.
Nota editorial: artículo escrito por Marjory Landaeta en colaboración con inteligencia artificial. La investigación, edición, enfoque profesional y validación final corresponden a criterio humano.
