# Agentes de inteligencia artificial: qué son y cuándo no usarlos

> Un agente de inteligencia artificial es un modelo de lenguaje que decide su siguiente paso, usa herramientas y repite hasta cumplir un objetivo. Qué lo distingue de un chatbot, qué tipos hay y por qué la mayoría de problemas no necesitan uno.

- Fuente canónica: https://www.ricardovelit.com/blog/p/agentes-de-inteligencia-artificial
- Nivel: principiante · Lectura: 8 min · Publicado: 2026-09-23
- Etiquetas: agentes, fundamentos, arquitectura, herramientas
- Relacionados: [patrones-de-diseno-de-agentes-de-ia](https://www.ricardovelit.com/blog/p/patrones-de-diseno-de-agentes-de-ia.md), [mcp-model-context-protocol](https://www.ricardovelit.com/blog/p/mcp-model-context-protocol.md), [sistemas-multiagente](https://www.ricardovelit.com/blog/p/sistemas-multiagente.md)
- Contiene componentes interactivos que solo funcionan en la versión web.

---
## 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:

```text
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](/p/tokens-y-tokenizacion)
  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](/p/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](/p/rag-recuperacion-aumentada), 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

1. **El modelo.** Decide. Su calidad marca el techo, pero rara vez es la pieza que falla.
2. **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](/p/mcp-model-context-protocol).
3. **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.
4. **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](/p/patrones-de-diseno-de-agentes-de-ia).

## 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](/p/sistemas-multiagente) y la razón por la que
[JSON válido no significa dato correcto](/p/json-es-la-caverna-de-platon).

## 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](https://www.ricardovelit.com/agentes): 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.

> **[Componente interactivo: PromptPlayground]** — playground de prompts: ejecuta un prompt contra un modelo real o simulado. Solo en la versión web: https://www.ricardovelit.com/blog/p/agentes-de-inteligencia-artificial

## Por dónde seguir

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

1. **[La falacia de la autonomía total](/p/patrones-de-diseno-de-agentes-de-ia)**: los siete
   patrones de control, del más simple al agente libre, y por qué casi siempre gana el más
   simple que resuelve el problema.
2. **[MCP](/p/mcp-model-context-protocol)**: el protocolo con el que los agentes se
   conectan a herramientas y datos sin una integración a medida por cada una.
3. **[Sistemas multiagente](/p/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.