Un agente de IA, en el contexto de la IA generativa moderna, es un sistema construido alrededor de un modelo de lenguaje grande que puede planificar una secuencia de pasos, tomar acciones mediante uso de herramientas externas, observar los resultados de esas acciones e iterar hacia un objetivo, en lugar de simplemente producir una respuesta a un mensaje. La característica definitoria que distingue a un agente de un chatbot simple es un bucle: la salida del modelo no es necesariamente la respuesta final mostrada al usuario, sino que puede ser una decisión sobre qué hacer a continuación, que se ejecuta, se retroalimenta en la ventana de contexto del modelo y se utiliza para decidir el siguiente paso, continuando hasta que la tarea se complete o se alcance un límite.
El término precede a los modelos de lenguaje grandes, habiéndose utilizado durante mucho tiempo en inteligencia artificial y robótica para describir cualquier sistema que percibe un entorno y actúa sobre él, incluidos agentes simples basados en reglas y agentes de aprendizaje por refuerzo como AlphaGo. Su uso actual, vinculado específicamente a sistemas basados en LLM que llaman a herramientas y persiguen tareas de múltiples pasos, se generalizó a partir de 2023, tras experimentos tempranos como AutoGPT, y se aceleró notablemente durante 2024 y 2025 a medida que los modelos mejoraron en la selección y secuenciación confiable de llamadas a herramientas, un período ampliamente descrito en comentarios de la industria como la ola "agéntica" del auge de la IA más amplio.
Componentes
Un agente típico combina varias piezas: un modelo de lenguaje base que realiza el razonamiento y la toma de decisiones; un conjunto de herramientas que puede invocar, como un intérprete de código, una función de búsqueda web o una API, expuestas mediante llamadas estructuradas a herramientas; un mecanismo de memoria o estado que rastrea lo que ha ocurrido hasta ahora en la tarea, a menudo simplemente el contexto acumulado, aunque algunos sistemas añaden almacenamiento externo para tareas más largas; y un bucle de control que decide cuándo la tarea está terminada o cuándo preguntar a un humano por entrada. Muchos marcos de agentes también incorporan generación aumentada por recuperación para que el agente pueda buscar documentos relevantes a mitad de la tarea, y algunos admiten uso de computadora, permitiendo que el agente opere una interfaz gráfica como un navegador web directamente en lugar de mediante una API dedicada.
Estandarización
A medida que creció el número de herramientas a las que un agente podría conectarse, conectar cada herramienta a cada modelo con código de integración personalizado se convirtió en un problema de escalado. Anthropic introdujo el protocolo de contexto de modelo en noviembre de 2024 como un estándar abierto para conectar modelos de lenguaje a herramientas y fuentes de datos externas de manera uniforme, y fue adoptado ampliamente en toda la industria durante 2025, incluso por laboratorios competidores, como una capa de interfaz común para el uso agéntico de herramientas.
Aplicaciones
Los sistemas agénticos se han aplicado a la ingeniería de software, donde herramientas como GitHub Copilot, Cursor y Claude Code evolucionaron de completar código de un solo turno a agentes que pueden leer un código base, ejecutar pruebas y realizar ediciones de múltiples archivos de forma autónoma; a la investigación y recopilación de información, donde un agente emite una serie de búsquedas y sintetiza hallazgos; y a la automatización de navegadores y computadoras, donde un agente opera software de la manera en que lo haría un usuario humano. Puntos de referencia como SWE-bench se adoptaron específicamente para medir el rendimiento de codificación agéntica, ya que requieren una secuencia de extremo a extremo de ediciones de archivos y ejecuciones de pruebas en lugar de un fragmento de código único.
Fiabilidad y críticas
La fiabilidad de los agentes sigue siendo un problema abierto central: los errores pequeños al inicio de una cadena de tareas larga pueden acumularse, las llamadas a herramientas pueden fallar o ser mal utilizadas, y los agentes pueden seguir un plan plausible pero incorrecto durante muchos pasos antes de que un error se haga evidente, a veces llamado "deriva del agente". Las preocupaciones sobre agentes que actúan sobre entradas no confiables o adversarias han hecho de la inyección de prompts un problema de seguridad significativo específico de los sistemas agénticos, ya que un agente con acceso a herramientas y datos reales puede, en principio, ser manipulado para realizar acciones dañinas en el mundo real en lugar de meramente generar texto indeseable, una categoría de riesgo sin análogo directo en un chatbot simple.