IA 4 de noviembre de 2026 7 MIN DE LECTURA
¿Qué es realmente un agente de IA?
Un agente es un modelo que elige sus propios pasos y usa herramientas en bucle. En qué se distingue de un flujo de trabajo, cómo se evalúa y cómo falla.
LA RESPUESTA CORTA
Un agente de IA es un modelo de lenguaje que elige sus propios pasos, llama a herramientas y comprueba los resultados en bucle hasta terminar una tarea. Un flujo de trabajo sigue pasos fijados de antemano. Los agentes son más flexibles, pero cuestan más y acumulan errores, así que la fiabilidad es la vara de medir.
En esta página
Dos definiciones, una idea
No existe una definición única y los principales proveedores la formulan de forma distinta. Anthropic distingue dos tipos de sistema. En un flujo de trabajo, los modelos de lenguaje y las herramientas se orquestan mediante rutas de código predefinidas: es el desarrollador quien fija el flujo de control. En un agente, es el propio modelo quien dirige de forma dinámica su proceso y su uso de herramientas. Anthropic agrupa ambos bajo el nombre de sistemas agénticos.
La guía práctica de OpenAI traza la línea en un punto parecido. Un agente es un sistema que lleva a cabo tareas de forma independiente en nombre del usuario, y una aplicación que no deja que el modelo controle el flujo de ejecución, como un chatbot sencillo, un modelo de un solo turno o un clasificador de sentimientos, no lo es.
En la práctica, un agente es un modelo que llama a herramientas en bucle. En cada vuelta elige una acción, ejecuta una herramienta, lee el resultado del entorno real y decide qué hacer a continuación. El bucle termina cuando la tarea está hecha o cuando se alcanza una condición de parada, como un número máximo de pasos. La expresión de manual «percibir, planificar, actuar» describe el mismo bucle. Ninguna de las guías de los proveedores que hemos leído usa esas palabras exactas.
Qué significa «herramientas»
OpenAI agrupa las herramientas de un agente en tres tipos.
- Las herramientas de datos recuperan contexto: una consulta a una base de datos, un PDF, una búsqueda en la web.
- Las herramientas de acción cambian algo: enviar un correo electrónico, actualizar la ficha de un cliente.
- Las herramientas de orquestación son otros agentes usados como herramientas.
Sus raíces en la investigación son anteriores a los productos. El artículo de ReAct, de 2022, mostró cómo intercalar el razonamiento con las acciones: el razonamiento ayuda al modelo a planificar y actualizar su plan, y las acciones obtienen información de fuentes externas. Toolformer, de Meta AI en 2023, mostró a un modelo que aprendía por sí solo qué interfaces de programación llamar, cuándo y con qué argumentos, usando herramientas como una calculadora, un buscador y un calendario.
Cuándo no deberías usar uno
El consejo de Anthropic es usar la solución más sencilla que funcione. Los flujos de trabajo encajan en tareas bien definidas en las que se quieren resultados predecibles y coherentes. Los agentes encajan en los casos que exigen flexibilidad y decisiones tomadas por el modelo a gran escala, y suelen sacrificar velocidad y coste a cambio de mejores resultados. La empresa advierte además de que la autonomía conlleva costes más altos y el riesgo de que los errores se acumulen, y recomienda hacer pruebas exhaustivas en entornos aislados (sandboxes) con barreras de protección.
Los costes son reales. Anthropic indica que los agentes usan unas cuatro veces más tokens que un chat, y los sistemas multiagente, unas quince veces más.
Cómo se mide a los agentes
Como un agente actúa, se evalúa por sus resultados y no por la calidad de una única respuesta. Las principales pruebas de referencia públicas miden, cada una, una parte distinta del problema.
- SWE-bench entrega a un modelo el texto de una incidencia real de GitHub de 12 proyectos populares de Python y una instantánea del código. El modelo escribe un parche y este se comprueba con pruebas reales.
- τ-bench, de Sierra y Princeton, simula una conversación con un cliente y puntúa al agente comparando la base de datos final con el estado objetivo. Introdujo pass^k, una medida de fiabilidad a lo largo de intentos repetidos. En los resultados originales de 2024, incluso agentes potentes con llamadas a funciones lograron completar menos de la mitad de las tareas, y repetir la misma tarea ocho veces y acertar siempre era raro: menos del 25 % en el dominio de comercio minorista.
- GAIA tiene 466 preguntas del mundo real que son sencillas para las personas y difíciles para las herramientas. En el momento de su publicación, las personas obtuvieron un 92 % y GPT-4 con complementos, un 15 %.
- OSWorld tiene 369 tareas informáticas en entornos reales de Ubuntu, Windows y macOS. En el momento de su publicación, las personas completaron más del 72 % de las tareas y el mejor modelo, en torno al 12 %, con fallos sobre todo al localizar elementos en pantalla y en conocimiento operativo.
Son cifras de lanzamiento de 2023 y 2024 y están muy desfasadas. Las incluimos para mostrar qué mide cada prueba, no para clasificar los modelos actuales.
Las pruebas de referencia también envejecen. El 23 de febrero de 2026, OpenAI dijo que había dejado de publicar resultados de SWE-bench Verified porque una auditoría halló que al menos el 59,4 % de los problemas auditados tenían pruebas defectuosas que rechazan soluciones correctas, y porque los modelos de frontera mostraban indicios de haber visto los problemas durante el entrenamiento.
