Agentes de inteligencia artificial: qué son y cuándo no usarlos

La definición que sirve para construir

Casi todas las definiciones de agentes de inteligencia artificial que circulan dicen algo como "un sistema que percibe su entorno y actúa de forma autónoma para lograr objetivos". Es correcta y no sirve para nada: un termostato cumple esa definición.

Esta sí sirve:

Un agente de inteligencia artificial es un modelo de lenguaje metido en un bucle. En cada vuelta, el modelo mira lo que ha pasado hasta ahora, decide cuál es el siguiente paso —llamar a una herramienta, pedir un dato, dar la tarea por terminada— y el resultado de ese paso vuelve a entrar en la siguiente vuelta. El agente no es el modelo: es el modelo más las herramientas, más el bucle, más un objetivo.

La palabra que importa es decide. Si el orden de los pasos lo escribiste tú en el código, lo que tienes es un flujo de trabajo (workflow) que usa un modelo. Si el orden lo elige el modelo mientras se ejecuta, tienes un agente. Los dos son útiles. No son lo mismo, y confundirlos es la causa de la mayoría de proyectos de agentes de IA que no llegan a producción.

El bucle, en diez líneas

Por debajo de cualquier plataforma, un agente es esto:

contexto = [objetivo, herramientas disponibles]
repetir hasta un máximo de N pasos:
    decisión = modelo(contexto)
    si decisión es "terminar":
        devolver decisión.respuesta
    resultado = ejecutar(decisión.herramienta, decisión.argumentos)
    contexto += [decisión, resultado]
devolver "no terminé en N pasos"

Tres detalles de este pseudocódigo explican casi todo lo que viene después:

El contexto crece en cada vuelta. Cada resultado se añade y se vuelve a enviar entero. Un agente de 20 pasos no cuesta 20 veces una llamada: cuesta bastante más, porque cada llamada es más larga que la anterior. Los tokens se pagan todos, en todas las vueltas.
Cada modelo(contexto) es un muestreo. El modelo no calcula la decisión: la sortea entre las probables, como explica temperatura y muestreo. Un bucle encadena sorteos.
La línea máximo de N pasos no es opcional. Sin ella, un agente que no encuentra la salida no se detiene: sigue gastando.

Agente de IA, chatbot, workflow: la diferencia

	Quién decide el siguiente paso	Usa herramientas	Cuándo termina
Chatbot	Nadie: responde y espera	No, o solo lectura	Cuando contesta
Workflow con LLM	Tu código, escrito de antemano	Sí, en un orden fijo	Cuando acaba el último paso
Agente de IA	El modelo, en tiempo de ejecución	Sí, las que él elija	Cuando él decide, o cuando se agota el presupuesto
Sistema multiagente	Varios modelos que se pasan el trabajo	Cada uno las suyas	Cuando el orquestador lo da por bueno

Un chatbot que "busca en tu base de conocimiento" antes de responder no es un agente: es RAG, un paso de recuperación fijo seguido de uno de generación. Pasa a ser agente cuando es el modelo quien decide si buscar, qué buscar y si lo encontrado basta o hay que buscar otra vez.

Las cuatro piezas de un agente

El modelo. Decide. Su calidad marca el techo, pero rara vez es la pieza que falla.
Las herramientas. Todo lo que el agente puede hacer además de escribir texto: consultar una base de datos, llamar a una API, leer un archivo, ejecutar código. Cómo se conectan esas herramientas se está estandarizando alrededor de MCP, el Model Context Protocol.
El contexto y la memoria. Lo que el agente sabe en cada vuelta: el objetivo, lo que ha hecho, lo que ha recuperado. Tiene un límite en tokens y se degrada antes de llegar a él.
El control. Los límites, las verificaciones y los puntos donde un humano aprueba. Es la pieza que menos se anuncia y la que decide si el agente se puede poner delante de un cliente.

Tipos de agentes de inteligencia artificial

Hay dos clasificaciones, y conviene conocer las dos porque responden a preguntas distintas.

La clásica, de los manuales de IA (Russell y Norvig), clasifica por cómo decide el agente:

Tipo	Cómo decide	Ejemplo
Reactivo simple	Regla "si pasa X, haz Y"	Un filtro de spam por palabras
Basado en modelo	Reglas más un estado interno del mundo	Un robot aspirador que recuerda el mapa
Basado en objetivos	Busca la secuencia de acciones que llega a una meta	Un planificador de rutas
Basado en utilidad	Elige la acción que maximiza una puntuación	Un sistema de pujas publicitarias
Que aprende	Mejora su política con la experiencia	Un sistema de recomendación

La práctica, la que usan hoy los equipos que construyen con modelos de lenguaje, clasifica por cuánta autonomía le das:

Nivel	Qué es	Autonomía
LLM aumentado	Un modelo con acceso a herramientas y recuperación, una llamada	Ninguna sobre el flujo
Workflow	Varias llamadas en un orden que escribiste tú	Baja: elige dentro de cada paso
Agente	El modelo elige los pasos en un bucle	Alta, acotada por presupuesto
Multiagente	Varios agentes especializados coordinados	Alta y distribuida

La segunda es la que importa para tomar decisiones de arquitectura, y la desarrollo entera, patrón por patrón, en la falacia de la autonomía total.

