Agentes de IA para empresas: cuánto cuestan, qué obliga el AI Act y por qué fracasa el 40%

Actualizado el 5 de septiembre de 2026.

Un agente de IA para empresas es un sistema de software que recibe un objetivo, lo descompone en pasos, decide qué herramientas usar y ejecuta conectándose a los sistemas de la compañía, sin que una persona dirija cada paso. Esa definición está en todas partes. Lo que casi no existe en español es lo que un comité necesita para decidir: cuánto cuesta operarlo de verdad, cuántos proyectos se cancelan, qué artículos del Reglamento Europeo de IA obligan a tu empresa y con qué multa, y qué no sabe hacer todavía un agente. Esta guía responde esas cuatro, con fuente primaria enlazada en cada cifra.

# Lo que necesitas saber en 60 segundos

• Un agente consume del orden de 4 veces más tokens que una conversación de chat, y un sistema multiagente unas 15 veces más. Lo publicó Anthropic sobre sus propios datos de producción (Anthropic Engineering, 13 de junio de 2025). No es un detalle técnico: es la condición económica que decide qué casos salen a cuenta.
• Más del 40% de los proyectos de IA agéntica se cancelarán antes de que acabe 2027, por costes crecientes, valor de negocio poco claro o controles de riesgo insuficientes (Gartner, junio de 2025).
• En flujos de trabajo largos de ordenador, el mejor sistema medido completa solo el 20,6% de las tareas, aunque acumula un 54,8% de avance parcial (OSWorld 2.0, arXiv, junio de 2026). Cualquiera que te prometa autonomía total está vendiendo algo que aún no existe.
• Usar un agente convierte a tu empresa en responsable del despliegue ante el AI Act, con obligaciones propias y multas de hasta 15.000.000 € o el 3% de la facturación mundial, la cuantía que sea mayor (art. 99.4.e del Reglamento (UE) 2024/1689).
• En España usa IA el 21,1% de las empresas de 10 o más empleados, 8,7 puntos más en un año, y el 25,7% en servicios (INE, Encuesta TIC, primer trimestre de 2025). Una de cada cinco, no todas.
• El 87% de los clientes considera imprescindible poder llegar a una persona (Gartner, encuesta a 3.566 clientes, agosto de 2026). Un agente sin salida a humano no ahorra, expulsa.

# Qué es un agente de IA, y qué no es

Tres capacidades separan a un agente de todo lo anterior: planifica, usa herramientas y mantiene estado entre pasos. Un chatbot responde dentro de un guion. Una automatización ejecuta un flujo que escribió una persona. Un agente decide en cada paso qué hacer a continuación, y esa autonomía es exactamente lo que dispara el coste y el riesgo.

La confusión no es casual. Gartner acuñó el término agent washing para la práctica de rebautizar como agentes productos que ya existían, y estima que solo unos 130 de los miles de proveedores que se posicionan como agénticos lo son de verdad. Antes de firmar, tres preguntas al proveedor:

• ¿Puede actuar sobre sistemas reales? Si solo lee y responde, es un asistente.
• ¿Decide la secuencia o la tiene escrita? Si el flujo está fijado de antemano, es una automatización con otro nombre.
• ¿Qué hace ante lo imprevisto? Si se rompe, no es un agente. Un agente replanifica o escala a una persona.

El error caro es el de la derecha: pagar consumo variable para resolver un proceso que una regla cerraba por tarifa plana. Gartner lo dice sin rodeos: muchos casos que hoy se presentan como agénticos no requieren una implementación agéntica.

No necesitas un agente. Necesitas que un proceso deje de costarte dinero. Si una regla de tres líneas lo arregla, el agente es un lujo caro.

Albert Puig Navàs, Cofundador y CPO de Cronuts Digital

# Cuánto cuesta operar un agente: la aritmética que nadie publica

Las guías que hoy rankean dan horquillas de proyecto que son su propia tarifa. Ninguna descompone el coste marginal por interacción desde precios públicos. Aquí está la operación completa.

