La descripción de cargo para agente de IA es el documento que transforma una intención vaga de automatización en trabajo gobernado. Define misión, gatillo, resultado, contexto, herramientas, permisos, evidencias, métricas y punto de revisión humana. Sin esto, la empresa compra inteligencia, pero no construye una función que pueda operar, aprender y rendir cuentas.
La discusión ganó una evidencia actual. En 1de septiembre de 2026, la OpenAI publicó tres casos de empresas AI-native que llevaron agentes para onboarding, gestión de cuentas e integración de productos. El punto interesante no es la marca del modelo, sino el patrón de trabajo: proceso enseñable, contexto persistente, acción probada y humano en el punto de decisión.
En XMACNA reconocemos ese diseño porque comienza por la función. Más de +600 Empleados Digitales ya operan en Brasil, y la lección práctica es consistente: la capacidad del modelo no sustituye la definición de responsabilidad. Un Empleado Digital debe saber qué inicia el trabajo, qué resultado debe entregar, dónde buscar contexto, qué puede hacer y cuándo debe llamar a una persona.
¿Por qué la descripción de cargo viene antes del modelo?
Las empresas suelen comenzar la conversación de IA comparando modelos, precios y demostraciones. Ese orden es cómodo, pero desplaza la decisión principal. Un modelo puede ser excelente y aun recibir una tarea mal definida, consultar la fuente equivocada, actuar con acceso excesivo o entregar algo que nadie puede verificar.
La descripción de cargo hace el camino inverso. Primero, la empresa elige un proceso con valor y consecuencia. Luego define qué cuenta como concluido. Solo entonces decide qué inteligencia, memoria y herramienta son adecuadas.
El artículo de OpenAI muestra esta progresión en tres ejemplos. Basis demostró una rutina de onboarding y la transformó en instrucción reutilizable, con gatillo, pasos conocidos, herramientas correctas y definición de “hecho”. Clay organizó contexto persistente por cuenta y mantuvo la evidencia cercana a cada recomendación. Exa llevó oportunidades de integración hasta artefactos probados, preservando la revisión humana antes de cualquier envío.
Son relatos del proveedor, no benchmark independiente. Aun así, ayudan a concretar lo que automatización de procesos con IA exige: función clara, contexto controlado y prueba de ejecución.
¿Cuáles son los ocho campos de una función de agente de IA?
Una descripción de cargo útil cabe en ocho campos. Pueden escribirse en una página, siempre que sean específicos.
1. Misión
La misión explica qué problema operativo resuelve la función. “Ayudar al comercial” es muy amplio. “Calificar el primer contacto, registrar la necesidad y encaminar la próxima acción” describe trabajo observable.
2. Gatillo
El gatillo define cuándo comienza la función. Puede ser un lead nuevo, una conversación cerrada, un documento recibido, un paso cumplido o una excepción detectada. Sin gatillo explícito, la automatización depende de improvisación o actúa cuando no debería.
3. Resultado esperado
El resultado debe ser verificable. No basta “analizar bien”. Es mejor definir: registro actualizado, oportunidad creada, resumen con fuente, tarea agendada, documento clasificado o caso encauzado con contexto completo.
4. Contexto permitido
Contexto no es acceso total. La función debe consultar solo los datos necesarios para ejecutar el trabajo. La recomendación de PwC sobre gobernanza de agentes es clara: identidad, función, permiso específico por tarea y registro auditado deben ir juntos.
5. Herramientas y acciones
Lista lo que el agente puede consultar, crear, actualizar o solo sugerir. Leer una agenda es distinto de marcar una cita. Preparar una propuesta es distinto de enviarla. La descripción de cargo debe separar lectura, escritura, aprobación y comunicación externa.
6. Límites
Todo cargo tiene fronteras. Descuento, promesa comercial, decisión financiera, dato sensible, conflicto, reclamo crítico y excepción regulada pueden requerir aprobación. Un límite bien escrito no es una frase vaga de seguridad, es una condición que cambia el flujo.
7. Evidencia y métrica
El agente debe dejar rastros que permitan revisar la decisión. Fuente usada, acción ejecutada, estado previo, estado final, prueba, motivo del encauzamiento y horario forman una base de confianza. La métrica acompaña el resultado: tiempo de ciclo, tarea aceptada, retrabajo, excepción, calidad, costo o ingreso atribuible.
8. Escalamiento humano
Define quién recibe el caso, en cuánto tiempo y con qué paquete de contexto. Anthropic describe agentes confiables como sistemas donde la persona puede revisar antes de la acción e intervenir durante la ejecución. El handoff no es una falla de la automatización. Es parte del cargo.
¿Cómo saber si un proceso está listo para delegar?
El proceso debe tener repetición suficiente para generar aprendizaje y consecuencia manejable que permita control. También necesita un dueño capaz de decir qué es correcto.
