Agentes de IA: preguntas frecuentes para directivos

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 definido: 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 abandonarlo.

Para los directivos, las preguntas más importantes se resumen en tres respuestas clave:

• ¿Qué cambia? Un agente planifica de forma dinámica y elige las herramientas por sí mismo, en lugar de seguir una ruta predefinida. Eso es precisamente lo que lo distingue de un chatbot, la RPA y la automatización de flujos de trabajo.
• ¿Cuándo compensa? Solo cuando el camino hacia la solución no se puede planificar de antemano. Si el proceso es conocido, la automatización clásica o la RPA son más baratas y estables.
• ¿Qué es clave en la implantación? Un caso de uso claro con ROI, human-in-the-loop en acciones irreversibles, EIPD y comité de empresa desde el principio, y una mentalidad independiente del proveedor.

Un ejemplo concreto

Un agente L4 típico (agente autónomo) es un asistente de investigación que debe responder a una pregunta abierta. Divide el objetivo en pasos parciales, lanza por sí mismo una búsqueda web, lee los resultados, formula preguntas de seguimiento, comprueba contradicciones y, al final, resume una respuesta respaldada por fuentes. Nadie le ha indicado el orden exacto de las búsquedas. Precisamente este control dinámico en el bucle de razonamiento (Perceive→Reason→Act→Observe) marca la diferencia frente a un pipeline rígido, programado de antemano.

¿En qué punto está el mercado?

Las expectativas son altas, pero el escalado avanza con 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; en ninguna función la proporción de casos de uso escalados supera el 10 %. Gartner (junio de 2025) prevé que más del 40 % de los proyectos de IA agéntica se cancelen antes de finales de 2027, a menudo por un caso de negocio poco claro y un esfuerzo subestimado. Para los directivos, esto significa priorizar con sobriedad en lugar de desplegar de forma generalizada.

¿Agente, chatbot, RPA, workflow o asistente?

La siguiente matriz sitúa los términos que en el mercado suelen mezclarse:

Regla práctica: la automatización de flujos de trabajo y la RPA siguen una ruta predefinida; un agente decide la ruta de forma dinámica en tiempo de ejecución. De ahí también el mayor esfuerzo de mantenimiento y de cumplimiento normativo del agente.

¿Qué grado de madurez tiene «mi» agente? Los niveles L1–L5

• L1 Reflejo: basado en reglas, sin LLM (bot de FAQ, termostato).
• L2 LLM aumentado: LLM más una llamada a una herramienta, reactivo (p. ej., ChatGPT con búsqueda web).
• L3 Agente de workflow: LLM en un pipeline determinista (prompt chaining, routing).
• L4 Agente autónomo: el LLM controla de forma dinámica el orden y la elección de herramientas, bucle completo (p. ej., Claude Code, Deep Research).
• L5 Sistema multiagente: varios agentes autónomos se coordinan mediante A2A (orquestador más especialistas).

Esta escala ayuda en las conversaciones con proveedores: quien dice «agente autónomo» pero solo entrega L2/L3 practica el «agent washing». Según Gartner, solo unos 130 de miles de proveedores disponen de capacidades reales de agente.

Estándares: MCP y A2A

Dos estándares abiertos estructuran el ecosistema. MCP (Model Context Protocol) estandariza la conexión agente↔herramienta; la especificación 2025-11-25 se transfirió a la Linux Foundation en diciembre de 2025 y existen más de 10.000 servidores MCP. A2A (Agent-to-Agent) estandariza la comunicación agente↔agente y está en la Linux Foundation desde junio de 2025, con más de 150 organizaciones participantes. Para los directivos, ambos son un argumento a favor de arquitecturas independientes del proveedor que reduzcan el lock-in.

Cumplimiento normativo: lo que los directivos deben aclarar pronto

Nota: con fines informativos, no constituye asesoramiento jurídico.

• Reglamento de IA de la UE: las obligaciones de transparencia del art. 50 se aplican desde el 02.08.2026, y la obligación de alfabetización en IA (art. 4), desde el 02.02.2025. El Reglamento Ómnibus Digital (UE) 2026/1744 entró en vigor el 27.07.2026. Ha aplazado las obligaciones para los sistemas de alto riesgo: las del anexo III se aplican a partir del 02.12.2027 y las del anexo I, a partir del 02.08.2028. Los proveedores de sistemas de IA generativa que ya estaban en el mercado antes del 02.08.2026 tienen de plazo hasta el 02.12.2026 para cumplir la obligación de marcado del art. 50, apartado 2 (art. 111, apartado 4). Además, el reglamento suaviza el art. 4: ya solo se exigen medidas para fomentar la alfabetización en IA, no un nivel determinado.
• RGPD: en los sistemas agénticos suele ser necesaria una evaluación de impacto relativa a la protección de datos (art. 35); también son relevantes el art. 22 (decisiones automatizadas) y el art. 28 (encargado del tratamiento).
• Cogestión: antes de la implantación hay que implicar al comité de empresa, en Alemania según el § 87 BetrVG y en Austria según el § 96 ArbVG (sistemas de control que afectan a la dignidad humana) y el § 96a ArbVG (sistemas que tratan datos de personal de forma automatizada). En Suiza no existe una cogestión según este modelo. Allí, los empleados tienen derecho a información y consulta en materia de protección de la salud (arts. 5 y 6 ArGV 3), y el art. 26 ArGV 3 prohíbe los sistemas de vigilancia y control destinados a vigilar el comportamiento en el puesto de trabajo.
• Suiza: en lugar del RGPD rige la Ley Federal de Protección de Datos (DSG) revisada, en vigor desde el 01.09.2023. El RGPD y el Reglamento de IA de la UE solo se aplican a las empresas suizas si hay un vínculo con la UE: el RGPD, por ejemplo, cuando ofrecen bienes o servicios a personas en la UE (art. 3, apartado 2, del RGPD), y el Reglamento de IA, cuando introducen sistemas de IA en el mercado de la UE o su output se utiliza en la UE (art. 2 del Reglamento de IA).

Errores frecuentes en la implantación

Los errores más caros rara vez son técnicos. A menudo se elige el framework antes que el caso de uso, se subestima la preparación de datos, se omite la EIPD o se prescinde del human-in-the-loop en acciones irreversibles. Igual de arriesgado: la explosión de costes de tokens sin routing ni caching, tratar a los agentes como si fueran deterministas y la falta de observabilidad. Un comienzo pragmático aborda justo estos puntos: de 1 a 3 casos de uso con ROI medible, un piloto de bajo riesgo con aprobación humana, KPI de resultados en lugar de métricas de actividad, y EIPD y comité de empresa desde el día 1.