Los precios de la API de Claude, consultados el 5 de septiembre de 2026 en la documentación oficial de Anthropic, por millón de tokens de entrada y de salida:

Haz la cuenta con tus propios números. Supongamos una interacción de atención al cliente que arrastra 20.000 tokens de entrada, entre instrucciones, historial y documentación recuperada, y devuelve 2.000 de salida. Con Sonnet 5 son 0,04 $ de entrada más 0,02 $ de salida: 0,06 $ por interacción. Con 10.000 interacciones al mes, 600 $.

Ahora aplica el multiplicador que casi nadie menciona. Si eso no es un chat sino un agente que planifica, llama herramientas y verifica, Anthropic midió que consume del orden de 4 veces más. Tu factura de 600 $ se convierte en unos 2.400 $. Si además montas varios agentes coordinados, el factor medido sube a unas 15 veces, y estás en 9.000 $ mensuales por el mismo volumen de conversaciones.

Dos palancas publicadas que casi nadie activa: las peticiones por lotes tienen un 50% de descuento, y las lecturas de caché de prompt cuestan el 10% del precio base. Si tu caso es procesar documentos en bloque de madrugada, eso cambia el orden de magnitud.

Y un ancla de la vida real, publicada por el fabricante: en despliegues empresariales de su propio agente de programación, Anthropic documenta un coste medio de unos 13 dólares por persona y día activo, entre 150 y 250 dólares por persona y mes, con el 90% de los usuarios por debajo de 30 dólares diarios (documentación oficial de Claude Code, consultada el 7 de septiembre de 2026). Es la cifra más honesta que hay publicada sobre lo que cuesta un agente en producción, y no aparece en ninguna guía comercial en español.

# Recortar tokens no te da un agente más barato, te da uno que falla

La tentación obvia al ver esos números es apretar el consumo. Los datos dicen que ahí se rompe el sistema. En su análisis de la evaluación BrowseComp, Anthropic midió que tres factores explican el 95% de la varianza de rendimiento de un agente, y que el consumo de tokens por sí solo explica el 80%. Es decir: cuánto puede pensar y consultar el agente es la variable que más determina si acierta.

La consecuencia práctica para un comité es incómoda pero clara. El coste por tarea no es un parámetro que se pueda optimizar libremente: por debajo de cierto umbral, dejas de comprar un agente y compras un generador de errores plausibles. La palanca correcta no es gastar menos por tarea, es elegir tareas cuyo valor pague el consumo que necesitan.

# Por qué se cancela más del 40%

Comprar es fácil. Seguir en producción dentro de un año es lo difícil. Gartner prevé que más del 40% de los proyectos de IA agéntica se cancele antes de que termine 2027, por costes crecientes, valor de negocio poco claro o controles de riesgo insuficientes. Y añade un segundo aviso: en 2027 el 40% de las empresas degradará o retirará agentes autónomos por fallos de gobernanza detectados solo después de un incidente en producción (Gartner, mayo de 2026).

Las tres causas que enumera Gartner son medibles antes de empezar, y esa es la buena noticia. Coste creciente lo anticipas con la aritmética de arriba. Valor poco claro lo eliminas midiendo la línea base: cuántas horas consume hoy ese proceso, cuánto cuesta la hora cargada y cuánto cuesta un error. Controles insuficientes es el apartado que sigue.

# Qué NO sabe hacer un agente hoy, medido

Esta es la sección que ninguna página comercial publica, porque no ayuda a vender. OSWorld 2.0 es un banco de 108 flujos de trabajo reales de ordenador que a una persona le llevan una mediana de en torno a 1,6 horas cada uno. En ese entorno, el mejor sistema medido en el paper completa por entero solo el 20,6% de las tareas, aunque acumula un 54,8% de avance parcial.

Traducido: los agentes ya hacen buena parte del camino y fallan al cerrar. Los autores señalan que los fallos se concentran en los últimos pasos, cuando hay que verificar y confirmar. Por eso el patrón que funciona hoy no es autonomía total, es el agente que avanza el 80% y una persona que cierra, y por eso el 87% de clientes que exige salida a humano no es un capricho, es una descripción del estado del arte.