Ejemplos de agentes de IA que funcionan hoy

Los casos que llegan a producción comparten un rasgo: el entorno le dice al agente si lo ha hecho bien.

Agentes de programación. Escriben código, lo ejecutan, leen el error y corrigen. Los tests son un juez objetivo en cada vuelta. Por eso son, de lejos, la categoría más madura.
Investigación y análisis. Buscan en varias fuentes, leen, contrastan y redactan un informe con citas. Funcionan cuando cada afirmación tiene que llevar su fuente.
Atención al cliente con acciones. No solo responden: consultan el pedido, emiten el reembolso, cambian la dirección. Funcionan cuando las acciones irreversibles pasan por una aprobación.
Operaciones internas. Conciliar facturas, clasificar tickets, preparar informes recurrentes. Aquí el agente suele sobrar y lo que funciona es un workflow bien hecho.

Donde fallan es en lo contrario: tareas largas, sin un criterio verificable de éxito, con herramientas que modifican el mundo y nadie mirando.

Por qué fallan los agentes de IA

La razón principal es aritmética. Si cada paso de un agente acierta el 95 % de las veces, y los pasos dependen unos de otros, veinte pasos seguidos aciertan juntos alrededor del 36 % (0,95 elevado a 20). Un 95 % por paso suena excelente. Una tarea que sale bien una de cada tres veces no se puede vender.

Y el fallo no suele ser ruidoso. El paso 4 se equivoca con total aplomo, el paso 5 toma ese error como un hecho, y el sistema termina en verde con un resultado incorrecto. Cuando los agentes se pasan información en prosa, ese error viaja sin marca; es el problema que analizo en sistemas multiagente y la razón por la que JSON válido no significa dato correcto.

Cuándo no necesitas un agente

Esta es la sección que no vas a encontrar en la página de un proveedor de plataformas de agentes.

No necesitas un agente de inteligencia artificial si:

Puedes dibujar el diagrama de flujo. Si sabes de antemano qué pasos hay y en qué orden, escríbelos en código. Será más barato, más rápido y podrás probarlo.
La tarea cabe en una llamada. Clasificar, extraer, resumir, traducir: un modelo con un buen prompt y una salida estructurada.
No puedes verificar el resultado. Si ni tú sabrías decir automáticamente si el agente lo hizo bien, él tampoco. Darle más autonomía solo multiplica los fallos que no ves.
El error es caro e irreversible. Mover dinero, borrar datos, escribir a un cliente. Ahí la autonomía se da paso a paso y con aprobación, o no se da.

Sí lo necesitas cuando el número de pasos es imposible de prever, el entorno devuelve una señal clara de éxito o fracaso, y equivocarse en un intento es barato.

Si tu caso cumple esas tres condiciones, así es como diseñamos un agente de IA a medida: primero el diseño, con sus límites y sus puntos de aprobación, y después decides si lo construimos.

Pruébalo

Pregúntale a un modelo por tu propio caso. Cambia la tarea del prompt por la tuya y mira si la respuesta te recomienda un agente o te lo desaconseja, y por qué.

Por dónde seguir

Este artículo es la puerta. Detrás hay tres que bajan al detalle:

La falacia de la autonomía total: los siete patrones de control, del más simple al agente libre, y por qué casi siempre gana el más simple que resuelve el problema.
MCP: el protocolo con el que los agentes se conectan a herramientas y datos sin una integración a medida por cada una.
Sistemas multiagente: qué pasa cuando varios agentes se pasan trabajo, por qué los errores se propagan en cascada y cómo se contienen con contratos de datos y verificadores.

Para llevarte

Un agente de inteligencia artificial es un modelo que decide su siguiente paso en un bucle con herramientas. Si los pasos los decides tú, es un workflow.
Los agentes funcionan donde el entorno les dice si han acertado: código, búsqueda con fuentes, acciones con aprobación.
Fallan por aritmética: pequeños errores por paso se multiplican a lo largo del bucle.
La pregunta correcta no es "¿cómo hago un agente?", sino "¿cuál es el sistema más simple que resuelve esto?". A veces la respuesta es un agente. Menos veces de las que se vende.