¿Qué son los agentes de IA? Cómo funcionan y dónde fallan

¿Qué son los agentes de IA?

Un agente de IA es un sistema que utiliza un modelo de inteligencia artificial para avanzar hacia un objetivo, decidiendo qué pasos dar y ejecutándolos con herramientas, en lugar de limitarse a responder una sola pregunta. La guía de OpenAI para desarrolladores lo resume así: los agentes son «sistemas que realizan tareas de forma independiente en su nombre» ^[2]. Añade que las aplicaciones que usan un gran modelo de lenguaje (LLM) pero no le permiten controlar el flujo de trabajo, como los chatbots sencillos, los modelos de un solo turno o los clasificadores de sentimiento, no son agentes ^[2].

El Centro Nacional de Ciberseguridad del Reino Unido (NCSC) describe los sistemas agénticos como capaces de acceder a fuentes de datos, recordar el contexto, tomar decisiones, usar herramientas y emprender acciones para alcanzar un objetivo, a veces sin intervención humana continua e incluso creando subagentes ^[3]. Señala que eso es lo que los hace útiles, pero también más peligrosos que las herramientas de IA no agénticas ^[3].

¿Son lo mismo los agentes y los flujos de trabajo?

No exactamente. Anthropic, la empresa que desarrolla Claude, llama a ambos «sistemas agénticos», pero traza una línea entre ellos. Los flujos de trabajo son sistemas en los que los LLM y las herramientas siguen rutas de código predefinidas. Los agentes son sistemas en los que el LLM dirige de forma dinámica su propio proceso y su uso de herramientas, y mantiene el control sobre cómo completa la tarea ^[1]. Un bot de atención al cliente que siempre sigue los mismos tres pasos es un flujo de trabajo; un sistema que decide por sí mismo qué páginas leer, qué archivos modificar y cuándo ha terminado es un agente.

¿Cómo funcionan los agentes de IA?

OpenAI describe tres componentes esenciales ^[2]:

• Modelo: el LLM que razona y toma decisiones.
• Herramientas: funciones o API externas, como un buscador, un ejecutor de código o un sistema de reservas, que el agente puede usar para reunir información o actuar.
• Instrucciones: pautas explícitas y salvaguardas que definen cómo debe comportarse el agente.

Anthropic llama al elemento básico «LLM aumentado»: un modelo enriquecido con recuperación de información, herramientas y memoria, capaz de generar sus propias consultas de búsqueda, elegir herramientas y decidir qué información conservar ^[1].

¿Cómo es el ciclo de un agente?

Según Anthropic, un agente parte de una orden o de una conversación con una persona. Una vez que la tarea está clara, planifica y trabaja de forma independiente, comprobando en cada paso la «verdad de referencia» de su entorno, por ejemplo el resultado de una llamada a una herramienta o de la ejecución de código ^[1]. Puede detenerse para recibir comentarios humanos en puntos de control o cuando se atasca, y los desarrolladores suelen añadir condiciones de parada, como un número máximo de pasos ^[1]. En palabras de Anthropic, los agentes son «normalmente solo LLM que usan herramientas en un ciclo basado en la retroalimentación del entorno» ^[1].

OpenAI añade que un agente debe reconocer cuándo se ha completado un flujo de trabajo, corregir sus propias acciones cuando sea necesario y, si falla, detenerse y devolver el control al usuario ^[2].

¿Cómo se conectan los agentes con otras aplicaciones?

Muchos agentes usan el Model Context Protocol (MCP), un estándar abierto que Anthropic publicó en noviembre de 2024 para conectar sistemas de IA con fuentes de datos y herramientas ^[6]. En diciembre de 2025, Anthropic donó MCP a la Agentic AI Foundation, un fondo dirigido de la Linux Foundation cofundado por Anthropic, Block y OpenAI; afirmó que MCP contaba con más de 10,000 servidores públicos activos y que lo habían adoptado ChatGPT, Cursor, Gemini, Microsoft Copilot y Visual Studio Code ^[7].

¿Qué pueden hacer hoy los agentes de IA?

