Lotook
Un chatbot te responde. Un agente se pone en marcha y hace algo.
Esa única diferencia explica gran parte del entusiasmo por los agentes de IA este año y también buena parte de la inquietud. Los agentes ya aparecen en herramientas de programación, navegadores, software de atención al cliente y asistentes por los que muchos ya pagamos. La palabra se aplica a casi cualquier cosa que contenga un modelo de IA, así que conviene detenerse y precisar qué es un agente, qué hace realmente bien y cuándo todavía no deberías confiar en él.
Una definición que puedes usar
Un agente de IA es un sistema que utiliza un modelo de lenguaje para avanzar hacia un objetivo eligiendo su siguiente paso, actuando con herramientas y comprobando qué ha ocurrido, una y otra vez, hasta que decide que el trabajo está terminado.
Deben estar presentes tres cosas:
- Un objetivo en lugar de una sola pregunta. «Busca tres lugares para una reunión fuera de la oficina de 40 personas por menos de $5,000» es un objetivo. «¿Cuál es un buen lugar en Austin?» es una pregunta.
- Herramientas que permitan al modelo hacer cosas: buscar en la web, abrir archivos, ejecutar código, rellenar un formulario o enviar un mensaje.
- Un bucle. El modelo planifica un paso, lo ejecuta, observa el resultado y elige el siguiente según lo que ha visto.
Si eliminas las herramientas y el bucle, vuelves a tener un chatbot. Si los añades, el modelo deja de ser solo un redactor y empieza a actuar más como un operador. Ese cambio es toda la historia.
Los chatbots, los flujos de trabajo y los agentes no son lo mismo
La distinción más clara que he visto aparece en la guía de ingeniería de Anthropic sobre la creación de agentes. Describe los flujos de trabajo como sistemas en los que los modelos y las herramientas están «orquestados mediante rutas de código predefinidas», y los agentes como sistemas en los que el modelo dirige dinámicamente «sus propios procesos y uso de herramientas».
En la práctica, eso da lugar a tres niveles:
| Tipo | Quién decide el siguiente paso | Ejemplo |
|---|---|---|
| Chatbot | Tú, después de cada respuesta | Pedir a un asistente que explique una cláusula de un contrato |
| Flujo de trabajo | Un desarrollador, de antemano | Cada nueva solicitud de soporte se resume, etiqueta y deriva de la misma manera |
| Agente | El modelo, mientras trabaja | «Corrige la prueba que falla en este repositorio». Lee código, edita archivos, vuelve a ejecutar las pruebas y repite el proceso |
Muchos productos vendidos como agentes son en realidad flujos de trabajo. Sinceramente, a menudo ese es el mejor diseño. Una secuencia fija es predecible, más barata de ejecutar y fácil de probar. Un verdadero agente solo justifica su coste y riesgo adicionales cuando nadie puede escribir de antemano el camino hacia el objetivo.
Qué contiene un agente
Si dejamos de lado la publicidad, la mayoría de los agentes se construyen con las mismas cuatro partes.
Un modelo que piensa
Un modelo de lenguaje grande lee el objetivo, decide qué herramienta usar e interpreta lo que recibe. La calidad del modelo importa más para los agentes que para el chat. En un chat, una respuesta deficiente te cuesta una respuesta. En un agente, un paso equivocado en la segunda etapa condiciona todas las posteriores.
Herramientas que tiene permiso para usar
Las herramientas son funciones que el agente puede llamar. Un agente de programación podría tener «leer archivo», «editar archivo» y «ejecutar pruebas». Uno de investigación podría tener «buscar» y «abrir página». Cada herramienta se describe al modelo en lenguaje sencillo, y el modelo pide usarla mediante una solicitud estructurada que ejecuta el software que lo rodea.
Están empezando a surgir estándares para conectar herramientas a distintos agentes. Anthropic presentó el Model Context Protocol en noviembre de 2024 como una forma abierta de conectar asistentes de IA con datos y servicios; ahora cuenta con amplio soporte. El 6 de octubre de 2026, Sierra y Meta anunciaron el Personal Agent Protocol, una propuesta basada en OAuth sobre cómo se identifican los agentes personales ante las empresas y qué se les permite hacer una vez conectados. Entre los socios nombrados en el lanzamiento estaban Shopify, Stripe y Walmart, y se prometió una primera versión de la especificación para más adelante en octubre.
