Principiante 11 minAgentes

Agente de IA: ¿qué es? Definición, ejemplos y límites

Respuesta directa

Un agente de IA es un modelo de lenguaje que decide por sí mismo, paso a paso, qué herramientas llamar para alcanzar un objetivo dado, en lugar de responder una vez y detenerse como un chatbot: observa el resultado de cada acción y vuelve a intentarlo hasta completar la tarea o abandonarla.

Un agente de IA es un programa en el que un modelo de lenguaje decide por sí mismo las acciones que debe realizar para alcanzar un objetivo: elige una herramienta, observa el resultado y vuelve a empezar hasta terminar. Esto lo diferencia de un chatbot, que responde y se detiene. El término «IA agéntica» designa esta forma de construir sistemas. A fecha del 20 de septiembre de 2026, los agentes más útiles son los que escriben código y los que realizan investigaciones. Esta página ofrece una definición clara, ejemplos reales, las limitaciones y lo que se necesita para ejecutar uno en tu propia máquina.

Por Mohamed Meguedmi·Actualización 2026-09-28·Probado en Windows, macOS y Linux

#¿Qué es un agente de IA?

La definición más útil cabe en una frase: un agente es un modelo de lenguaje que usa herramientas en un bucle. Le das un objetivo, por ejemplo «encuentra por qué este test falla y corrígelo». Lee el código, ejecuta el test, lee el error, modifica un archivo, vuelve a ejecutar el test y continúa hasta que el test pase o se rinda. Nadie ha escrito esta secuencia por adelantado: el modelo la decide paso a paso, según lo que observa.

La palabra es víctima de su éxito. Muchos productos vendidos como «agentes» son simples chatbots con un nombre o automatizaciones clásicas en las que un modelo redacta un texto en una etapa fija de un script. La pregunta decisiva es: ¿quién decide cuál es la siguiente etapa? Si es un programa escrito de antemano, con una secuencia fija de llamadas, no es un agente, aunque un modelo de lenguaje intervenga en algún punto de la cadena.

#Chatbot, workflow, agente: las diferencias

El kit de Agentes Locales

Agentes que actúan en tu máquina: Cline agéntico, MCP, n8n + Ollama, automatizaciones locales.

  • Espacio en línea de por vida
  • PDF + archivos
  • Reembolsado 30 j
El kit Agentes Locales →o todos los kits de por vida — 49 € →
ChatbotFlujo de trabajo con IAAgente
¿Quién decide los pasos?Persona: una pregunta, una respuestaEl desarrollador, de antemanoEl modelo, sobre la marcha
HerramientasNinguno, o una búsqueda webSí, en orden fijoSí, elige libremente
PrevisibilidadAltaAltaMás bajo
Costo por tareaUna llamada al modeloAlgunas llamadasDecenas de llamadas, a veces más
Uso adecuadoPreguntas, redacciónTareas repetitivas bien definidasTareas abiertas cuya ruta de resolución se desconoce

Esta distinción la establece Anthropic en su guía de diseño: «los workflows son sistemas en los que los LLM y las herramientas se coordinan a través de rutas de código predefinidas», mientras que «los agentes son sistemas en los que los LLM dirigen dinámicamente su propio proceso y el uso de herramientas, manteniendo el control sobre la forma de realizar las tareas». El consejo que se deriva es válido para todos: encontrar la solución más sencilla posible, y aumentar la complejidad solo cuando sea necesario. Un workflow bien diseñado supera a un agente en la mayoría de las necesidades empresariales, porque es previsible y poco costoso.

#Las cuatro piezas de un agente

Un modelo
El cerebro. Debe saber razonar en varias etapas y generar llamadas a herramientas bien formadas. Es el componente que limita todo el resto.
Herramientas
Funciones que puede llamar el modelo: leer y escribir archivos, ejecutar una orden, buscar en internet, consultar una base de datos. El protocolo MCP se ha convertido en la forma estándar de conectarlas.
Un bucle
El programa que encadena: enviar el contexto al modelo, ejecutar la herramienta solicitada, añadir el resultado al contexto, repetir. También establece los límites: número máximo de pasos, confirmaciones, presupuesto.
Una memoria
A corto plazo, la ventana de contexto, que se llena en cada paso y finalmente se saturará en una tarea larga. A largo plazo, archivos de notas, un resumen comprimido de los pasos anteriores o una base que el agente relee de sesión en sesión, para no empezar desde cero en cada nueva conversación.

