¿Qué es un Agente de IA?
Un agente de IA es un sistema que usa un LLM como cerebro para decidir el siguiente paso, ejecuta ese paso sobre herramientas externas, observa el resultado, y repite hasta cumplir un objetivo o alcanzar una condición de parada.
No es un chatbot. No es una automatización rígida. Es un bucle iterativo donde el modelo controla qué acción tomar en cada iteración.
Un chatbot responde. Una automatización sigue reglas. Un agente decide.
Los Componentes Mínimos
Sección titulada «Los Componentes Mínimos»Anthropic describe estas piezas como las capas de un sistema agente en el post Building Effective Agents. Un agente necesita al menos siete:
Objetivo: la tarea que hay que cumplir. Se le pasa como texto.
Modelo: el LLM que razona sobre el estado y elige el siguiente paso.
Instrucciones (arnés): el prompt del sistema que fija las reglas duras. Ejemplos: “no envíes correos sin confirmación”, “no accedas a estos ficheros”, “detente si encuentras ambigüedad”.
Herramientas: funciones que el modelo puede invocar. Se le describen al modelo con un esquema: nombre, descripción, parámetros y ejemplos. Cuando la herramienta es un buscador sobre una base de documentos, se entra en el territorio de RAG.
Estado: el entorno donde opera. Ficheros, calendario, correo, base de datos, navegador. El estado cambia cuando el agente actúa. Cómo se decide qué parte del estado se introduce en cada llamada del modelo es un problema de ingeniería de contexto.
Ciclo: el bucle que ejecuta cada paso. Lee el estado, pide al modelo el siguiente paso, ejecuta la acción, actualiza el estado. Se repite.
Condición de parada: la regla que detiene el bucle. Puede ser objetivo cumplido, número máximo de pasos, tiempo máximo o error irrecuperable.
El Ciclo ReAct
Sección titulada «El Ciclo ReAct»El bucle más usado se llama ReAct (Reasoning + Acting). Lo propone el paper ReAct: Synergizing Reasoning and Acting in Language Models de Yao et al.
En cada iteración el modelo produce dos cosas:
Thought: un texto interno que razona qué hacer a continuación.
Action: una llamada a una herramienta con sus parámetros.
Después el sistema ejecuta la acción y devuelve al modelo la observación (el resultado). El modelo toma esa observación como entrada del siguiente Thought.
Ejemplo simplificado de una iteración:
Thought: Necesito saber si el cliente puede el martes por la mañana.Action: calendar.check_availability(client="X", day="martes", period="mañana")Observation: Disponible entre 09:00 y 12:00.Thought: Puedo proponer las 10:00 para dejar margen.Action: calendar.create_draft(client="X", when="martes 10:00")Observation: Borrador creado.Thought: Objetivo cumplido. Detener.Cómo el Modelo Elige una Herramienta
Sección titulada «Cómo el Modelo Elige una Herramienta»El modelo no ejecuta código. Genera texto que describe qué herramienta llamar y con qué argumentos. El sistema exterior interpreta ese texto y lo ejecuta.
Para que el modelo elija bien, se le da a cada herramienta un esquema con nombre, descripción, parámetros y ejemplos. Cuantas más herramientas, más difícil es elegir bien. La calidad de las descripciones importa más que el número.
En los modelos con function calling o tool use nativo, el LLM emite directamente una llamada estructurada (normalmente en JSON) que el ejecutor procesa. En modelos sin ese soporte, se le pide que emita un formato acordado en el prompt y se parsea con expresiones regulares o con un analizador.
La capacidad de invocación de herramientas se mide de forma sistemática con benchmarks como Berkeley BFCL. Un comparador público de LLMs publica puntuaciones por modelo en manejo de herramientas simultáneas y selección entre opciones disponibles.
Diferencia entre Chatbot, Workflow y Agente
Sección titulada «Diferencia entre Chatbot, Workflow y Agente»Chatbot: turno humano, turno modelo. Ningún efecto sobre el mundo externo.
Workflow con IA: secuencia fija de pasos escrita por un programador. En algunos pasos se llama al modelo. El modelo no decide el camino.
Agente: el modelo decide el camino. Puede saltar pasos, repetir, cambiar de estrategia o pedir aclaración. La secuencia no está escrita.
El coste sube en este orden. La flexibilidad también. La consistencia baja. La Practical Guide to Building AI Agents de OpenAI describe una clasificación equivalente.
Por Qué los Agentes Fallan
Sección titulada «Por Qué los Agentes Fallan»Los benchmarks muestran que los agentes actuales fallan una parte significativa de las tareas largas y realistas. Dos benchmarks citados con frecuencia son:
OSWorld: Benchmarking Multimodal Agents for Open-Ended Tasks in Real Computer Environments de Xie et al., que mide agentes ejecutando tareas en sistemas operativos reales.
WebArena: A Realistic Web Environment for Building Autonomous Agents de Zhou et al., que mide agentes que navegan por webs reales para completar objetivos.
Modos de fallo documentados:
Desalineamiento con el objetivo: el modelo interpreta la orden de forma distinta a la esperada.
Elección de herramienta incorrecta: el modelo selecciona una función que no aplica al problema.
Pérdida de condición: una restricción del objetivo se olvida durante el bucle porque queda fuera del contexto activo.
Bucle infinito: el modelo repite la misma acción esperando otro resultado, sin detenerse.
Terminación prematura: el modelo declara la tarea completa sin haber verificado.
Prompt injection: instrucciones maliciosas ocultas en documentos o correos que el agente procesa manipulan al modelo. Es un vector de ataque catalogado en OWASP Top 10 for Agentic Applications.
Un observatorio público que registra incidentes reales con agentes y otros sistemas de IA es LaAutopsIA.
Niveles de Autonomía
Sección titulada «Niveles de Autonomía»No todos los agentes actúan igual. Se distinguen tres niveles según los permisos que reciben:
Lectura: el agente consulta datos pero no los modifica. Riesgo principal: filtración de información.
Preparación: el agente redacta acciones (borradores de correo, propuestas de cita, resúmenes) pero no las ejecuta. Un humano confirma antes.
Ejecución: el agente actúa sin confirmación por paso. Riesgo principal: acciones difíciles de deshacer.
A más permisos, mayor productividad y mayor superficie de ataque.
Supervisión Humana
Sección titulada «Supervisión Humana»El post Trustworthy Agents de Anthropic Research y el documento NIST AI 600-1: Generative AI Profile recomiendan tres capacidades para el usuario:
Ver: registro transparente de cada paso.
Detener: parada inmediata del bucle.
Deshacer: mecanismo para revertir acciones ejecutadas por el agente.
Un patrón habitual es el plan mode: antes de actuar, el agente escribe todo el plan de pasos y espera confirmación humana. Esto sustituye la aprobación paso a paso por una aprobación estratégica y reduce la fatiga del supervisor.
Qué pasa en la práctica
Sección titulada «Qué pasa en la práctica»- Los agentes brillan en tareas abiertas donde no se sabe de antemano cuántos pasos harán falta.
- Los agentes son peores que un workflow rígido para tareas repetitivas y predecibles.
- Cuanto más largo el bucle, más probabilidad de que el agente pierda una condición del objetivo.
- La calidad del arnés y de las descripciones de herramientas determina el resultado más que el modelo de fondo.
Error común
Sección titulada «Error común»Pensar que un agente entiende el objetivo. No lo entiende. En cada iteración predice el siguiente token. Todo el andamiaje sirve para que esa predicción, encadenada muchas veces, se parezca a un plan.
Para el uso práctico y los criterios de control humano en el día a día: Agentes de IA: autonomía, acción y control humano.