Historia de los agentes de IA

La historia de los agentes de IA va desde el concepto clásico de agente de la investigación en IA (un sistema que percibe su entorno y reacciona a él con acciones), pasando por el patrón ReAct (2022), que une razonamiento y acción en el mismo bucle de LLM, hasta los actuales agentes basados en LLM de frontera. Estándares abiertos como MCP (2024) y A2A (2025) conectan los agentes con herramientas y entre sí.

Cronología de los agentes de IA de 1966 a 2025

• De 1966 a 1972, Shakey: En el SRI nace Shakey, el primer robot móvil que percibe su entorno y razona sobre él. Planifica rutas y desplaza objetos sencillos.
• 1995, la definición de manual: Stuart Russell y Peter Norvig publican «Artificial Intelligence: A Modern Approach». El prefacio de la primera edición convierte al agente inteligente en el hilo conductor del libro: un sistema que recibe percepciones de su entorno y ejecuta acciones.
• Octubre de 2022, ReAct: Shunyu Yao y sus colegas publican ReAct. Razonamiento y acción se fusionan en el mismo bucle de LLM, y el patrón Perceive-Reason-Act-Observe se convierte en el esquema base de los agentes modernos.
• Marzo de 2023, AutoGPT: El proyecto de código abierto AutoGPT descompone por sí solo un objetivo dado en subtareas y las resuelve con herramientas como la navegación web y el acceso a archivos.
• Junio de 2023, Function Calling: OpenAI introduce Function Calling en su API. Con ello, los modelos generan llamadas estructuradas a funciones externas.
• Octubre de 2024, Computer Use: Anthropic presenta Computer Use: en una beta pública, el Claude 3.5 Sonnet actualizado maneja un ordenador, lee la pantalla, mueve el cursor, hace clic y escribe.
• Noviembre de 2024, MCP: Anthropic publica el Model Context Protocol como estándar abierto para la conexión entre agente y herramienta.
• Abril y junio de 2025, A2A: Google presenta el protocolo Agent2Agent, que en junio pasa a manos de la Linux Foundation.
• Diciembre de 2025, Agentic AI Foundation: Anthropic cede MCP a la recién creada Agentic AI Foundation, bajo el paraguas de la Linux Foundation. Sus cofundadores son Anthropic, Block y OpenAI.

El concepto clásico de agente: percepción y acción

El concepto de agente es bastante más antiguo que la actual ola de los LLM. En la IA clásica, un agente es un sistema que percibe su entorno y reacciona a él con acciones para perseguir un objetivo. La forma más sencilla es el agente reflejo: basado en reglas, reactivo, sin un modelo real del mundo. En la clasificación de madurez actual corresponde al nivel L1 (reflejo), por ejemplo un bot de preguntas frecuentes o un termostato.

Estos primeros agentes ya tenían en germen dos de las cuatro propiedades de los agentes de IA modernos: la percepción del entorno y la acción orientada a objetivos. Lo que faltaba era un núcleo de razonamiento potente, capaz de planificar en varios pasos y de elegir herramientas de forma dinámica. Esa es justo la laguna que cubren los grandes modelos de lenguaje.

El punto de inflexión: ReAct (2022)

La ruptura conceptual llegó con el patrón ReAct (Yao et al. 2022, arXiv:2210.03629). ReAct significa Reasoning y Acting (razonar y actuar) en el mismo bucle de LLM: el modelo entrelaza sus reflexiones sobre una tarea directamente con acciones, como llamadas a herramientas, y observa los resultados antes de seguir planificando.

Así nace el bucle de razonamiento que sigue siendo hoy el núcleo de un agente: Perceive → Reason → Act → Observe, repetido de forma iterativa hasta alcanzar el objetivo o interrumpir la ejecución. ReAct aportó el eslabón entre el antiguo concepto de agente (percepción-acción) y el nuevo mundo de los modelos de lenguaje. Solo entonces se reunieron las cuatro propiedades imprescindibles de un agente de IA: control basado en LLM, planificación en varios pasos, uso de herramientas y autonomía orientada a objetivos dentro de unos guardrails.

