Glosario de chatbots y agentes de IA: 19 términos para elegir sin confundirte

Los nombres del mercado cambian más rápido que las capacidades. Una misma solución puede llamarse chatbot con IA, asistente virtual, agente conversacional o agente de IA, y dos productos con la misma etiqueta pueden hacer trabajos completamente distintos.

Este glosario no decide qué nombre puede usar un proveedor. Traduce cada término a una pregunta que puedes comprobar en una demostración. Si buscas una comparación directa, la guía de chatbots frente a agentes de IA aplica la misma prueba a un proceso completo.

Chatbot

Un chatbot es una interfaz de software que intercambia mensajes con una persona. Puede funcionar con botones, reglas, búsqueda, un modelo de lenguaje o una combinación. También puede tener integraciones; la palabra chatbot no indica por sí sola si consulta sistemas o ejecuta acciones.

Cómo comprobarlo: pregunta de dónde sale cada respuesta y qué ocurre cuando el dato no está en su contenido configurado.

Chatbot con IA

Un chatbot con IA usa uno o más modelos para comprender o producir mensajes. Eso puede hacer la conversación más flexible, pero no prueba que el sistema conozca un dato actual ni que pueda actuar sobre él.

Cómo comprobarlo: pide una pregunta cuya respuesta cambie, como disponibilidad o estado de un pedido, y observa si consulta la fuente real o redacta desde contexto estático.

IA conversacional

IA conversacional es una categoría amplia para sistemas que interactúan mediante lenguaje natural, por texto o voz. Describe la experiencia de conversación, no el alcance operativo que hay detrás.

Cómo comprobarlo: separa la calidad del diálogo de la tarea terminada. Una respuesta fluida y una actualización correcta del CRM son dos pruebas distintas.

Modelo de lenguaje o LLM

Un modelo de lenguaje grande (LLM) recibe contexto y produce una salida, normalmente texto o una decisión estructurada. Por sí solo no conoce el estado de tu inventario, no tiene permiso para modificar tu CRM y no confirma que un pago ocurrió. Necesita contexto y herramientas para trabajar con esos sistemas.

Cómo comprobarlo: pregunta qué información entra al modelo, cuál no se envía y qué componente ejecuta la acción posterior.

Agente de IA

Un agente de IA recibe un objetivo, decide uno o varios pasos y usa herramientas dentro de los permisos definidos. Puede conversar, pero no tiene que hacerlo: un agente operativo también puede ejecutar una tarea programada o reaccionar a un evento sin mostrar un chat.

Cómo comprobarlo: pide la lista de herramientas, sus permisos, el manejo de errores y el registro de cada ejecución.

Met

Un Met es un agente de IA de Meteor. Los Mets conversacionales atienden, califican, cotizan o agendan en WhatsApp, Instagram, Messenger y chat web. Los Mets operativos trabajan sobre sistemas conectados aunque la tarea no pase por una conversación.

El nombre Met identifica el producto; no es una categoría general de la industria. Su alcance depende de las herramientas, credenciales y límites configurados para cada implementación.

Herramienta de un agente

Una herramienta es una función concreta que el agente puede llamar para consultar o cambiar algo: buscar un contacto, consultar stock, crear una cita o preparar un enlace de pago. Debe tener un nombre, entradas definidas y un resultado que el sistema pueda interpretar.

Cómo comprobarlo: no aceptes «se integra con el CRM» como detalle suficiente. Pide el nombre de las acciones disponibles y cuáles son de lectura o de escritura.

Integración o conector

Una integración conecta la plataforma con otro sistema mediante su API, eventos u otro mecanismo admitido. Tener un conector no significa tener acceso a todo el producto externo: el alcance depende de la credencial y de las operaciones implementadas.

Cómo comprobarlo: revisa la ficha del conector y pide una demostración del camino de éxito y del camino de error.

Model Context Protocol (MCP)

Model Context Protocol (MCP) es un estándar abierto para conectar aplicaciones de IA con contexto y capacidades. Su especificación distingue recursos, prompts y herramientas; una herramienta es una función que el modelo puede invocar para obtener información o ejecutar una acción.

MCP estandariza la conexión, pero no vuelve segura cualquier herramienta por sí solo. Permisos, consentimiento, confirmaciones y registros siguen siendo decisiones de la implementación.

RAG

Retrieval-Augmented Generation (RAG), o generación aumentada por recuperación, busca información en una fuente y la añade al contexto antes de producir la respuesta. Es útil para políticas, manuales o bases de conocimiento. No reemplaza una consulta transaccional cuando el dato cambia en tiempo real.

