No existe una definición universal de agente de IA. El significado más antiguo incluye cualquier sistema de IA que percibe un entorno y actúa en él. En los productos de software actuales, el término suele referirse a un sistema en el que un modelo dirige al menos una parte del flujo de trabajo. Esta página utiliza ese significado moderno y más restringido.
El modelo mental más sencillo
Le das a un agente un resultado que alcanzar, no cada uno de los pasos.
Si pides a una automatización ordinaria que procese una factura, un desarrollador ya ha escrito el recorrido: leer estos campos, aplicar estas reglas y actualizar este sistema. Si pides a un agente que resuelva un problema con una factura, el modelo puede inspeccionar la factura, buscar una orden de compra, detectar una discrepancia, solicitar la documentación faltante y decidir si actualiza el registro o lo deriva.
La diferencia no es que el agente pueda hacer lo que quiera. La diferencia es que tiene un control delimitado sobre lo que ocurre a continuación.
Una prueba útil es:
Después de que el sistema recibe un resultado, ¿quién elige el siguiente paso?
Si el código fijo siempre elige, el sistema es principalmente un flujo de trabajo. Si el modelo puede elegir una acción diferente según el resultado, el sistema tiene un control similar al de un agente. Los productos reales pueden combinar ambos enfoques: el código fijo puede gestionar las aprobaciones y los pagos, mientras un modelo decide cómo investigar una excepción.
Cómo funciona un agente de IA
La mayoría de los agentes de software actuales combinan un modelo de IA con un arnés de IA. El modelo interpreta la situación y propone qué hacer. El arnés proporciona contexto, expone las herramientas permitidas, ejecuta las acciones aprobadas, registra el estado y hace cumplir los límites.
El ciclo básico es el siguiente:
Goal, context, and limits
|
v
Model chooses a next step <------------------+
| |
v |
Harness checks and executes the action |
| |
v |
Environment returns an observation ----------+
|
v
Finish, ask for help, or stop at a limit1. El agente recibe un objetivo
El objetivo describe el resultado deseado. Las instrucciones añaden restricciones, como qué se puede cambiar, qué requiere aprobación y qué se considera completo. Es importante establecer una condición clara de finalización, porque «seguir intentándolo» no es un objetivo seguro ni útil.
2. El modelo elige el siguiente paso
El modelo recibe el objetivo y el estado actual. Puede responder, hacer una pregunta, seleccionar una herramienta o decidir que no puede continuar. También puede crear o revisar un plan, pero no todos los agentes necesitan un plan detallado.
3. El arnés gestiona la acción
Una herramienta es una interfaz que el sistema puede utilizar para recuperar información o cambiar algo fuera del modelo. Puede buscar registros, ejecutar código, leer un calendario o enviar una actualización.
Normalmente, el modelo propone el nombre de una herramienta y sus entradas. El arnés valida esa solicitud, comprueba los permisos, pide aprobación cuando es necesario y ejecuta el código subyacente. Esta separación evita que una instrucción generada se convierta automáticamente en una acción autorizada.
4. El entorno devuelve evidencias
El resultado de la herramienta se convierte en una observación: un resultado de búsqueda, un error, un informe de pruebas, un número de confirmación u otra evidencia externa al modelo. El modelo utiliza esa observación para volver a elegir.
Esta retroalimentación cierra el ciclo. Sin ella, el sistema puede generar una explicación verosímil de que tuvo éxito sin saber si realmente ocurrió algo.
5. El ciclo se detiene
El agente termina cuando alcanza una condición de finalización, no puede continuar, necesita una decisión humana o llega a un límite. Los límites pueden incluir las acciones permitidas, el tiempo transcurrido, el número de pasos o el uso de recursos. Un agente que puede detenerse de forma segura está mejor diseñado que uno que simplemente sigue actuando.
Un ejemplo desarrollado
Imagina que le pides a un agente de entregas:
Cambia la entrega de comestibles del martes a un horario en el que esté en casa. No cambies los artículos.
El agente no necesita un script codificado de antemano para cada posible estado del calendario y de la entrega.
- Recupera la reserva actual y comprueba que el pedido solicitado está programado para el martes.
- Lee tu calendario mediante una herramienta que el arnés tiene permiso para utilizar.
- La observación muestra que el intervalo de entrega actual se solapa con una cita.
- Solicita los intervalos disponibles del servicio de entregas para el martes.
- Compara esos resultados con el calendario y selecciona una opción que no entre en conflicto.
- El arnés detecta que reprogramar cambia un registro externo, así que pausa el proceso para pedir tu aprobación.
- Después de la aprobación, el arnés envía el cambio.
- El servicio de entregas devuelve una confirmación. El agente comprueba que el día, el intervalo y la lista de artículos cumplen la solicitud original y, entonces, se detiene.
