IA agéntica vs. IA clásica

¿Qué es la IA agéntica y qué no es?

La IA agéntica es un paradigma de IA en el que sistemas de software basados en modelos fundacionales persiguen objetivos de forma autónoma o semiautónoma. Perciben su entorno, planifican pasos, usan herramientas y datos externos, ejecutan acciones y aprenden del resultado, con una intervención humana continua mínima. Quien formula con más claridad la distinción canónica es IBM Think (2026): «La IA agéntica es el concepto más amplio de resolver problemas con supervisión limitada, mientras que un agente de IA es un componente específico dentro de ese sistema». Dicho de otro modo: la IA agéntica es el paradigma; el agente de IA, el artefacto.

Esta distinción va más allá de la higiene terminológica. En los comités de compra de la región DACH (Alemania, Austria y Suiza), el marketing de los proveedores usa con frecuencia «IA agéntica», «agente de IA» y «sistema multiagente» como sinónimos; es un error de fondo y una de las principales razones por las que los proyectos fracasan por expectativas desmesuradas. Un agente de IA individual es una implementación concreta (modelo + herramientas + memoria + bucle). Un sistema multiagente es un patrón de arquitectura con al menos dos agentes coordinados. La IA agéntica engloba ambos como clase superior.

Una advertencia importante antes de empezar: a mediados de 2026, el término «IA agéntica» todavía no está consolidado del todo. No existe ninguna norma ISO/IEC. Los trabajos académicos (Sapkota et al. 2025; Schmitt et al. 2025; Schneider 2025) introducen sus propias taxonomías, y los proveedores difieren en los detalles, por ejemplo en si los flujos de trabajo deterministas cuentan como «agénticos» (Anthropic: sí; Databricks: no). Esta imprecisión en la definición no es un detalle menor, sino la verdadera razón por la que hace falta una delimitación clara.

Los cuatro ejes de la distinción: autonomía, orientación a objetivos, uso de herramientas y decisiones en varios pasos

¿Qué distingue en concreto a la IA agéntica de la IA clásica y de la generativa? Cuatro propiedades forman el núcleo (IBM, 2024; NVIDIA, 2024–2026).

Autonomía. El machine learning clásico (por ejemplo, el scoring de fraude o las predicciones de abandono de clientes) y la IA simbólica (sistemas expertos basados en reglas) no tienen autonomía en el sentido de la teoría de la acción; entregan puntuaciones o inferencias. La IA generativa es reactiva: a un prompt le sigue una respuesta. La IA agéntica actúa por su cuenta en dirección a un objetivo y decide en tiempo de ejecución qué pasos son necesarios. Gartner (2025) incluye expresamente los sistemas semiautónomos. Esto es relevante para los sectores regulados en Europa, donde la autonomía total ni se desea ni está permitida.

Orientación a objetivos. La IA generativa completa patrones (pattern completion). La IA agéntica persigue un objetivo dado y deriva de él subobjetivos. IBM convierte el «goal-driven behavior» en su propiedad central; OpenAI define a los agentes de forma minimalista como sistemas que realizan tareas de forma autónoma en nombre de los usuarios (2025).

Uso de herramientas. En esencia, la IA generativa es de solo lectura: genera texto, imagen, audio o código, pero no desencadena acciones en sistemas externos. La IA agéntica llama a herramientas, usa API y, mediante computer use, puede actuar directamente sobre los sistemas. Justo este paso desplaza el perfil de riesgo de lo informativo (alucinaciones, sesgos) a lo operativo (acciones autónomas en sistemas en producción).

Decisiones en varios pasos. La IA clásica y la generativa suelen trabajar en un solo turno (single-turn). La IA agéntica opera con un horizonte largo y en varios pasos, según el patrón Plan → Execute → Reflect → Replan. NVIDIA lo resume como un bucle de cuatro pasos: Perceive → Reason → Act → Learn.

Matriz comparativa: del ML clásico a la IA agéntica

La siguiente matriz sitúa los paradigmas en las dimensiones clave (fuentes: IBM; Databricks; Russell & Norvig 2020; Sapkota et al. 2025).

