Agentes de IA: ejemplos reales en producción, no demos

Los ejemplos de agentes de IA que merecen ese nombre cumplen dos condiciones: están en producción y alguien publica la cifra con fecha. Lo demás son demos. En esta pieza reúno los que he podido comprobar hoy, 24 de septiembre de 2026, uno por uno: tres proyectos míos que puedes abrir desde el móvil y nueve casos públicos de Klarna, Salesforce, Intercom, Commerzbank, BBVA, Loft, Meta, Wendy's y McDonald's, con la cifra tal cual la publica la fuente y el año al lado. Incluyo los que salieron mal, porque enseñan más que los que salieron bien. Si lo que buscas es la teoría (qué es un agente, qué componentes tiene, cómo se mide), está en la guía de agentes de IA para empresas. Aquí solo hay ejemplos y el mecanismo que hay detrás de cada uno: qué decide el agente, qué no decide y cuándo pasa la conversación a una persona.

Qué cuenta como ejemplo real de agente de IA (y qué es solo una demo)

Un ejemplo real de agente de IA cumple tres condiciones. Se puede usar hoy, no solo ver en un vídeo. Lo documenta la empresa que lo opera o un medio serio, con cifra y fecha. Y alguien sabe explicar qué decide el agente, qué no decide y cuándo pasa la conversación a una persona. Si falla una de las tres, es una demo con otro nombre.

El filtro dejó fuera más casos de los que entraron. Descarté los que solo existen en la web de un proveedor de chatbots, sin nombre de cliente ni fecha; los que dan un porcentaje sin decir qué mide (resolver no es lo mismo que cerrar porque el cliente se cansó); y los que no se pueden abrir ni probar. No es purismo: quien busca ejemplos de agentes de IA suele estar a punto de contratar uno, y un caso inflado es la forma más rápida de comprar mal.

Apliqué un segundo filtro, que es la propia definición de agente. Un chatbot responde; un agente consulta datos, ejecuta una acción y decide cuándo parar. La diferencia técnica, generación a generación, está en la pieza sobre la diferencia entre chatbot y agente de IA. Aquí la uso como criba: si el sistema no termina una gestión (una cita creada, un pedido confirmado, un cobro hecho) o no tiene una regla de escalado, lo llamo por su nombre y no lo cuento como agente. Verás que algún ejemplo de la lista no lo es del todo, y lo digo.

¿Qué ejemplos de agentes de IA puedo abrir hoy desde el móvil?

Tres proyectos míos en producción. Patitas, en salud animal: un asistente de IA que responde con datos reales del negocio y cobra online sin humano. Carta con Hambre, en hostelería: una carta digital que detecta el idioma del móvil y se traduce sola. Godius GIS: analiza competencia, precios y demanda de la zona de un hotel. Van descritos por su mecanismo, sin cifras de resultado que no pueda demostrar.

Por qué sin cifras: porque las de resultado que circulan por el sector rara vez tienen grupo de control, y no quiero sumar una más. Lo que sí puedo enseñar es lo que ningún porcentaje enseña: dónde está la frontera de cada agente.

Patitas: responde con datos del negocio y cobra sin que intervenga nadie

Patitas es el más completo de los tres porque recorre el patrón entero de un agente: entiende lo que pide el cliente, responde con la información real del negocio y termina la gestión cobrando online, sin que una persona intervenga. Las dos mitades exigen cosas distintas. Responder con datos reales exige que el asistente conteste solo desde lo que ese negocio sabe, no desde generalidades de internet. Cobrar sin humano exige permiso para ejecutar y un criterio de parada que decida cuándo el caso está listo para el cobro.

En mi experiencia, la parte que más trabajo lleva en un agente que cobra no es conectar el modelo: es escribir lo que tiene prohibido responder. Un asistente que mueve dinero no puede improvisar.

Carta con Hambre: la decisión más pequeña que existe

Carta con Hambre no es un agente conversacional y no lo voy a vender como tal. Es una carta digital para restaurantes que detecta el idioma del móvil del cliente y se traduce sola. Toma una única decisión (en qué idioma mostrar la carta) y la ejecuta sin preguntar. Lo incluyo por dos razones. Primera, porque es la versión mínima de decidir y ejecutar, y muchas empresas necesitan esta versión antes que un agente que conversa. Segunda, porque enseña algo que los casos grandes esconden: cuanto más barato es el error, menos escalado necesitas.