#El mecanismo detrás del bucle: ReAct

La mayoría de los agentes en producción siguen, sin nombrarlo, el esquema descrito en 2022 por investigadores de Google y Princeton bajo el nombre de ReAct (« Reasoning and Acting »). El modelo produce en cada turno un razonamiento explícito (Thought), elige una acción, generalmente una llamada a una herramienta (Action), y luego recibe el resultado (Observation) antes de repetir el ciclo. Hacer que el modelo verbalice el razonamiento antes de la acción facilita la depuración del agente: se ve por qué eligió esa herramienta, no solo lo que hizo.

→
Por qué esto importa para un modelo local
Un modelo que «piensa en voz alta» antes de actuar consume más contexto, por lo tanto más VRAM, que un modelo que llama directamente a una herramienta. Es un equilibrio entre fiabilidad y costo de memoria, que debe decidirse según el tamaño del modelo disponible.

#Ejemplos que realmente funcionan

Agentes de código
El caso más completo. Claude Code, Cline, OpenCode o Aider leen un repositorio, modifican varios archivos, ejecutan pruebas y corrigen sus errores. El ámbito se presta a ello: el resultado se verifica automáticamente, según si una prueba pasa o no.
Agentes de búsqueda
Lanzan decenas de búsquedas, leen las páginas, contrastan las fuentes y redactan una síntesis. Resulta útil para el seguimiento informativo o una revisión del estado del arte, siempre que se verifiquen las citas.
Agentes de operaciones
Monitorean registros, diagnostican un incidente, proponen o aplican una corrección. En producción, casi siempre con validación humana antes de cualquier acción.
Agentes de escritorio
Controlan un navegador o una computadora con ratón y teclado. Demostraciones impresionantes, pero fiabilidad aún insuficiente para uso sin supervisión.

Lo que tienen en común estos casos que funcionan: un criterio de éxito objetivo y rápido de verificar. Una prueba que pasa o falla, un archivo bien formado, un incidente resuelto o no. Cuando el éxito depende de un juicio humano impreciso, por ejemplo «redacta una estrategia de marketing convincente», el bucle del agente aporta poco en comparación con un simple intercambio con el modelo, porque no hay nada objetivo que observar entre dos etapas para orientar la siguiente.

#Por qué los agentes fallan

La primera razón es aritmética. En un bucle, los errores se multiplican en lugar de anularse. Un modelo fiable en el 95 % de los casos en cada paso aislado finaliza correctamente una tarea de diez pasos en solo el 60 % de los casos y una tarea de veinte pasos en apenas el 36 % de los casos, sin que ningún paso individual sea claramente malo.

Probabilidad de éxito en todas las etapas = fiabilidad por etapa elevada a la potencia del número de etapas
Fiabilidad por etapa5 pasos10 pasos20 pasos
90 %59 %35 %12 %
95 %77 %60 %36 %
99 %95 %90 %82 %

Por eso los agentes tienen éxito cuando pueden comprobar por sí mismos sus resultados, por ejemplo volviendo a ejecutar una prueba, y decepcionan en otros casos. Las demás limitaciones se derivan de ello: el coste, porque una tarea consume decenas de llamadas y un contexto que va creciendo; la seguridad, porque un agente que lee contenido externo puede ser manipulado por ese contenido; y la deriva, cuando el agente persigue con diligencia un objetivo mal entendido.

El laboratorio de evaluación METR mide esta progresión con una métrica llamada «time horizon»: la duración de una tarea humana que el mejor modelo del momento puede completar con una tasa de éxito del 50 %. Según METR, esta duración sigue una tendencia exponencial con un tiempo de duplicación de unos siete meses desde 2019, y METR ha medido una aceleración que reduce ese tiempo a poco más de cuatro meses desde 2023. En concreto, un agente que fallaba hace un año en una tarea de una hora tiene buenas probabilidades de completarla hoy; el límite se desplaza, no desaparece.

#Un agente de IA local: lo necesario

Nada obliga a un agente a pasar por la nube. El bucle y las herramientas ya funcionan en tu máquina; solo queda ejecutar en ella el modelo que los controla. Tres requisitos son más estrictos que para un simple chat, donde puedes conformarte con un modelo más pequeño y más lento.

