Un agente de IA es un sistema que permite a un modelo de lenguaje elegir por sí mismo los pasos y las herramientas necesarias para alcanzar un objetivo, en bucle, hasta que la tarea se complete o un límite lo detenga. Se distingue de un flujo de trabajo automatizado, cuyo camino está escrito de antemano, y de un asistente que solo actúa a petición, turno a turno. Esta guía explica cómo funciona, qué tipo de agente elegir, cómo probarlo y cómo gestionar sus accesos y su coste.
La palabra «agente» se aplica hoy a productos muy diferentes, desde un simple chatbot con búsqueda web hasta sistemas capaces de encadenar docenas de acciones en un software empresarial. Para decidir si necesita uno, y cuál, hay que volver al mecanismo: quién decide la próxima acción, con qué permisos, y quién verifica el resultado. Este es el hilo conductor de esta página, que luego remite a guías más especializadas.
¿Qué es un agente de IA y qué puede hacer realmente?
La definición más utilizada en la industria proviene de la guía Building effective agents publicada por Anthropic en diciembre de 2024. El editor separa allí dos familias de «sistemas agentivos»: los workflows, donde modelos y herramientas son orquestados por un camino de código definido de antemano, y los agents, donde el modelo dirige por sí mismo su proceso y su uso de herramientas. En la práctica, resume este texto, un agente a menudo no es más que un modelo de lenguaje que utiliza herramientas en función de los retornos de su entorno, en un bucle. Para profundizar, lea nuestro artículo «¿Qué es un agente de IA? Definición, funcionamiento y ejemplos».
Concretamente, un agente puede hacer todo lo que sus herramientas le permitan: consultar una base de datos, buscar en la web, leer un documento, crear un ticket, redactar y enviar un correo electrónico, ejecutar código o rellenar un formulario. No puede hacer nada fuera de esas herramientas y de los permisos asociados. Tampoco garantiza la corrección de lo que produce: Anthropic subraya que la autonomía se paga con un coste más elevado y con un riesgo de errores que se acumulan de una etapa a otra.
Workflow, asistente con herramientas, agente autónomo: tres grados de autonomía
La distinción útil no es entre «IA» y «no IA», sino entre tres maneras de repartir la decisión. La tabla siguiente las compara en los puntos que importan a la hora de desplegar.
| Enfoque | Quién decide los pasos | Ejemplo | Supervisión típica | Riesgo principal |
|---|---|---|---|---|
| Workflow determinista | El diseñador, una vez por todas; el modelo solo interviene en una etapa concreta | Cada formulario recibido es resumido por un modelo y luego registrado en el CRM | Lectura de los registros de ejecución | Casos no previstos por el camino escrito |
| Asistente con herramientas | El modelo propone una acción, el usuario está presente en cada turno | Un asistente consulta su agenda para proponer una franja horaria | El usuario revisa cada respuesta | Acción mal entendida pero visible de inmediato |
| Agente autónomo | El modelo encadena varias acciones hasta el objetivo | Procesar una cola de solicitudes de clientes, desde la lectura hasta la clasificación | Límites, validación humana de acciones sensibles, registros | Errores en cascada, acciones no deseadas, desviación de costes |
Estas fronteras son porosas: un workflow puede contener una etapa agentiva, y un agente puede estar encerrado en un workflow muy controlado. La comparación detallada entre agente de IA y chatbot, la definición estricta de lo que es un agente de IA y el arbitraje entre automatización clásica y agente de IA son objeto cada uno de una guía dedicada en este dossier.
Cómo funciona un agente de IA: modelo, herramientas, memoria y bucle de acción
Todos los agentes se basan en la misma mecánica, independientemente de la herramienta que los aloje. Cuatro bloques bastan para describirla.
- El modelo: un gran modelo de lenguaje lee el objetivo, el historial y los resultados ya obtenidos, luego elige la siguiente acción. Su capacidad para seguir instrucciones y llamar a herramientas correctamente pesa más que su puntuación general; la herramienta qué modelo de IA elegir para su tarea ayuda a seleccionar los candidatos.