Godius GIS: analiza la zona de un hotel y deja la decisión a la dirección

Godius GIS analiza competencia, precios y demanda de la zona de un hotel. Es un agente de análisis, no de acción: reúne los datos de la zona, los compara y entrega un resultado que lee una persona. No toca el precio del hotel ni envía nada a nadie. Ese límite no es una carencia, es el diseño: en decisiones de precio el coste de un error es alto y el agente se queda en el nivel de copiloto. El hotel gana horas de análisis; la decisión sigue siendo de quien dirige.

Hay un cuarto proyecto, audit.godius.io, que audita una web sola (rendimiento, SEO y visibilidad en IA). Lo dejo para la tabla final porque es una herramienta, no un agente que converse.

Ejemplos de agentes de IA en atención al cliente, con la cifra de la fuente

Los ejemplos de agentes de IA en atención al cliente mejor documentados son los que publica la propia empresa con fecha: Klarna en 2024, Salesforce con Agentforce en su web de ayuda en 2025, Intercom con Fin y Commerzbank con su asistente Bene. Todos resuelven una parte alta de las consultas y el resto pasa a personas. Ese reparto, no el total de conversaciones, es el dato que importa.

Klarna: 2,3 millones de conversaciones en un mes (2024)

Klarna publicó el 27 de febrero de 2024, en su nota de prensa oficial, que su asistente de IA, construido con OpenAI, había mantenido 2,3 millones de conversaciones en su primer mes, dos tercios de sus chats de atención al cliente, haciendo el trabajo equivalente a 700 agentes a tiempo completo. La misma nota (2024) da el resto: resolución en menos de 2 minutos frente a 11, un 25% menos de consultas repetidas, 23 mercados, más de 35 idiomas y una mejora de beneficio estimada en 40 millones de dólares para 2024.

Es el ejemplo de agente de IA más citado del mundo y el que peor se cita, porque casi nadie cuenta la segunda parte.

¿Por qué Klarna volvió a contratar personas en 2025?

Porque el coste había pesado demasiado en el diseño. En mayo de 2025, Fortune recogió que Klarna volvía a contratar personas para atención al cliente, con esta explicación de su consejero delegado, Sebastian Siemiatkowski: al haber sido el coste un factor de evaluación demasiado predominante al organizarlo, lo que se acaba teniendo es una calidad más baja. No apagó el agente. En junio de 2025 dijo a TechCrunch que la atención humana iba a ser siempre un servicio VIP y que la IA se quedaba con el trabajo manual y repetitivo.

La lección vale más que las dos cifras juntas: lo que Klarna corrigió no fue el modelo, fue el reparto entre máquina y personas, que se había diseñado mirando el coste. Es el mismo error a cualquier escala, desde 700 agentes hasta uno.

Salesforce: Agentforce en su propia web de ayuda (2025)

Salesforce es un caso especial porque el cliente es la propia Salesforce. En su nota del 22 de abril de 2025 publicó que Agentforce había atendido más de 500.000 conversaciones en help.salesforce.com, resolviendo más del 84% de las preguntas, y que solo el 4% de las conversaciones se derivaba a un ingeniero de soporte humano. En una entrada de su blog del 6 de noviembre de 2025 la cifra superaba ya los dos millones de conversaciones, y el lanzamiento en japonés, abierto el 20 de junio, llevaba más de 50.000 conversaciones con un 77% de resolución.

Dos lecturas. La primera: el 4% de derivaciones es el dato que yo miraría antes que el 84%, porque dice cuántas veces el agente supo parar. La segunda: el mismo agente, en otro idioma y con menos rodaje, resolvía siete puntos menos. Un agente no se traslada gratis de un contexto a otro; cada idioma, cada catálogo y cada país es una puesta a punto.

Intercom: la distancia entre «de serie» y «afinado» (2026)

Intercom vende Fin, un agente de atención al cliente construido sobre los modelos Claude. El caso de estudio publicado por Anthropic, consultado el 24 de septiembre de 2026, da dos cifras que conviene leer juntas: Fin logra una tasa media de resolución del 51% de serie, antes de cualquier personalización, y resuelve hasta el 86% del volumen de soporte. En la web de Fin, consultada el mismo día, la media declarada es del 76% en más de 12.000 clientes. La distancia entre el 51% y el 86% es el trabajo de conectar el agente al contenido y a los sistemas de cada empresa. Nadie compra el 86%: se compra el 51% y se construye el resto.

