En el contexto de la inteligencia artificial generativa, un agente de inteligencia artificial o agente de IA es un sistema capaz de perseguir objetivos, usar herramientas externas y ejecutar acciones con distintos grados de autonomía, normalmente dentro de metas, restricciones y permisos definidos por seres humanos. También se han denominado sistemas compuestos de IA o IA agéntica, aunque el término no posee una definición técnica única aceptada de forma universal.
A diferencia de un chatbot convencional, que suele limitarse a generar respuestas textuales, un agente de IA puede descomponer una tarea en pasos, consultar fuentes externas, llamar a APIs, interactuar con aplicaciones, ejecutar código o coordinar otros agentes. Sus aplicaciones se han propuesto en programación, atención al cliente, investigación, automatización administrativa, navegación web, análisis de datos y robótica, aunque su adopción práctica ha estado acompañada por dudas sobre fiabilidad, seguridad, privacidad, responsabilidad legal y supervisión humana.
Definición y alcance
El uso contemporáneo de la expresión agente de IA se refiere sobre todo a sistemas basados en modelos de lenguaje grandes o modelos fundacionales que pueden actuar sobre un entorno digital o físico. Un agente suele recibir una meta, interpreta el estado del entorno, planifica una secuencia de acciones, utiliza herramientas disponibles y devuelve resultados o cambios para que el usuario los revise.
No todos los sistemas llamados «agentes» tienen el mismo nivel de autonomía. Algunos funcionan como flujos de trabajo rígidos que ejecutan instrucciones predefinidas; otros deciden dinámicamente qué herramienta usar, cuándo pedir información adicional o cuándo detenerse. Por esta razón, varios autores y medios han señalado que el término puede usarse tanto con sentido técnico como con fines de mercadotecnia.
En la literatura de inteligencia artificial, el concepto de agente es anterior a la IA generativa y se relaciona con los agentes inteligentes, los sistemas multiagente y la robótica. La novedad de los agentes de IA generativa reside en el uso de modelos fundacionales como mecanismo de razonamiento, lenguaje natural, planificación y control de herramientas.
Historia
La investigación sobre agentes autónomos y sistemas multiagente se remonta al menos a la década de 1990. Milind Tambe, investigador de la Universidad de Harvard, ha señalado que incluso entonces no existía una frontera clara sobre qué sistemas debían considerarse agentes. El uso popular del adjetivo inglés agentic creció de forma notable en 2024 y 2025, impulsado por empresas tecnológicas que buscaban diferenciar sistemas capaces de actuar de los chatbots puramente conversacionales.
El desarrollo reciente de los agentes de IA se apoyó en los avances de los modelos de lenguaje grandes, que permitieron construir sistemas capaces de interpretar instrucciones en lenguaje natural, generar planes y seleccionar herramientas. Un artículo de revisión publicado en Frontiers of Computer Science en 2024 describió el auge de los agentes autónomos basados en modelos de lenguaje grandes y propuso estudiarlos a partir de su construcción, sus aplicaciones y sus estrategias de evaluación.
Entre los enfoques técnicos influyentes se encuentra ReAct, presentado en 2022 y publicado en la International Conference on Learning Representations de 2023, que combinó razonamiento y acción en modelos de lenguaje. En ese paradigma, el modelo alterna entre pasos de razonamiento y llamadas a acciones o herramientas externas, lo que le permite actualizar sus planes con nueva información del entorno.
En 2025 y 2026 varias organizaciones comenzaron a trabajar en estándares y protocolos para agentes. El NIST anunció en febrero de 2026 una iniciativa de estándares para agentes de IA centrada en operación segura, interoperabilidad, identidad y protocolos abiertos. En diciembre de 2025, la Linux Foundation anunció la creación de la Agentic AI Foundation, orientada a proyectos y estándares abiertos para IA agéntica, entre ellos el Model Context Protocol.
Funcionamiento
Un agente de IA suele organizarse alrededor de varios componentes funcionales. El primero es el modelo de IA, normalmente un modelo de lenguaje grande o multimodal, que interpreta instrucciones y genera decisiones. El segundo es un sistema de memoria o contexto, que conserva información relevante de la tarea, documentos, historial de interacción o resultados intermedios. El tercero es un módulo de planificación, encargado de dividir una meta en subtareas. El cuarto es una interfaz de herramientas, que permite llamar a funciones, buscadores, bases de datos, navegadores web, terminales, editores de código o aplicaciones externas.
