El agente de IA que le dice a un cliente que hay 40 unidades en stock cuando quedan 3 no tiene un problema de modelo. Tiene un problema de herramientas. Y el arreglo que casi todo el mundo prueba primero, meterle más contexto en el prompt (el catálogo entero pegado, la tarifa completa, el manual de precios), casi nunca funciona, porque ataca el síntoma equivocado.
Es una confusión que vemos constantemente al montar agentes de IA dentro del sistema real de un cliente: se trata "inventa datos" como si fuera un problema de cuánta información le has dado, cuando en realidad es un problema de qué tipo de información le has dado.
El problema: confundir "más contexto" con "más precisión"
Cuando un agente de IA responde mal un precio, un stock o una condición de cliente, la reacción intuitiva es la misma en casi todas las empresas: "le falta información, vamos a dársela". Se le pega al prompt el PDF de tarifas, el Excel de stock, el documento de condiciones comerciales. A veces mejora un poco. Casi nunca se arregla del todo, y en cuanto ese dato cambia (una tarifa nueva, un pedido que vacía un almacén), el agente vuelve a fallar exactamente igual, porque sigue respondiendo con el contexto que le diste el día que lo configuraste, no con la realidad de hoy.
El problema de fondo no es de cantidad de información, es de tipo de información:
- Contexto es texto que el agente lleva pegado en la conversación o en su configuración: quién eres, cómo hablas, qué política aplicas, qué tono usar. No cambia (o cambia poco) de un día para otro.
- Herramienta es una función que el agente puede llamar en el momento exacto en que responde, para consultar un dato que sí cambia: el stock ahora mismo, el precio de este cliente hoy, si esta factura ya está pagada.
Meter un dato que cambia constantemente dentro del contexto es prometerle al agente algo que vas a dejar de cumplir en cuanto ese dato se mueva. Y en un negocio real, el stock, el precio y el estado de un cliente se mueven todo el rato.
Contexto y herramienta no son intercambiables
La tabla de abajo resume la diferencia con ejemplos que aparecen en cualquier pyme:
| Dato | ¿Cambia con frecuencia? | Cómo dárselo al agente |
|---|---|---|
| El tono de marca, cómo saludar, qué no decir nunca | No | Contexto (en el prompt o en su configuración) |
| El catálogo de productos y su descripción | Poco | Contexto, revisado cada cierto tiempo |
| El stock disponible de un producto | Sí, todo el rato | Herramienta que consulta el ERP en el momento |
| La tarifa que aplica a un cliente concreto | Sí, por cliente y por fecha | Herramienta que consulta el sistema real |
| Si una factura está pagada o pendiente | Sí | Herramienta, nunca memorizado |
| Las condiciones legales de un contrato tipo | No | Contexto |
La regla de decisión es esta: si el dato puede haber cambiado entre que configuraste el agente y el momento en que responde, no es contexto, es una consulta. Dárselo como contexto no es un atajo razonable, es programar el error para el día que el dato se mueva, que en un negocio activo es casi siempre pronto.
Caso real: un agente que no memoriza el stock, lo consulta
En una distribuidora industrial con más de 50.000 productos en catálogo montamos un comercial de IA que cotiza por WhatsApp dentro del propio ERP (puedes ver el caso completo en comercial de IA en el ERP). Cuando un cliente pregunta por un producto, el agente no responde con un stock que "recuerda": valida al cliente, aplica su tarifa concreta, comprueba el stock real en ese instante y, si procede, crea la oportunidad y el pedido dentro de Odoo.
La diferencia con darle el catálogo pegado en el prompt no es sutil. Con 50.000 productos moviéndose por pedidos, devoluciones y entradas de almacén todo el día, cualquier "foto" del stock que le hubiéramos dado como contexto estaría desactualizada en minutos. La única forma de que el agente responda algo cierto es que, en el momento de responder, pregunte al sistema real en lugar de recitar lo que le contamos ayer.
Lo mismo aplica al caso de las facturas que se contabilizan solas: la IA no memoriza qué proveedores existen ni qué impuestos aplican, consulta el sistema contable real en el momento de crear cada factura, y por eso puede detectar cuándo algo no cuadra y borrar su propia factura si el total no coincide.
Cómo saber si tu agente tiene el problema
Antes de montar (o de aceptar de un proveedor) un agente de IA que responde sobre datos de tu negocio, haz este ejercicio con cualquier dato que pueda darte una respuesta equivocada:
- ¿Ese dato puede haber cambiado desde la última vez que "se lo conté" al agente? Si la respuesta es sí, necesita una herramienta, no más contexto.
- ¿El agente consulta el sistema real en el momento de responder, o repite algo que le pegamos en un documento? Pídele a tu proveedor que te lo demuestre, no que te lo prometa.
- ¿Qué pasa si el dato cambió hace cinco minutos? Si la respuesta sigue siendo correcta, tienes una herramienta de verdad. Si sigue siendo la de ayer, tienes contexto disfrazado de dato en vivo.
- ¿Cuánto cuesta que se equivoque? Un precio mal dicho o un stock inventado no es un fallo cosmético: es un pedido que no se puede cumplir o un cliente al que le prometiste algo que no existe.
- ¿Cuánto tiempo llevaría añadir la herramienta que falta? Casi siempre es menos trabajo de lo que parece: normalmente ya existe la consulta al sistema, solo falta conectarla al agente.
La lección para cualquier negocio
Cuando un agente de IA se equivoca en un dato que cambia, la solución casi nunca es escribir un prompt más largo. Es identificar qué datos de tu negocio se mueven y darle al agente una forma de consultarlos de verdad, en el momento en que los necesita, en vez de pedirle que se los aprenda de memoria. Es la misma disciplina que aplicamos en cualquier proyecto en AutoBoost: primero se ordena qué dato vive dónde y con qué frecuencia cambia, y solo después se decide si el agente lo lleva en el contexto o lo consulta con una herramienta.
Si tienes un agente de IA (propio o de un proveedor) que a veces "se inventa" un precio, un stock o un estado, probablemente el problema no está en el modelo. En AutoBoost construimos agentes de IA integrados en el sistema real del cliente, con herramientas que consultan el dato en vivo en vez de memorizarlo. Contacta con nosotros y revisamos dónde está fallando el tuyo.