Commerzbank: Bene, dos millones de chats (2026)

Commerzbank aparece en la lista de casos reales de IA generativa de Google Cloud, actualizada el 22 de abril de 2026, con su asistente Bene: construido sobre la Customer Engagement Suite de Google y ampliado con Gemini, gestiona más de dos millones de chats y resuelve el 70% de las consultas. Ese 70% se parece más a lo que veo en la práctica que a lo que prometen los folletos: en un banco, con la normativa encima, tres de cada diez conversaciones deben acabar en una persona, y está bien que así sea.

BBVA: un caso español, con matiz (2026)

BBVA no es un agente de cara al cliente, y por eso va con matiz. En el caso publicado por OpenAI el 11 de junio de 2026, el banco cuenta que empezó en 2024 desplegando ChatGPT Enterprise a 3.000 empleados, que hoy lo usan más de 100.000 y que han creado más de 20.000 GPT a medida, de los que unos 4.000 se usan con frecuencia. La cifra que más se acerca a un agente está en Perú: más de 3.000 empleados usan un asistente interno que redujo el tiempo medio de atención de una consulta de unos 7,5 minutos a alrededor de 1. Es un asistente que responde, no un agente que ejecuta. Lo incluyo porque es la empresa española con el caso mejor documentado y porque enseña la escala a la que se llega sin que nada de esto toque al cliente final.

¿Qué ejemplos de agentes de IA en WhatsApp existen de verdad?

En WhatsApp hay dos ejemplos de agentes de IA verificables. Loft, una inmobiliaria brasileña, hace 900 simulaciones hipotecarias a la semana por WhatsApp, según la lista de casos de Google Cloud actualizada en abril de 2026. Y el Business Agent de Meta, que según su nota de junio de 2026 usan más de un millón de negocios. Los dos funcionan por lo mismo: datos conectados y una acción concreta.

Loft es el ejemplo que más se parece a lo que me piden las empresas de España y Latinoamérica, porque el canal es WhatsApp y la gestión termina en algo útil. Según la lista de casos de Google Cloud (actualizada el 22 de abril de 2026), Loft migró sus datos a Google Cloud, montó sus funciones de IA sobre Gemini 2.0 Flash y con ello redujo costes un 40% y tickets de soporte un 15%, habilitó 900 simulaciones hipotecarias semanales por WhatsApp y conectó a 9.000 agencias inmobiliarias. Fíjate en el orden: primero los datos en un sitio, después el agente. Ninguna simulación hipotecaria por WhatsApp funciona si el agente no puede consultar las condiciones reales.

El segundo ejemplo lo pone Meta. En su nota del 3 de junio de 2026 presenta el Meta Business Agent para negocios de cualquier tamaño en WhatsApp, Messenger e Instagram, dice que más de un millón de negocios ya lo usan y que a diario hay más de mil millones de hilos activos entre personas y negocios en sus apps. Lo que hace, según la propia nota: responder preguntas sobre el negocio, recomendar productos del catálogo, agendar citas, cualificar leads, cerrar ventas y dejar que tú decidas cuándo entra una persona del equipo. Lo que la nota no detalla es con qué sistemas se conecta más allá de la información y el catálogo que le das a Meta. Si tu gestión vive en tu agenda o en tu programa de facturación, la conexión pasa por la API. Qué exige Meta para registrar el número, qué cobra por mensaje y por qué la app normal no admite agentes está en la guía del agente de IA para WhatsApp Business.

¿Qué herramienta de IA para WhatsApp necesita tu negocio?

Depende de una sola pregunta: en qué termina la conversación. Si termina en una respuesta (horario, precio, disponibilidad general), el agente de Meta o un flujo sencillo pueden bastar, y son la opción barata. Si termina en una gestión que vive en tus sistemas (una cita en tu agenda, un pedido contra tu stock, un cobro), necesitas un agente sobre la API conectado a esos datos, como hace Loft, o como el patrón de Patitas (datos reales más cobro) llevado a WhatsApp. Y si recibes cuatro consultas al día, la herramienta que necesitas es una persona con plantillas. Lo he visto muchas veces: el error no es elegir mal la herramienta, es elegirla antes de saber en qué termina la conversación.

Ejemplos de agentes de voz: Wendy's y McDonald's, misma tarea y dos finales

Los agentes de voz del autoservicio son el ejemplo más honesto: tienen dos finales públicos. Wendy's publicó en diciembre de 2023 que su FreshAI atendió sin intervención del equipo el 86% de los pedidos del piloto, y en mayo de 2025 que procesaba decenas de miles de pedidos diarios. McDonald's apagó en julio de 2024 su prueba con IBM en más de 100 restaurantes, según CNBC.