Cuatro niveles de madurez de los sistemas agénticos

No todos los sistemas «agénticos» tienen el mismo grado de autonomía. Una lógica de madurez útil distingue cuatro niveles (Sapkota et al. 2025; NVIDIA):

1. Agente reactivo: reacciona a una entrada sin estado persistente; un LLM más una única llamada a una herramienta.
2. Agente con herramientas: planifica una secuencia de herramientas y mantiene memoria a corto plazo; el patrón ReAct clásico.
3. Agente orientado a objetivos: fija subobjetivos, se corrige a sí mismo y planifica a lo largo de varios pasos (Chain-of-Thought más reflexión).
4. Agente que se automejora: aprende de los resultados y actualiza su memoria o sus habilidades (el «Data Flywheel» de NVIDIA).

El debate en Alemania (Bitkom 2026) traduce esta evolución en una escalera de adopción pragmática: RPA → asistentes reactivos de IA generativa → IA agéntica autónoma. Esta gradación ayuda a quienes toman decisiones a situar su propio nivel de madurez de forma realista y a no declarar cualquier llamada a una herramienta como «agente autónomo».

Realidad del mercado 2025/2026: entre el hype y el desencanto

Las cifras dibujan un panorama sobrio, a medio camino entre el impulso y el desencanto. Según el informe State of AI de McKinsey (5 de noviembre de 2025, n=1.993, 105 países), el 88 % de las organizaciones usa IA, pero solo el 31 % la escala a toda la empresa. En IA agéntica, el 39 % está experimentando y otro 23 % ya la escala en al menos una función de negocio (en conjunto, un 62 % de implicación total). Lo decisivo es el contexto: en ninguna función de negocio concreta la tasa de escalado supera el 10 %. El entusiasmo por experimentar es amplio; la implantación en producción, todavía escasa.

Gartner aporta la advertencia más citada: más del 40 % de los proyectos de IA agéntica se cancelarán antes de finales de 2027 por costes crecientes, un valor aportado poco claro y controles de riesgo insuficientes (nota de prensa, 25 de junio de 2025). En el Gartner Hype Cycle 2025, los agentes de IA estaban en el «Peak of Inflated Expectations», mientras que la IA generativa se deslizaba hacia el «Trough of Disillusionment». En 2026 se publicó por primera vez un Hype Cycle propio para la IA agéntica.

Nota de contexto: las previsiones de Gartner pueden revisarse, y la posición en el Hype Cycle se actualiza cada año. Estas cifras deben leerse como pronósticos de analistas, no como una realidad medida.

Agent washing: el detector de humo para el comité de compra

El riesgo práctico más importante de 2026 se llama agent washing: reetiquetar chatbots, herramientas de RPA o flujos de trabajo con lógica fija como «IA agéntica» sin un componente sustancial de razonamiento autónomo. Gartner estima que, de miles de proveedores, solo unos 130 disponen de capacidades agénticas reales (2025). Esta cifra es una estimación de analistas y no es reproducible, pero ilustra la magnitud del problema.

Para evaluar proveedores, tres preguntas de control resultan útiles: ¿toma el sistema decisiones propias sobre el camino de solución en tiempo de ejecución o sigue un proceso programado de antemano (en cuyo caso es RPA)? ¿Elige las herramientas de forma dinámica o llama a una secuencia de API predefinida? ¿Planifica más de tres pasos con bucles de corrección o es una única llamada a un LLM con RAG? La propia Gartner señala que los modelos actuales aún no tienen la madurez necesaria para perseguir objetivos de negocio complejos de forma totalmente autónoma a lo largo del tiempo; «agéntico», por tanto, no es sinónimo de AGI.

Contexto DACH: soberanía, escepticismo, regulación

Para la región DACH no existe un indicador específico de adopción de la IA agéntica. Bitkom Research 2025 mide la IA en general: el 36 % de las empresas alemanas con 20 o más empleados usa IA, casi el doble que el 20 % del año anterior (encuesta telefónica, n=604). Como indicador aproximado (proxy) de la adopción agéntica sirven los valores globales de McKinsey (23 % de escalado), algo que debería indicarse de forma explícita.