Cómo comprobarlo: pregunta qué fuente se busca, cómo se actualiza, si la respuesta muestra su origen y qué sucede cuando dos documentos se contradicen.

Base de conocimiento

Una base de conocimiento reúne contenido que el sistema puede recuperar: preguntas frecuentes, documentación, políticas o procedimientos. No es lo mismo que el ERP, la tienda o el CRM, donde viven estados operativos que cambian.

Cómo comprobarlo: identifica qué respuestas salen de documentos y cuáles deben consultarse en un sistema transaccional.

Segundo cerebro con IA

Un segundo cerebro con IA es un sistema o método para conservar notas, reuniones, decisiones y otros materiales personales, y recuperarlos después con ayuda de IA. La etiqueta describe una forma de organizar y consultar memoria externa; no demuestra por sí sola permisos, trazabilidad ni gobierno empresarial.

Cómo comprobarlo: pregunta qué se conserva, quién puede consultar, corregir o eliminar cada registro y si una respuesta permite volver a la fuente original.

Company Brain o cerebro empresarial

Un Company Brain es el contexto operativo compartido de una empresa: conecta conocimiento estructurado, contactos, conversaciones, roles, procesos y herramientas. En Meteor, las colecciones organizan el conocimiento, los MCP consultan sistemas vivos y los Mets usan y actualizan el contexto dentro del alcance configurado. La página del chatbot interno con IA y Company Brain explica cómo funciona esta arquitectura operativa.

Cómo comprobarlo: formula la misma pregunta con dos roles distintos y verifica qué fuente usa, qué parte de la respuesta cambia y cómo bloquea información que ese rol no puede consultar.

Contexto, memoria e historial

Contexto es la información disponible durante una ejecución. Memoria es la información que el sistema conserva para usos posteriores. Historial es el registro de lo que ocurrió. Pueden coincidir, pero no son intercambiables: guardar un chat no garantiza que el próximo paso comercial haya quedado asignado.

Cómo comprobarlo: inicia una conversación, ciérrala, vuelve desde otra navegación y verifica qué se conserva, por cuánto tiempo y dónde se puede corregir.

CRM conversacional

Un CRM conversacional conecta la conversación con contactos, responsables, oportunidades, tareas y próximos pasos. Su valor no está en mostrar mensajes, sino en convertirlos en un registro que el equipo pueda continuar y medir.

Cómo comprobarlo: pide ver el contacto, el dueño, la etapa, la nota y la tarea creados a partir de una conversación real.

Flujo y automatización

Un flujo define pasos, condiciones y salidas. Una automatización ejecuta esos pasos cuando ocurre un evento o se cumple una regla. Puede incorporar IA en una parte sin que todo el recorrido sea autónomo.

Cómo comprobarlo: dibuja el inicio, cada sistema consultado, las decisiones, la aprobación y el resultado final. Lo que no aparece en ese recorrido todavía no está automatizado.

Escalamiento o transferencia a una persona

El escalamiento humano entrega una conversación o tarea a una persona cuando falta información, hay una excepción, el cliente lo pide o la decisión exige criterio. No basta con mostrar un botón: la persona necesita recibir el contexto y saber qué está pendiente.

Cómo comprobarlo: provoca un caso que el sistema no pueda resolver y revisa quién recibe la tarea, con qué historial y en cuánto tiempo.

Aprobación humana

La aprobación humana es un punto de control antes de una acción con consecuencias, como publicar, gastar presupuesto o emitir un documento. No es lo mismo que una transferencia: el agente puede preparar el trabajo y esperar la autorización para continuar.

Cómo comprobarlo: pregunta qué acciones se detienen, quién puede aprobarlas y si la autorización queda registrada.

Alucinación

Una alucinación es una salida plausible que no está respaldada por los datos disponibles. RAG, herramientas y reglas pueden reducir ciertos errores, pero ninguna etiqueta elimina el riesgo. Un diseño responsable limita qué puede hacer el sistema cuando no tiene evidencia suficiente.

Cómo comprobarlo: usa un dato inexistente, una instrucción ambigua y una falla del sistema externo. La respuesta correcta puede ser detenerse, pedir información o escalar.

La prueba que une todo el glosario

Para evaluar un chatbot o agente, lleva un caso real y completa esta frase:

Ante este mensaje o evento, el sistema consulta esta fuente, ejecuta esta acción con este permiso, registra este resultado y entrega a esta persona lo que no puede resolver.

Si algún espacio queda en blanco, no significa que la solución sea mala. Significa que esa parte del alcance todavía no está demostrada. Esa es una base más útil para decidir que cualquier nombre de categoría.