Wendy's lo documenta en su propio blog. En la entrada del 11 de diciembre de 2023 explica que la precisión del piloto, medida como el porcentaje de pedidos gestionados por FreshAI sin intervención de un miembro del equipo, fue del 86% de media, con el sistema activo en cuatro restaurantes propios de Columbus, Ohio, y un menú con más de 200.000 millones de formas de pedir una sola hamburguesa. En la actualización del 2 de mayo de 2025 cuenta que el piloto de dos estados de 2024 se había extendido a todo el país y procesaba decenas de miles de pedidos al día, sobre una colaboración con Google que empezó en 2021.

McDonald's había empezado también en 2021, con IBM. Según CNBC (junio de 2024), la cadena comunicó a sus franquiciados que apagaría el Automated Order Taker en más de 100 restaurantes no más tarde del 26 de julio de 2024, y declaró que seguía viendo un lugar para la IA en sus autoservicios. CNBC no publica la causa técnica, y yo no voy a inventarla.

Lo que sí se puede leer en los dos casos es la métrica. Wendy's midió desde el principio qué porcentaje de pedidos salía sin que nadie interviniera, y el 14% restante pasaba por un miembro del equipo: lo dice la propia definición de la medida. Un agente de voz con un 86% de acierto es un buen agente si el otro 14% tiene un camino; es un desastre si ese 14% se queda colgado en la ventanilla. La cifra no es el mérito. El camino de salida, sí.

Los ejemplos en una tabla: qué hace cada agente y qué necesita para funcionar

La tabla reúne los ejemplos de agentes de IA de esta pieza en cuatro columnas: el ejemplo, el sector, qué hace el agente y qué necesita para funcionar. La última columna es la que importa si quieres replicar alguno. En todos aparece lo mismo con distinto nombre: datos del negocio ordenados en un sitio, una acción concreta que ejecutar y una regla clara de cuándo entra una persona.

¿Cómo paso de un ejemplo ajeno a un agente en mi empresa?

Copiar un ejemplo no funciona, porque un agente hereda el proceso y los datos de cada empresa, no su tecnología. Lo que sí se traslada es el método que comparten todos los casos de esta pieza: elegir una gestión concreta, ordenar los datos de los que responderá, escribir qué decide solo y cuándo escala, medir antes de encender y ampliar la autonomía con evidencia. Ninguno empieza por la herramienta.

1. Elige la gestión, no el departamento. Klarna no automatizó la atención al cliente entera: automatizó los chats con respuesta conocida. Wendy's no automatizó el restaurante: automatizó el pedido en la ventanilla. Escribe la tuya con un verbo terminado: reservar, cobrar, simular, traducir.
2. Pon los datos de los que responderá en un solo sitio. Loft migró primero y montó el agente después. Precios, horarios, catálogo y políticas, sin contradicciones. Es el paso menos vistoso y el que más calidad compra.
3. Escribe qué decide solo, qué no decide y cuándo escala. Las tres filas de las tablas de Patitas, Carta con Hambre y GIS. Si no puedes rellenarlas para tu caso, todavía no tienes un agente: tienes una idea.
4. Mide la línea base antes de encender nada. Cuántas consultas llegan, cuántas se pierden fuera de horario, cuántas terminan en venta. Sin esa foto, el 84% de Salesforce o el 86% de Wendy's no te sirven de referencia: no sabrás si tu 60% es bueno o malo.
5. Estima el coste por partidas, no por precio cerrado. Construcción, integraciones, consumo del modelo y mantenimiento mensual. El desglose con tarifas oficiales está en cuánto cuesta un agente de IA.
6. Empieza supervisado y amplía con evidencia. Fin pasa del 51% al 86% con trabajo, no con fe. Sube la autonomía cuando las conversaciones reales lo justifiquen, y ten preparado el camino de vuelta: Klarna lo necesitó.

Si te fijas, ninguno de los ejemplos de agentes de IA de esta lista empezó por la herramienta, y el que corrigió el rumbo con explicación pública, Klarna, no lo hizo por falta de tecnología, sino por cómo repartió el trabajo entre máquina y personas. En Godius, agencia de inteligencia artificial aplicada a empresas reales, trabajo en ese orden porque es el que he visto funcionar en mis propios proyectos: primero la gestión y los datos, después el agente. Si quieres saber si alguno de estos ejemplos se traslada a tu negocio, incluida la posibilidad de que no necesites ninguno, el diagnóstico de procesos empieza por una llamada de 15 minutos, gratis y sin compromiso, en cal.godius.io/alejandro/consulta. Sin permanencia y con cifras encima de la mesa antes de decidir nada.