Chatbot determinista, narrow AI o agente conversacional: cuándo es cada cosa
Tres conceptos que se confunden habitualmente. La diferencia entre un chatbot basado en flujos, un agente narrow AI y un agente conversacional general determina qué construir para cada caso de uso.
Por qué importa la distinción
Una de las confusiones más habituales cuando se empieza a construir productos de IA conversacional es usar el término "agente" para referirse a cualquier cosa que responda preguntas — desde un árbol de decisión disfrazado de chatbot hasta un LLM con acceso a todas las herramientas del mundo. Son tres conceptos distintos con implicaciones de diseño radicalmente diferentes.
Elegir el tipo equivocado lleva a sobreingeniería (construir un agente general cuando un chatbot determinista resuelve el problema en una fracción del tiempo y coste) o a infraingeniería (poner un chatbot de flujos en un contexto donde el lenguaje natural es imprescindible). La clasificación correcta es el primer paso del diseño.
La regla práctica: cuanto más acotado y predecible sea el dominio, más hacia el extremo determinista deberías ir. Cuanto más abierto e impredecible sea el usuario, más capacidad necesitas — pero también más guardrails.
Los tres tipos en detalle
Chatbot determinista
Flujo fijo, sin NLP
Ventajas
Limitaciones
Casos de uso
Narrow AI agent
NLP limitado, dominio acotado
Ventajas
Limitaciones
Casos de uso
Agente conversacional general
NLP amplio, alta capacidad
Ventajas
Limitaciones
Casos de uso
El guardrail que parece un fallo (pero no lo es)
Los bots bancarios que responden "no puedo ayudarte con eso, ¿quieres hablar con un agente?" a preguntas fuera de su dominio no están fallando — están funcionando exactamente como fueron diseñados. La redirección al agente humano es el guardrail en acción.
Un narrow AI agent bien diseñado sabe con precisión qué puede y no puede responder. Cuando detecta una pregunta fuera de su alcance, no intenta responderla a medias ni alucina una respuesta plausible — declina limpiamente y redirige. Esta capacidad de reconocer los bordes del propio dominio es una feature, no un bug.
Contraejemplo: un agente general que intenta responder todo — incluso cuando no tiene el conocimiento necesario — produce alucinaciones. En entornos de alto riesgo (finanzas, salud, legal), una respuesta incorrecta con confianza es mucho más dañina que un "no puedo ayudarte con eso".
Qué construir para cada caso
La mayoría de los agentes de producción deberían ser narrow AI, no agentes generales. La tentación de construir "el asistente que lo puede todo" casi siempre produce un sistema más difícil de testear, más propenso a fallos inesperados y más costoso de operar que un agente acotado y bien diseñado.
La decisión concreta: ¿el dominio está claramente acotado? ¿Existe una lista finita de intents que el agente debe manejar? ¿Las respuestas incorrectas tienen consecuencias significativas? Si la respuesta a las tres es sí, narrow AI es la elección correcta. Solo si necesitas capacidades genuinamente abiertas — exploración, creatividad, tareas impredecibles — tiene sentido el agente general.
El takeaway
¿Quieres aplicar esto en tu equipo?
En Kuuli Technologies llevamos estas metodologías a equipos reales. Escríbenos si quieres una sesión de trabajo o una consultoría sobre agentes IA y SDD.