En una tarea típica, el usuario establece un objetivo general y el agente lo transforma en pasos concretos. Durante la ejecución, el agente puede observar resultados, corregir su plan y pedir aprobación humana cuando una acción tiene consecuencias relevantes, como enviar mensajes, modificar archivos, realizar compras o ejecutar código.
Los agentes pueden ejecutarse como sistemas de un solo agente o como sistemas multiagente. En estos últimos, varios agentes especializados colaboran, por ejemplo, separando funciones de planificación, búsqueda, crítica, revisión de código o ejecución. Esta arquitectura puede aumentar la modularidad, pero también introduce problemas de coordinación, depuración, coste y atribución de responsabilidad.
Arquitectura
La arquitectura de un agente de IA puede variar considerablemente según el dominio. En agentes de software, las observaciones suelen provenir de archivos, interfaces gráficas, respuestas de API, resultados de comandos o documentos. En agentes robóticos, el entorno se percibe mediante sensores físicos. En agentes multimodales, el sistema puede combinar texto, imagen, audio, vídeo o datos estructurados.
Entre los patrones de diseño habituales se encuentran la generación aumentada por recuperación, en la que el agente consulta documentos externos antes de responder; el uso de herramientas, en el que el modelo llama funciones especializadas; la reflexión, en la que el sistema evalúa sus propios pasos; y la arquitectura planificador-crítico, en la que un componente propone acciones y otro las revisa.
El patrón ReAct es uno de los más citados en agentes basados en lenguaje. En él, el modelo intercala razonamiento textual y acciones observables, como búsquedas, consultas a una base de datos o llamadas a una herramienta, para reducir errores de razonamiento y adaptar el plan a nueva información.
Capacidades autónomas
La autonomía de un agente de IA no es binaria. Algunos sistemas requieren aprobación humana en casi cada paso; otros pueden ejecutar tareas durante minutos u horas antes de devolver un resultado. El Financial Times comparó esta gradación con los niveles de autonomía de los vehículos autónomos, señalando que muchas aplicaciones comerciales se parecen más a sistemas de asistencia que a autonomía plena.
En la práctica, la autonomía suele limitarse mediante políticas de permisos, restricciones de herramientas, entornos aislados, registros de actividad y revisión humana. Las acciones de alto impacto, como pagos, contratación, publicación masiva, operaciones financieras o cambios irreversibles en sistemas de producción, suelen considerarse candidatas a requerir confirmación humana.
Entrenamiento y evaluación
Los agentes de IA pueden entrenarse o evaluarse en entornos simulados, conjuntos de pruebas, videojuegos, réplicas de sitios web, tareas de programación, navegación web o escenarios empresariales controlados. Las evaluaciones buscan medir si el agente completa tareas de varios pasos, usa herramientas correctamente, se recupera de errores, mantiene instrucciones de seguridad y evita acciones no autorizadas.
La evaluación de agentes resulta más compleja que la de modelos generativos tradicionales porque el resultado depende no solo del texto producido, sino también de la secuencia de acciones, el estado del entorno, las herramientas disponibles y las decisiones intermedias. Por ello, se han propuesto métricas de trazabilidad, observabilidad, éxito de tarea, coste, seguridad, robustez y capacidad de intervención humana.
Aplicaciones
Los agentes de IA se han propuesto para automatizar tareas de oficina, organizar viajes, responder correos, gestionar calendarios, resumir documentos, consultar bases de conocimiento, asistir en atención al cliente y coordinar flujos de trabajo empresariales. En el ámbito del desarrollo de software, se usan como agentes de programación capaces de leer repositorios, escribir código, ejecutar pruebas, corregir errores y proponer cambios.
Otra aplicación es la navegación web agéntica, en la que el sistema interactúa con páginas web en nombre del usuario. Estos agentes pueden llenar formularios, buscar productos, recopilar información o completar parte de una transacción, aunque muchos diseños mantienen al usuario en el paso final para evitar acciones no deseadas.
En atención al cliente y procesos empresariales, los agentes se han usado para clasificar solicitudes, enrutar consultas, extraer información de documentos y coordinar acciones en varias aplicaciones. En investigación y análisis, pueden consultar fuentes, sintetizar información y producir informes. En robótica y sistemas físicos, los agentes pueden combinar percepción, planificación y control para ejecutar acciones en el mundo real.
Protocolos y estándares
La interoperabilidad es uno de los problemas centrales de los agentes de IA. Para actuar sobre sistemas externos, un agente necesita descubrir herramientas, autenticarse, recibir permisos y comunicarse con aplicaciones de forma segura. Protocolos como el Model Context Protocol han sido propuestos para conectar modelos y agentes con herramientas, datos y aplicaciones mediante interfaces estandarizadas.
