Salesforce lanzó siete agentes de IA con nombre y puesto: cuándo comprar uno genérico y cuándo construirlo a la medida

El 11 de septiembre de 2026 Salesforce presentó Agentforce 360 con siete agentes de IA que ya no se venden como plataforma genérica, sino con nombre, foto y puesto: Casey atiende servicio al cliente, Paige resuelve TI y RR.HH., Carter acompaña compras en comercio electrónico, Marshall orquesta procesos administrativos de cadena de suministro, Piper califica leads entrantes, Fin cierra experiencia de cliente y Hunter, todavía en piloto, trabaja pipeline de ventas salientes hasta noviembre de 2026. Seis de los siete ya están disponibles de forma general, según el anuncio oficial de Salesforce. Si tu empresa está evaluando meter IA a un proceso, este lanzamiento adelanta una decisión que antes podías posponer: suscribirte a un agente ya armado o construir uno propio.

La pregunta no es nueva, pero ahora tiene menos margen para quedarse sin responder. Salesforce, Microsoft con Copilot Studio, SAP con Joule y ServiceNow empujan la misma oferta: un agente con función definida, listo para conectarse a tu CRM o tu ERP. La alternativa (orquestar tu propio agente sobre tus procesos reales, con el modelo que elijas) sigue ahí, y para cierto tipo de operación rinde más. La diferencia está en diagnosticar de qué tipo es tu proceso antes de firmar nada.

Qué cambió el 11 de septiembre

Antes de Agentforce 360, Salesforce vendía una plataforma para construir agentes. Ahora vende agentes terminados, cada uno con una función de negocio ya resuelta y un caso de uso predefinido. El análisis de Futurum Group sobre el lanzamiento lo describe como el intento de Salesforce de cerrar la brecha más citada por las empresas al adoptar IA empresarial: pasar de un piloto a un agente que de verdad hace el trabajo sin que un equipo de desarrollo lo arme desde cero.

El respaldo de volumen que Salesforce presume es real: la compañía reporta 7,000 millones de "Agentic Work Units" entregadas por Agentforce y Slack combinados, con 3,200 millones solo en el segundo trimestre, según la nota oficial del lanzamiento. El porcentaje de crecimiento trimestral no aparece en la fuente citada y no puede verificarse.. Una Agentic Work Unit es una tarea discreta que completa el agente: una decisión, un registro actualizado, un flujo disparado. La cifra mide actividad, no necesariamente impacto en la operación de cada cliente, pero confirma que el modelo de agente empaquetado ya corre a escala, no solo en demo.

La presión de mercado también es medible. Según el reporte de Futurum de la primera mitad de 2026, con 830 decisores de software empresarial encuestados, 64.9% coloca a los agentes autónomos entre sus tres prioridades tecnológicas principales, arriba del 56.7% que reportó el mismo estudio con 865 encuestados en la segunda mitad de 2025. La tendencia sube, no se estanca.

El precio de lo prediseñado

Agentforce factura de dos formas, según la nota oficial de Salesforce sobre el lanzamiento y reportes especializados que siguieron el cambio de tarifas: 2 dólares estadounidenses por conversación (una sesión de interacción de 24 horas entre un usuario y el agente), o Flex Credits a 500 dólares por cada 100,000 créditos, donde cada acción del agente (actualizar un registro, redactar un resumen) consume 20 créditos, es decir 0.10 dólares por acción. Con esa proporción, el esquema de conversación conviene cuando cada interacción promedia más de 20 acciones; por debajo de eso, Flex Credits sale más barato. Estos son precios de lista consultados el 24 de septiembre de 2026; no incluyen descuentos por volumen ni el costo de licencias base de la edición de Salesforce donde corre el agente.

Construir un agente propio no es gratis tampoco. El análisis de costos de Atlan sobre Agentforce contra construcción interna ubica un desarrollo a la medida entre 160,000 y 450,000 dólares en el primer año, según la complejidad, más entre 15% y 30% anual en mantenimiento, y entre 500 y 15,000 dólares mensuales de operación por agente en producción. Ese mismo análisis señala que ambos caminos comparten el mismo punto débil: cuando el agente falla, la causa casi siempre es contexto mal gobernado (artículos de conocimiento contradictorios, datos inconsistentes), no el modelo. Cambiar de plataforma no resuelve un problema de datos desordenados.

Dónde está el punto de cruce

El análisis de Digital Applied sobre construir contra comprar agentes empresariales ubica el cruce alrededor de 1 millón de conversaciones al año. Por debajo de ese volumen, comprar gana por velocidad de implementación y porque no necesitas equipo propio de ingeniería de IA. Por arriba, construir empieza a rendir porque el costo por token de los modelos base baja con el volumen mientras que el precio por conversación de un agente empaquetado crece de forma prácticamente lineal. Ese mismo análisis calcula, usando tarifas de Claude Sonnet 4.6 vía Bedrock como referencia de construcción propia, un costo a tres años de aproximadamente 6.18 millones de dólares con Agentforce contra 2.52 millones construyendo con SDK propio, a 1 millón de conversaciones anuales. Es un ejercicio de un proveedor con interés en vender servicios de construcción, así que trátalo como referencia de orden de magnitud, no como cotización.

