Los 5 componentes de un agente de IA explicados

¿Cuáles son los componentes de un agente de IA?

Un agente de IA es un sistema de software basado en un modelo de lenguaje (grande) que persigue de forma autónoma un objetivo definido: percibe su entorno, planifica en varios pasos, elige y usa por su cuenta herramientas externas, observa los resultados y ajusta su plan de forma iterativa. Técnicamente, esta capacidad se basa en cinco componentes clave que interactúan en un ciclo fijo.

Los tres puntos más importantes, de entrada:

• Los cinco componentes son imprescindibles. Núcleo LLM, memoria, herramientas, planificador y ejecutor tienen que funcionar juntos. Si falta alguno, por lo general se trata de un chatbot, un workflow o un asistente/copiloto, no de un agente.
• Quien manda es el LLM, no el código. El orden de los pasos y la elección de herramientas surgen de forma dinámica en tiempo de ejecución. Eso es justo lo que distingue a un agente de un pipeline determinista.
• El bucle lo mantiene todo unido. Perceive → Reason → Act → Observe es el principio de funcionamiento que conecta los componentes y se recorre de forma iterativa hasta que se alcance el objetivo o se interrumpa el proceso.

Los 5 componentes clave en detalle

1. Núcleo LLM (motor de razonamiento). El modelo de lenguaje es el cerebro del agente. Interpreta el objetivo, planifica el siguiente paso y decide mediante function calling qué herramienta se invoca. Anthropic traza aquí una distinción clara: en los agentes, el LLM dirige de forma dinámica el camino y el uso de herramientas; en los workflows, se ejecutan rutas de código predefinidas.

2. Memoria. Los agentes necesitan memoria en dos niveles. La memoria a corto plazo es el contexto de la conversación en la ejecución actual (qué pasos se han dado ya, qué resultados hay disponibles). La memoria a largo plazo se implementa normalmente con bases de datos vectoriales, RAG o archivos y aporta conocimiento más allá de cada sesión.

3. Herramientas. Las herramientas son las manos del agente, su interfaz con el mundo exterior. Incluyen function calls, API REST, accesos a bases de datos, un navegador, un sandbox de código y, cada vez más, servidores MCP (Model Context Protocol). Solo gracias a las herramientas un agente puede actuar de verdad, más allá de generar texto.

4. Planificador. El planificador descompone el objetivo general en pasos parciales. Lo hace de forma implícita en el LLM (el propio modelo decide el orden) o de forma explícita como grafo o máquina de estados, tal como permiten frameworks como LangGraph.

5. Ejecutor. El ejecutor realiza las llamadas a herramientas que elige el LLM, gestiona cada turno y aplica límites de seguridad: límites del bucle para evitar bucles infinitos, guardrails y, en acciones irreversibles, human-in-the-loop. Es el componente que hace que la autonomía sea controlable.

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

Los cinco componentes solo despliegan su efecto en el ciclo:

1. Perceive: el agente recoge la entrada, el objetivo, el contexto y la memoria.
2. Reason: el núcleo LLM planifica: ¿qué paso y qué herramienta vienen a continuación?
3. Act: el ejecutor lleva a cabo la llamada a la herramienta, la llamada a la API o el código.
4. Observe: el resultado se lee y se guarda en la memoria.

Después, el agente comprueba: ¿se ha alcanzado el objetivo? Si no, vuelve a Perceive. La base conceptual de este bucle es el paradigma ReAct (Yao et al. 2022), que entrelaza razonamiento y acción.

Ejemplo concreto: agente de investigación

Un empleado le encarga a un agente: «Encuentra los tres mayores competidores en el mercado DACH (Alemania, Austria y Suiza) y resume sus modelos de precios». Perceive: el agente lee el encargo. Reason: el núcleo LLM decide empezar con una búsqueda web. Act: el ejecutor llama a la herramienta de búsqueda. Observe: los resultados van a la memoria. El LLM detecta que faltan páginas de detalle, en el siguiente turno llama a una herramienta de navegador, extrae los precios, los guarda en la memoria y al final redacta el resumen. Nadie programó de antemano el orden de los pasos; el LLM lo determinó en tiempo de ejecución. Esa es justo la diferencia con un workflow rígido.

Niveles de madurez L1–L5: del reflejo al sistema multiagente

No todos los sistemas «agénticos» son igual de autónomos. Una escala de madurez de cinco niveles ayuda a clasificarlos:

Lo decisivo: la autonomía real orientada a objetivos empieza en L4. En L1–L3, el camino está definido de antemano total o parcialmente. En esos casos, un workflow o un asistente suele ser la opción más honesta y más barata. En L5, varios agentes se coordinan mediante el protocolo A2A (en la Linux Foundation desde junio de 2025, más de 150 organizaciones), lo que conlleva riesgos adicionales como los errores en cascada.

Nivel de madurez y realidad del mercado

La arquitectura suena potente, pero escalarla sigue siendo exigente. Según McKinsey State of AI 2025, el 23 % de los encuestados afirma que su empresa escala al menos un sistema de IA agéntica. Otro 39 % habla de primeros experimentos con agentes. En ninguna función empresarial supera el 10 % la proporción de encuestados que afirman que su empresa escala agentes en ese ámbito. Esto deja claro que más componentes y niveles de madurez más altos también implican más mantenimiento (prompts, herramientas, evals, modelos). Por eso, un piloto debería empezar pequeño, en modo de solo lectura y con un ROI claro.

Conclusión

Los cinco componentes (núcleo LLM, memoria, herramientas, planificador, ejecutor) y el bucle Perceive→Reason→Act→Observe son la base común de cualquier agente de IA. Si los conoces, puedes desenmascarar el «agent washing» y elegir para cada caso de uso el nivel de madurez adecuado, en lugar de construir por principio la arquitectura más compleja.