Qué es realmente un agente de IA
He construido varias herramientas con inteligencia artificial generativa y algunos agentes. Sin embargo, hay una pregunta que sigue apareciendo: ¿qué es realmente un agente? A nivel de usuario, el concepto suele ser intuitivo: un agente conversacional que reemplaza funciones humanas como ventas o soporte. Pero, desde el punto de vista técnico, la definición es más profunda y relativamente nueva. Durante mucho tiempo no existió una descripción formal, lo que ha provocado confusión. Muchos desarrolladores llaman “agente” a un simple script que usa el API de OpenAI, cuando en realidad no lo es.
Mis primeros intentos con agentes conversacionales
Mi primer intento de crear un agente conversacional fue hace unos 10 años, cuando Microsoft lanzó Cognitive Services en Azure. En ese entonces, construí un chatbot con la esperanza de hacerlo interactivo e inteligente. El resultado fue un total fracaso. La tecnología estaba en una etapa muy temprana y los modelos no tenían la capacidad de razonar ni mantener contexto como los actuales. Sin embargo, esa experiencia marcó el inicio de mi curiosidad por entender cómo podían evolucionar los sistemas conversacionales hasta transformarse en lo que hoy llamamos agentes.
Tipos de agentes
Aunque los agentes conversacionales son los más conocidos, no son los únicos. Existen agentes para análisis de datos, búsqueda, automatización de código, planificación o monitoreo. Sin embargo, los agentes conversacionales son un buen punto de partida para entender el concepto, ya que nos permiten observar cómo un modelo interactúa, razona y actúa con cierto grado de autonomía.
Características fundamentales
Para que un sistema pueda considerarse un agente, debe cumplir con ciertas características. Hoy en día se construyen sobre LLMs (Large Language Models), aunque en el futuro podrían usarse otras tecnologías. Primero, un agente ejecuta llamadas en bucle a APIs externas o internas. Este ciclo de razonamiento y acción constituye su comportamiento. Lo que percibimos como una conversación o una solución de problemas es, en realidad, una secuencia de llamadas encadenadas.
En segundo lugar, un agente utiliza herramientas (tools). Estas herramientas le otorgan capacidades específicas, como buscar información en la web o realizar cálculos. Los LLM no son buenos en todo ni poseen contexto actualizado, por lo que delegan ciertas tareas a componentes externos. Por ejemplo, aunque un modelo entiende cómo funciona la aritmética, no es especialmente preciso calculando. Igual que un humano que usa una calculadora para superar sus limitaciones, el agente recurre a herramientas para mejorar su desempeño.
Otro elemento esencial es la memoria. La memoria permite mantener el contexto de la conversación o de acciones previas, posibilitando la continuidad y coherencia en las siguientes iteraciones. En resumen, un agente:
- Realiza llamadas en bucle hasta intentar resolver un problema.
- Usa herramientas para ampliar sus capacidades.
- Emplea memoria para recordar y razonar de manera progresiva.
Workflows, algoritmos y autonomía
Aquí es donde se confunden los conceptos. Muchos sistemas que se presentan como agentes son, en realidad, workflows o algoritmos. La diferencia es sutil pero clave. Un workflow es una secuencia de pasos predefinidos y controlados, donde cada acción depende del resultado anterior. Existen herramientas diseñadas para crear este tipo de flujos, como n8n, Zapier o el nuevo Builder de OpenAI, que permiten encadenar tareas y orquestar APIs de forma controlada. Estos sistemas son útiles, pero no son agentes.
Los investigadores de Anthropic lo explican claramente: un agente no es un workflow. En un workflow, el número de pasos y las decisiones están predeterminadas. En un agente, el modelo decide cuántas veces actuar, qué herramientas usar y cuándo detenerse. Tiene autonomía. Esa autonomía es lo que lo convierte en algo más que una secuencia de llamadas. En lugar de ejecutar A → B → C, el agente puede decidir hacer A → B → A → C → D hasta encontrar una solución. El control ya no lo tiene el programador, sino el modelo dentro de un marco definido.
Por qué todos dicen que hacen agentes
Hoy, el término “agente” se ha vuelto atractivo. Suena innovador y complejo, por lo que muchas personas y empresas lo usan incluso cuando no aplica. En muchos casos, esto ocurre por desconocimiento: se piensa que llamar al API de OpenAI o crear un flujo con varias llamadas ya convierte a un sistema en agente. Pero también hay un componente aspiracional o de marketing: suena mejor decir “estamos desarrollando agentes” que “llamamos a la API de ChatGPT”. Incluso entre colegas o jefes, usar esa palabra da una sensación de modernidad o sofisticación que no siempre refleja la realidad técnica.
Desarrollar con IA vs desarrollar IA
Otra confusión común es creer que desarrollar agentes implica ser experto en machine learning. Son cosas distintas. Desarrollar con IA significa usar modelos ya entrenados —como GPT o Claude— para crear soluciones inteligentes. Desarrollar IA, en cambio, implica diseñar y entrenar esos modelos desde cero, trabajando con datos, arquitecturas y técnicas de aprendizaje profundo. La mayoría de quienes crean agentes trabajan en el primer grupo: son desarrolladores que construyen sistemas inteligentes a partir de modelos existentes, no científicos que entrenan modelos nuevos.
Conclusión
Un agente no es un chatbot ni un algoritmo. Es un sistema que razona, recuerda, decide y actúa dentro de un marco definido, usando herramientas para compensar sus limitaciones y APIs para ejecutar acciones. Lo que lo distingue no es solo su capacidad de conversar, sino su autonomía para decidir cómo resolver un problema. Y aunque el término esté de moda, entender estas diferencias es clave para construir soluciones reales, no solo sistemas que “parecen” agentes.
Agradecimientos, colaboración y próximos pasos
Gracias por leer hasta aquí. Este tema me divierte porque ha sido un recorrido personal de muchos años, desde mis primeros experimentos fallidos con chatbots hasta comprender cómo funcionan los agentes actuales. Estoy escribiendo un nuevo post para profundizar en el marco o universo de trabajo de un agente, y también reflexionar sobre cómo desarrollar este tipo de proyectos solo o en equipo. Como siempre, mi pasión por el trabajo en equipo me lleva a pensar en cómo estas nuevas tecnologías pueden inspirar nuevas formas de colaboración y aprendizaje conjunto., donde compartiré aprendizajes prácticos y reflexiones sobre cómo definir los límites, las capacidades y la autonomía de un agente bajo mi experiencia y contenido que he consumido.
Algunas referencias: