AI Agent Coding 2025 describe la rápida expansión de los agentes de inteligencia artificial capaces de escribir, probar e implementar código de software de forma autónoma, un desarrollo que remodeló significativamente la industria del software durante ese año. Un agente de IA, también conocido como IA agéntica, es un programa de inteligencia artificial que puede perseguir objetivos, usar software u otras herramientas, y tomar acciones con cierto nivel de autonomía. Esto contrasta con el uso de IA tipo herramienta para tareas estrechas y específicas, como responder preguntas, como se veía con los chatbots no agénticos comunes en 2023 o los algoritmos tradicionales de aprendizaje automático. Aunque no existe una definición universalmente aceptada, los atributos comunes de los agentes de IA incluyen comportamiento dirigido a objetivos, uso de herramientas externas, capacidad de interactuar con y modificar un entorno externo, y ejecución autónoma de tareas de múltiples pasos. Su flujo de control está frecuentemente impulsado por modelos de lenguaje grandes, y los sistemas de agentes pueden incluir componentes de memoria, lógica de planificación, interfaces de herramientas y software de orquestación para coordinar componentes.
Para 2025, los agentes de desarrollo de software o de codificación, como Cursor, se convirtieron en una aplicación prominente de los agentes de IA, permitiendo la generación, prueba e implementación automatizada de código. Este auge fue impulsado por avances en modelos de lenguaje grandes, la disponibilidad de API de llamada a funciones y protocolos estandarizados como el Protocolo de Contexto de Modelo (MCP) de Anthropic, que permitía a los agentes obtener conciencia contextual y actuar sobre herramientas externas. El término "agéntico" ganó frecuencia en 2024, popularizado por el investigador Andrew Ng, y para mediados de 2025, los agentes de IA se estaban aplicando en diversos dominios, incluidos el desarrollo de videojuegos, el juego de azar, las billeteras de criptomonedas y las redes sociales, según informes de la industria.
Contexto Histórico
Los fundamentos teóricos de los agentes artificiales surgieron a mediados del siglo XX con el establecimiento de la cibernética y la inteligencia artificial. El artículo de 1958 de Oliver Selfridge "Pandemonium: A Paradigm for Learning" fue una contribución teórica temprana importante en el establecimiento de la arquitectura orientada a agentes. Las implementaciones prácticas de agentes para aplicaciones del mundo real comenzaron a generalizarse en la década de 1990, después de la introducción del modelo de software de creencia-deseo-intención (BDI) y la programación orientada a agentes. El profesor de Harvard Milind Tambe señaló que en la década de 1990, la definición de un agente de IA no era clara. Se desplegaron agentes digitales puros en la infraestructura informática para fines como la monitorización, mientras que los agentes conectados a sensores y actuadores del mundo real se usaban cada vez más en sistemas de control industrial.
Los primeros agentes artificiales tendían a tener lógica simple de si-entonces, que se expandió con el tiempo en grandes modelos de árboles de decisión. A principios de la década de 2010, se lanzaron productos como Siri y Alexa, a veces llamados agentes de IA, aunque carecían de la capacidad de razonamiento de propósito general de los agentes posteriores impulsados por LLM. Los académicos comenzaron a estudiar los agentes LLM desde 2018. El despliegue de tales agentes comenzó a acelerarse a finales de 2023 después de que la API de "llamada a funciones" de OpenAI estuviera disponible, y especialmente después de la introducción a finales de 2024 del Protocolo de Contexto de Modelo (MCP) por parte de Anthropic, una forma estandarizada para que los agentes LLM obtengan conciencia contextual y actúen sobre el mundo llamando a varias herramientas externas.