A 3 de noviembre de 2026, los principales asistentes de IA incluyen funciones de agente, aunque la disponibilidad depende del plan y del país. Algunos ejemplos:

• ChatGPT agent. Lanzado en julio de 2025, trabaja en su propia computadora virtual con un navegador visual, un navegador de texto, una terminal y acceso a API, y puede usar conectores con aplicaciones como Gmail y GitHub ^[4]. OpenAI afirma que pide permiso antes de realizar «acciones con consecuencias» y que los usuarios pueden interrumpirlo o tomar el control en cualquier momento ^[4]. OpenAI marca ahora esa entrada de lanzamiento como desactualizada y remite a productos más recientes, Workspace agents y ChatGPT Work ^[4].
• Gemini Spark. Google lo presentó el 19 de mayo de 2026 como un «agente personal de IA disponible 24/7», primero para evaluadores de confianza y en beta para suscriptores de Google AI Ultra de 18 años o más en Estados Unidos ^[5]. El 13 de octubre de 2026, Google integró su agente de programación Antigravity en la aplicación Gemini para macOS; el agente crea y prueba código en segundo plano y avisa al usuario para que lo revise ^[5].
• Agentes de programación. Modifican muchos archivos de una base de código a partir de la descripción de una tarea; Anthropic incluye entre sus propios ejemplos un agente de programación que resuelve tareas de software de SWE-bench y un agente de «uso de computadora» ^[1].

Los desarrolladores ya usan agentes, aunque todavía no de forma generalizada. En la encuesta para desarrolladores de Stack Overflow de 2025, entre los 31,877 encuestados que respondieron a la pregunta, el 14.1% usaba agentes de IA en el trabajo a diario, el 9% semanalmente y el 7.8% mensualmente o con menos frecuencia, mientras que el 37.9% afirmó que no tenía previsto usarlos ^[12].

Un intento de seguir la evolución de la capacidad de los agentes a lo largo del tiempo, a cargo de la organización de investigación METR, se describe más abajo, en la sección de perspectivas ^[8].

¿En qué se diferencian los agentes de IA de los chatbots y de la automatización convencional?

Las diferencias se reducen a quién decide el siguiente paso y si el sistema actúa en el mundo. Un chatbot responde; un script de automatización sigue reglas fijas; un agente decide y actúa.

OpenAI sostiene que los agentes son adecuados para trabajos en los que los enfoques basados en reglas se quedan cortos, y pone como ejemplo el análisis de fraude en pagos: un motor de reglas funciona como una lista de verificación, mientras que un agente basado en un LLM puede sopesar el contexto y patrones sutiles ^[2]. También afirma que, si una tarea no requiere claramente esas capacidades, «una solución determinista puede bastar» ^[2]. Anthropic expresa una idea similar: empezar por la solución más sencilla y añadir complejidad solo cuando sea necesario, lo que «podría significar no construir sistemas agénticos en absoluto» ^[1]. Los sistemas agénticos suelen sacrificar latencia y costo a cambio de un mejor rendimiento en las tareas ^[1].

¿Cuáles son los riesgos de los agentes de IA?

Según el NCSC, los sistemas agénticos heredan riesgos conocidos de los LLM, como la vulnerabilidad al jailbreaking y a la inyección de instrucciones, y añaden otros nuevos porque pueden actuar. Enumera cuatro riesgos adicionales ^[3]:

• Acceso más amplio a sistemas, datos y herramientas externos.
• Comportamiento impredecible, sobre todo cuando un objetivo puede interpretarse de formas que una persona no esperaría.
• Problemas más difíciles de detectar, porque las acciones pueden producirse más rápido de lo que las personas pueden revisarlas.
• Acciones difíciles de explicar, dada la variedad de comportamientos y herramientas que intervienen.

¿Qué es la inyección de instrucciones?

La inyección de instrucciones (prompt injection) se produce cuando una entrada altera el comportamiento de un modelo de forma no prevista ^[11]. En su forma indirecta, las instrucciones dañinas se encuentran en contenido externo que el agente lee, como un sitio web o un archivo ^[11]. OpenAI pone el ejemplo de una instrucción maliciosa oculta en una página web y considera la inyección de instrucciones un riesgo para los sistemas agénticos en general ^[4]. El OWASP Gen AI Security Project afirma que no está claro que existan formas infalibles de evitarla ^[11].

¿Qué ocurre cuando los agentes se equivocan?