# Los 7 casos de uso B2B, ordenados por si el valor de la tarea paga su consumo

Con el multiplicador de 4x sobre la mesa, la pregunta deja de ser qué puede hacer un agente y pasa a ser qué tarea vale lo que consume. Estos son los siete que se sostienen en una empresa B2B, del más rentable al más exigente.

1. Conocimiento interno, en solo lectura

Un agente conectado a la documentación de la compañía convierte años de propuestas, informes y procedimientos en algo consultable. Es el de menor riesgo porque no escribe en ningún sistema, y el de mejor relación valor por token porque cada consulta sustituye una búsqueda humana de minutos.

2. Cualificación y enrutado de leads

Lee el formulario, enriquece, puntúa contra el perfil ideal, escribe el resumen en el CRM y asigna. Es el caso con retorno más rápido de medir, porque la línea base ya existe: tiempo de primera respuesta y porcentaje de leads sin trabajar.

3. Atención al cliente con salida a persona

Resuelve cuando su confianza es alta y escala cuando no. Con el 87% de clientes exigiendo poder llegar a un humano y un 20,6% de tareas largas completadas en benchmark, diseñar la puerta de salida no es opcional.

4. Back office administrativo

Extracción de facturas, conciliación contra pedidos, detección de desviaciones. Aporta cuando los documentos llegan en formatos distintos. Si todos tus proveedores mandan el mismo XML, no necesitas un agente, necesitas un parser.

5. Soporte a recursos humanos y onboarding

Alto volumen de preguntas repetidas cuyas respuestas viven en documentos que nadie encuentra. Ojo: aquí entra el artículo 26.7 del AI Act, que veremos más abajo.

6. Copiloto de ventas

Prepara reuniones cruzando CRM, notas y actividad, redacta propuestas y detecta oportunidades paradas. El hábito ya está instalado: el 74% de los usuarios B2B de IA generativa la usa para completar tareas en su nombre.

7. Operaciones y vigilancia de procesos

Detecta la anomalía, diagnostica la causa probable y abre el ticket con el contexto montado. Es el más caro en consumo porque vigila de forma continua, así que solo sale a cuenta cuando el coste de un fallo no detectado es alto.

# Antes de firmar: los tres permisos que hay que poner por escrito

OWASP tipifica el riesgo específico de los agentes con nombre propio, y no es que el modelo se equivoque. En LLM03:2026 Excessive Agency del OWASP Top 10 for LLM Applications 2026, publicado el 3 de agosto de 2026, se definen tres causas raíz y solo tres:

• Funcionalidad excesiva. El agente tiene herramientas que no necesita para su cometido.
• Permisos excesivos. Las herramientas acceden a más de lo que la tarea exige.
• Autonomía excesiva. Puede ejecutar acciones de alto impacto sin confirmación humana.

Las tres son decisiones de contrato, no de tecnología. Se cierran escribiendo, antes de la primera línea de código, qué herramientas tiene el agente, con qué credenciales y qué acciones exigen confirmación. La regla operativa que evita casi todo: el agente nunca debe poder ver ni hacer más de lo que vería o haría la persona en cuyo nombre actúa.

OWASP publicó además, el 9 de diciembre de 2025, un Top 10 específico de aplicaciones agénticas con diez riesgos nombrados de ASI01 a ASI10, encabezado por el secuestro del objetivo del agente. Y NIST mantiene desde julio de 2024 el NIST AI 600-1, el perfil de IA generativa de su marco de gestión de riesgos, con doce riesgos tipificados. Pedir al proveedor que mapee su propuesta contra una de esas dos listas es la forma más rápida de saber si ha pensado en seguridad o solo en la demo.