Otra vara de medir, procedente del grupo de investigación METR, es el horizonte temporal: la duración de la tarea de un experto humano que un agente completa con un 50 % de éxito. El artículo de METR de 2025 indicaba que este horizonte se duplica aproximadamente cada siete meses desde 2019. Los autores de METR también advierten de que no conviene sobreinterpretarlo. Un horizonte del 50 % de varias horas no significa que las tareas más cortas puedan delegarse sin riesgo; hay trabajos en los que la fiabilidad es crítica y que exigen un 98 % o más; y los horizontes son entre 40 y 100 veces más cortos en las tareas visuales de uso del ordenador que en las de software y matemáticas.
Cómo fallan los agentes
Los propios informes de Anthropic son francos al respecto. Las primeras versiones de su sistema de investigación multiagente lanzaban 50 subagentes para consultas sencillas, buscaban sin descanso fuentes que no existían y se distraían unos a otros con actualizaciones. La solución principal fue dar mejores instrucciones. En un experimento de gestión de una tienda llamado Project Vend, llevado a cabo con Andon Labs, los resultados mejoraron en la segunda fase con mejores modelos, herramientas y procedimientos obligatorios, pero Anthropic concluyó que la distancia entre ser competente y ser completamente robusto sigue siendo grande.
Hasta los detalles importan. El agente de programación de Anthropic mejoró con un cambio trivial: exigir rutas de archivo absolutas en una herramienta, porque el modelo seguía cometiendo errores con las rutas relativas una vez que se había alejado del directorio raíz. La empresa afirma que dedicó más tiempo a optimizar las herramientas que el prompt.
Qué conviene vigilar ahora
- Repetibilidad: una puntuación que puedas reproducir en la misma tarea muchas veces, no el mejor intento.
- Coste por tarea terminada: con tokens, reintentos y supervisión incluidos.
- Pruebas que no se filtran: pruebas de referencia renovadas con la frecuencia suficiente para que los modelos no hayan visto las respuestas.
- Dónde firma una persona: las acciones que un agente puede emprender sin aprobación.
Nuestra opinión: un bucle con herramientas, juzgado por su fiabilidad. La pregunta útil sobre un agente no es si puede hacer algo una vez, sino con qué frecuencia lo hace bien, a qué coste y qué ocurre cuando no lo hace.
Preguntas y respuestas
¿Qué diferencia hay entre un agente de IA y un chatbot?
Un chatbot responde a un mensaje cada vez. Un agente decide sus propios pasos, usa herramientas como búsquedas, bases de datos o correo electrónico, y repite el bucle hasta terminar la tarea o alcanzar una condición de parada.
¿Qué es entonces un flujo de trabajo?
Un sistema en el que modelos y herramientas siguen rutas de código que el desarrollador fijó de antemano. Los flujos de trabajo son predecibles y a menudo más baratos, por eso Anthropic recomienda empezar por la solución más sencilla que funcione.
¿Cómo se prueba un agente de IA?
Por sus resultados en entornos realistas: pruebas de referencia como SWE-bench, τ-bench, GAIA y OSWorld, más medidas de fiabilidad como pass^k, que repiten la misma tarea. Las pruebas de referencia públicas envejecen, y OpenAI dejó de publicar resultados de SWE-bench Verified en 2026 tras una auditoría que halló pruebas defectuosas.
¿Por qué cuestan más los agentes?
Cada paso lee y escribe texto. Anthropic indica que un agente usa unas cuatro veces más tokens que un chat, y un sistema multiagente, unas quince veces más.
¿Estás de acuerdo?
Llévalo a Chevlume: escribe tu punto de vista, añade tus fuentes y deja que otros respondan. La alfa cerrada es solo con invitación.
Sigue leyendo
El Turco mecánico: el fraude de la máquina de ajedrez
Una máquina de ajedrez de 1770 que en realidad escondía a una persona. Cómo funcionaba el truco, a quién derrotó y cómo su nombre acabó en Amazon.
IA / DESCUBRIMIENTOELIZA, Deep Blue y AlphaGo
Tres máquinas que sorprendieron a sus autores: un guion de 1966 que solo reflejaba, un motor de ajedrez que calculaba y un jugador de go con su jugada 37.
IA / EXPLICACIÓNCódigo abierto frente a pesos abiertos en IA
Qué es «abierto» en IA: la Open Source AI Definition, pesos abiertos, licencias restrictivas y por qué la diferencia cambia lo que puedes hacer.
Fuentes
- Building effective agents · Anthropic · Consultado el
- A practical guide to building agents · OpenAI · Consultado el
- ReAct: Synergizing Reasoning and Acting in Language Models · arXiv (Yao et al., Princeton / Google Research) · Consultado el
- Toolformer: Language Models Can Teach Themselves to Use Tools · arXiv (Schick et al., Meta AI Research) · Consultado el
- SWE-bench: Can Language Models Resolve Real-World GitHub Issues? · arXiv (Jimenez et al., Princeton) · Consultado el
- Why SWE-bench Verified no longer measures frontier coding capabilities · OpenAI · Consultado el
- τ-bench: A Benchmark for Tool-Agent-User Interaction in Real-World Domains · arXiv (Yao et al.) · Consultado el
- GAIA: a benchmark for General AI Assistants · arXiv (Mialon et al.) · Consultado el
- OSWorld: Benchmarking Multimodal Agents for Open-Ended Tasks in Real Computer Environments · arXiv (Xie et al.) · Consultado el
- Measuring AI Ability to Complete Long Software Tasks · arXiv (METR; NeurIPS 2025) · Consultado el
- Clarifying limitations of time horizon · METR · Consultado el
- Project Vend: Phase two · Anthropic · Consultado el
- How we built our multi-agent research system · Anthropic · Consultado el
Publicado el
Comenta en X