Qué es un agente de IA: una definición sin exageraciones, dónde falla y cómo empezar

Un agente de IA es un modelo de lenguaje que elige su siguiente paso

Pregunta a cinco proveedores qué es un agente de IA y oirás cinco respuestas, cada una con la forma de lo que venden. Anthropic, en su artículo Building effective agents, describe los agentes como sistemas en los que el modelo de lenguaje dirige de forma dinámica su propio proceso y el uso de herramientas. La guía práctica de OpenAI para construir agentes lo resume en una línea: son sistemas que realizan tareas por ti de manera independiente. IBM habla de un sistema que ejecuta tareas de forma autónoma diseñando flujos de trabajo con las herramientas disponibles.

La fórmula corta de Anthropic es directa: suelen ser simplemente modelos de lenguaje que usan herramientas en un ciclo, guiados por lo que les devuelve el entorno. Piensa en un cliente que escribe que su paquete no ha llegado. Un agente busca el pedido, abre la página de seguimiento del transportista y prepara una respuesta con el estado real para que la apruebe un responsable. Nadie escribió esos pasos de antemano, y esa libertad es a la vez el sentido del agente y el origen de sus riesgos.

Agente, chatbot y automatización: tres máquinas distintas

La automatización sigue una ruta que una persona trazó antes: llega un formulario, se crea una oportunidad, sale un correo. Anthropic llama a estos sistemas flujos de trabajo, en los que modelos y herramientas se coordinan mediante rutas de código predefinidas. La misma entrada da siempre el mismo resultado. La debilidad solo aparece cuando un caso queda fuera de las reglas escritas.

Un chatbot conversa: responde a una pregunta y espera el siguiente mensaje. OpenAI afirma que las aplicaciones que incluyen un modelo de lenguaje pero no le dejan controlar cómo se ejecuta el trabajo, entre ellas los chatbots sencillos, no son agentes. IBM describe los chatbots no agénticos como aquellos sin herramientas, memoria ni razonamiento. No es un defecto, porque donde el trabajo consiste en responder, un chatbot es la herramienta adecuada.

El agente toma algo de ambos: conversa como un chatbot y actúa como una automatización, pero elige la ruta él mismo. Anthropic cuenta que sus propios clientes usan la palabra tanto para sistemas totalmente autónomos como para otros muy pautados. A quien dirige un negocio le importa menos la etiqueta que saber quién decide el siguiente paso: el guion, la persona o el modelo. Una guía aparte, enlazada al final de este artículo, compara las tres opciones tarea por tarea.

Las piezas de un agente: modelo, instrucciones, herramientas, memoria y regla de parada

La guía de OpenAI reduce un agente a tres componentes básicos: el modelo que razona y decide, las herramientas que puede usar y las instrucciones que definen cómo se comporta. Las instrucciones son tuyas y se parecen a la descripción de un puesto. OpenAI aconseja construirlas a partir de documentos que la empresa ya tiene, como procedimientos, guiones de atención y políticas. Donde una instrucción es vaga, el agente rellena el hueco con una suposición.

Las herramientas equivalen a permisos de acceso. La guía separa las herramientas de datos, que traen contexto, como una consulta al CRM, de las de acción, que cambian algo, como enviar un correo o actualizar un registro. La memoria es otra pieza: IBM habla de la capacidad del agente de guardar interacciones pasadas. La última pieza es la regla que termina el trabajo, y OpenAI cita un error o un número máximo de turnos entre las condiciones de salida habituales.

Tareas que una empresa pequeña puede confiar hoy a un agente

OpenAI propone mirar primero el trabajo que se ha resistido a la automatización corriente y señala tres indicios: decisiones que exigen criterio, reglas difíciles de mantener y una fuerte dependencia de datos no estructurados, como correos y documentos. Si una tarea no muestra ninguno, dice la guía, puede bastar una solución determinista. Una empresa pequeña se encuentra con esos indicios cada mañana en la bandeja de entrada. Las solicitudes llegan en formato libre, y alguien tiene que leerlas y decidir adónde van.

De ahí sale una primera lista realista. Un agente puede ordenar los correos y mensajes entrantes por tema y urgencia. Puede preparar una respuesta para que la apruebe un responsable, reunir lo que se sabe públicamente de un nuevo contacto o montar el borrador del informe semanal. Anthropic destaca la atención al cliente como un terreno natural, con el historial de pedidos y la base de conocimiento como herramientas y una medida clara del éxito. En todos los ejemplos el agente reúne y redacta, y una persona firma.

Dónde fallan los agentes: errores acumulados, coste e instrucciones ocultas

La primera debilidad nace del propio ciclo. Cada paso se apoya en el anterior, así que un pequeño error del principio se arrastra y crece. Anthropic lo dice sin rodeos: la autonomía de los agentes implica costes más altos y la posibilidad de errores acumulados. IBM añade el caso del agente que no logra trazar un plan completo y llama una y otra vez a las mismas herramientas.