Entrenamiento y Pruebas
Los investigadores han intentado construir modelos del mundo y entornos de aprendizaje por refuerzo para entrenar o evaluar agentes de IA. Por ejemplo, videojuegos como Minecraft y No Man's Sky, así como réplicas de sitios web de empresas, se han utilizado para entrenar tales agentes. Estos entornos permiten a los agentes aprender comportamiento dirigido a objetivos, interactuar con entornos simulados y refinar su ejecución de tareas de múltiples pasos. En el contexto de la codificación, los agentes a menudo se entrenaban en grandes bases de código, utilizando técnicas como el ajuste fino supervisado y el aprendizaje por refuerzo a partir de retroalimentación humana, para mejorar su capacidad de generar, probar y depurar código.
Capacidades Autónomas
The Financial Times comparó la autonomía de los agentes de IA con la clasificación SAE de los coches autónomos, comparando la mayoría de las aplicaciones con el nivel 2 o nivel 3, con algunos logrando el nivel 4 en circunstancias altamente especializadas y el nivel 5 siendo teórico. En la codificación, esto significaba que muchos agentes de IA podían manejar tareas específicas con supervisión humana, mientras que unos pocos podían operar de forma independiente en dominios estrechos, como la corrección automatizada de errores o la refactorización de código. El nivel de autonomía variaba ampliamente, con algunos agentes que requerían aprobación humana para cada acción, mientras que otros podían ejecutar flujos de trabajo completos, desde la generación de código hasta la implementación, sin intervención.
Arquitectura Cognitiva
Ken Huang propuso una arquitectura de referencia para agentes de IA que consiste en siete capas interconectadas, con cada capa construyendo sobre la funcionalidad de las capas inferiores:
- Capa 1: Modelos fundacionales - proporcionan los conjuntos de datos que impulsan al agente.
- Capa 2: Operaciones de datos - gestiona la infraestructura de datos requerida para las operaciones del agente de IA, incluyendo bases de datos vectoriales, cargadores de datos y RAG.
- Capa 3: Marcos de agentes - software que gestiona los agentes de IA.
- Capa 4: Despliegue e infraestructura - la base técnica de los agentes de IA.
- Capa 5: Evaluación y observabilidad - la seguridad y el rendimiento de los agentes de IA.
- Capa 6: Seguridad y cumplimiento - un marco protector para la operación segura y el cumplimiento de los límites regulatorios. En esta capa, las características de seguridad y cumplimiento integradas en todas las capas de la pila de agentes de IA se combinan.
- Capa 7: Ecosistema de agentes - representa la interfaz de los agentes de IA con aplicaciones y usuarios del mundo real.
Esta arquitectura proporcionó un enfoque estructurado para desarrollar y desplegar agentes de IA, particularmente en entornos empresariales, donde los agentes de codificación necesitaban integrarse con los pipelines de desarrollo de software existentes, sistemas de control de versiones e infraestructura de despliegue.
Arnés de Agente
Un arnés de agente es la capa de software que rodea a un modelo de lenguaje grande y que le permite funcionar como un agente de IA. Comúnmente gestiona prompts, contexto, uso de herramientas, memoria, estado de ejecución, restricciones operativas, sandboxes, permisos y el procesamiento de resultados. El arnés conecta el modelo con hardware y software informático interno y externo, archivos de datos, bases de datos, navegadores web, interfaces de línea de comandos y interfaces de programación de aplicaciones, mientras controla cómo el agente accede y usa estos recursos para completar tareas de múltiples pasos. En los agentes de codificación, el arnés a menudo incluía integraciones con editores de código, sistemas de control de versiones como Git y plataformas de despliegue en la nube, permitiendo al agente escribir código, ejecutar pruebas y desplegar aplicaciones.
Patrones de Orquestación
Los agentes autónomos a menudo se integran con otros agentes o herramientas especializadas para ejecutar tareas complejas. Estas configuraciones, conocidas como patrones de orquestación o flujos de trabajo, incluyen lo siguiente:
- Encadenamiento de prompts: Una secuencia donde la salida de un paso sirve como entrada para el siguiente.
- Rutado: Dirigir una entrada a una tarea descendente o herramienta especializada.
- Paralelización: La ejecución simultánea de múltiples tareas.