Memoria
Un agente tiene que recordar lo que ya ha intentado. Para trabajos cortos basta con el registro de la conversación en curso. Los trabajos más largos suelen necesitar notas escritas en un archivo o una base de datos, porque el registro acaba siendo demasiado largo y confuso para resultar útil.
Límites de seguridad
Los buenos agentes trabajan dentro de límites: qué herramientas, cuentas y carpetas pueden utilizar, cuánto pueden gastar y qué acciones necesitan la aprobación previa de una persona. Yo diría que los límites de seguridad importan más que el modelo. Son lo que permite apartar la mirada con seguridad.
En qué son realmente buenos los agentes hoy
Los agentes destacan en trabajos que tienen muchos pasos, pero cuyo resultado es fácil de comprobar.
La programación con pruebas es el ejemplo más claro. El agente edita código, ejecuta el conjunto de pruebas y continúa hasta que estas se superan. Las pruebas actúan como un árbitro que no se cansa.
La investigación con citas también funciona bien. Un agente puede buscar, abrir una docena de fuentes y elaborar un resumen en el que cada afirmación enlace a su origen. Aún tienes que leerlo, pero partes de un borrador en lugar de una página en blanco.
La limpieza de datos es otro punto fuerte: cambiar el formato de hojas de cálculo desordenadas, cotejar dos listas o extraer los mismos campos de cincuenta PDF. Revisar diez filas por muestreo es mucho más rápido que hacerlo todo por tu cuenta.
El patrón siempre es el mismo. Puedes verificar el resultado más rápido de lo que habrías tardado en producirlo. Cuando eso ocurre, merece la pena probar un agente. Cuando no, ten cuidado.
En qué siguen teniendo dificultades
Los pequeños errores se acumulan
Si un agente interpreta mal algo en el tercer paso, todo lo que viene después se construye sobre ese error. Una tarea de cinco minutos lo perdona. Una tarea de dos horas normalmente no. Por eso los agentes que parecen mágicos en una demostración pueden desviarse en un trabajo largo y desordenado.
Objetivos vagos
«Mejora nuestra incorporación de nuevos miembros» no indica al agente dónde debe detenerse. Sin una definición clara de cuándo está terminado el trabajo, los agentes abandonan demasiado pronto o siguen mucho después de que deberían haberse detenido.
Acciones que no puedes deshacer
La lectura es fácil de revertir. Enviar un correo electrónico, borrar un archivo o comprar algo no lo es. Cuanto más pueda cambiar un agente en el mundo real, mayor será el coste de un solo malentendido.
Seguridad
Los agentes leen cosas escritas por desconocidos: páginas web, correos electrónicos y documentos compartidos. Algunos de esos contenidos pueden incluir instrucciones ocultas destinadas a secuestrar al agente. Esto se llama inyección de prompts y el OWASP Gen AI Security Project la considera el principal riesgo para las aplicaciones basadas en modelos de lenguaje. No es un problema resuelto.
Agentes sueltos en la web abierta
Octubre de 2026 nos dio un ejemplo elocuente, que trato en detalle en nuestro artículo sobre el incidente de los agentes en Wikimedia. A principios de octubre, la Wikimedia Foundation declaró que unos agentes que cree que eran operados por OpenAI habían editado sus wikis sin la aprobación de la comunidad que normalmente necesitan los bots. Casi todas fueron ediciones de prueba en zonas de pruebas, pero unas pocas afectaron a la configuración de una herramienta de citas y Wikimedia las calificó de «potencialmente maliciosas». Los agentes también enviaron millones de solicitudes automatizadas a las API públicas de Wikimedia y cientos de miles de consultas al Wikidata Query Service. Según Wikimedia, ese tráfico podría haber contribuido a una interrupción parcial de ese servicio en mayo. Wikimedia no encontró pruebas de que sus sistemas o datos se hubieran visto comprometidos.
La frase de Selena Deckelmann, de Wikimedia, que se me quedó grabada fue: «Wikipedia se diseñó para los humanos». La mayor parte de la web también. Quien opera un agente es responsable de cómo se comporta allí, y las herramientas para hacerlo bien aún son inmaduras.