- Las herramientas: cada herramienta se describe al modelo con un nombre, una descripción y un esquema de parámetros. El modelo no la ejecuta por sí mismo: produce una solicitud de llamada estructurada, que la aplicación ejecuta antes de devolverle el resultado.
- La memoria: a corto plazo, es el historial conservado en la ventana de contexto; a largo plazo, son documentos o notas que el agente busca, a menudo mediante una búsqueda en una base documental tipo RAG, tema tratado en nuestra guía sobre IA local y RAG.
- El bucle y sus límites: el agente observa el resultado de su acción, decide la siguiente, y se detiene cuando el objetivo se alcanza o cuando se cumple una condición de parada (número máximo de iteraciones, duración, presupuesto).
Esta alternancia entre razonamiento y acción fue formalizada ya en 2022 por el artículo de investigación ReAct, de Shunyu Yao y sus coautores, que hacía intercalar al modelo etapas de reflexión y acciones sobre una fuente externa. Anthropic insiste por su parte en dos puntos prácticos: el agente debe obtener en cada etapa una «verdad del terreno» de su entorno (el resultado real de una herramienta o un código), y la descripción de las herramientas merece tanto cuidado como una interfaz destinada a humanos.
Queda por conectar estas herramientas. El Model Context Protocol (MCP), lanzado por Anthropic en noviembre de 2024 y luego confiado en diciembre de 2025 a la Agentic AI Foundation, una estructura de la Linux Foundation, estandariza la manera en que una aplicación de IA se conecta a servicios externos. Su especificación, en su versión del 28 de julio de 2026, describe servidores que exponen herramientas, recursos y modelos de mensajes; nuestra guía dedicada al MCP detalla su arquitectura. Para profundizar, consulte «MCP: entender el Model Context Protocol y sus usos».
Una solicitud de reembolso procesada de principio a fin
El siguiente escenario es ilustrativo: muestra el bucle en un caso habitual de soporte al cliente, uno de los dos usos que Anthropic considera más adecuados para los agentes junto con el desarrollo de software. Detallamos este punto en «Agentes de IA en la empresa: diez casos de uso realmente útiles».
- Llega un correo electrónico: un cliente informa de un paquete dañado y solicita un reembolso.
- El agente llama a la herramienta de búsqueda de clientes y recupera el pedido.
- Consulta la política de devoluciones en la base documental y comprueba que la solicitud está dentro del plazo.
- Prepara el reembolso, pero la herramienta de pago está configurada para exigir una validación humana: la solicitud se envía a un asesor con el importe y la justificación.
- Una vez recibida la validación, el agente ejecuta el reembolso, responde al cliente y registra cada etapa en el ticket.
El punto clave está en la etapa 4: el agente decide la secuencia, pero la acción irreversible queda sujeta a un humano. Es este ajuste, mucho más que la elección del modelo, lo que determina el nivel de riesgo.
¿Qué tipos de agentes de IA elegir según su necesidad?
Los agentes se distinguen menos por su tecnología que por el lugar donde se ejecutan y por lo que los desencadena. La tabla siguiente agrupa las grandes familias disponibles en noviembre de 2026.
