Un LLM responde. Una automatización ejecuta pasos predefinidos. Un agente recibe un objetivo y decide cómo lograrlo. La mayoría de equipos confunde los tres conceptos y termina pagando por herramientas que no necesita.
Un modelo de lenguaje. ChatGPT, Claude, Gemini. Procesa una entrada de texto y genera una salida. Poderoso, pero pasivo. Siempre espera que tú le hables primero.
Workflows en Make, Zapier o n8n que conectan el LLM con acciones reales. Sigue un camino fijo definido por ti. Si algo se sale del guion, se rompe.
Recibe una meta, no una lista de pasos. Razona, elige qué herramientas usar, actúa, revisa el resultado y corrige solo. Sin que estés mirando.
Los tres niveles en seis dimensiones críticas para tomar la decisión correcta.
| LLM | Automatización | Agente IA | |
|---|---|---|---|
| ¿Quién decide los pasos? | El humano, prompt a prompt | Tú, al diseñar el flujo | El propio agente |
| ¿Necesita supervisión? | Sí, conversación viva | Solo si falla el flujo | Mínima, autocorrige |
| Tolera lo inesperado | Depende del prompt | No, se rompe | Sí, replanifica |
| Curva de aprendizaje | Baja | Media | Media-alta |
| Costo operativo | Por consulta | Por ejecución | Por sesión |
| Ejemplo en marketing | Redactar un copy | Publicar el copy en 5 canales | Lanzar y optimizar campaña |
Cinco señales por nivel para tomar la decisión sin confundir las herramientas.
En las capacitaciones que dicto a equipos de marketing en Lima y regiones, lo que más se repite es esto: equipos que pagan licencias de Make o Zapier para tareas que un buen prompt en Claude resolvería en cinco minutos. Y al revés: equipos que usan ChatGPT para procesos repetitivos que deberían estar automatizados hace meses. La pregunta no es qué herramienta es mejor. Es qué nivel de IA aplica a cada caso.
Un LLM es un modelo entrenado con millones de documentos para predecir, palabra por palabra, la respuesta más probable a tu pregunta.
ChatGPT, Claude y Gemini son LLMs. La interacción es simple: tú escribes algo, el modelo responde. No actúa fuera de la conversación. No accede a tu computadora. No recuerda nada entre chats si no le das contexto explícito.
Cuatro LLMs frontera con fortalezas distintas. La elección depende del caso de uso.
Tres ejercicios sectoriales para mostrar cómo se le pide algo a un LLM. Todos usan el framework ROACEF: Rol, Objetivo, Audiencia, Contexto, Ejemplos, Formato.
Caso simulado: un profesional de marketing necesita opciones de hook para abrir un video sobre IA aplicada al negocio. El LLM las produce en segundos para que él elija la que va con su tono.
Caso simulado: una marca del sector cooperativo entrega 40 páginas de información antes de la primera reunión estratégica. Necesitas el insight clave en una página.
Caso simulado: un docente de posgrado necesita armar un caso del retail latinoamericano para que sus alumnos apliquen el framework ROACEF en clase.
Un LLM responde, pero no actúa. No publica el post en LinkedIn. No envía el resumen al cliente. No agenda la reunión. Para eso necesitas el siguiente nivel.
Una automatización es una secuencia de pasos predefinidos que conectan herramientas. El LLM puede ser uno de los pasos, pero el flujo lo diseñas tú.
Make, Zapier y n8n son las herramientas más conocidas. Cada paso es un nodo. Los nodos se conectan por líneas que indican el flujo de datos.
Las cuatro reglas que toda automatización respeta. Quien las conoce sabe cuándo conviene y cuándo no.
Un horario, un email entrante, un nuevo lead, un formulario enviado. La automatización no decide cuándo arrancar, tú lo defines.
Cada nodo tiene una entrada y una salida. Si un dato llega en formato distinto al esperado, el flujo falla. No hay improvisación.
Puedes tener if/else simples (si el lead es de Lima → ruta A, si no → ruta B). Pero la lógica la programas tú al diseñar el flujo.