Un buen candidato tiene entrada reconocible, pasos que se repiten, fuentes conocidas, excepciones nombrables y un resultado que puede verificarse. Calificación inicial de leads, actualización de registros, selección de documentos, preparación de follow-up y organización de solicitudes son ejemplos frecuentes.
Un candidato malo es “resolver cualquier cosa del área”. Función genérica crea permiso genérico, métrica genérica y responsabilidad difusa. La investigación de IBM sobre agentes en producción refuerza la importancia de observar la implementación real, no solo la capacidad en demostración. La producción es donde aparecen excepciones, dependencias, revisión y costo de error.
¿Cuál es la diferencia entre autonomía y abandono?
Autonomía es continuar trabajando dentro de un contrato. Abandono es entregar un objetivo amplio y esperar que el sistema descubra solo límites que la empresa nunca escribió.
Un agente autónomo puede investigar, comparar, actualizar y probar sin pedir confirmación en cada paso de bajo riesgo. Pero respeta permisos, registra evidencia y se detiene ante una decisión reservada. El humano no necesita ejecutar toda la rutina; debe mantener autoridad sobre consecuencia, excepción y compromiso externo.
Esta separación es esencial para agentes de IA en empresas. Cuanto mayor la consecuencia, más explícitos deben ser identidad, autorización, monitoreo y revisión. La gobernanza no entra después que el flujo crece. Nace en la descripción del cargo.
¿Cómo transformar la ficha en operación que mejora?
La primera versión del cargo no será perfecta. Debe ser evaluable.
Elige un pequeño conjunto de casos reales. Registra la línea base humana. Ejecuta el flujo con límites conservadores. Revisa el resultado y marca dónde faltó contexto, dónde la herramienta no respondió, dónde el permiso fue amplio y dónde el humano tuvo que corregir.
Luego, actualiza la función. Las excepciones recurrentes se convierten en reglas. Las fuentes confiables se vuelven contexto permitido. Las fallas previsibles se convierten en pruebas. Las decisiones sensibles se transforman en puntos de control. Esta es la base del Ciclo de Inteligencia: cada ejecución genera evidencia para mejorar la siguiente, sin confundir aprendizaje con libertad irrestricta.
Una consultoría en IA útil no comienza apilando herramientas. Comienza identificando el proceso, escribiendo el puesto, definiendo la métrica y diseñando la colaboración entre el equipo de carbono y silicio.
Una plantilla práctica para el primer Empleado Digital
Antes de empezar, responde en una página:
- ¿Cuál es la misión de la función?
- ¿Qué evento inicia el trabajo?
- ¿Qué artefacto o cambio prueba la conclusión?
- ¿Qué fuentes pueden ser consultadas?
- ¿Qué acciones pueden ejecutarse sin aprobación?
- ¿Qué condiciones interrumpen o desvían el flujo?
- ¿Qué evidencia debe registrarse?
- ¿Quién asume la excepción y con qué contexto?
Si el equipo no puede responder, la prioridad no es aumentar la autonomía. Es diseñar el trabajo.
En resumen
- Una descripción de puesto transforma IA en función operativa.
- Ocho campos conectan misión, disparador, resultado, contexto, herramienta, límite, evidencia y humano responsable.
- Casos actuales muestran que procesos enseñables, contexto persistente y pruebas hacen la ejecución reutilizable.
- Un modelo fuerte no compensa un trabajo mal definido.
- La gobernanza comienza antes de la primera acción, no después del primer incidente.
El siguiente paso no es preguntar qué agente comprar. Es elegir qué función merece ser escrita con claridad. Haz el Diagnóstico de IA y descubre dónde un Empleado Digital puede ejecutar trabajo real con límite, registro y resultado.
Preguntas frecuentes sobre descripción de puesto para agente de IA
¿Qué es una descripción de puesto para agente de IA?
Es un documento operativo que define misión, disparador, resultado, contexto, herramientas, permisos, evidencia, métrica y escalamiento humano para una función ejecutada con inteligencia artificial.
¿Cómo elegir la primera función de agente de IA?
Elige un proceso repetitivo, con entrada clara, fuentes conocidas, consecuencia manejable, responsable asignado y resultado verificable. Evita funciones genéricas que intentan ayudar a toda la empresa.
¿Puede un agente de IA actuar sin aprobación humana?
Puede ejecutar acciones de bajo riesgo previstas en el puesto. Decisiones sensibles, compromisos externos, excepciones y acciones con impacto relevante deben contar con punto de control, parada o aprobación definidos antes del despliegue.
¿Cómo medir si la función está funcionando?
Mide el resultado del proceso: tiempo de ciclo, tasa de tarea aceptada, retrabajo, excepciones, revisión necesaria, costo e impacto en el objetivo empresarial. El volumen de respuestas no prueba valor operativo.
¿Cuál es el papel de XMACNA en este diseño?
XMACNA identifica el proceso, diseña la función, define límites, integra contexto y herramientas y opera el Empleado Digital con evidencia, supervisión y mejora continua.