| Familia | Desencadenamiento | Usos típicos | Punto de atención |
|---|---|---|---|
| Asistente conversacional conectado | Una solicitud del usuario | Búsqueda, síntesis, acciones puntuales en aplicaciones conectadas | Permisos heredados de la cuenta del usuario |
| Agente de workflow (n8n, Make, Zapier) | Un evento: correo electrónico, formulario, horario | Clasificación de solicitudes, enriquecimiento de fichas, respuestas preparadas | Ejecución sin testigo, de ahí la importancia de los registros |
| Agente de código | Una tarea de desarrollo | Corregir un bug, escribir pruebas, migrar código | Acceso al repositorio y a los secretos del proyecto |
| Agente de navegación o agente personal | Una misión confiada por el usuario | Comparar ofertas, rellenar formularios, reservar | Contenidos web maliciosos, pagos |
| Sistema multiagente | Un agente orquestador que delega | Tareas largas divididas en subtareas especializadas | Coste y trazabilidad que se multiplican |
Los agentes de navegación son los que más cambian la relación con los sitios y servicios en línea. Nuestro artículo sobre la web agentiva muestra cómo asistentes personales podrían comprar, consultar y pagar contenidos en nombre del usuario, y por qué las grandes plataformas podrían buscar bloquear su acceso. Los sistemas multiagente, por su parte, corresponden a un tema aparte, la orquestación multiagente, que será tratada por separado. Para profundizar, lea nuestro artículo «Orquestación multiagente: ¿cómo coordinar varios agentes de IA?».
Los criterios que marcan la diferencia
Antes de elegir un tipo de agente, plantee estas seis preguntas sobre la tarea objetivo. Cuanto más las respuestas se inclinen hacia la derecha de cada alternativa, más preferible será un workflow simple o un asistente supervisado frente a un agente autónomo.
- Variabilidad: ¿las solicitudes cambian mucho de una vez a otra, o siguen siempre el mismo camino?
- Número de pasos: ¿es impredecible, o puede escribirlo de antemano?
- Reversibilidad: ¿un error se corrige con un clic, o compromete dinero, un cliente, datos?
- Verificabilidad: ¿el resultado puede controlarse automáticamente (pruebas, reglas), o solo por un experto?
- Sensibilidad de los datos: ¿el agente manipula datos públicos, o personales y confidenciales?
- Volumen: ¿la tarea se repite cientos de veces al mes, o solo unas pocas veces?
Anthropic recomienda explícitamente empezar por la solución más simple y añadir autonomía solo cuando mejore el resultado de forma medible. Para los casos de uso de agentes de IA en la empresa y la elección de las mejores herramientas de agentes de IA, dos guías de este dossier detallan ejemplos y una comparativa por uso. Detallamos este punto en «Mejores herramientas para crear un agente de IA: comparativa por uso».
¿Cómo construir y probar un primer agente?
Existen dos caminos. Las plataformas de automatización visual (n8n, Make, Zapier Agents) permiten crear un agente de IA sin programar, ensamblando un desencadenador, un modelo y herramientas; un tutorial dedicado al agente de IA con n8n muestra este montaje paso a paso. Los kits de desarrollo de los editores de modelos ofrecen más control, a cambio de un trabajo de ingeniería. En ambos casos, el método sigue siendo el mismo. El tema es objeto de un artículo dedicado: «Crear un agente de IA con n8n: tutorial, costes y salvaguardias».
- Elija una tarea acotada, frecuente y de bajo riesgo: clasificar solicitudes entrantes en lugar de «gestionar el soporte».
- Escriba la definición del éxito: cómo es una tarea terminada, y lo que nunca debe ocurrir.
- Proporcione el mínimo de herramientas, en solo lectura al principio; añada los permisos de escritura uno a uno.
- Redacte las instrucciones: rol, objetivo, reglas, formato de salida, conducta a seguir en caso de duda.
- Fije los límites: número de iteraciones, duración máxima, presupuesto por ejecución. En n8n, por ejemplo, el nodo AI Agent limita por defecto el agente a 10 iteraciones.
- Constituya un juego de pruebas a partir de casos reales, añadiendo casos ambiguos, incompletos o trampa.
- Lance un piloto supervisado, con validación humana de acciones sensibles y registro de cada etapa.
La prueba es la etapa que más a menudo se descuida. Nuestra guía para evaluar agentes de IA en la empresa recuerda un cálculo simple: un agente que logra una tarea el 80 % de las veces tiene solo alrededor de un 33 % de probabilidades de lograrla cinco veces seguidas. La fiabilidad debe medirse, por tanto, en ejecuciones repetidas, no en una demostración exitosa; el método para evaluar un agente de IA será objeto de una guía específica en este dossier.
