¿Qué son los agentes de IA?

Definición: ¿qué es un agente de IA?

Un agente de IA (AI agent) es un sistema de software basado en un modelo de lenguaje (de gran tamaño) que persigue de forma autónoma un objetivo determinado: percibe su entorno, planifica en varios pasos, elige y utiliza por sí mismo herramientas externas (tools, API, fuentes de datos), observa los resultados y ajusta su plan de forma iterativa hasta alcanzar el objetivo o hasta que la tarea se interrumpe.

Esta definición coincide con las descripciones canónicas de los principales proveedores. Anthropic distingue a nivel de arquitectura entre agentes (el LLM dirige de forma dinámica la ruta y el uso de herramientas) y workflows (rutas de código predefinidas). OpenAI describe los agentes como «systems that independently accomplish tasks on behalf of users». IBM subraya la ejecución autónoma de tareas mediante el diseño de workflows con herramientas, y Microsoft añade el aspecto de la «context awareness».

Las cuatro propiedades obligatorias

Un sistema solo es un agente de verdad si cumple las cuatro propiedades siguientes. Si falta una, se trata de un chatbot, un workflow o un asistente:

1. Control basado en LLM: el modelo de lenguaje toma las decisiones de control, no un código determinista como instancia de control principal.
2. Planificación en varios pasos: el proceso sigue el patrón Perceive → Reason → Act → Observe, a menudo a lo largo de varias iteraciones.
3. Uso de herramientas: el agente utiliza por sí mismo funciones externas, API o bases de datos.
4. Autonomía orientada a objetivos: el agente persigue un objetivo de forma independiente, pero dentro de unos guardrails definidos.

Precisamente este punto provoca en la práctica el «agent washing»: muchos productos comercializados como «agente» son en realidad chatbots con una única llamada a una herramienta o scripts de RPA clásicos.

Diferencias: agente vs. chatbot vs. RPA vs. workflow vs. asistente

La siguiente matriz muestra en qué se diferencia un agente de los conceptos afines. Cada columna describe el comportamiento típico; en la práctica, las fronteras son difusas.

La línea divisoria más importante: un workflow o un bot de RPA sigue una ruta predefinida, mientras que un agente decide de forma dinámica el orden de los pasos y la elección de herramientas. Un chatbot responde principalmente con texto; un agente actúa en varios pasos y de forma autónoma.

Los 5 componentes de un agente de IA

Desde el punto de vista técnico, un agente consta de cinco componentes principales que funcionan en conjunto:

1. Núcleo LLM: el motor de razonamiento. Elige el siguiente paso y controla el function calling. Aquí se decide si se usa una herramienta y, en ese caso, cuál.
2. Memoria: lo que el agente recuerda. La memoria a corto plazo es el contexto de la conversación de la ejecución actual; la memoria a largo plazo se implementa mediante bases de datos vectoriales, RAG (Retrieval-Augmented Generation) o archivos.
3. Herramientas: las manos del agente. Incluyen function calls, API, servidores MCP, navegadores o sandboxes de código.
4. Planificador: descompone el objetivo en pasos parciales. La planificación puede producirse de forma implícita en el LLM o modelarse de forma explícita como un grafo.
5. Ejecutor: ejecuta las llamadas a herramientas, gestiona cada uno de los turnos y los límites de bucle, y hace cumplir los guardrails.

El bucle de razonamiento: Perceive → Reason → Act → Observe

El núcleo de todo agente es un mecanismo de bucle iterativo. Conceptualmente se remonta al patrón ReAct (Yao et al. 2022), que combina razonamiento (reasoning) y acción (acting):

1. Perceive: el agente percibe la entrada y el objetivo, el contexto actual y su memoria.
2. Reason: el LLM planifica: ¿qué herramienta o qué paso tiene sentido a continuación?
3. Act: el agente ejecuta la acción (llamada a una herramienta, llamada a una API, ejecución de código).
4. Observe: el agente lee el resultado y lo guarda en la memoria.