# Conectar el agente a tus sistemas: MCP y sus 11 superficies de ataque

Un agente deja de ser un chat cuando se conecta a tus datos, y hoy eso se hace con MCP. El Model Context Protocol es un estándar abierto que Anthropic anunció el 25 de noviembre de 2024 para conectar sistemas de IA a herramientas externas sin construir una integración a medida por cada una. Que sea estándar abierto importa por una razón comercial concreta: es la respuesta a la objeción que más frena una firma, la de quedarse casado con un proveedor.

Ahora la parte que no sale en los folletos. La propia especificación de seguridad de MCP, versión 2026-07-28, documenta once secciones de ataque y mitigación con lenguaje normativo: un servidor MCP no debe aceptar ningún token que no se le haya emitido explícitamente a él. Cada servidor que conectas amplía lo que el agente puede leer y hacer. Es el principio de mínimo privilegio de siempre, aplicado a un actor nuevo que decide por su cuenta.

El detalle de cómo se diseña, se pilota y se gobierna esa conexión lo desarrollamos en Claude para empresas.

# Qué te obliga el AI Act si usas un agente, y desde cuándo

Aquí está el hueco más grande de todo el contenido en español sobre agentes: el Reglamento Europeo de IA no solo regula a quien fabrica el modelo, también a quien lo despliega. Y las obligaciones del segundo tienen artículo, plazo y multa propios.

El Reglamento (UE) 2024/1689 define en su artículo 3, punto 4, al responsable del despliegue como quien utiliza un sistema de IA bajo su propia autoridad. La única excepción es el uso personal de carácter no profesional. Si tu empresa pone un agente a trabajar, es responsable del despliegue. No hace falta que lo hayas programado ni que le hayas puesto tu marca.

De ahí cuelgan obligaciones concretas que conviene leer antes que después:

• Supervisión humana, artículo 26.2. Comprar un sistema que técnicamente permite pararse no basta. La empresa que lo despliega debe encomendar la supervisión a personas físicas que tengan la competencia, la formación y la autoridad necesarias. Es distinto del artículo 14.1, que obliga al proveedor a diseñarlo para que pueda ser vigilado. Son dos deberes, sobre dos actores.
• Conservación de registros, artículo 26.6. Los logs que el sistema de alto riesgo genere automáticamente y estén bajo tu control se conservan un mínimo de seis meses.
• Información a la plantilla, artículo 26.7. Antes de poner en servicio un sistema de alto riesgo en el lugar de trabajo hay que informar a los representantes de los trabajadores y a los trabajadores afectados. Esto pilla de lleno los casos de uso de recursos humanos.
• Multas, artículo 99.4, letra e. Incumplir las obligaciones del responsable del despliegue se sanciona con hasta 15.000.000 de euros o el 3% del volumen de negocios mundial del ejercicio anterior, la cuantía que sea mayor.

El calendario, con las fechas tal como figuran en el artículo 113 y en las disposiciones transitorias:

En paralelo, el RGPD sigue aplicando entero. Un agente que lee documentación interna trata datos personales, con base legal, minimización, control de accesos y registro de tratamiento.

# Dónde está España de verdad: una de cada cinco, no todas

El argumento de que todo el mundo lo está haciendo no resiste el dato oficial. Según la Encuesta sobre el uso de TIC y comercio electrónico en las empresas del INE, en el primer trimestre de 2025 usaba tecnologías de inteligencia artificial el 21,1% de las empresas españolas de 10 o más empleados, 8,7 puntos más que un año antes. En servicios sube al 25,7%.

Para la comparación europea conviene usar una sola fuente armonizada, porque las encuestas nacionales no son directamente comparables entre sí. Con datos de Eurostat para 2025, España está en el 20,3% frente al 20,0% de la UE-27, creciendo algo más rápido que la media. Ligeramente por encima, no a la cola, y muy lejos de países como Dinamarca.

La lectura para un comité es que llegar ahora no es llegar tarde, y que la ventaja no está en adoptar antes sino en no estar en ese 40% que cancela.