Lo que hace fracasar un primer agente
- Un objetivo difuso, que deja al modelo interpretar la misión.
- Demasiadas herramientas, o herramientas con descripciones vagas, que provocan malas elecciones de llamada.
- Ninguna condición de parada, y por tanto bucles que consumen llamadas sin llegar a término.
- Pruebas limitadas a los casos fáciles, que ocultan los fracasos en las solicitudes atípicas.
- Permisos de escritura concedidos desde el primer día, antes de observar el comportamiento real.
¿Cómo asegurar los accesos y dominar los costes?
La OWASP, la fundación de referencia en seguridad aplicativa, clasifica la «agentividad excesiva» entre los diez riesgos mayores de las aplicaciones basadas en modelos de lenguaje (ficha LLM06:2025). Identifica tres causas: funciones innecesarias (una herramienta que puede eliminar cuando basta con leer), permisos demasiado amplios (una cuenta de servicio todopoderosa en lugar de los permisos del usuario) y demasiada autonomía (acciones de alto impacto sin validación). Las contramedidas derivan directamente de este diagnóstico: herramientas especializadas en lugar de genéricas, mínimo privilegio, aprobación humana de acciones de alto impacto, y control de autorizaciones en los sistemas objetivo en lugar de en el juicio del modelo.
El segundo riesgo propio de los agentes es la inyección de prompt indirecta: un correo electrónico, una página web o un documento procesado por el agente contiene instrucciones que desvían su comportamiento. La OWASP, que lo considera el riesgo número uno (LLM01:2025), precisa que ni el RAG ni el ajuste del modelo bastan para evitarlo. La especificación MCP establece el mismo principio en el lado de los conectores: la aplicación anfitriona debe obtener el consentimiento explícito del usuario antes de invocar una herramienta, y las descripciones de herramientas deben considerarse no fiables mientras no provengan de un servidor de confianza. La seguridad de los agentes de IA, la gobernanza de los agentes y la prevención de la inyección de prompt se detallan en guías dedicadas.
En cuanto a los secretos, la regla es simple: una clave de API nunca debe figurar en las instrucciones del agente ni en un archivo compartido. Se guarda en la caja de credenciales de la plataforma, se limita a un uso, y se revoca si se filtra.
Estimar el coste antes de lanzar
Un agente consume tokens en cada vuelta del bucle, y la factura crece rápido porque el contexto se alarga a medida que los resultados de las herramientas se acumulan. La tarifa de Anthropic recuerda también que las definiciones de herramientas enviadas al modelo cuentan como tokens de entrada. Para fijar los órdenes de magnitud, tomemos un ejemplo teórico con Claude Sonnet 5.5, facturado a 2 dólares por millón de tokens en entrada y 10 dólares por millón en salida (tarifas verificadas en noviembre de 2026):
- 8 llamadas al modelo por tarea, con un promedio de 6 000 tokens en entrada y 400 en salida;
- es decir, 48 000 tokens en entrada (aproximadamente 0,096 dólares) y 3 200 en salida (aproximadamente 0,032 dólares);
- aproximadamente 0,13 dólares por tarea, por tanto unos 64 dólares por 500 tareas al mes, sin contar la suscripción a la plataforma ni el tiempo de supervisión.
Estas hipótesis varían enormemente de un agente a otro: un nuevo intento, un documento voluminoso o un subagente pueden multiplicar el total. El calculador de coste de un agente de IA permite rehacer este cálculo con su escenario, sus volúmenes y su modelo, y la guía sobre el coste de un agente de IA detallará las partidas ocultas: supervisión, mantenimiento, evaluación.