A continuación, el agente comprueba: ¿se ha alcanzado el objetivo? Si no, el bucle vuelve a empezar en Perceive. Es precisamente esta repetición dinámica, y no un proceso cableado de antemano, lo que marca la diferencia con la automatización clásica. Mecanismos de seguridad como los límites de bucle, los presupuestos de tokens y los puntos de human-in-the-loop evitan bucles infinitos o acciones erróneas irreversibles.

Niveles de madurez: de L1 a L5

No todos los sistemas automatizados o basados en IA son igual de autónomos. Un modelo de madurez útil distingue cinco niveles. Solo a partir de L4 un sistema cumple las cuatro propiedades obligatorias de la definición anterior; de L1 a L3 son etapas previas:

• L1 (agente reflejo): basado en reglas, sin razonamiento real (p. ej., un bot de preguntas frecuentes).
• L2 (LLM aumentado): un LLM con una única llamada a una herramienta, puramente reactivo.
• L3 (agente de workflow): el LLM actúa dentro de un pipeline determinista (prompt chaining, routing). La ruta está en gran medida predefinida.
• L4 (agente autónomo): el LLM controla de forma dinámica el orden de los pasos y la elección de herramientas y recorre el bucle completo (p. ej., agentes de programación como Claude Code o sistemas de deep research).
• L5 (sistema multiagente): varios agentes autónomos se coordinan, por ejemplo mediante protocolos A2A (Agent-to-Agent), con un orquestador y agentes especializados.

Para la mayoría de las aplicaciones B2B en producción, el «sweet spot» se sitúa hoy entre L3 y L4. Los sistemas L5 son potentes, pero propensos a los errores en cascada: pequeños fallos de agentes individuales que se amplifican a lo largo de la cadena.

Panorama de frameworks

Para construir agentes se ha consolidado un ecosistema diverso e independiente de los fabricantes. La siguiente selección cubre las opciones más habituales:

• LangGraph: enfoque de grafo o de máquina de estados, adecuado para workflows complejos y controlados.
• CrewAI: orientado a sistemas multiagente con roles definidos.
• OpenAI Agents SDK: minimalista, con herramientas, handoffs, guardrails y tracing.
• Anthropic Claude Agent SDK: kit de herramientas para crear agentes basados en los modelos Claude.
• Microsoft Agent Framework: unifica AutoGen y Semantic Kernel, con soporte nativo para MCP y A2A.
• n8n: plataforma low-code, especialmente extendida entre las pymes de la región DACH (Alemania, Austria y Suiza).
• Pydantic AI: centrado en la seguridad de tipos para crear agentes robustos y fáciles de testear.

Importante: la elección del framework debe hacerse después de aclarar el caso de uso, no antes.

Agentes de IA en Europa: cumplimiento normativo y soberanía

Si despliegas agentes en producción en Europa, conviene que tengas en cuenta desde el principio varios marcos normativos:

• Reglamento de IA de la UE, art. 50 (transparencia): la obligación de informar a los usuarios (p. ej., de que están interactuando con un sistema de IA) se aplica desde el 02.08.2026.
• Alto riesgo (anexo III y anexo I): con el Ómnibus Digital sobre el Reglamento de IA (Reglamento (UE) 2026/1744, en vigor desde el 27.07.2026), las obligaciones de alto riesgo se aplican a los sistemas del anexo III a partir del 02.12.2027 y a los sistemas integrados en productos regulados del anexo I a partir del 02.08.2028.
• Reglamento de IA de la UE, art. 4 (alfabetización en materia de IA): los proveedores y responsables del despliegue deben adoptar medidas para fomentar la alfabetización en materia de IA de su personal. La obligación existe desde el 02.02.2025; desde el Ómnibus, el art. 4 ya no exige un nivel de competencia determinado.
• RGPD, art. 22: en las decisiones individuales automatizadas, una persona debe poder intervenir y anular la decisión.
• RGPD, art. 28: con los proveedores de LLM es necesario un contrato de encargo del tratamiento.
• RGPD, art. 35: si es probable que el tratamiento entrañe un alto riesgo, por ejemplo por el uso de nuevas tecnologías o por una evaluación sistemática de personas, la evaluación de impacto relativa a la protección de datos (EIPD) es obligatoria. En los agentes que tratan datos personales, esto suele ser así.
• Participación de los trabajadores: en Alemania se aplica el §87, apdo. 1, n.º 6 de la BetrVG; en Austria, el §96 de la ArbVG. Por eso conviene implicar pronto al comité de empresa.