# Errores frecuentes y cuándo NO necesitas un agente

• Comprar agent washing. Pagar precio de agente por un chatbot rebautizado. Las tres preguntas de la primera sección lo resuelven en una reunión.
• Automatizar el caos. Un proceso roto automatizado sigue roto, solo que ahora escala y consume tokens.
• Empezar sin línea base. Sin la cifra de partida, cualquier resultado parece bueno y ninguno se defiende ante dirección.
• Quitar la salida a persona. Con un 87% de clientes exigiéndola y un 20,6% de tareas largas completadas, cerrarla no ahorra.
• Gobernanza uniforme. Aplicar los mismos controles a un agente que solo lee y a uno que escribe en producción es, según Gartner, la causa raíz del fallo.
• Optimizar el coste por debajo del umbral útil. Si el consumo de tokens explica el 80% de la varianza de rendimiento, recortarlo agresivamente compra errores baratos.

No necesitas un agente cuando el proceso es estable y repetitivo, cuando el volumen no justifica el coste de integración, cuando el dato de entrada no existe en formato consultable, o cuando el error tiene consecuencias legales y no puedes poner una persona a revisar. En esos cuatro casos, una automatización de reglas o un buen buscador interno resuelven mejor y más barato.

# Cómo implantarlo en 5 fases

1. Elegir el caso por valor y por riesgo

Uno solo, medible, con dueño y línea base numérica. Si no puedes medirlo en 90 días, descártalo.

2. Preparar el dato y los accesos

Inventario de fuentes, limpieza de duplicados y permisos explícitos por fuente. Aquí se decide la calidad del resultado y se cierran dos de las tres causas de Excessive Agency.

3. Piloto acotado con persona en el circuito

Alcance pequeño, revisión humana de cada salida y registro de todo. Sirve para medir precisión antes de conceder capacidad de escritura.

4. Medir contra la línea base

Tiempo por tarea, tasa de resolución sin intervención, precisión y coste por tarea completada, que con los números de arriba ya sabes calcular. Si no mejora la línea base, se para.

5. Gobernar y escalar por niveles

Conceder autonomía por tramos, cada uno con sus controles y sus puntos de verificación. Dado que los fallos se concentran al cerrar la tarea, el control más rentable es obligar a confirmar antes de la acción irreversible.

# Cómo lo montamos en Cronuts

En Cronuts trabajamos como consultora AI First: la IA es el punto de partida del proceso, no un añadido al final. Tres decisiones que aplicamos en cada implantación.

• Primero el proceso y su línea base, después el modelo. Con frecuencia la conclusión es que el caso no necesita un agente.
• Cada nivel de autonomía, sus controles. Un agente que solo lee no se gobierna como uno que escribe en producción.
• Salida a persona desde el primer día, diseñada, no añadida tras el primer incidente.

Si quieres ver el encaje en tu caso, empezamos por un diagnóstico digital, y si procede continuamos desde consultoría de IA o con el agente de atención al cliente, que ya viene con la salida a humano montada.

# Metodología: de dónde sale cada cifra

Todos los datos de esta guía proceden de fuente primaria abierta y verificada, sin intermediarios ni refritos. Precios de API y capacidades de modelo, de la documentación oficial de Anthropic consultada el 5 y el 7 de septiembre de 2026. Consumo comparado de agentes, de la ingeniería publicada por Anthropic el 13 de junio de 2025. Rendimiento en tareas largas, del paper de OSWorld 2.0 en arXiv, junio de 2026. Previsiones y encuestas de mercado, de notas de prensa de Gartner de junio de 2025, mayo de 2026 y agosto de 2026. Marco legal, del texto oficial del Reglamento (UE) 2024/1689 en EUR-Lex. Adopción, del INE y de Eurostat. Riesgos de seguridad, de OWASP, NIST y la especificación de MCP.

Dos avisos de caducidad. Los precios de API y los resultados de benchmark se mueven en semanas, así que llevan fecha de consulta. Y el AI Act ya ha sido modificado una vez, por el Reglamento (UE) 2026/1744 de 8 de julio de 2026, sin que ello alterara las fechas de aplicación recogidas arriba, verificadas el 7 de septiembre de 2026.