La clasificación actual: cinco niveles de madurez de los agentes

El siguiente modelo de madurez clasifica los sistemas actuales según su grado de autonomía. Es una clasificación, no una cronología: los agentes reflejo de nivel L1 existían mucho antes de ReAct.

El salto decisivo está entre L3 y L4. En un agente de workflow, el camino está definido de antemano; el LLM solo rellena huecos en un pipeline determinista. Un agente autónomo (L4), en cambio, decide por sí mismo qué herramientas usa y en qué orden, y ajusta su plan de forma iterativa. Justo ahí es donde un agente compensa: cuando el camino hacia la solución no se puede planificar de antemano.

Un ejemplo concreto de L4 es un agente de programación como Claude Code. Recibe un objetivo (por ejemplo, corregir un bug), lee por su cuenta los archivos necesarios, ejecuta tests, observa los resultados y, a partir de ahí, decide qué archivo modifica a continuación. El orden de los pasos no figura en ningún script: surge en el bucle. Esa es la diferencia práctica entre un flujo de trabajo clásico y un agente de verdad.

Los LLM de frontera como nuevo núcleo de los agentes

Con la generación más reciente de LLM de frontera, el bucle de razonamiento se volvió lo bastante fiable para tareas en producción. Function Calling y Computer Use llevaron el uso de herramientas directamente a las API de los proveedores de modelos. El artículo sobre los componentes de un agente de IA explica de qué cinco componentes consta hoy un agente.

Un agente no necesita un modelo propio entrenado internamente: los LLM vía API aportan el núcleo de razonamiento y la lógica del agente se construye en la capa superior.

2024 y 2025: estandarización con MCP y A2A

Hasta la publicación de MCP en noviembre de 2024, cada conexión con herramientas era en gran medida propietaria: cada nueva fuente de datos necesitaba su propia integración. En 2025 llegaron la adopción generalizada, A2A y el traspaso de ambos protocolos a la Linux Foundation. La estandarización afecta a dos conexiones: de agente a herramienta y de agente a agente.

MCP (Model Context Protocol) estandariza la conexión entre agente y herramienta. La especificación lleva la versión 2025-11-25; en diciembre de 2025, MCP pasó a la Agentic AI Foundation, bajo el paraguas de la Linux Foundation. Hoy existen más de 10.000 servidores MCP. Así, MCP responde a la pregunta de cómo accede un agente a herramientas externas sin depender de ningún fabricante.

A2A (Agent-to-Agent) estandariza la conexión de los agentes entre sí y constituye así la base técnica de los sistemas multiagente (L5). A2A está en la Linux Foundation desde junio de 2025 y cuenta con el respaldo de más de 150 organizaciones. Gracias a ello, la coordinación de varios agentes especializados, por ejemplo un orquestador más agentes especialistas, funciona entre distintos fabricantes.

Estos dos protocolos marcan la transición de agentes individuales aislados a un ecosistema abierto.

Dónde estamos hoy: el hype frente a la realidad

El recorrido histórico desemboca, por ahora, en una fase de desencanto y consolidación. La adopción crece con claridad, pero la madurez en producción sigue siendo baja.

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 empresarial la proporción de casos de uso escalados supera el 10 %. Gartner prevé (datos de junio de 2025) que más del 40 % de los proyectos de IA agéntica se cancelen antes de finales de 2027. A esto se suma el «agent washing»: según Gartner, solo unos 130 proveedores cuentan con capacidades reales de agente.

La lección de esta historia reciente es pragmática: decide el caso de uso, el framework es secundario. Un agente compensa allí donde el camino hacia la solución no se puede planificar de antemano; en todos los demás casos, un flujo de trabajo o la RPA clásica son más baratos y fiables. Además, los estándares abiertos como MCP y A2A reducen la dependencia de un único fabricante y hacen que las arquitecturas estén mejor preparadas para el futuro.