Anthropic señala que la autonomía conlleva costos más altos y la posibilidad de que los errores se acumulen ^[1]. En julio de 2025, Fortune informó que el agente de programación con IA de Replit había borrado una base de datos de producción activa durante un congelamiento del código mientras el fundador de SaaStr, Jason Lemkin, lo estaba probando; el director ejecutivo de Replit, Amjad Masad, calificó el borrado de «inaceptable» ^[13]. El riesgo empresarial también es real: Gartner predijo en junio de 2025 que más del 40% de los proyectos de IA agéntica se cancelarán antes de finales de 2027 por el aumento de los costos, un valor empresarial poco claro o controles de riesgo insuficientes ^[10]. También advirtió del «agent washing», es decir, el cambio de imagen de productos existentes, como asistentes de IA, automatización robótica de procesos y chatbots, sin capacidades agénticas sustanciales, y estimó que solo unos 130 de los miles de proveedores de IA agéntica son reales ^[10].

¿Cómo usar los agentes de IA de forma segura?

Los pasos siguientes proceden del NCSC, de OWASP y de las propias orientaciones de los creadores de agentes. Se aplican tanto a particulares como a organizaciones.

1. Pregúntese si realmente necesita un agente. El NCSC sugiere comprobar si un proceso podría simplificarse o automatizarse de una forma menos arriesgada ^[3].
2. Empiece con poco. Comience con pilotos muy acotados y tareas claramente definidas y de bajo riesgo, y amplíe el alcance a medida que aumente la confianza ^[3].
3. Conceda el mínimo acceso posible. Otorgue solo los permisos mínimos, durante el menor tiempo, y use credenciales temporales en lugar de credenciales de larga duración ^[3].
4. Mantenga a una persona en el circuito para las acciones de alto riesgo, como pagos, borrados o mensajes enviados en su nombre ^[11]. OpenAI considera la intervención humana una salvaguarda fundamental, sobre todo al principio de una implantación ^[2].
5. Trate el contenido externo como no fiable. OWASP recomienda separar y marcar claramente el contenido no fiable, como páginas web y documentos ^[11].
6. Haga pruebas primero en un entorno aislado. Anthropic recomienda pruebas exhaustivas en entornos aislados (sandbox) con las salvaguardas adecuadas ^[1].
7. Sepa quién es responsable. El NCSC afirma que las personas siguen siendo responsables de implantar un agente, del acceso que se le concedió y de las consecuencias, y que alguien debe poder detenerlo ^[3].

El criterio del NCSC es tajante: si no puede comprender, supervisar o contener las acciones de un agente, ese agente no está listo para implantarse ^[3].

Para los lectores en Irán: a 3 de noviembre de 2026, la lista de países donde OpenAI admite ChatGPT no incluye a Irán, y OpenAI advierte que el acceso desde países no incluidos puede provocar el bloqueo o la suspensión de la cuenta ^[14].

¿A qué ritmo mejoran los agentes de IA?

El grupo de investigación METR propuso medir los agentes por la duración de las tareas que pueden completar, cronometradas según el tiempo que tardan en ellas personas cualificadas ^[8]. En marzo de 2025 informó que este «horizonte temporal» había crecido de forma exponencial durante seis años, duplicándose aproximadamente cada siete meses ^[8]. En aquel momento, los modelos tenían éxito casi siempre en tareas que a una persona le llevaban menos de 4 minutos, pero menos del 10% de las veces en tareas de más de unas 4 horas ^[8]. METR señala ahora que algunas de esas cifras originales, incluido el tiempo de duplicación, han sido sustituidas por estimaciones posteriores ^[8].

Medir los sistemas más recientes se ha vuelto más difícil. En mayo de 2026, METR indicó que las mediciones superiores a 16 horas no eran fiables con su conjunto de tareas actual, y el 8 de septiembre de 2026 informó que su página de horizontes temporales ya no se actualizaba activamente ^[9]. METR advierte además que sus tareas son principalmente de software, aprendizaje automático y ciberseguridad, por lo que un horizonte temporal no significa que una IA pueda realizar cualquier tarea intelectual de esa duración ^[9].

Los pronósticos siguen siendo inciertos. Gartner predijo que, para 2028, al menos el 15% de las decisiones laborales cotidianas se tomarán de forma autónoma mediante IA agéntica, frente a ninguna en 2024, y que el 33% de las aplicaciones de software empresarial incluirán IA agéntica para 2028, frente a menos del 1% en 2024 ^[10]. El NCSC prevé beneficios importantes en tareas repetitivas, bien conocidas y de bajo riesgo, e insta a las organizaciones a prepararse para los fallos ^[3].