El término agente IA está en todas partes en 2025, a menudo usado de forma intercambiable con "workflow IA" o "LLM conectado a herramientas". Sin embargo, la distinción importa: según lo que construyas o compres, puedes acabar con un sistema fundamentalmente distinto de lo que esperabas. Estos son los fundamentos que necesitas comprender para orientar tus decisiones.
- 🤖 Un agente IA confía al LLM el papel de decisor: el humano ya no programa los pasos por adelantado.
- 🧩 Cuatro patrones estructuran todo agente: reflexión, uso de herramientas, planificación y sistemas multi-agente.
- 📊 Los cinco niveles de agentes van del termostato reflejo al agente que aprende: elegir el nivel adecuado evita sobreingeniería.
- 💼 Para cada producto SaaS existente, una versión agéntica es posible: un marco concreto para identificar dónde invertir.
De la herramienta IA al agente IA: dónde se produce la ruptura
La confusión viene del hecho de que los tres niveles (LLM bruto, workflow IA y agente IA) se parecen desde fuera. Todos producen texto, todos utilizan un modelo de lenguaje. La diferencia está en quién decide los pasos.
Un LLM como ChatGPT o Claude responde a un prompt. Eso es todo. No sabe qué tienes en tu agenda, no tiene acceso a tus datos internos y, sobre todo, es pasivo. Le haces una pregunta, responde. Si le preguntas cuándo es tu próxima reunión, no puede responder correctamente porque no tiene acceso a esa información.
Un workflow IA resuelve este problema en parte. Un humano programa un camino predefinido: "cada vez que el usuario pregunte sobre su agenda, consulta primero Google Calendar y luego responde". Funciona mientras la pregunta se mantenga dentro del perímetro previsto. En cuanto la pregunta sale del camino programado, el sistema falla. El control lógico sigue perteneciendo a un humano. Se pueden multiplicar los pasos al infinito, pasar por APIs meteorológicas, modelos de síntesis de voz, herramientas de envío de email: mientras un desarrollador haya trazado el camino, es un workflow.
El agente IA da un paso más: el LLM se convierte en el propio decisor. Este es el cambio fundamental. En lugar de seguir un camino trazado de antemano, el agente razona sobre la mejor forma de alcanzar un objetivo, selecciona las herramientas apropiadas, ejecuta acciones, observa los resultados intermedios y decide si debe iterar. Este modelo tiene un nombre en el sector: el framework ReAct (Reason + Act). El agente razona, actúa, observa, y vuelve a empezar.
Esta capacidad de iteración autónoma es lo que realmente diferencia a un agente de un workflow. Si alguna vez has tenido que retrabajar manualmente el prompt de una IA porque el resultado no era satisfactorio, un agente haría esa corrección por sí mismo, sin intervención humana. Esto también explica por qué los desarrolladores que trabajan con IA deben repensar su forma de diseñar sistemas: el código ya no programa cada decisión, sino que define un espacio de decisión en el que el agente evoluciona.
Los cuatro patrones que definen un agente autónomo
Andrew Ng, una de las figuras más respetadas del campo, formalizó cuatro grandes patrones de diseño agéntico. Comprenderlos te da un vocabulario preciso para evaluar cualquier solución del mercado o enmarcar los requisitos de un proyecto.
El primer patrón es la reflexión. El agente produce un resultado y luego critica su propio output para mejorarlo. En un contexto de generación de código, funciona así: el agente escribe el código, genera tests, detecta los errores, corrige y repite el ciclo hasta que todos los tests pasan. Lo que tú habrías hecho manualmente en varios intercambios con un desarrollador, el agente lo hace de forma autónoma. Una extensión natural de este patrón es el multi-agente de revisión: en lugar de un solo LLM que se autocritica, un segundo LLM asume el rol de crítico. Los dos agentes colaboran para alcanzar una calidad que ninguno habría logrado por separado.
