Un agente de IA es un sistema de software construido alrededor de un modelo de lenguaje grande (LLM) que puede perseguir objetivos por sí mismo en lugar de solo responder a un prompt cada vez. Observa la entrada, razona sobre qué hacer a continuación y lleva a cabo acciones, como llamar a una API, buscar en la web, ejecutar código o escribir en una base de datos; luego evalúa el resultado y decide su próximo movimiento. Este bucle de percibir, razonar y actuar es lo que distingue a un agente de un simple chatbot.
Cómo funciona un agente de IA
La mayoría de los agentes de IA combinan tres ingredientes: un modelo fundacional como núcleo de razonamiento, un conjunto de herramientas que el modelo puede invocar y un bucle de control que mantiene al modelo trabajando hasta que la tarea esté terminada. Cuando recibe un objetivo, el LLM suele producir un plan, seleccionar una herramienta, observar la salida de la herramienta y actualizar su plan. Este patrón se conoce a menudo como ReAct, abreviatura de razonamiento más actuación.
Por ejemplo, a un agente al que se le pide "resumir las quejas de los clientes de esta semana" podría enumerar archivos recientes, leer cada uno, extraer temas con una llamada a un modelo de lenguaje y escribir un informe en un documento, todo sin que una persona elija cada paso. Muchos agentes también conservan memoria a corto o largo plazo para poder mantener el contexto entre turnos y recuperarse de errores. Frameworks como LangGraph, OpenAI Agents SDK y la API de uso de herramientas de Anthropic exponen estos primitivos a los desarrolladores.
Por qué importa
Los agentes de IA convierten los modelos de lenguaje de respondedores pasivos en sistemas capaces de completar flujos de trabajo reales, por lo que el término "IA agéntica" se ha extendido rápidamente por el software empresarial. Se utilizan para asistencia en investigación, copilots de programación que abren pull requests, bots de atención al cliente que consultan datos de cuentas y tareas operativas como programación de agendas o introducción de datos. Como los agentes pueden encadenar acciones y usar herramientas, también pueden fallar de nuevas formas, mediante llamadas a herramientas incorrectas, bucles infinitos o inyección de prompts desde contenido no confiable, por lo que suelen desplegarse con barreras de protección, revisión humana y permisos limitados.
Tipos principales
- Usuarios de herramientas de un solo paso: modelos que hacen una o dos llamadas a herramientas para responder una pregunta, como un chatbot que busca en la web una vez.
- Agentes de tareas de varios pasos: sistemas que planifican y ejecutan varias acciones en secuencia, como un agente de investigación que lee, resume y escribe un informe.
- Sistemas multiagente: configuraciones donde agentes especializados se pasan el trabajo entre sí, por ejemplo un planificador, un programador y un revisor colaborando en una tarea de software.
- Agentes de uso de computador y agentes corporeizados: agentes que controlan un navegador, manejan un escritorio u operan robots traduciendo objetivos en acciones de interfaz o físicas.
A medida que los modelos fundacionales mejoran en razonamiento estructurado y uso de herramientas, los agentes de IA están pasando de demostraciones a sistemas en producción que gestionan trabajo de extremo a extremo, aunque la fiabilidad, la evaluación y la seguridad siguen siendo las partes difíciles.