Expectativas y realidad en el trabajo
Los analistas esperan que los agentes se extiendan rápidamente. En agosto de 2025, Gartner predijo que el 40% de las aplicaciones empresariales incluiría agentes de IA para tareas específicas en 2026, frente a menos del 5% en 2025.
Las encuestas a empresas dibujan un panorama más prudente. La mayoría afirma estar experimentando con agentes. Muchas menos dicen tener uno funcionando a gran escala con una supervisión clara; profundizo en esa brecha en por qué los agentes de IA se atascan en la fase piloto. En mi opinión, la brecha tiene menos que ver con la calidad del modelo que con las tareas poco llamativas: conectar los agentes a los sistemas adecuados, decidir quién aprueba qué y medir si los resultados son realmente mejores que antes. Allí donde la IA asume trabajo rutinario, los primeros efectos se observan en la contratación para puestos de nivel inicial.
Cómo probar un agente sin arrepentirte
Si quieres experimentar, estos hábitos eliminan la mayor parte del riesgo.
- Empieza en modo de solo lectura. Deja que investigue, resuma o redacte antes de permitirle enviar, comprar o borrar algo.
- Dale una tarea pequeña que puedas comprobar. «Busca cinco artículos recientes sobre X y enumera la afirmación principal de cada uno con un enlace» es un primer trabajo mucho mejor que «ocúpate de mi bandeja de entrada».
- Exige aprobación para cualquier acción con efectos secundarios. La mayoría de las herramientas de agentes pueden hacer una pausa antes de enviar un mensaje o cambiar un archivo. Activa esa opción y mantenla activada hasta que sepas cómo se comporta el agente.
- Conecta lo mínimo posible. Dale la única carpeta o cuenta que necesita la tarea. Un agente experimental y tu correo principal son una mala combinación.
- Lee el registro. Las buenas herramientas de agentes muestran cada paso que han dado. Revísalo por encima, al menos las primeras veces.
- Comprueba el resultado tú mismo. Que un agente diga que la tarea se ha completado no demuestra que sea cierto. Se aplican los mismos hábitos de nuestra guía sobre cómo verificar una respuesta de IA.
Si el agente va a acceder a cualquier cosa del trabajo, lee primero cómo usar IA en el trabajo sin filtrar datos sensibles.
Algunos términos que encontrarás a menudo
- Uso de herramientas o llamada a funciones: el modelo pide al software que lo rodea que ejecute una función concreta con entradas concretas.
- Ventana de contexto: la cantidad de texto que el modelo puede tener en cuenta a la vez, incluidas las instrucciones, la conversación hasta ese momento y los resultados de las herramientas.
- Humano en el bucle: un diseño en el que una persona aprueba o corrige pasos clave.
- Orquestación: el código que ejecuta el bucle, llama a las herramientas y hace cumplir los límites.
- Sistema multiagente: varios agentes con roles diferentes, como un planificador y varios ejecutores, coordinándose en una tarea.
Qué significa esto para ti
Un agente de IA es un modelo de lenguaje con un objetivo, un conjunto de herramientas y permiso para dar más de un paso. Eso hace que los agentes sean realmente útiles para trabajos de varios pasos fáciles de comprobar, y realmente arriesgados para trabajos abiertos con consecuencias reales. Empieza poco a poco, deja las decisiones importantes en manos de una persona y amplía lo que el agente puede hacer solo cuando se lo haya ganado.
El modelo subyacente también importa. Nuestra guía sobre cómo elegir un modelo de IA explica las ventajas y desventajas.
Fuentes
- Anthropic, Cómo crear agentes eficaces, 19 de diciembre de 2024
- Anthropic, Presentación del Model Context Protocol, 25 de noviembre de 2024
- OWASP Gen AI Security Project, LLM01:2025 Inyección de prompts
- Gartner, Gartner predice que el 40% de las aplicaciones empresariales incluirá agentes de IA para tareas específicas en 2026, frente a menos del 5% en 2025, 26 de agosto de 2025
- Help Net Security, Agentes de OpenAI fuera de control editaron Wikipedia sin autorización y enviaron millones de solicitudes a Wikimedia, 6 de octubre de 2026
- The Next Web, Sierra anuncia Personal Agent Protocol, un estándar abierto para agentes de IA personales, 6 de octubre de 2026