El segundo patrón es el uso de herramientas. Al equipar un LLM con capacidades como la búsqueda web, la ejecución de código, el acceso a calendarios o la lectura de bases de datos, le permites recopilar la información que le falta antes de responder. Un agente con una herramienta de búsqueda web te dará una respuesta basada en fuentes recientes, mientras que un LLM sin herramientas trabajaría únicamente con sus datos de entrenamiento. La RAG (Retrieval-Augmented Generation) que se menciona con frecuencia no es más que una forma particular de este patrón: el agente busca información relevante antes de responder.
El tercer patrón es la planificación. Ante un objetivo complejo, el agente descompone por sí mismo los pasos necesarios e identifica las herramientas requeridas para cada uno. Un ejemplo concreto de una demostración de Andrew Ng: pídele a un agente que genere una imagen de una persona en una pose idéntica a la de una imagen de referencia y que luego describa esa imagen en voz alta. El agente planifica por sí mismo: analizar la pose de referencia con un modelo de visión, generar la imagen con la misma pose, convertirla en descripción textual, pasar a la síntesis de voz. Ninguno de estos pasos fue programado de antemano por un humano.
El cuarto patrón agrupa los sistemas multi-agente. En lugar de un solo LLM que hace malabares con todo, varios agentes especializados colaboran, cada uno con su rol, sus herramientas y su tarea. Las investigaciones muestran que este enfoque produce mejores resultados que un agente único que intenta gestionarlo todo. La lógica es la misma que para un equipo humano: la especialización mejora la calidad del entregable final.
Los cinco niveles de inteligencia de un agente
No todos los agentes IA son iguales. IBM Technology propone una taxonomía útil para no confundir sistemas de naturaleza muy diferente. Hay cinco niveles, clasificados por grado de autonomía y capacidad de decisión.
El agente reflejo simple reacciona a estímulos inmediatos según reglas predefinidas. Un termostato es el ejemplo perfecto: si la temperatura baja de 18 °C, activa la calefacción. No recuerda nada, no anticipa nada. Eficaz en entornos estables, falla en cuanto la situación sale del marco programado.
El agente reflejo con modelo añade una memoria interna. Mantiene un estado que representa su comprensión del mundo y lo actualiza con el tiempo. Un robot aspirador que cartografía las zonas limpiadas y memoriza los obstáculos pertenece a esta categoría. No anticipa realmente, pero no repite los mismos errores porque sabe por dónde ha pasado.
El agente basado en objetivos introduce el concepto de meta. En lugar de reaccionar a reglas, el agente simula estados futuros posibles y elige la acción que más lo acerca a su objetivo. Un coche autónomo utiliza este tipo de razonamiento: evalúa diferentes trayectorias posibles y selecciona la que lo lleva a destino.
El agente basado en utilidad refina aún más: no solo busca alcanzar un objetivo, sino maximizar una función de utilidad compuesta. Un dron de reparto que optimiza simultáneamente la rapidez, la seguridad del paquete y el consumo de batería ilustra bien este nivel. No elige simplemente "la ruta que llega a destino", sino "la mejor ruta según varios criterios en tensión".
Por último, el agente que aprende mejora con la experiencia. Dispone de un componente crítico que evalúa su rendimiento, un componente de aprendizaje que actualiza sus estrategias y un generador de problemas que lo impulsa a explorar acciones inéditas. Los videojuegos se citan a menudo como terreno de entrenamiento: tras miles de partidas, el agente converge hacia estrategias que ningún humano habría codificado manualmente.
| Tipo de agente | Memoria | Planificación | Aprendizaje | Ejemplo |
|---|---|---|---|---|
| Reflejo simple | No | No | No | Termostato |
| Reflejo con modelo | Sí | No | No | Robot aspirador |
| Basado en objetivos | Sí | Sí | No | Coche autónomo |
| Basado en utilidad | Sí | Sí | No | Dron de reparto |
| Agente que aprende | Sí | Sí | Sí | IA de videojuegos |
En la práctica actual, la mayoría de los agentes IA desplegados en empresa combinan estos niveles. Y como señala IBM: los agentes IA funcionan generalmente mejor con un humano en el bucle para las decisiones de alto impacto. No es una debilidad del sistema, es una buena práctica de arquitectura.