- Procesamiento secuencial: Una progresión fija y lineal de tareas a través de un pipeline predefinido.
- Planificador-crítico: Un patrón iterativo donde un agente genera una propuesta y otro la evalúa para proporcionar retroalimentación para el refinamiento.
En la codificación, los patrones de orquestación permitían a los agentes descomponer grandes proyectos de software en tareas más pequeñas, asignarlas a sub-agentes especializados y coordinar sus esfuerzos para producir una base de código coherente. Por ejemplo, un agente planificador podría diseñar la arquitectura, mientras que un agente codificador escribe funciones y un agente crítico revisa el código en busca de errores y problemas de estilo.
Agentes de IA Multimodales
Además de los modelos de lenguaje grandes (LLM), los modelos de visión-lenguaje (VLM) y los modelos fundacionales multimodales pueden usarse como base para agentes. El Instituto Allen para la IA lanzó un modelo de visión-lenguaje de código abierto en 2024. Nvidia lanzó un marco para que los desarrolladores usen VLM, LLM y generación aumentada por recuperación para construir agentes de IA que puedan analizar imágenes y videos, incluida la búsqueda y el resumen de videos. Microsoft lanzó un modelo de agente multimodal - entrenado en imágenes, video, interacciones de interfaz de usuario de software y datos de robótica - que la compañía afirmó que puede manipular software y robots. En la codificación, los agentes multimodales podían interpretar capturas de pantalla de interfaces de usuario, leer diagramas y comprender documentación visual, mejorando su capacidad para trabajar con aplicaciones gráficas y especificaciones de diseño.
Aplicaciones e Impacto
A abril de 2025, según Associated Press, había pocas aplicaciones reales de agentes de IA. Sin embargo, para mediados de 2025, el panorama había cambiado significativamente. The Information dividió los agentes de IA en siete arquetipos: agentes de tareas empresariales, para actuar dentro de software empresarial; agentes conversacionales, que actúan como chatbots para soporte al cliente; agentes de investigación, para consultar y analizar información (como OpenAI Deep Research); agentes de análisis, para analizar datos y crear informes; agentes de desarrollo de software o codificación (como Cursor); agentes específicos de dominio, que incluyen conocimiento de materia específica; y agentes de navegador web (como OpenAI Operator).
Para mediados de 2025, los agentes de IA se estaban utilizando en el desarrollo de videojuegos, el juego de azar (incluidas las apuestas deportivas), las billeteras de criptomonedas (incluido el comercio de criptomonedas y las monedas meme) y las redes sociales. En agosto de 2025, New York Magazine describió el fenómeno, destacando la rápida adopción de agentes de codificación en startups y empresas tecnológicas. El impacto en la industria del software fue profundo: los agentes de codificación redujeron el tiempo requerido para tareas rutinarias, como escribir código repetitivo, corregir errores de sintaxis y ejecutar pruebas unitarias, permitiendo a los desarrolladores centrarse en el diseño de alto nivel y la resolución de problemas. Sin embargo, también se plantearon preocupaciones sobre la calidad del código, las vulnerabilidades de seguridad y el desplazamiento de empleos, lo que llevó a debates sobre el nivel apropiado de autonomía para tales agentes.
El auge de la codificación con agentes de IA en 2025 estuvo estrechamente vinculado a avances en inteligencia artificial y aprendizaje automático, particularmente el desarrollo de transformadores y redes neuronales. Empresas como OpenAI, Anthropic y Google DeepMind desempeñaron papeles fundamentales en la creación de los modelos y API subyacentes. El ecosistema también se benefició de la infraestructura en la nube proporcionada por Amazon Web Services, Azure y Google Cloud, que ofrecían recursos de cómputo escalables para entrenar y desplegar agentes. A partir de 2025, el campo continuó evolucionando, con investigación en curso sobre métodos de evaluación más robustos, protocolos de seguridad y técnicas de orquestación para garantizar que los agentes de IA pudieran ser confiados con tareas de codificación cada vez más complejas.