Si no existe ningún intervalo válido, el modelo podría preguntar si el miércoles es aceptable. Si la herramienta del calendario falla, podría pedirte que indiques tu disponibilidad. Si el pedido ya se ha enviado, debería explicar el impedimento en lugar de inventar un resultado exitoso.
Esas bifurcaciones revelan la naturaleza del agente. Un flujo de trabajo fijo podría realizar los mismos pasos del recorrido ideal, pero el sistema dirigido por un modelo puede elegir un camino nuevo a partir de cada observación.
Por qué son importantes los agentes de IA
Los agentes son útiles cuando el objetivo está claro, pero los pasos necesarios varían. Pueden trabajar con información faltante, errores de herramientas y condiciones cambiantes sin requerir que una persona emita una nueva instrucción después de cada paso.
Esa flexibilidad tiene un coste. Cada decisión del modelo añade tiempo y consumo de recursos. Además, una acción equivocada al principio puede influir en todos los pasos posteriores. Darle más herramientas a un sistema aumenta tanto lo que puede lograr como lo que puede dañar.
Por tanto, la pregunta práctica no es «¿Hasta qué punto puede ser autónomo?», sino «¿Qué decisiones puede tomar el sistema de forma segura y dónde deberían intervenir las reglas fijas o la aprobación humana?». Una investigación abierta puede tolerar varios pasos autodirigidos. En cambio, enviar dinero, eliminar datos o tomar una decisión vinculante suele requerir un límite más estricto.
Errores comunes
«Cualquier aplicación con un modelo de IA es un agente»
Un modelo puede resumir un documento o responder a un mensaje en una sola llamada. Eso es una función basada en IA, pero no necesariamente un agente. La señal más clara es el control de un proceso dirigido por el modelo: elegir acciones, recibir observaciones y decidir qué ocurre después.
«Una sola llamada a una herramienta lo convierte en un agente»
Un chatbot puede llamar siempre a la misma función meteorológica y mostrar después el resultado. Ese recorrido puede ser una automatización ordinaria. Una herramienta pasa a formar parte de un ciclo de agente cuando su resultado puede cambiar lo que el modelo decide hacer a continuación.
«Un agente no es más que un modelo más inteligente»
La capacidad del modelo ayuda, pero un agente es un sistema. El modelo no crea sus propias credenciales de base de datos, ejecuta su propio código ni se concede permisos a sí mismo. El arnés y las interfaces de las herramientas determinan qué acciones propuestas pueden convertirse en acciones reales.
«Autónomo significa sin supervisión»
La autonomía es un grado, no una propiedad de sí o no. Un agente puede investigar opciones de forma independiente, hacer una pausa antes de un cambio importante y devolver el control cuando falta evidencia. Los puntos de control y la derivación a una persona forman parte del diseño; no demuestran que el sistema haya dejado de ser un agente.
«Los agentes siempre aprenden de la experiencia»
Algunos agentes almacenan información entre ejecuciones. Otros olvidan todo cuando termina una tarea. La memoria y el aprendizaje pueden ampliar el comportamiento de un agente, pero la acción dirigida a objetivos no garantiza ninguna de las dos cosas.
«Una respuesta segura de sí misma significa que el trabajo está terminado»
Los modelos de lenguaje generan resultados probables. La finalización es un hecho externo. Un agente fiable comprueba un recibo, el estado de un archivo, el resultado de una prueba u otra observación antes de informar que ha tenido éxito.
Cómo encaja un agente en un sistema de IA
El modelo, el arnés y el agente están relacionados, pero no son intercambiables.
- El modelo produce texto o elecciones estructuradas a partir del contexto que recibe.
- El arnés conecta el modelo con las instrucciones, el estado, las herramientas, los permisos, las aprobaciones y los registros.
- El agente es el sistema dirigido a objetivos que surge cuando el modelo puede utilizar esa infraestructura para dirigir un proceso a partir de la retroalimentación.
Un chatbot puede ser la interfaz de un agente, pero la conversación por sí sola no convierte a un chatbot en agéntico. Un agente también puede ejecutarse en segundo plano sin ninguna ventana de chat.
Este límite es, en parte, editorial. Algunos marcos de software llaman «agente» al componente del modelo configurado, mientras que otros reservan la palabra para todo el ciclo en ejecución. Al evaluar un producto, ignora la etiqueta e inspecciona el comportamiento: ¿qué objetivo recibe?, ¿qué acciones puede realizar?, ¿quién elige cada siguiente paso?, ¿qué evidencias observa? y ¿qué hace que se detenga?
Qué leer a continuación
Lee ¿Qué es un modelo de IA? para entender el componente que toma las decisiones. Después, lee ¿Qué es un arnés de IA? para conocer el sistema circundante que proporciona herramientas, estado, permisos y ejecución. Continúa con ¿Qué es el uso de herramientas en los LLM? para aprender sobre el ciclo de acción, o utiliza Modelo de IA vs. chatbot vs. arnés vs. agente para comparar la pila completa.