Arquitecturas multi-agente: de lo secuencial a lo asíncrono
Una vez que se supera el agente único, las arquitecturas se complican y las configuraciones posibles se multiplican. Crew AI, en colaboración con DeepLearning.AI, documentó cinco patrones principales que cubren la mayoría de los casos de uso encontrados en producción.
El patrón secuencial es el más simple: un agente hace su trabajo y pasa el relevo al siguiente, como en una cadena de montaje. Para el procesamiento automatizado de documentos, por ejemplo, un primer agente extrae el texto, un segundo resume, un tercero identifica las acciones a tomar y un cuarto registra en base de datos. Es predecible, fácil de monitorear y simple de depurar.
El patrón jerárquico introduce un agente manager que orquesta subagentes especializados. Para producir un informe de decisión empresarial, un agente manager recibe la misión y delega: un subagente analiza las tendencias de mercado con sus propias herramientas, otro recopila el feedback de clientes desde las bases de datos internas, un tercero hace seguimiento de las métricas de producto. El manager compila y sintetiza. Cada subagente dispone de sus propias herramientas; el manager solo interviene para coordinar.
El patrón híbrido combina jerarquía y secuencialidad con bucles de feedback continuos. Los sistemas de vehículos autónomos utilizan este modelo: un agente planifica la ruta global, subagentes gestionan la fusión de sensores y la evasión de obstáculos en tiempo real, con retornos constantes hacia el nivel superior. Este patrón es habitual en robótica y en sistemas adaptativos complejos.
El patrón paralelo hace que diferentes partes de una tarea sean procesadas simultáneamente por varios agentes independientes. Para el análisis de grandes volúmenes de datos, es la elección natural: cada agente toma un segmento y los resultados se fusionan al final del proceso. La ganancia en velocidad puede ser significativa con volúmenes importantes.
Por último, el patrón asíncrono deja que los agentes se ejecuten de forma independiente, sin sincronización impuesta. Es la estructura preferida para la vigilancia en tiempo real, como la detección de amenazas en ciberseguridad: un agente monitorea el tráfico de red, otro analiza patrones de comportamiento, un tercero realiza pruebas aleatorias. Cuando uno de ellos detecta una anomalía, el sistema reacciona. Este enfoque gestiona bien la incertidumbre y las condiciones cambiantes.
La complejidad creciente de estas arquitecturas va acompañada de una complejidad de gobernanza. Cuantos más agentes añades, más puntos de fallo potenciales tienes y menos visibilidad directa sobre las decisiones tomadas. Es una realidad que debe integrarse desde la fase de diseño, no sobre la marcha. Tina Huang cita una observación de Y Combinator que merece recordarse: para cada producto SaaS existente, existe un equivalente agéntico por construir. Es un marco concreto para identificar oportunidades sin tener que inventar casos de uso desde cero.
Los agentes IA no son una capa cosmética sobre los LLMs existentes. Son sistemas con su propia lógica arquitectónica, sus propios patrones de diseño y sus propias restricciones operativas. Antes de encargar a un equipo la construcción de un agente o de integrar una solución del mercado, vale la pena definir con precisión qué nivel de autonomía se busca, qué herramientas deberá manejar el agente y qué humano permanece en el bucle para las decisiones críticas. Estas elecciones tienen consecuencias directas sobre los costes, la calidad de los outputs y la mantenibilidad del sistema. El caso de Achille.ai, que escaló su infraestructura LLM con GoLive Software, ilustra bien lo que supone concretamente pasar del prototipo a producción en este tipo de arquitectura.