El LLM aparece dentro del flujo para tareas específicas (resumir, clasificar, redactar). Pero no decide qué hacer después.
Tres ejemplos sectoriales con estructura de workflow. Todos son simulaciones con propósito formativo.
Caso simulado: cuando alguien llena el formulario de contacto en la web de una consultora, dispara este flujo. El LLM clasifica la intención, enriquece con datos públicos vía API, y deriva al equipo correspondiente.
Caso simulado: un equipo de comunicaciones quiere monitorear menciones de su marca en tiempo real. El flujo escucha tres redes, clasifica el sentimiento con Claude, y envía alertas a WhatsApp si una mención negativa supera cierto umbral de engagement.
Caso simulado: cada viernes a las 5pm, el flujo extrae datos de GA4, Meta Ads y LinkedIn Ads del cliente, los pasa por Claude para narrativa ejecutiva, y genera un PDF con plantilla de la consultora que se envía al cliente.
Si el cliente cambia el formato del CRM, el flujo se rompe. Si la API de LinkedIn cambia, el flujo se rompe. Si llega un dato fuera de lo previsto, el flujo se rompe. Tú diseñaste el camino. La automatización solo lo recorre. No improvisa.
Un agente recibe un objetivo. No una lista de pasos, no un workflow predefinido. Solo el resultado que quieres lograr.
A partir de ahí, el agente razona, elige qué herramientas usar, ejecuta, revisa el resultado y corrige si algo no salió bien. Repite el ciclo hasta cumplir el objetivo.
Anthropic ofrece varias formas de usar Claude como agente. Cada una resuelve un escenario distinto.
Aplicación de escritorio en Mac y Windows. Le describes un objetivo, te apartas, vuelves y el trabajo está hecho. Lee tus archivos, organiza información, genera documentos, hace research y ejecuta tareas en múltiples pasos.
Conecta tu celular con tu escritorio. Desde el móvil le das una instrucción, y Cowork la ejecuta en tu computadora con acceso a tus archivos y herramientas. Útil cuando estás de viaje.
Cada lunes a las 7am genera un reporte semanal sin que hagas nada. Distinto a una automatización: el agente decide cómo armarlo según los datos del momento, no según un template fijo.
Agente que vive en tu terminal. Lee toda la arquitectura del proyecto antes de escribir una línea. Implementa funcionalidades, corrige bugs, hace commits. Útil para prototipos web y herramientas internas.
Caso simulado para mostrar la diferencia entre automatización y agente. Todos los datos son ficticios con propósito formativo.
Una automatización habría seguido el camino fijo: lanzar los 9 anuncios, recolectar datos, generar reporte. Punto. El agente, en cambio, detectó que el anuncio #4 estaba subiendo el CPA, decidió pausarlo por su cuenta, redistribuyó el presupuesto al anuncio con mejor desempeño, y al día siguiente explicó por qué tomó esa decisión. Eso es razonamiento, no ejecución.
Tres escenarios donde un agente entrega lo que ninguna automatización podría.
Caso simulado: cada lunes Claude Cowork ejecuta esta tarea programada como agente. Investiga tres competidores de la marca, lee sus posts de la última semana, compara tácticas y entrega un brief de oportunidades.
Caso simulado en consultoría de comunicación: aplicar análisis de patrones discursivos sobre videos públicos en YouTube. El agente no solo transcribe: identifica frases recurrentes, posicionamiento sobre temas clave y arquetipos de liderazgo activados.
Caso simulado en docencia de posgrado: configurar un agente que revisa los proyectos finales de los alumnos contra una rúbrica definida por el docente, y genera feedback personalizado para cada uno.
Si puedes describir el resultado pero no estás seguro de los pasos, necesitas un agente. Si los pasos son claros y se repiten igual cada vez, te basta una automatización. Si solo necesitas pensar mejor, un LLM.
Conferencias, consultoría y mentoría de inteligencia artificial, en español, para equipos directivos en Perú y Latinoamérica.