El NIST ha señalado la necesidad de estándares para identidad, autorización, seguridad, interoperabilidad y evaluación de agentes. Su iniciativa de estándares para agentes de IA busca promover directrices voluntarias, protocolos abiertos e investigación sobre autenticación e identidad de agentes.
Seguridad y gobernanza
Los agentes de IA plantean riesgos de seguridad distintos a los de un chatbot porque pueden actuar sobre sistemas externos. Un fallo, una instrucción maliciosa o una interpretación equivocada puede provocar envío de información, modificación de archivos, ejecución de código, filtración de datos o uso indebido de credenciales.
Entre los riesgos citados se encuentran la inyección de instrucciones, el uso indebido de herramientas, la escalada de privilegios, la pérdida de control humano, la manipulación del usuario, las alucinaciones, la falta de explicabilidad, la propagación de errores y la dificultad de atribuir responsabilidad cuando intervienen varios agentes o proveedores.
Las prácticas de gobernanza propuestas incluyen limitar el espacio de acciones del agente, registrar sus operaciones, aplicar permisos mínimos, permitir interrupciones, exigir aprobación humana en acciones sensibles, evaluar su idoneidad antes del despliegue y monitorizar su comportamiento durante la operación. OWASP publicó una lista de riesgos para aplicaciones agénticas que incluye secuestro de objetivos, explotación de herramientas, abuso de identidad, ejecución inesperada de código, contaminación de memoria y fallos en cascada entre agentes.
También se han documentado incidentes en los que agentes de IA realizaron acciones no previstas o no autorizadas durante despliegues reales y evaluaciones, como modificar datos, utilizar credenciales expuestas o interactuar con sistemas externos fuera del alcance esperado.
Beneficios propuestos
Sus defensores sostienen que los agentes de IA podrían aumentar la productividad al reducir tareas repetitivas, coordinar procesos complejos y permitir que los usuarios deleguen actividades que requieren interacción con varias aplicaciones. También se han propuesto usos en accesibilidad, asistencia personal, investigación, respuesta a emergencias y colaboración humano-máquina.
Sin embargo, varios análisis recomiendan aplicar estos sistemas primero en tareas acotadas, reversibles y de bajo riesgo. La utilidad de un agente depende de la calidad de sus herramientas, de los datos disponibles, de la capacidad de supervisión y de la tolerancia al error del dominio en el que se use.
Críticas y preocupaciones
Las preocupaciones sobre agentes de IA incluyen privacidad, ciberseguridad, responsabilidad legal, sesgos algorítmicos, desplazamiento laboral, dependencia excesiva, manipulación, falta de reproducibilidad y aumento del consumo computacional. Los críticos advierten que un agente con acceso a correo, archivos, navegador, credenciales o sistemas empresariales puede amplificar los daños de una instrucción maliciosa o de un error del modelo.
Otra crítica es el uso inflado del término «agente» para productos que en realidad son chatbots, automatizaciones tradicionales o flujos de trabajo con capacidades limitadas. TechCrunch describió en 2025 la falta de consenso sobre la definición como una fuente de confusión para clientes y empresas. Associated Press también señaló que el término agentic AI combinaba una promesa técnica real con un uso abundante como palabra de moda.
Investigadores y organizaciones de seguridad han recomendado mantener a los humanos dentro del ciclo de decisión, especialmente en dominios de alto impacto. Esta supervisión puede incluir revisión previa de acciones, límites de permisos, entornos de prueba, auditoría de registros y mecanismos de apagado o interrupción.
123«AI Agent Standards Initiative». National Institute of Standards and Technology(en inglés). 17 de febrero de 2026. Consultado el 16 de junio de 2026.
123Gutowska, Anna. «What Are AI Agents?». IBM Think(en inglés). Consultado el 16 de junio de 2026.
12Yao, Shunyu; Zhao, Jeffrey; Yu, Dian; Du, Nan; Shafran, Izhak; Narasimhan, Karthik; Cao, Yuan (2023). «ReAct: Synergizing Reasoning and Acting in Language Models». International Conference on Learning Representations(en inglés). Consultado el 16 de junio de 2026.
123Liu, Yue; Lo, Sin Kit; Lu, Qinghua; Zhu, Liming; Zhao, Dehai; Xu, Xiwei; Harrer, Stefan; Whittle, Jon (1 de febrero de 2025). «Agent design pattern catalogue: A collection of architectural patterns for foundation model based agents». Journal of Systems and Software(en inglés)220: 112278. doi:10.1016/j.jss.2024.112278.
Datos: Q132451509