Para organizaciones con altas exigencias de soberanía digital existen opciones con sede en la UE, como Aleph Alpha Pharia (sobre STACKIT), Mistral, IONOS u OVHcloud.

Errores típicos (pitfalls)

En la práctica, los proyectos de agentes rara vez fracasan solo por la tecnología. Las trampas más frecuentes:

• Agent washing: se vende un chatbot o un bot de RPA como «agente».
• Elegir el framework antes de tener claro el caso de uso: lleva al «pilot purgatory»; alrededor de dos tercios de los pilotos no llegan a escalar.
• Preparación de datos subestimada y EIPD omitida.
• Participación de los trabajadores ignorada (BetrVG / ArbVG).
• Explosión de costes de tokens por bucles de razonamiento y de herramientas sin control.
• Tratar a los agentes como deterministas, aunque funcionan de forma probabilística.
• Falta de observabilidad y ausencia de registro de auditoría.
• Dependencia del proveedor (vendor lock-in) y uso de un «agente» para una simple recuperación de información (retrieval), donde encajaría mejor un workflow o un asistente.
• Sin human-in-the-loop en acciones irreversibles y errores en cascada en sistemas multiagente.

Los datos de mercado demuestran que estos riesgos son reales: según Gartner (junio de 2025), más del 40 % de los proyectos de IA agéntica se cancelarán antes de finales de 2027. Al mismo tiempo, según Bitkom (2026), el 33 % de las empresas declara costes más altos de lo esperado.

¿Cuándo merece la pena un agente?

La regla de decisión central es: un agente solo merece la pena cuando la ruta de solución no se puede planificar de antemano y hace falta una decisión del LLM. Si el proceso puede modelarse por completo de antemano, una automatización de workflows o un copiloto resultan más baratos, rápidos y robustos.

Un primer paso pragmático es este:

• Elige entre 1 y 3 casos de uso con un ROI claro y medible.
• Empieza con un piloto de bajo riesgo o de solo lectura.
• Prevé human-in-the-loop para todas las acciones irreversibles.
• Ten en cuenta la EIPD y el comité de empresa desde el día 1.
• Apuesta por un stack independiente del proveedor para evitar el lock-in.

La madurez del mercado justifica esta cautela: según McKinsey State of AI 2025, solo el 23 % de las empresas escala al menos un caso de uso agéntico y otro 39 % está experimentando, es decir, un 62 % en total. Sin embargo, en ninguna función concreta la proporción de agentes escalados supera el 10 %.

Perspectivas

La IA agéntica pasa rápidamente de la fase de experimentación a la de estandarización. Dos protocolos impulsan la interoperabilidad: el Model Context Protocol (MCP) se amplió en la versión de especificación 2025-11-25 y en diciembre de 2025 se donó a la Linux Foundation, en concreto a la Agentic AI Foundation; ya cuenta con más de 10.000 servidores MCP activos. El protocolo A2A (Agent-to-Agent) también está desde junio de 2025 en manos de la Linux Foundation y cuenta con el respaldo de más de 150 organizaciones.

Esta estandarización reduce las barreras para los sistemas multiagente y las arquitecturas independientes del proveedor. Al mismo tiempo, aumenta la madurez regulatoria, sobre todo en Europa con el Reglamento de IA de la UE y el RGPD. Para quienes toman decisiones, esto significa que quien empiece hoy con pilotos bien delimitados y bien gobernados sienta las bases para no quedarse atascado en el «pilot purgatory» en el próximo salto de madurez.