Para poner esa cifra en contexto: 1 millón de conversaciones al año son cerca de 2,740 al día. La mayoría de las empresas medianas mexicanas, incluso las que atienden clientes por WhatsApp o correo todo el día, no llegan a ese volumen en un solo proceso. Por eso el mercado se está moviendo hacia comprar, no hacia construir: el reporte de Menlo Ventures sobre el estado de la IA generativa empresarial en 2025 encontró que 76% de los casos de uso de IA empresarial ya se compran en vez de construirse internamente, contra un reparto de 53%/47% en 2024.

El diagnóstico que va antes de decidir

La pregunta que de verdad importa no es "¿comprar o construir?" sino "¿mi proceso es estándar o propietario?". Un agente prediseñado como Casey o Fin asume que tu flujo de servicio al cliente ya está documentado, que tus reglas de escalamiento son parecidas a las de cualquier empresa que usa el mismo CRM, y que tus datos viven donde el proveedor espera que vivan (en este caso, Salesforce Data Cloud). Esa suposición vale para procesos genéricos: atención de primer nivel, calificación de leads, tickets de TI repetitivos.

No vale cuando el proceso tiene reglas de negocio que nadie más tiene: una cadena de aprobaciones específica de tu industria, una combinación de sistemas legados que el conector del proveedor no cubre, o un criterio de decisión que depende de información que hoy vive repartida entre hojas de cálculo y el conocimiento de una persona. En ese caso, el agente empaquetado no te ahorra el trabajo real, que es documentar y estandarizar el proceso antes de automatizarlo. Muchas pymes mexicanas todavía no han hecho ese trabajo, y ninguna suscripción a un agente lo hace por ti. Ocho de cada diez pymes mexicanas quieren automatizar y no saben qué proceso atacar primero: ese diagnóstico va antes que cualquier decisión de plataforma.

Antes de contratar un agente prediseñado, pregúntale a tu proveedor:

• Qué límites técnicos tiene el agente (Agentforce, por ejemplo, restringe los timeouts de acción a 60 segundos y no permite traer tu propio modelo, según el comparativo de Atlan citado arriba).
• Qué pasa con tus datos si decides migrar de plataforma en dos años.
• Cuánto cuesta a tu volumen real de interacciones, no al volumen de la demo.
• Si el porcentaje de casos que no resuelve el agente estándar tiene un camino claro de escalamiento a una persona.

Antes de construir uno propio, pregúntate:

• ¿Tienes ya el proceso documentado, o el proyecto empieza por ahí?
• ¿Tu volumen justifica 160,000 dólares o más de inversión inicial, o es una cifra que solo se paga sola con varios años de operación?
• ¿Quién mantiene el agente cuando cambie el modelo subyacente o la API de un tercero?

Dónde la respuesta obvia falla

La respuesta obvia, "construir siempre rinde más porque no dependes de nadie", es la equivocada para la mayoría de las empresas medianas de México y Latinoamérica. Con volumen bajo, un agente prediseñado te pone en producción en semanas y sin equipo de IA en nómina. Y la respuesta contraria, "comprar siempre es más simple", también falla cuando el proceso es lo bastante propio como para que el agente genérico necesite tantas excepciones y configuraciones manuales que termina costando casi lo mismo que construirlo, pero sin que tú controles el resultado.

Este blog ya lo abordó desde otro ángulo: el token baja de precio, la factura de IA sube: cómo presupuestar un proyecto agéntico en 2026 explica por qué el costo por token cayendo no siempre se traduce en una factura menor, el mismo fenómeno que hace que el cruce de 1 millón de conversaciones no sea una cifra fija sino algo que depende de cómo uses el agente. Y si tu problema de fondo es que el proceso ni siquiera está en un sistema (sigue en papel o en Excel), ninguna de las dos opciones aplica todavía: primero hay que digitalizarlo. 44% de las pymes mexicanas pierde hasta 10 horas semanales en tareas manuales describe justo ese punto de partida.

Cuando el diagnóstico apunta a un proceso propietario, con reglas que no se parecen a las de nadie más y volumen que justifica la inversión, orquestar agentes sobre los procesos reales de la operación rinde más que forzar un flujo genérico a encajar donde no encaja.

Si todavía no sabes de qué lado cae tu proceso, aquí evaluamos si conviene meter un modelo o un agente a tu operación, y en qué orden.

Fuentes

• Salesforce: Salesforce Expands Agentforce With a New Portfolio of AI Agents Built for High-Value Work
• Futurum Group: Salesforce's Job-Ready Agents Target Enterprise AI's Biggest Gap
• Digital Applied: Enterprise AI Agent Build vs Buy 2026
• Atlan: Agentforce vs. Building Agents In-House
• Menlo Ventures: 2025: The State of Generative AI in the Enterprise