Lo característico es la sensibilidad regulatoria: el 56 % de las empresas encuestadas ve el Reglamento de IA de la UE como una desventaja, y el 93 % preferiría un proveedor de IA de Alemania. Los principales obstáculos son la inseguridad jurídica (53 %), la falta de conocimientos (53 %) y la falta de personal (51 %). Esto explica la fuerte demanda de las empresas alemanas de stacks soberanos y de enfoques human-in-the-loop.

Encuadre regulatorio (informativo, no constituye asesoramiento jurídico)

Las siguientes indicaciones son informativas y no sustituyen una revisión jurídica.

El Reglamento de IA de la UE no contempla ninguna categoría propia de «agente de IA». Las capacidades agénticas quedan cubiertas por mecanismos ya existentes. El art. 50 (obligaciones de transparencia) se aplica desde el 2 de agosto de 2026 y entra en juego cuando hay interacción directa entre personas y máquinas. Si un agente toma decisiones autónomas en ámbitos sensibles como el empleo, la educación, la solvencia crediticia o las infraestructuras críticas, el sistema puede entrar en el anexo III (alto riesgo).

El Digital Omnibus ya es derecho vigente. El Reglamento (UE) 2026/1744 se publicó el 24 de julio de 2026 en el Diario Oficial de la UE y está en vigor desde el 27 de julio de 2026. Con ello se aplazan las obligaciones de alto riesgo: para los sistemas del anexo III se aplican, según el calendario de la Comisión Europea, a partir del 2 de diciembre de 2027 en lugar del 2 de agosto de 2026, y para la IA integrada en productos del anexo I, a partir del 2 de agosto de 2028. Las obligaciones de GPAI para los modelos fundacionales que sirven de base a los agentes están en vigor desde el 2 de agosto de 2025.

También son relevantes el art. 22 del RGPD (prohibición de las decisiones individuales basadas únicamente en el tratamiento automatizado con efectos jurídicos o significativos), la obligación de alfabetización en IA del art. 4 del Reglamento de IA (desde el 2 de febrero de 2025) y los derechos de codeterminación del comité de empresa según la BetrVG (DE) o la ArbVG (AT) cuando se usan sistemas agénticos en el puesto de trabajo. El Omnibus ha suavizado el art. 4: proveedores y responsables del despliegue deben seguir adoptando medidas para la alfabetización en IA de su personal, pero, según la Comisión Europea, la ley ya no exige un nivel de competencia determinado. Antes de cualquier despliegue, se recomienda una revisión jurídica.

Perspectivas y recomendaciones prácticas

La IA agéntica es el siguiente paso plausible tras la IA generativa, pero no es la arquitectura adecuada para todos los casos de uso. La regla práctica más sólida procede de Anthropic (2024): «recomendamos buscar la solución más sencilla posible y aumentar la complejidad solo cuando sea necesario. Esto puede significar no construir sistemas agénticos en absoluto». El Q&A puro o la generación de contenidos los cubre la IA generativa con RAG; los procesos deterministas corresponden a un motor de workflows o a la RPA. La IA agéntica solo se justifica cuando una tarea tiene varios pasos, exige una planificación dinámica y desencadena acciones externas.

Tres recomendaciones prácticas para quienes toman decisiones en empresas europeas: primero, la arquitectura de datos va antes que nada; los agentes construidos sobre silos de datos son una fuente de errores conocida. Segundo, prever de forma obligatoria el human-in-the-loop para las acciones irreversibles; las pruebas de seguridad no son opcionales (una prueba académica de red teaming de 2025 encontró vulnerables los 22 LLM analizados, citada a través de Bitkom). Tercero, apostar por estándares abiertos como MCP (especificación 2025-11-25, donada a la Linux Foundation) y A2A para evitar la dependencia de un proveedor (vendor lock-in). El ROI no debería medirse por la reducción de plantilla, sino por la latencia de decisión, la calidad y el rendimiento. Quien procede así separa el valor agéntico real del término de marketing, y de eso se trata en 2026.