Qué dice la AI Act
El reglamento europeo sobre IA (AI Act) no razona por tecnología sino por uso y nivel de riesgo: un agente que clasifica candidaturas no tiene las mismas obligaciones que un agente que resume una vigilancia. Según la página de la Comisión Europea dedicada al texto, consultada en noviembre de 2026, el reglamento modificativo llamado «omnibus digital» (reglamento (UE) 2026/1744), que entró en vigor el 27 de julio de 2026, ha desplazado las reglas aplicables a los sistemas de alto riesgo: se aplicarán a partir del 2 de diciembre de 2027 para los ámbitos sensibles listados en el anexo III (empleo, educación, biométrica, entre otros) y del 2 de agosto de 2028 para los sistemas integrados en productos. El test para saber si le afecta la AI Act da una primera orientación, y nuestra guía de la AI Act en la empresa detallará las obligaciones; ninguno de estos contenidos sustituye el consejo de un jurista. El tema es objeto de un artículo dedicado: «AI Act: guía de las obligaciones y de la gobernanza de la IA en la empresa».
Lista de comprobación antes de la puesta en producción
- Cada herramienta tiene un rol único y permisos mínimos, documentados.
- Las acciones irreversibles (pago, envío, eliminación) exigen una validación humana.
- Los contenidos externos procesados por el agente se consideran no fiables.
- Las claves de API se almacenan en una caja fuerte, nunca en las instrucciones.
- Hay límites activos de iteraciones, duración y presupuesto.
- Cada ejecución se registra: entradas, llamadas a herramientas, decisiones, coste.
- Un juego de pruebas se vuelve a ejecutar con cada modificación de las instrucciones, del modelo o de las herramientas.
- Una persona está designada para revisar los registros y detener el agente si es necesario.
Preguntas frecuentes sobre los agentes autónomos
¿Puede un agente de IA trabajar sin ninguna supervisión?
Técnicamente sí, siempre que disponga de un desencadenador y herramientas. En la práctica, ninguna fuente seria lo recomienda para acciones de alto impacto: tanto Anthropic como la OWASP preconizan puntos de control humanos y condiciones de parada. La supervisión puede, sin embargo, hacerse más ligera con el tiempo, pasando de una validación sistemática a un control por muestreo, una vez medida la fiabilidad.
¿Hay que saber programar para crear un agente?
No para un primer agente: n8n, Make o Zapier Agents proponen editores visuales donde se ensamblan modelo, herramientas e instrucciones. El código resulta útil cuando se necesitan herramientas a medida, una integración fina en el sistema de información o un control preciso de los costes. En cualquier caso, la calidad del agente depende más de la definición de la tarea y de las pruebas que de la herramienta elegida.
¿Qué diferencia hay entre un agente de IA y un autómata clásico?
Un autómata sigue reglas escritas: es predecible, poco costoso, pero no sabe tratar un caso que no se ha anticipado. Un agente interpreta la situación y elige sus acciones: gestiona mejor la variedad, a cambio de un coste por ejecución más elevado y un comportamiento menos predecible. Muchos despliegues exitosos combinan ambos, con un agente limitado a los pasos que requieren juicio.
¿Qué modelo usar para un agente?
No existe un mejor modelo universal. Un agente exige sobre todo una buena fiabilidad en la llamada a herramientas y el seguimiento de instrucciones; un modelo más pequeño y barato puede bastar para tareas de clasificación, un modelo más potente se impone para razonamientos largos. El comparador interactivo de modelos permite cruzar precio, contexto y capacidades, y la comparativa de los modelos de IA de este sitio detallará el método de elección.
¿Cómo saber si un agente funciona realmente?
Midámoslo en un juego de casos representativo, ejecutado varias veces: tasa de éxito, tasa de acciones erróneas, número de escaladas a un humano, coste y duración por tarea. Compare estas cifras con la situación sin agente, en el mismo periodo y volumen. El límite del ejercicio es conocido: un juego de pruebas nunca cubre todos los casos reales, de ahí la utilidad de revisar regularmente una muestra de ejecuciones en producción y añadir cada nuevo fracaso al juego de pruebas.
