Qué es un agente de IA

Anthropic distingue explícitamente dos cosas en su propia guía de ingeniería: los "workflows" ("sistemas donde los LLM y las herramientas se orquestan mediante caminos de código predefinidos") y los "agentes" ("sistemas donde los LLM dirigen dinámicamente su propio proceso y el uso de herramientas, manteniendo el control sobre cómo completan las tareas"). El bloque base es lo que llaman un "LLM aumentado": un modelo potenciado con recuperación de información, herramientas y memoria, que genera sus propias consultas de búsqueda, elige qué herramienta usar y decide qué información conservar.

OpenAI lo formula de forma parecida: "los agentes son sistemas que completan tareas de forma independiente en nombre del usuario", y traza una línea explícita frente a lo que NO es un agente: "las aplicaciones que integran LLM pero no los usan para controlar la ejecución del flujo de trabajo —piensa en chatbots simples, LLM de un solo turno, o clasificadores de sentimiento— no son agentes".

Un whitepaper de Google (confianza media, sin URL oficial confirmada en esta investigación) describe una arquitectura de tres capas —modelo, orquestación y herramientas— donde la capa de orquestación sigue un bucle de razonamiento: definir qué puede hacer una herramienta, invocarla, y observar el resultado, con patrones como ReAct o Chain-of-Thought.

La propia guía de Anthropic es explícita sobre esto: "para muchas aplicaciones, optimizar llamadas individuales al LLM con recuperación de información y ejemplos en el propio prompt suele ser suficiente" — no hace falta un agente para todo. Recomienda reservar los agentes para "problemas abiertos donde es difícil o imposible predecir el número de pasos necesario, y donde no se puede fijar de antemano un camino cerrado". El propio trade-off se declara sin rodeos: "los sistemas agénticos suelen cambiar latencia y coste por mejor rendimiento en la tarea" — no es gratis adoptar un agente "porque sí".

• Planificación: descompone el objetivo en pasos concretos antes de actuar, con capacidad de replantear el plan si un paso falla.
• Uso de herramientas (tool calling / function calling): puede llamar a una API, ejecutar código, o consultar una base de datos, no solo generar texto — OpenAI documenta esto como "una forma potente y flexible de que los modelos se conecten con sistemas externos y accedan a datos fuera de su entrenamiento".
• El patrón ReAct: el modelo intercala trazas de razonamiento y acciones (pensar → actuar → observar), permitiendo seguir un plan, actualizarlo y manejar excepciones sobre la marcha — es el origen reconocido del bucle que copian frameworks como LangChain.
• MCP (Model Context Protocol): un estándar abierto creado por Anthropic en noviembre de 2024 para conectar aplicaciones de IA con sistemas externos (archivos, bases de datos, herramientas), descrito oficialmente como "un puerto USB-C para aplicaciones de IA" — ya adoptado como estándar de facto por buena parte del sector.
• Memoria: mantiene el contexto de lo que ya ha hecho a lo largo de una tarea larga, no solo dentro de un único mensaje.
• Supervisión humana (human-in-the-loop): los agentes bien diseñados incluyen puntos donde una persona revisa o aprueba antes de una acción crítica — las lecturas no críticas pueden ejecutarse automáticamente, mientras que las acciones de escritura suelen quedar sujetas a confirmación.

• Agentes de automatización de flujos de trabajo: encadenan pasos entre aplicaciones distintas y deciden qué herramienta usar según el caso — por ejemplo, el nodo AI Agent de n8n, que requiere un modelo de chat y al menos una herramienta conectada, y puede combinarse con RAG para responder desde datos propios.
• Agentes de programación autónomos: reciben una tarea de desarrollo y trabajan varios pasos por su cuenta (leer código, escribir, ejecutar pruebas, corregir errores) en su propio entorno aislado — por ejemplo, Devin, que trabaja de forma asíncrona con su propio terminal, editor y navegador, y devuelve un pull request al terminar.
• Agentes integrados en un editor: como el modo Agent de Cursor, que explora el código, propone un plan, edita varios archivos y ejecuta comandos, con puntos de control para revertir cambios y la posibilidad de lanzar subagentes especializados.
• Agentes personales/asistentes proactivos: gestionan tareas recurrentes (bandeja de entrada, agenda) combinando disparadores, acciones y "pasos de agente" para las decisiones genuinamente inciertas — por ejemplo, Lindy, cuya propia documentación advierte de usar esos pasos de agente solo cuando el siguiente paso no se puede predecir de antemano, porque son más caros que una acción estándar.
• Agentes de navegador: conectan un modelo a un navegador real para navegar, rellenar formularios y extraer datos con instrucciones en lenguaje natural — el proyecto de código abierto browser-use es un ejemplo ilustrativo de esta categoría (no está en el catálogo de HubdAI, se menciona solo como referencia conceptual).
• Sistemas multiagente: un agente líder descompone la tarea y coordina varios subagentes especializados en paralelo — el propio sistema de investigación de Anthropic (Claude Research) usa este patrón y documenta un dato de coste muy citable: superó a un único agente en un 90,2% en su evaluación interna, pero a un coste de tokens 15 veces mayor que un chat normal.

• "Autonomía total" es en la práctica automatización condicional dentro de límites que alguien definió — lo que parece autonomía suele ser un bucle con comprobaciones de permisos en cada paso, no una IA decidiendo sus propios objetivos.
• Confundir tener un revisor humano nombrado con supervisión real: requiere protocolos claros de escalado y autoridad de decisión, no solo una aprobación ciega de cada acción sin contexto.
• Asumir que el agente "sabe" no hacer algo peligroso por sentido común: los despliegues inseguros suelen venir de saltarse guardrails explícitos asumiendo que el modelo entiende límites implícitos que nunca se le dieron.
• Sorpresas de coste por bucles agénticos: cada llamada dentro de un flujo agéntico suele reenviar todo el historial de la conversación, así que el coste escala de forma no lineal — el propio ejemplo de Anthropic (15 veces más tokens que un chat normal en su sistema multiagente) es el dato más sólido y citable sobre esto, mejor que cifras genéricas de blogs de terceros.
• Un agente no "entiende" el objetivo como lo haría una persona: genera el siguiente paso más probable dado el contexto, las herramientas disponibles y el historial — esta formulación es una interpretación editorial razonable, no una cita textual de un laboratorio concreto.

• Un agente puede tomar un camino equivocado para llegar al objetivo si el objetivo está mal definido — cuanto más concreta la instrucción, menos margen de error.
• Dar a un agente acceso a acciones reales (gastar dinero, enviar un mensaje, publicar algo) sin ningún punto de aprobación humana es un riesgo real, no solo teórico.
• Anthropic advierte explícitamente que el patrón multiagente no es buena idea para tareas con dependencias fuertes entre pasos: "dominios que requieren que todos los agentes compartan el mismo contexto o que implican muchas dependencias entre agentes no encajan bien... programación, depuración y la mayoría de flujos agénticos fallan esta prueba".
• No todos los productos que se anuncian como 'agente' tienen el mismo nivel real de autonomía — conviene comprobar en la documentación de cada herramienta qué decide por sí sola y qué no.