Tamaños provenientes del catálogo QuelLLM · pesos en Q4_K_M · 20/09/2026
RequisitoPor quéReferencia práctica
Un modelo entrenado para llamar a herramientasSin esto, las llamadas están mal formadas y el bucle se rompeBusca 14 mil millones de parámetros o más: Qwen 3 14B (9 GB), gpt-oss 20B (13 GB), Qwen3-Coder 30B-A3B (19 GB)
Mucho contextoCada paso añade el resultado de la herramienta a la conversación32 000 tokens como mínimo, es decir, 4 a 8 GB de caché KV además de los pesos
VelocidadUna tarea implica decenas de idas y vueltas30 tokens por segundo y más; los modelos MoE tienen ventaja

En la práctica, una tarjeta de 16 GB permite disponer de un agente útil para tareas cortas, y 24 GB ofrecen un margen cómodo. Con menos memoria, el agente funciona en una demostración, pero decepciona en el uso diario.

Un punto a menudo ignorado: el costo de un agente local no se limita a la VRAM de los pesos del modelo. Cada herramienta conectada agrega su descripción al prompt en cada turno, y esta descripción también consume caché KV y, por tanto, VRAM durante todo el bucle. Con un modelo de 14 mil millones de parámetros y media docena de herramientas bien descritas, calcula unos cientos de megabytes de caché KV solo para las definiciones de herramientas, antes incluso de contar el contexto de la conversación.

#Por dónde empezar

  1. 01
    Utiliza un agente existente antes de crear uno
    Un agente de código en tu editor o terminal te enseñará en una semana qué saben hacer estos sistemas y dónde fallan.
  2. 02
    Elige una tarea verificable
    Una tarea cuyo éxito se pueda medir sin tu intervención: una prueba que se supere, un archivo generado en el formato correcto, un total que cuadre.
  3. 03
    Limita las herramientas
    Tres herramientas bien descritas valen más que treinta. Cada herramienta añadida aumenta el riesgo de elegir mal y sobrecarga el contexto.
  4. 04
    Mantén el control sobre lo que es irreversible
    Lectura libre, escritura confirmada. Envío de correo, eliminación de archivos, pago, publicación: siempre con validación humana explícita antes de ejecutarse, independientemente de la confianza mostrada por el agente.

#FAQ

¿Cuál es la diferencia entre un agente IA y ChatGPT?+
Un chatbot responde a un mensaje y luego espera el siguiente. Un agente recibe un objetivo y encadena acciones por su cuenta para alcanzarlo: llama a herramientas, lee los resultados y decide cómo continuar. Los asistentes para el público general ahora incluyen modos de agente, pero la conversación sencilla sigue siendo un intercambio de preguntas y respuestas.
¿Qué es la IA agéntica?+
Este enfoque consiste en construir sistemas en los que el modelo de lenguaje dirige por sí mismo una secuencia de acciones, en lugar de limitarse a producir texto en respuesta a un mensaje. El término abarca tanto un único agente autónomo como los sistemas multiagente, en los que varias instancias de un modelo se reparten subtareas y coordinan sus resultados antes de entregar la respuesta final.
¿Puede funcionar un agente de IA sin Internet?+
Sí, si el modelo corre localmente y sus herramientas no necesitan red: lectura de archivos, ejecución de código, base de datos interna, búsqueda en documentación ya indexada. Esta configuración se usa cuando los datos procesados son confidenciales o cuando la conexión no es fiable, por ejemplo en un equipo de desarrollo aislado.
¿Los agentes de IA van a reemplazar puestos de trabajo?+
Hoy automatizan tareas concretas, rara vez puestos de trabajo completos. Son eficaces en trabajos verificables y repetitivos, como parte del desarrollo de software o de la investigación documental, y siguen siendo poco confiables en tareas largas sin un criterio claro de éxito. La necesidad de supervisión humana sigue siendo alta, especialmente en todo lo que implica una decisión irreversible.
¿Hay que saber programar para crear un agente?+
No necesariamente al comenzar: herramientas visuales como n8n o Flowise permiten armar un agente sin escribir código. Saber programar ayuda, en cambio, a hacerlo confiable a largo plazo, porque la mayoría de los problemas provienen de herramientas mal descritas y de mecanismos de protección mal ajustados, no del modelo en sí mismo.
¿Qué es el patrón ReAct en un agente de IA?+
Es el mecanismo, descrito en 2022 por investigadores de Google y Princeton, en el que el modelo alterna un razonamiento explícito (Thought) con una acción, como una llamada a una herramienta, (Action), y después lee el resultado (Observation) antes de repetir el ciclo. La mayoría de los agentes actuales en producción siguen este ciclo, incluso sin nombrarlo explícitamente en su documentación.
¿Esta guía te ha ayudado?

¿Un comentario, un error, una precisión? Avísanos, eso mejora la guía para todos.