--- title: "Qué es un agente de IA y qué no lo es" description: "La diferencia entre chatbot, workflow, copiloto y agente. Un agente no es solo un LLM con herramientas: es un sistema que decide acciones dentro de unos límites." date: 2026-07-14 date_modified: 2026-08-23 keywords: "qué es un agente de IA, agentic AI, chatbot vs agente, workflow, tool calling, ReAct" tags: - IA - Agentes - Tool Calling video: "01-que-es-un-agente.mp4" video_poster: "01-que-es-un-agente.jpg" video_title: "Qué es un agente de IA y qué no lo es" video_summary: "Diferencia entre respuesta, workflow y agente acotado, mostrando que la autonomía depende del sistema, los permisos, la evidencia y una condición de parada." video_duration: "PT60S" video_chapters: - name: "Responder no es actuar" start: 0 end: 20 - name: "Workflow frente a autonomía acotada" start: 20 end: 40 - name: "Sistema, evidencia y condición de parada" start: 40 end: 60 --- # Capítulo 1 — Qué es un agente de IA y qué no lo es La palabra *agente* se ha convertido en una etiqueta para casi cualquier aplicación que usa un modelo de lenguaje. Un asistente que redacta un correo, un workflow con tres APIs y un sistema que decide pasos dinámicamente pueden aparecer descritos con la misma palabra. Esa ambigüedad es el primer problema que hay que resolver. En esta serie usaremos una definición operativa: **un agente es un sistema que recibe un objetivo, decide qué acciones necesita para acercarse a él, ejecuta esas acciones en un entorno y usa los resultados para decidir el siguiente paso**. El modelo puede ser el componente que propone la acción, pero el agente incluye también el runtime, las herramientas, el estado y las políticas que limitan la ejecución. {{ include_html("snippets/agentes-ia/01-bucle-agente.html") }} ## Una escala de autonomía ### 1. Respuesta directa El usuario pregunta y el modelo genera una salida. Puede usar información recuperada por el sistema, pero la secuencia de trabajo está fijada fuera del modelo. Un clasificador de tickets o una función que resume un documento pertenecen normalmente a esta categoría. ### 2. Workflow determinista El sistema encadena pasos conocidos: recuperar documentos, llamar a un modelo, validar un JSON y guardar el resultado. Puede ser complejo y útil sin ser agente. La ventaja es que el recorrido es visible, testeable y relativamente fácil de limitar. ### 3. Copiloto con aprobación El modelo propone una acción y una persona decide si se ejecuta. El sistema puede preparar un SQL, una respuesta de soporte o un cambio de código, pero mantiene el último paso bajo control humano. ### 4. Agente acotado El sistema puede seleccionar entre varias herramientas, reintentar, descomponer una tarea y comprobar resultados. Su autonomía está delimitada por un objetivo, un conjunto de herramientas y una política de permisos. Este es el sentido productivo más útil de la palabra. ### 5. Autonomía abierta El sistema recibe una meta amplia y puede descubrir nuevos planes, herramientas y subobjetivos durante mucho tiempo. Es la versión más atractiva en una demo y la más difícil de evaluar, proteger y operar. No debe confundirse con el caso normal de producción. ## El modelo no es el agente completo Un LLM calcula la siguiente acción o respuesta a partir del contexto que recibe. No conserva por sí mismo una base de datos fiable de operaciones, no tiene una autoridad natural sobre una API y no sabe si una acción externa terminó correctamente a menos que el runtime se lo comunique. El agente aparece cuando alrededor del modelo se construye un contrato: - **Objetivo:** qué significa completar la tarea. - **Contexto:** qué información puede leer y durante cuánto tiempo. - **Herramientas:** qué acciones están disponibles y con qué argumentos. - **Estado:** qué operaciones están pendientes, terminadas o fallidas. - **Política:** qué requiere aprobación, qué está prohibido y cuándo hay que parar. - **Verificación:** cómo se comprueba que el resultado es correcto. Cuando ese contrato se lleva a producción, la verificación necesita separar éxito final, éxito al primer intento, recuperación tras reintentos, timeouts y decisiones de herramientas. El [entorno interactivo de fiabilidad y evaluación de agentes](/herramientas/fiabilidad-evaluacion-agentes/) permite inspeccionar esas dimensiones sobre una trayectoria visible en lugar de reducirlas a una única tasa de éxito. La investigación de ReAct popularizó el patrón de intercalar razonamiento y acción: el sistema piensa qué necesita, actúa y observa el resultado. Toolformer exploró cómo un modelo puede aprender a invocar herramientas cuando una llamada mejora la respuesta. Ninguno de los dos trabajos elimina el problema de ingeniería: decidir qué herramientas existen, qué permisos tienen y cómo se comprueba cada resultado. ## Agencia no significa libertad total La autonomía útil es local. Un agente puede ser autónomo para escoger entre `buscar_cliente`, `consultar_factura` y `redactar_respuesta`, pero no para concederse nuevos permisos, borrar datos o enviar una comunicación irreversible sin confirmación. La pregunta correcta no es “¿qué tareas puede hacer el agente?”, sino: > ¿Qué decisiones delegamos, sobre qué entorno, con qué evidencia y con qué forma de recuperación? Esta formulación evita dos errores opuestos. El primero es llamar agente a cualquier llamada a una API y perder precisión. El segundo es imaginar que un agente es una persona digital que puede resolver cualquier problema si se le da suficiente contexto. ## Qué deberías recordar - Un chatbot produce una respuesta; un agente decide y ejecuta una secuencia. - Un workflow puede ser complejo sin ser agente. - El LLM es una pieza de decisión, no la totalidad del sistema. - La autonomía debe expresarse como permisos y límites concretos. - Si no puedes describir el objetivo, el entorno, las herramientas y la parada, todavía no tienes un contrato de agente. ## Referencias - [Yao et al. (2022) — ReAct: Synergizing Reasoning and Acting in Language Models](https://arxiv.org/abs/2210.03629) - [Schick et al. (2023) — Toolformer](https://arxiv.org/abs/2302.04761) - [Anthropic (2026) — Trustworthy agents in practice](https://www.anthropic.com/research/trustworthy-agents) - [NIST (2026) — AI Agent Standards Initiative](https://www.nist.gov/artificial-intelligence/ai-agent-standards-initiative) ## Preguntas frecuentes **¿Un RAG es un agente?** No necesariamente. Recuperar documentos y pasarlos a un modelo es un workflow. Se convierte en parte de un agente cuando el sistema puede decidir cuándo buscar, qué fuente consultar y qué hacer con el resultado dentro de un objetivo más amplio. **¿Un agente necesita varios modelos?** No. Puede usar un único modelo con varias herramientas. Los sistemas multiagente son una arquitectura posible, no una condición de la agencia. **¿Un workflow determinista es peor?** No. Cuando los pasos son conocidos, suele ser preferible porque es más fácil de probar, limitar y explicar. Un agente aporta valor cuando la secuencia depende de la situación y no merece la pena codificar todas las ramas por adelantado.