Tres casos de empresas argentinas que utilizan agentes IA y ahorran días de trabajo

Hay una diferencia entre usar inteligencia artificial y trabajar con agentes de IA. La primera es una herramienta: le hacés una pregunta, te da una respuesta. La segunda es otra cosa: un sistema que recibe un objetivo, toma decisiones, ejecuta tareas encadenadas y entrega un resultado sin que nadie lo esté mirando en cada paso.

Esa diferencia, todavía invisible para muchas empresas argentinas, ya está cambiando la operación de algunas que se animaron a dar el salto. Tres casos reales muestran cómo fue el proceso, qué funcionó y qué nadie les había advertido.

Un agente de IA no espera instrucciones: actúa. Puede buscar información, procesarla, tomar decisiones y ejecutar acciones en sistemas externos, todo en cadena, sin intervención humana constante.

La diferencia con un chatbot o un prompt básico es la autonomía: el agente recorre el proceso de principio a fin. En Argentina, las implementaciones más concretas están apareciendo en facturación, conciliación bancaria y producción de contenido, tres procesos que comparten una característica: son críticos, repetitivos y costosos en tiempo humano.

De tres días de trabajo a una validación de minutos, gracias a agentes de IA

SUMAR es una empresa argentina de desarrollo de software que construyó su propio agente de facturación al que llamó ARIA. El proceso que reemplazó era uno de esos que nadie quiere hacer pero nadie puede saltear: el cierre mensual de facturación.

Antes de ARIA, el proceso era 100% manual y arrancaba el 1° de cada mes, a cargo de una persona del área administrativa. Lo más pesado no era emitir la factura: era calcular cuánto facturar. Cada contrato tiene sus propias condiciones (algunos ajustan por IPC, otros siguen el dólar) así que había que revisar contrato por contrato, buscar los índices del período y armar el cálculo en Excel. En total, unas 24 horas de trabajo efectivo por ciclo (tres días de ocho horas) solo para el volumen actual. Y no terminaba ahí: después venía el seguimiento de cobranzas y los reclamos, también manual.

Hoy ARIA ejecuta la cadena completa: calcula las variaciones por contrato, emite en el sistema de gestión, obtiene el CAE en ARCA, descarga los comprobantes y los envía a cada cliente. Deja un único punto de control humano: antes de emitir, presenta el cuadro de variaciones para que el responsable de administración valide en minutos. Todo lo demás es automático.

Sebastián Cimino, CEO de SUMAR, describe el resultado con una frase que resume el cambio de fondo: "El proceso pasó de ser una tarea a ser una métrica". El responsable de administración ya no ejecuta nada: analiza desvíos y evalúa comparativos. Son 300 horas al año liberadas por una sola tarea.

La tecnología que eligieron fue desarrollo propio: n8n como orquestador, la API de Claude de Anthropic como motor de razonamiento y Supabase como capa de datos. Cimino explica que probaron los frameworks multi-agente disponibles pero que para su caso agregaban complejidad innecesaria. La implementación llevó tres semanas. El desafío más grande no fue técnico sino de conocimiento: el proceso real nunca es el que está escrito, vive en la cabeza de quien ejecuta la tarea desde hace tiempo.

Giver Solutions: una campaña de email en minutos a 8 centavos de dólar

Giver Solutions es una agencia de marketing digital que automatizó la producción de campañas de email con dos agentes encadenados. El primero define la estrategia: a qué clientes escribirles, con qué mensaje y en qué fecha. El segundo toma ese brief y produce la pieza completa (con productos reales del catálogo, fotos, precios y links verificados) y la deja lista para aprobación. Un tercer agente revisa cada mañana las 22 cuentas de clientes y deja priorizado el orden del día: dónde se está yendo plata, dónde hay una oportunidad.

Antes, cada campaña de email llevaba cuatro horas de trabajo de una persona: dos de planificación y dos de diseño. Hoy el agente la produce en minutos, a un costo de alrededor de u$s0,08 por campaña completa, banners incluidos. El agente de triage diario (que analiza las 22 cuentas simultáneamente) tiene un costo mensual de alrededor de u$s30.

Carolina Dubiansky, CEO de Giver Solutions, construyó la plataforma ella misma usando Claude Code de Anthropic, sin equipo de desarrollo detrás. La lógica de trabajo es la que ella llama la regla 10-80-10: el primer 10% humano define la estrategia, el 80% del medio lo produce la IA, y el último 10% es revisión y aprobación humana. La implementación llevó cuatro días para el MVP y tres semanas para dejarlo completamente operativo.

Un trabajo de 20 días en 5, con menos errores

Venturino, concesionario oficial John Deere con más de 65 años en el rubro agropecuario, automatizó parte de su proceso de conciliación bancaria (uno de los más complejos en cualquier empresa que opere con múltiples bancos). Antes del agente, dos personas se distribuían la conciliación de 28 bancos: emitían el mayor contable, lo comparaban con los extractos en PDF banco por banco, identificaban errores y contactaban a los responsables para corregirlos. El proceso podía demandar 20 días o más por ciclo.

El agente automatiza la búsqueda, incorporación y comparación inicial de los movimientos aplicando reglas de conciliación, pero mantiene supervisión humana en el control general y en la gestión de diferencias. Los números del antes y después son concretos: de 20 días de trabajo a aproximadamente 5, con un 10% menos de errores. Las dos personas que hacían el proceso siguen siendo dos, pero hoy asumieron más tareas administrativas con el tiempo que liberó la automatización.

Nadia Lattanzi, líder de Human Tech en Venturino, describe el principal aprendizaje del proceso: "Se espera que funcione como magia", explica. "Parte del desafío consistió en comprender que la solución necesitaba un período de aprendizaje, ajustes y construcción progresiva de reglas para alcanzar mejores resultados." La implementación llevó entre cuatro y cinco meses (la más larga de los tres casos) porque durante las pruebas aparecieron situaciones particulares que requirieron incorporar nuevas reglas.

Lo que nadie advierte antes de implementar un agente de Inteligencia Artificial

Los tres casos comparten una tensión que no aparece en los casos de éxito que circulan en las redes: el proceso real nunca es el que está documentado. En SUMAR, el mayor desafío fue relevar el conocimiento no escrito que vivía en la cabeza de quien ejecuta la tarea desde hace tiempo. En Giver, fue construir la confianza necesaria para delegar la comunicación de un cliente a un sistema automatizado. En Venturino, fue gestionar el cambio cultural en una organización que opera mientras implementa.

El principio que Cimino resume al cierre aplica a los tres: no todo es, ni debe ser, inteligencia artificial. El modelo de IA interpreta y decide en la ambigüedad; las reglas programadas ejecutan donde no hay lugar para el error. Un agente confiable no es el que razona más, sino el que tiene bien delimitado dónde no razona. Esa distinción es la que separa una implementación que funciona de una que genera más problemas de los que resuelve.

Argentina está en el comienzo de esta curva. Los tres casos muestran que los agentes de IA no son ciencia ficción ni promesa de futuro: están funcionando hoy en empresas concretas, resolviendo problemas concretos y con números para mostrar. Pero también muestran que implementar bien lleva tiempo, requiere revisar procesos desde cero y exige una cuota de paciencia que el entusiasmo inicial suele subestimar. La pregunta no es si vale la pena. Es si la organización está lista para hacer bien el trabajo que antecede al agente.