La segunda es el coste y la velocidad. Un agente no responde de una pasada: lee, llama a una herramienta, lee el resultado y vuelve a razonar, y cada vuelta lleva tiempo y se paga. Anthropic señala que los sistemas agénticos suelen cambiar latencia y coste por un mejor resultado, y aconseja la solución más simple posible, que puede ser no usar ningún agente. IBM advierte de que, según la complejidad de la tarea, un agente puede tardar varios días en terminarla.

La tercera es propia de los sistemas que leen. Un agente no siempre distingue tu instrucción de otra que alguien dejó en una página web, un archivo o un correo entrante. OWASP coloca la inyección de instrucciones (prompt injection) en el primer puesto de su lista de riesgos de 2025 para aplicaciones con modelos de lenguaje, y señala que el texto plantado ni siquiera tiene que ser visible para una persona. También es franca sobre la defensa: no está claro que existan métodos de prevención infalibles.

Barreras de seguridad: solo lectura, aprobación humana y registro de cada paso

Nada de esto es motivo para rechazar los agentes; es motivo para darles menos de lo que podrían usar. OWASP aconseja restringir los privilegios de acceso del modelo al mínimo necesario. Su página sobre el exceso de autonomía describe un asistente de correo que solo debe resumir mensajes pero también puede enviarlos, de modo que un único correo manipulado le hace reenviar correspondencia privada a un desconocido. El remedio que propone es modesto: una herramienta que solo lea el correo, un permiso de solo lectura y un usuario que envíe a mano cada borrador.

La segunda barrera es una persona en los puntos donde un error no tiene vuelta atrás. La guía de OpenAI recomienda clasificar cada herramienta como de riesgo bajo, medio o alto según si solo lee o también escribe, si su efecto es reversible y qué dinero está en juego. Las acciones delicadas, irreversibles o de mucho impacto, como cancelar un pedido, autorizar un reembolso grande o hacer un pago, pasan a una persona. IBM da el mismo consejo con sus propios ejemplos, desde los envíos masivos de correo hasta las operaciones financieras.

La tercera barrera es un registro. IBM recomienda dar a los usuarios acceso a un registro de las acciones del agente, porque muestra cómo se llegó a una decisión y permite descubrir errores. OWASP aconseja también registrar y vigilar la actividad de las herramientas, y Anthropic añade pruebas exhaustivas en un entorno aislado. Juntas, las fuentes describen una misma disciplina: permisos estrechos, una mano humana en los pasos irreversibles y un rastro de cada acción.

Cómo saber si un agente compensa lo que cuesta

Un agente se paga con atención además de dinero, porque alguien tiene que revisar su trabajo. Por eso la medida se fija antes del lanzamiento, no después. OpenAI aconseja empezar con evaluaciones que establezcan una línea base de rendimiento, y Anthropic resume su propio enfoque en medir el rendimiento e iterar. Para una empresa pequeña es un ejercicio de libreta: apunta cuánto tarda hoy una persona en la tarea elegida, cuántas veces hay que rehacer el resultado y qué cuesta un error.

Después cuenta lo mismo con el agente en marcha. Hacen falta pocas cifras. Son la parte de borradores que el responsable acepta sin cambios, la parte de casos que el agente devuelve, el tiempo entre la solicitud y la respuesta y la factura del modelo por tarea terminada. Si tras varias semanas los borradores siguen necesitando reescritura, acota la tarea o vuelve a la automatización sencilla en lugar de añadir un segundo agente.

Empezar por una sola tarea y qué preparar antes de encargar un agente

Sobre la escala, Anthropic y OpenAI coinciden: empieza por algo pequeño. OpenAI observa que a sus clientes les va mejor con un enfoque gradual que con un sistema totalmente autónomo construido de una vez. Elige una tarea con principio y final claros, un coste de error tolerable y una persona que la conozca bien. Luego pon cuatro cosas por escrito: los pasos tal como los hace esa persona, los documentos en los que se apoya, los sistemas que el agente tendría que abrir y un conjunto de casos pasados con el resultado que consideras correcto.

Hacerlo tú o encargarlo depende de dónde vive la tarea. Si se queda dentro de un servicio que ya incluye un asistente y no toca datos de clientes, probar por tu cuenta enseña mucho con poco riesgo. Si el agente debe conectarse a un CRM, a un buzón o a un sistema de pagos, eso ya es desarrollo, y es razonable encargarlo a un equipo que se dedique a ello, como VITON13 Studio. Con ese documento en la mano, preguntarse qué es un agente de IA importa menos que una cuestión más concreta: cuál es la única tarea que merece delegarse primero.